Tidak Dapat Mengatasi Banyaknya Keluhan Pelanggan? AI untuk Menyelamatkan
Masa lalu gerakan Kualitas tampak aneh dalam retrospeksi:spanduk, slogan, hadiah, dan acara pembangunan tim. Saat ini, manajemen kualitas adalah tentang informasi — atau, lebih tepatnya, bagaimana agar tidak terkubur di dalamnya.
Di era media sosial, ada begitu banyak data kaya yang tersedia dari konsumen sehingga perusahaan harus dapat mengubah umpan balik itu menjadi penciptaan produk yang sempurna. Jika hanya. Masalahnya adalah salah satu volume belaka. Bagaimana pedagang, terutama di industri yang berfokus pada kualitas seperti obat-obatan, memahami semua informasi itu?
Jawaban singkatnya adalah mereka tidak bisa — bukan tanpa bantuan kecerdasan buatan dan ilmu pemodelan prediktif yang muncul.
Sebuah produsen obat biasanya menerima puluhan ribu komentar dan keluhan dari berbagai sumber di seluruh dunia. Unit penanganan keluhan standar akan berjuang untuk memilah masukan yang luar biasa ini, memisahkan yang positif dari yang negatif, yang sepele dari yang mengancam jiwa.
Faktanya, keluhan yang dominan biasanya berisiko rendah, menurut Steve McCarthy, wakil presiden inovasi digital Sparta Systems, vendor perangkat lunak manajemen kualitas. Meski demikian, katanya, setiap keluhan harus “disentuh”. Triknya terletak pada menyaring "kebisingan" dan berfokus pada umpan balik yang benar-benar penting.
Dengan peningkatan dalam pemrosesan bahasa alami, AI telah menjadi sarana yang semakin layak untuk menafsirkan semua data itu. Idenya adalah untuk membiarkan otomatisasi memilah-milah data mentah, kemudian menyajikan unit penanganan keluhan dengan penilaian tingkat keparahan, kemungkinan akar penyebab, dan bahkan saran untuk tindakan.
Tetap — setidaknya untuk saat ini — tugas orang untuk menerima atau menolak kategorisasi dan saran yang dihasilkan komputer. “Pada tahap ini,” kata McCarthy, “kami tidak menghilangkan manusia dari proses pengambilan keputusan, tetapi kami mencoba meningkatkan kemampuan untuk membuat keputusan yang lebih cerdas dan efektif.”
Secara teori, sistem harus meningkatkan kemampuan analitisnya dengan pengalaman. Itulah dasar dari pembelajaran mesin, aspek kunci dari AI modern. Semakin ia mencerna data dan menyampaikannya ke teknisi berkualitas, semakin tinggi tingkat akurasinya, kata McCarthy.
Selain memenuhi prioritas keselamatan pasien yang jelas, sistem berbasis AI juga akan lebih hemat biaya daripada evaluasi manual yang dipimpin manusia. (Dengan asumsi bahwa yang terakhir bahkan mungkin, mengingat banyaknya informasi yang harus dihadapi produsen saat ini.)
Tetapi biaya bukanlah satu-satunya alasan untuk mencari cara yang lebih efisien untuk memproses keluhan. “Ada faktor kecepatan dan ketepatan waktu,” kata McCarthy. “Penting untuk mendapatkan pemahaman yang kuat tentang kemungkinan keparahan dan [tingkat] risiko yang terkait dengan keluhan, sehingga Anda dapat menyelesaikan investigasi akar penyebab.”
Langkah selanjutnya dalam penggunaan AI — dan yang masih jauh dari mencapai kedewasaan penuh pada saat ini adalah pemodelan prediktif. Setelah membuktikan dirinya mampu kontekstualisasi data, kategorisasi pesanan dan penilaian risiko otomatis, sistem kemudian dapat mulai mengantisipasi jenis keluhan yang akan diterimanya. Melalui penggunaan analisis tren, ini benar-benar dapat memperkirakan tingkat keparahan atau risiko yang mungkin diwakili oleh keluhan.
Berbekal peningkatan volume input, mesin AI dapat mengidentifikasi jumlah dan sifat penyimpangan dari tolok ukur kualitas. Akibatnya, kata McCarthy, ia belajar dari data itu bahkan sebelum sebuah produk dirilis.
“Kumpulan data tersebut dapat disatukan sehingga jika Anda melihat pola tertentu di lantai toko yang telah dikaitkan dengan data keluhan pasca-pasar, Anda dapat mengkorelasikan kumpulan data tersebut dan mulai memprediksi bahwa pola tertentu ini dapat menyebabkan keluhan, ” McCarthy menjelaskan.
Umpan balik menjadi bagian dari sistem loop tertutup yang dimasukkan kembali ke dalam pembuatan produk. Pabrikan mungkin menemukan bahwa pengukur tekanan tidak berfungsi. Atau cacat dapat dideteksi pada fase desain, yang memerlukan perubahan bahan mentah dan penyiapan produksi awal.
Sementara nilai dari proses kualitas yang digerakkan oleh AI tampaknya paling nyata dalam ilmu kehidupan, McCarthy melihat teknologi itu berlaku sama untuk sejumlah industri lain. Produsen perangkat medis, misalnya, mendapat keuntungan besar dengan mampu mengubah peralatan modal yang mahal sebelum mereka pergi ke pasar. “Pada akhirnya,” kata McCarthy, “ini tentang deteksi sinyal.”
Teknologi masih memiliki cara untuk pergi sebelum pemodelan prediktif menjadi latihan yang tepercaya dan efektif. Dalam beberapa tahun terakhir, AI telah membuat langkah besar dalam memahami seluk-beluk dan sentimen di balik respons manusia, tetapi itu jauh dari sempurna. Bagaimana, misalnya, pembuat lensa kontak mengurai keluhan seperti “gatal”, “gatal”, “terbakar”, dan sekadar “perasaan tidak nyaman”?
McCarthy mengharapkan untuk melihat kemajuan teknologi yang berkelanjutan, karena produsen ilmu kehidupan berusaha untuk memenuhi selera konsumen dan batasan peraturan. Industri otomotif juga mendapat manfaat dari penggunaan AI untuk meningkatkan keselamatan dan membangun pengujian kualitas ke dalam manufaktur.
“Ini sedang diujicobakan di sejumlah area,” kata McCarthy. “Kemampuan untuk menerapkan pemodelan prediktif pada proses itu sangat menarik. Saya bahkan tidak dapat membayangkan kemampuan yang akan kami miliki dalam beberapa tahun mendatang.”
