Bagaimana AI Mengubah Aduan Pelanggan Menjadi Wawasan yang Dapat Ditindaklanjuti
Zaman dahulu gerakan Kualitas tampak menyenangkan secara retrospective: spanduk, slogan, hadiah dan acara tim-bangun. Kini, manajemen kualitas semuanya tentang informasi — atau, lebih tepatnya, bagaimana agar tidak terpuruk di dalamnya.
Di era media sosial, ada begitu banyak data kaya yang tersedia dari konsumen sehingga perusahaan seharusnya dapat mengonversi umpan balik tersebut menjadi penciptaan produk yang sempurna. Kalau saja. Masalahnya adalah volume yang luar biasa. Bagaimana pedagang, terutama di industri yang berfokus pada kualitas seperti farmasi, dapat memahami semua informasi tersebut?
Jawaban pendek adalah mereka tidak bisa — tidak tanpa bantuan kecerdasan buatan dan ilmu prediktif yang berkembang.
Produsen obat biasanya menerima puluhan ribu komentar dan aduan dari berbagai sumber di seluruh dunia. Unit penanganan aduan standar akan kesulitan untuk mengklasifikasi input yang menimbulkan, memisahkan positif dari negatif, yang trivial dari yang berbahaya jiwa.
Sebenarnya, mayoritas aduan biasanya bersifat risiko rendah, menurut Steve McCarthy, vice president of digital innovation di Sparta Systems, vendor perangkat lunak manajemen kualitas. Meskipun demikian, katanya, setiap aduan harus "disentuh." Triknya ada dalam menyaring "kebisingan" dan fokus pada umpan balik yang benar-benar penting.
Dengan perbaikan dalam pemrosesan bahasa alami, AI menjadi cara yang semakin viable untuk menafsirkan semua data tersebut. Ideanya adalah untuk membiarkan otomatisasi menyaring data mentah, lalu menyajikan unit penanganan aduan dengan penilaian keparahan, kemungkinan akar penyebab dan bahkan saran untuk tindakan.
Masih — setidaknya untuk saat ini — pekerjaan manusia 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 lebih efektif."
Secara teori, sistem seharusnya meningkatkan kemampuan analitisnya dengan pengalaman. Itulah dasar machine learning, aspek kunci AI modern. Semakin banyak sistem mencerna data dan melewatkannya kepada insinyur kualitas, semakin tinggi tingkat akurasi yang kemungkinan akan dimilikinya, kata McCarthy.
Di luar memuaskan prioritas yang jelas akan keselamatan pasien, sistem yang didorong AI juga akan lebih hemat biaya daripada evaluasi manual yang dipimpin manusia. (Asumsi bahwa yang terakhir bahkan mungkin, mengingatan banjir informasi yang harus dihadapi produsen saat ini.)
Tapi biaya bukan satu-satunya alasan untuk mencari cara yang lebih efisien untuk memproses aduan. "Ada faktor kecepatan dan ketepatan waktu," kata McCarthy. "Penting untuk mencapai pemahaman yang solid tentang keparahan yang mungkin dan [tingkat] risiko yang terkait dengan aduan, sehingga Anda dapat menyelesaikan penyelidikan akar penyebab."
Langkah berikutnya dalam penggunaan AI — dan satu yang masih jauh dari mencapai kematangan penuh saat ini — adalah pemodelan prediktif. Setelah terbukti mampu dalam kontekstualisasi data, kategorisasi pesanan dan penilaian risiko otomatis, sistem dapat mulai memprediksi jenis aduan yang akan diterimanya. Dengan menggunakan analisis tren, sistem dapat sebenarnya memprediksi tingkat keparahan atau risiko yang kemungkinan diwakili oleh suatu aduan.
Dengan dilengkapi volume input yang semakin besar, mesin AI dapat mengidentifikasi jumlah dan sifat penyimpangan dari standar kualitas. Secara efektif, kata McCarthy, ia sedang belajar dari data tersebut sebelum produk bahkan dirilis.
"Kumpulan data ini dapat digabungkan sehingga jika Anda melihat pola tertentu di lantai produksi yang telah ditautkan ke data aduan setelah pasar, Anda dapat mengkorelasikan kumpulan data tersebut dan mulai memprediksi bahwa pola tertentu ini dapat menyebabkan aduan," menjelaskan McCarthy.
Umpan balik menjadi bagian dari sistem tertutup di mana ia diintegrasikan kembali ke dalam pembuatan produk. Produsen mungkin menemukan bahwa manometer berfungsi tidak baik. Atau sebuah cacat dapat terdeteksi pada tahap desain, yang memerlukan perubahan bahan baku dan pengaturan produksi awal.
Sementara nilai proses kualitas yang didorong AI paling nyata dalam ilmu kehidupan, McCarthy melihat teknologi ini berlaku sama untuk sejumlah industri lainnya. Produsen alat medis, misalnya, beruntung mendapatkan manfaat besar dengan dapat menyesuaikan peralatan modal mahal sebelum mereka meluncur ke pasar. "Pada akhirnya," kata McCarthy, "ini tentang deteksi sinyal."
Teknologi masih perlu waktu sebelum pemodelan prediktif menjadi latihan yang tepercaya dan efektif. Dalam beberapa tahun terakhir, AI telah membuat kemajuan besar dalam memahami nuansa dan sentimen di balik respons manusia, tetapi masih jauh dari sempurna. Bagaimana, misalnya, produsen lensa kontak menafsirkan aduan seperti "kasar," "gatal," "panas," dan hanya "perasaan tidak nyaman"?
McCarthy mengharapkan kemajuan berlanjut dalam teknologi, saat produsen ilmu kehidupan berusaha memenuhi selera konsumen dan ketentuan regulasi. Industri otomotif juga beruntung mendapatkan manfaat dari penggunaan AI untuk meningkatkan keselamatan dan membangun pengujian kualitas ke dalam manufaktur.
"Sedang diuji coba di sejumlah area," kata McCarthy. "Kemampuan untuk menerapkan pemodelan prediktif pada proses itu sangat menarik. Saya bahkan tidak bisa membayangkan kemampuan yang akan kita miliki dalam beberapa tahun ke depan."
