30 novembre 2022 : OpenAI lance ChatGPT. L’Intelligence Artificielle fait une entrée fracassante dans le débat public. Même si elle est sur toutes les lèvres depuis, l’IA n'est pas nouvelle. Mais quels sont les cas d'application concrets et les perspectives pour les années à venir ? Tour d'horizon.
Comment bien utiliser l’IA dans la relation client ? Quelles sont les IA les plus prometteuses et pour quels cas d'usage ? Comment en tirer profit dans son quotidien de Customer Success ? Nous faisons le point sur 3 technologies à fort impact et les évolutions possibles à 3/5 ans.
📌 Article extrait du webinar "Comment l'IA révolutionne la relation client : 3 technos qui changent la donne" (diffusé le 29/02/2024) ➡️ Accéder au Replay
IA Natural Language : l’analyse des sentiments des clients grâce aux interactions
Qu’est-ce que l’IA Natural Language ?
L’IA Natural Language (ou Analyse de Sentiment) permet d’examiner un texte et d’en extraire l’émotion dominante. Cela peut être un email ou un ticket support par exemple. L’objectif est de dire si le client est satisfait de la conversation qu’il a avec vous ou si, à l’opposé, il exprime un mécontentement. En clair, identifier l’état d’esprit de vos clients lorsqu’ils vous contactent.
Cette IA donne 2 informations :
- L’analyse du sentiment : c’est un score de 0 à 1, qui correspond au niveau de satisfaction.
- La magnitude du sentiment : elle indique si la satisfaction ou l’insatisfaction concerne un sujet négligeable ou vraiment important.
L’IA Natural Language dans Skalin
Sur Skalin, vous connectez des outils comme votre CRM, boite e-mail et outil de ticketing. Nous avons ainsi accès à toutes vos conversations avec vos clients, qu’on affiche sur une timeline.
L’analyse de sentiment nous permet de détecter si l’interaction est négative ou positive. Comme vous auriez pu le faire manuellement. Là où l’Intelligence Artificielle est intéressante, c’est qu’elle rend cela systématique et automatique sur toutes les interactions, pour vous donner une idée de l’évolution de l’état d’esprit de vos clients dans le temps.
Autrement dit, ce n’est pas parce qu’un jour, un client se plaint qu'il n’arrive plus à se connecter à votre plateforme, qu’il va devenir un client à risque automatiquement. En revanche, si vous recevez de plus en plus de tickets de ce client pour se plaindre, cela fournit des signaux précieux pour déterminer le niveau de satisfaction du client. Et Skalin en déduit que la situation est potentiellement en train de se dégrader. Une information utile à exploiter au niveau du score de santé.
Notons que cette technologie fonctionne à la fois sur de la sémantique, c'est-à-dire sur des mots, et sur des tournures de phrase. Par exemple, elle peut comprendre qu’un client fait de l’ironie. Elle fonctionne également dans de nombreuses langues.
Comment va évoluer la technologie ?
Il est probable que, dans les 3 à 5 ans, l’analyse de sentiments va s’enrichir des progrès de l’IA générative, et inversement.
Imaginez qu’un de vos clients vous explique qu’il va mettre fin à son abonnement de façon très policée, expliquant même qu’il est très content de la façon dont ça s’est passé avec vous. Actuellement, l’IA Natural Language peut se faire berner par l'abondance de termes positifs et rater le message principal : le client veut résilier.
Pour éviter de se laisser abuser, les technologies d’IA Natural Language vont vraisemblablement faire appel à la capacité d'interprétation des IA génératives pour faire un tri. Ces dernières pourront extraire la quintessence du message avant de le soumettre à l’analyse de sentiment. Pour parler clairement : proposer quelque chose d’un peu plus brut pour obtenir une analyse plus fiable.
AutoML : utiliser l’IA dans la relation client pour établir un score de santé
L’AutoML : qu’est-ce que c’est ?
L’AutoML est du Machine Learning automatisé. Il est apparu vers la fin des années 2010 et a fait des progrès rapides depuis. En gros, cette technologie permet aux data scientists de créer et de valider des modèles dans les conditions de production. Par exemple, si vous utilisez Amazon S3, vos équipes techniques et Data-Science ont accès à des modèles pré-embarqués sur ces plateformes.
C’est beaucoup plus simple à exploiter. La raison : on réunit l’hébergement des données et la modélisation autour de celles-ci. À l’inverse, avant, il fallait faire beaucoup de choses en amont pour exploiter la donnée.
Ces technologies AutoML proposent notamment des modèles de forecasting, c'est-à-dire de prédiction du comportement future en exploitant la donnée passée.
Comment Skalin tire parti de l’AutoML ?
Chez Skalin, le forecasting nous permet de prédire, à partir des éléments passés, où se trouvera le client dans le futur, afin de déterminer si un client est à risque.
L’AutoML est au cœur du score de santé de Skalin. L’objectif : identifier les clients du portefeuille qui méritent une attention particulière. C’est le cas si leur usage se dégrade petit à petit ou si cela fait longtemps que vous ne leur avez pas parlé. Pour calculer ce score, nous utilisons 4 familles de critères. Celle pour laquelle nous utilisons le plus le forecasting : l’usage de votre plateforme.
Les perspectives d’évolution
Des travaux sont en cours et d'ici à quelques années, on pense que :
- L’IA générative pourra faire ses propres prédictions : concrètement, lorsque vous poserez une question, l’IA va elle-même tester différents modèles statistiques et choisir le plus pertinent.
- L’IA pourra affiner les hyper-paramètres et la sensibilité du modèle : elle va trouver toute seule les paramètres de l’algorithme qui fonctionnent le mieux pour prendre sa décision, alors qu’aujourd’hui, il faut tout tester manuellement.
L’IA générative : faire ressortir des informations clé pour mieux piloter les comptes
L’IA générative en bref
C’est le type d’IA le plus largement connu du grand public. Elle peut être très puissante pour suivre vos clients. L'IA générative fait référence à l'utilisation de l'IA pour créer de nouveaux contenus, comme du texte, des images, de la musique, de l'audio et des vidéos. Elle se base pour cela sur des modèles et réalise des tâches prêtes à l’emploi, comme la synthèse. Parmi les outils connus : ChatGPT, Mistral et Gemini.
Comment utiliser l’IA générative dans la relation client ?
Skalin intègre un module d'IA générative pour obtenir des informations issues des interactions avec les clients. L’idée est de traiter un gros volume de données pour synthétiser ou faire ressortir des choses enfouies ou oubliées.
Vous pouvez demander 5 requêtes pour chaque compte :
- Les points importants issus des interactions des 6 derniers mois
- Les feedbacks positifs laissés par le client
- Les problématiques récurrentes
- Le niveau d’implication des interlocuteurs chez le client, notamment le sponsor
- Les opportunités d’upsell
Les évolutions possibles à l’avenir
L’IA générative va monter en puissance dans les 5 prochaines années. Voici les capacités à venir :
- Couvrir des nouveaux cas d’usage : des recommandations pourraient se baser sur les données de connexion, et pas seulement sur les interactions. Une analyse presque humaine de l’utilisation de votre plateforme, qui vous prendrait plusieurs heures aujourd'hui !
- Analyser sur l’ensemble du portefeuille : par exemple, on pourrait identifier les demandes récurrentes pour toute la base clients. Le but : alimenter une roadmap produit.
- Le modèle de « VP Customer Success as a Service » : l’IA va devenir assez puissante, à partir de toutes les données qu’elle a à sa disposition, pour aider à prioriser des clients, recommander des plans d’action et finalement guider le CSM.
- L’assistant personnel : cela se voit déjà sur des solutions orientées ticketing et support. Les équipes CS peuvent en bénéficier aussi. En clair : à partir de toute la donnée dont elle dispose, une FAQ par exemple, l’IA pourrait proposer des réponses précises et personnalisées, dans le style et la forme que vous avez l'habitude d'utiliser avec ce client, en prenant en compte le contexte. Elle peut aussi enrichir automatiquement une FAQ, au fil des discussions et réponses.
- Le support augmenté : à partir d’une seule base documentaire en une langue, l’IA pourrait apporter des réponses pertinentes dans la langue du contact. Cela va même plus loin, avec les avatars vidéo. Aujourd’hui, la vidéo et le texte sont séparés, mais on peut imaginer générer des réponses vidéo intelligentes en temps réel à l’avenir. L’idée est de proposer des expériences plus qualitatives à des clients traités en Low-Touch.
Pour aller plus loin :
- L’Intelligence Artificielle au service du Customer Success
- Les avantages de l'IA pour mettre en place un score de santé client
- 5 cas d’usage de Chat GPT en Customer Success (+ Prompts associés)
- Le NPS est mort, vive l'analyse de sentiment !