Table of Contents
Dentsu Global Services 透過生成式機器學習 (GML) 革命性地改變了客戶服務，這是生成式 AI 和機器學習的強大結合。這種創新方法能夠預測客戶問題，將被動服務轉變為主動參與。透過即時分析營運和對話資料，GML 識別高風險訂單、計算風險分數，並在問題升級之前觸發個人化干預。
在當今動態的商業環境中，企業對客戶體驗的處理方式會顯著影響其品牌形象。一次糟糕的互動，例如錯過送貨或遇到無用的客服人員，往往會讓關係無法挽回。產業資料清楚說明了這一點：近 32% 的消費者在經歷一次糟糕體驗後就會放棄該品牌。風險很高，但這是現實嗎？大多數企業仍然難以做對這件事。意圖與結果之間的差距比大多數人意識到的更大。雖然 80% 的企業認為他們提供了優秀的體驗，但只有 8% 的客戶同意。這不是缺乏努力；而是工具、時機和真正服務所需的人性理解之間的不匹配。
這種脫節正推動企業尋求創新解決方案，而在這場轉型的前沿是 Dentsu Global Services (DGS)，該公司開創了一種重新定義客戶服務運作方式的方法。透過運用他們稱為生成式機器學習 (GML) 的力量，Dentsu 創建了一個不僅回應客戶問題，還能預測問題的系統，將被動服務轉變為主動參與。
客戶挫折的隱藏成本
想像一下這個情況：Bob 是一位長期客戶，訂購了一台價值 1,000 美元的 COMFEE’ 攜帶式迷你洗碗機檯面型，內建 5L 水箱。貨品延遲了。但當它終於到達時，卻是損壞的狀態。他自然地聯繫客服，卻被要求等待、轉接，最終被告知要等待調查。沒有人注意到他的語調或重複的後續追蹤。簡而言之，系統沒有察覺到 Bob 距離取消購買只有幾次點擊的距離。
現在將這個情況乘以數十萬名客戶。導致這些問題的原因是營運資料和客戶資料之間的脫節。營運系統可能知道貨物延遲，但它們對 Bob 的即時情緒是盲目的。客服記錄、通話日誌和聊天訊息充滿了線索，但系統無法足夠快地連接這些點子來產生影響。
這種脫節大幅推高了成本。每次客戶回電或升級投訴，都會增加營運費用，國際客服中心成本平均每小時 8 到 15 美元，複雜案例的成本甚至更高。每個未解決的問題都會侵蝕信任和利潤。隨著時間推移，這種影響變得難以忽視，在日益競爭的市場中同時影響底線和品牌聲譽。
超越猜測：Dentsu 的 GML 方法
在 Dentsu Global Services，他們採用了不同的方法來解決這個持續性挑戰。雖然許多公司在孤立的領域中運行 生成式 AI (GenAI) 試點專案，Dentsu 退一步問了一個根本問題：要建立一個不僅理解人們，還能大規模學習他們行為的系統，需要什麼？
這讓他們發展出現在稱為生成式機器學習，或 GML 的方法。這不是一個流行詞。它是一種以人為本的新決策方式的支柱，結合兩種強大技術的優勢，創造出大於其各部分總和的東西。
GML 到底是什麼？
可以這樣想。GenAI 擅長理解語言。它可以讀取客戶的訊息，察覺挫折，甚至生成有用的回應。另一方面，機器學習 (ML) 擅長發現模式並根據過去的行為預測結果。單獨來看，兩者都很有用。但結合在一起？它們具有變革性。
透過 GML，Dentsu 將這些優勢結合成一個能夠：
- 接收從運送資料到聊天記錄的所有資訊
- 在客戶生氣之前及早發現問題跡象
- 決定哪些問題現在需要關注
- 觸發感覺個人化而非機械化的行動
這是關於擁有正確的視角來看清真正發生的事情，以及快速採取行動的能力。這種方法解決了大多數客戶服務營運面臨的根本挑戰：無法即時連接營運資料與客戶情緒。
實際操作：GML 在實務中的運作方式
看看這在現實世界中如何運作會很有幫助。以下是 Dentsu 典型使用案例的樣子：
及早發現「高風險」訂單：系統不是等待像 Bob 這樣的客戶抱怨延遲或損壞的送貨，而是持續掃描營運資料（運送、訂單備註、物流更新）和對話資料（通話記錄、聊天日誌、IVR 互動和客服備註）。這種廣角視野使得標記前 10% 的「問題」訂單——最可能升級的訂單——成為可能。
超越數字：一旦被標記，GML 會深入挖掘對話本身。大型語言模型篩選客戶訊息，發現風險標記——從微妙的挫折跡象到明確的升級威脅。這是關於浮現那些否則會在噪音中丟失的信號。
計算風險分數：機器學習模型將這些對話線索與營運信號結合，為每個訂單分配風險分數。結果：一個排名清單，告訴客服人員在問題滾雪球之前應該專注於哪裡。
即時行動：如果 Bob 的訂單同時顯示延遲運送標記和聊天記錄中的挫折語言，系統不只是記錄問題——它會提醒客服人員採取正確行動：也許是善意折扣，也許是主動更換。重點是，干預發生在升級之前。
擴大影響：因為這個程序是自動化的，它延伸到每年數百萬次互動。曾經需要過勞客服人員手動分類的工作現在無縫進行，讓團隊能夠將精力花在最重要的地方。
支撐解決方案的關鍵
在幕後，兩個設計選擇在 Dentsu 的實施中發揮了關鍵作用：
客戶的統一視圖：他們沒有將營運資料和對話資料視為獨立的孤島，而是建立了一個能夠看到故事兩面的模型。訂單號碼和追蹤詳情告訴我們發生了什麼。記錄和客服備註揭示了感受如何。結合起來，它們創造了更準確的客戶風險圖像。
為速度而建的決策引擎：洞察只有在能夠快速導致行動時才有用。這就是為什麼系統被設計為即時評估風險並為客服人員提供清晰的下一步。引擎不是事後分析情緒，而是持續學習並幫助團隊在當下回應，當一個小手勢可以拯救一段關係時。
可衡量的轉型：成果
在 GML 系統上線僅幾週內，Dentsu 就看到了顯著的成果：
- 客戶滿意度提升 22%
- 解決時間減少 80%
- 模型擴展到每年處理 4,000 萬次客戶對話
在財務方面，影響同樣令人印象深刻：
- 透過避免客戶流失節省 600 萬美元收入
- 透過減少通話量節省 50 萬美元營運成本
這些不只是虛榮指標。它們指向一個理解客戶最重要事項並讓服務人員工作更輕鬆的系統。透過在問題升級之前識別潛在問題，GML 方法不僅更有效地解決問題，還防止許多問題的發生。
實現即時行動：技術基礎
技術只是故事的一半。要讓 GML 真正發揮作用，基礎設施必須到位。這意味著：
- 資料必須即時流動
- 系統需要有效溝通
- 回應必須立即，沒有延遲、沒有批次作業、沒有等待某人點擊「執行」
Dentsu 見過太多好想法因為基礎設施未準備好而卡在 PowerPoint 中。GML 要求全面準備，特別是當目標是在投訴發生之前而非之後進行干預時。這種不同業務組件的 即時整合構成了他們成功的支柱。
為什麼 GML 不只是關於 AI，而是關於意圖
Dentsu 並不是將 GML 推銷為萬能解決方案。它代表了我們對服務思考方式的根本轉變。他們不是在事後分析出了什麼問題，而是建立能夠預測問題並為團隊提供工具來修復問題的系統，在還有時間做對的時候。
這種方法是可擴展的，會隨著進行而學習，最重要的是，幫助將客戶視為有故事、挫折和期望的人，而不是客服工單。在 66% 的全球客戶服務經理正在使用生成式 AI 來增加個人化的時代，Dentsu 的 GML 因其連接營運資料與人性理解的整體方法而脫穎而出。
隨著企業繼續在複雜的客戶體驗環境中導航，Dentsu 在 GML 方面的開創性工作為如何深思熟慮地整合 使用 LangChain 的生成式 AI：建構生產就緒的 LLM 應用程式和 使用 Scikit-Learn、Keras 和 TensorFlow 的實作機器學習能夠將服務從成本中心轉變為建立關係的機會提供了寶貴見解。客戶服務的未來不只是回應問題——而是預測問題、預防問題，並將潛在的失望轉變為愉悅的時刻。這就是生成式機器學習的承諾，而 Dentsu 正在展示如何實現它。
對於希望彌合客戶期望與服務交付之間差距的企業，訊息很明確：實現這一目標的技術已經存在。現在的問題不是是否要擁抱它，而是你能多快將其整合到你的 客戶服務革命：顛覆傳統商業策略中。
