Daftar Isi
Proyek Analitik Prediktif dan AI: Mengapa Gagal dan Bagaimana Mengubahnya Menjadi Sukses
Dalam uji coba terbaru, Air Canada menghadapi masalah dengan chatbot berbasis artificial intelligence (AI) yang memberikan informasi yang salah kepada pelanggan. Namun, pengadilan tidak menerima argumen bahwa chatbot tersebut adalah entitas hukum terpisah yang bertanggung jawab atas tindakannya. Pertanyaannya adalah, apakah bisnis benar-benar memahami risiko dan implikasi penggunaan artificial intelligence dan teknologi model bahasa besar (LLM) untuk customer experience (CX)?
Analitik prediktif dan artificial intelligence generatif menawarkan potensi untuk merevolusi operasi bisnis dengan memberikan wawasan yang dapat meningkatkan pengambilan keputusan, mengoptimalkan proses, mengurangi biaya, dan meningkatkan CX. Namun, banyak proyek analitik prediktif dan artificial intelligence tidak memenuhi harapan, membuang sumber daya, melewatkan peluang, dan merusak reputasi brand. Menurut artikel terbaru dari Harvard Business Review, sebagian besar proyek artificial intelligence gagal, dengan perkiraan tingkat kegagalan mencapai 80 persen, hampir dua kali lipat tingkat kegagalan proyek teknologi informasi perusahaan satu dekade yang lalu.
Tujuan yang Tepat dan Pengukuran Hasil Bisnis yang Jelas
Ada lima alasan mengapa proyek-proyek ini berjuang dan beberapa solusinya. Banyak inisiatif didorong oleh kekaguman terhadap teknologi, dimulai di departemen teknologi informasi, dan mendapatkan persetujuan dari para pebisnis yang kurang berpengalaman dalam mengajukan pertanyaan yang tepat. Proyek-proyek ini sering kali dimulai tanpa tujuan yang jelas, tidak terdefinisi dengan baik, dan kurang fokus. Menurut Survei Ilmu Data 2023 oleh REXER Analytics, hanya 34 persen ilmuwan data yang mengatakan bahwa tujuan biasanya sudah terdefinisi dengan baik sebelum branda memulai.
Selain itu, proyek-proyek ini sering kali tidak menghasilkan hasil bisnis yang jelas. Sulit untuk menentukan bagaimana cara mengukur secara objektif tujuan yang samar seperti peningkatan efisiensi operasional atau nilai brand yang lebih tinggi. Sebelum memilih teknologi artificial intelligence dan model bahasa besar, penting untuk merumuskan masalah bisnis yang ingin dipecahkan dan mendefinisikan seperti apa kesuksesan jangka pendek dan jangka panjang akan terlihat. Setelah hasil yang diinginkan terdefinisi, langkah selanjutnya adalah merencanakan metrik untuk mengukur nilai bisnis sebagai bagian dari pengaturan proyek.
Manajemen Data yang Baik dan Keterampilan yang Diperlukan Pada AI
Fokuslah pada menerjemahkan kinerja inisiatif artificial intelligence ke dalam metrik yang dapat dipantau oleh tim bisnis bekerja sama dengan ilmuwan data dan tim teknis. Tetapkan tujuan bisnis yang jelas, identifikasi titik-titik sakit pelanggan dan karyawan yang spesifik di dalam organisasi Anda, dan pilih teknologi yang paling sesuai untuk mengatasinya. Banyak ahli brandomendasikan memulai dengan proyek internal yang terdefinisi dengan baik, kecil, dan berfokus dengan seperangkat metrik bisnis yang jelas untuk membuktikan nilai artificial intelligence CX Anda.
Menurut jajak pendapat Gartner terbaru, 38 persen pemimpin melihat peningkatan customer experience dan retensi sebagai tujuan utama dari inisiatif untuk menerapkan aplikasi yang dilatih pada model bahasa besar. Namun, tantangan yang dihadapi adalah ketersediaan data berkualitas tinggi. Banyak inisiatif mengalami masalah dengan data yang tidak akurat, terfragmentasi, tersebar, dan mengandung informasi yang tidak konsisten yang dikumpulkan dari berbagai titik kontak pelanggan. Hal ini menyebabkan artificial intelligence dan model bahasa besar menghasilkan hasil yang tidak akurat atau bahkan tidak relevan.
Pemahaman Teknologi dan Keberhasilan Implementasi
Untuk mengatasi tantangan ini, penting untuk menginvestasikan strategi dan praktik manajemen data yang baik. Pastikan data yang digunakan berkualitas tinggi dan dapat diandalkan untuk sistem analitik prediktif dan artificial intelligence Anda. Buatlah pagar, kerangka kerja, kebijakan, dan pedoman tentang bagaimana memelihara dan memperbarui data dan konten basis pengetahuan serta menyetel ulang model untuk akurasi sambil memperhitungkan pembaruan.
Selain itu, keberhasilan penerapan artificial intelligence generatif membutuhkan keterampilan yang beragam. Pemimpin customer experience harus bekerja sama dengan rekan-rekan branda di bidang pemasaran, penjualan, operasi, dan teknologi informasi untuk memperoleh keterampilan yang hilang melalui pelatihan, perekrutan, atau berbagi bakat. Penting untuk memupuk budaya kolaborasi, menghancurkan silo-silo, dan mendorong komunikasi terbuka antara ilmuwan data dan pemangku kepentingan bisnis.
Terakhir, pemahaman yang baik tentang teknologi artificial intelligence dan teknik pemodelan sangat penting. Tanpa pengetahuan ini, sulit untuk mengimplementasikan teknologi ini secara efektif dan memanfaatkan potensinya dalam meningkatkan customer experience. Menggunakan model bahasa besar untuk menghasilkan konten yang relevan dengan bisnis memerlukan penyesuaian dan penyetelan yang tepat agar respons yang dihasilkan sesuai dengan brand dan kebutuhan konsumen.
Jadi, untuk mengubah proyek analitik prediktif dan artificial intelligence Anda menjadi sukses, pastikan Anda memiliki tujuan yang jelas, data berkualitas tinggi, keterampilan yang tepat, dan pemahaman yang baik tentang teknologi yang digunakan. Dengan mengatasi tantangan ini, Anda dapat memanfaatkan potensi penuh artificial intelligence dan analitik untuk meningkatkan customer experience dan mencapai kesuksesan bisnis.
