Phân loại phản hồi khách hàng bằng AI là việc dùng trợ lý AI gắn mỗi phiếu, mỗi tin nhắn hay mỗi ý kiến khảo sát vào một nhóm lý do đã định sẵn, để đếm xem khách liên hệ vì việc gì nhiều nhất. Làm đúng, một trưởng nhóm có thể đọc ra bức tranh của cả tháng chỉ trong một buổi chiều thay vì phải đọc từng phiếu. Làm sai, bạn có một biểu đồ đẹp dựa trên những cái nhãn AI tự nghĩ ra.
Bài này đi theo góc vận hành của bộ phận chăm sóc khách hàng: tìm lý do khiến khách phải gọi, phải nhắn, để chuyển về đúng bộ phận gây ra và giảm số lần liên hệ không cần thiết. Phần phân tích lời khách để làm tiếp thị, tìm động cơ mua hàng thuộc một hướng khác, có ở trang AI Tiếp Thị.
Vì sao bộ phận chăm sóc khách hàng nên đếm lý do liên hệ
Mỗi cuộc gọi hay tin nhắn đến bộ phận chăm sóc khách hàng là một lần khách phải bỏ thời gian. Có những lần liên hệ là cần thiết, như hỏi tư vấn trước khi mua. Nhưng phần lớn ở nhiều doanh nghiệp là lần liên hệ do một chỗ khác trục trặc: hướng dẫn sử dụng khó hiểu, tin nhắn báo giao hàng không rõ, hoá đơn ghi thiếu thông tin. Nếu chỉ trả lời từng khách, bộ phận chăm sóc sẽ mãi chạy theo cùng một lỗi.
Đếm lý do liên hệ trả lời được câu hỏi: nếu phải sửa một thứ trong tháng tới để giảm nhiều cuộc gọi nhất, thì sửa cái gì. Câu hỏi này không cần phần mềm phân tích đắt tiền. Nó cần một bộ nhãn rõ ràng và sự kiên nhẫn gắn nhãn đều tay. AI làm phần gắn nhãn nhanh, người làm phần định nghĩa nhãn và kiểm.
Thêm một lợi ích ít được nói: khi có số liệu theo lý do, bộ phận chăm sóc khách hàng có tiếng nói với các bộ phận khác. "Tháng này hai trăm phiếu hỏi cách kích hoạt bảo hành" thuyết phục hơn nhiều so với "khách hay hỏi chuyện bảo hành lắm".
Xây bộ nhãn trước khi đưa cho AI
Đừng hỏi AI "hãy phân loại các phản hồi này". Nó sẽ tự đặt nhãn, mỗi lần một kiểu, và bạn không so được tháng này với tháng trước. Bộ nhãn nên do con người soạn, có định nghĩa, có ví dụ. Bảng dưới là ví dụ giả định cho một công ty giao đồ gia dụng.
| Nhãn | Định nghĩa | Ví dụ thuộc nhãn | Không thuộc nhãn |
|---|---|---|---|
| Giao hàng - trễ hẹn | Hàng chưa đến sau thời điểm đã hẹn | Hẹn sáng nay mà chưa thấy | Hỏi bao giờ giao khi chưa tới hẹn |
| Giao hàng - hỏi trạng thái | Hỏi đơn đang ở đâu khi chưa trễ | Đơn đi tới đâu rồi | Đã trễ hẹn |
| Sản phẩm - lỗi khi nhận | Hỏng, vỡ, thiếu phụ kiện lúc mở hộp | Máy không lên nguồn ngay lần đầu | Hỏng sau thời gian dùng |
| Sản phẩm - cách dùng | Không biết cài đặt, sử dụng | Không biết hẹn giờ | Đã làm đúng mà máy không chạy |
| Hoá đơn, thanh toán | Sai số tiền, thiếu hoá đơn, hỏi chuyển khoản | Chưa nhận hoá đơn điện tử | Hỏi giá trước khi mua |
| Khác | Không khớp nhãn nào | Hỏi tuyển dụng | Dùng làm nơi gom tạm, không quá một phần mười |
Hai cột "ví dụ" và "không thuộc" quan trọng hơn bạn nghĩ. Chúng chính là chỗ AI hay lẫn, và cũng là chỗ hai nhân viên gắn tay hay bất đồng. Bộ nhãn nên có hai tầng, nhóm lớn và nhãn con, nhưng không quá hai mươi nhãn con; nhiều hơn thì cả người lẫn AI đều gắn thiếu nhất quán.
Câu lệnh phân loại và cách đưa dữ liệu vào
Dữ liệu đưa vào AI chỉ nên là nội dung phản hồi đã bỏ tên, số điện thoại, mã đơn, địa chỉ. Mỗi phản hồi một dòng, đánh số thứ tự để bạn ghép kết quả lại với phiếu gốc trong hệ thống của công ty.
- Câu lệnh chính: "Dưới đây là bộ nhãn kèm định nghĩa và ví dụ [dán bảng]. Sau đó là danh sách phản hồi khách, mỗi dòng bắt đầu bằng số thứ tự. Với mỗi dòng, trả về: số thứ tự, một nhãn chính, tối đa một nhãn phụ, và trích nguyên văn cụm từ khiến bạn chọn nhãn. Nếu không chắc, gắn nhãn Khác và ghi lý do. Không tạo nhãn mới."
- Khi một phản hồi có nhiều ý: "Nếu một dòng có từ hai vấn đề trở lên, tách thành các dòng con 12a, 12b và gắn nhãn riêng."
- Xem lại nhãn Khác: "Đọc các dòng đã gắn nhãn Khác, đề xuất tối đa ba nhãn mới nếu có nhóm lặp lại từ năm dòng trở lên, kèm định nghĩa. Chỉ đề xuất, không gắn lại."
- Gom lời khách: "Với mỗi nhãn, chọn ba câu khách nói tiêu biểu nhất, giữ nguyên văn đã che dữ liệu."
Mỗi lượt chỉ nên đưa một lượng vừa phải, ví dụ vài chục đến một trăm dòng ngắn. Lượng lớn hơn khiến AI dễ bỏ sót dòng hoặc gắn lệch về cuối danh sách. Sau mỗi lượt, đếm lại số dòng trả về có bằng số dòng đưa vào không, vì AI thỉnh thoảng lặng lẽ bỏ qua vài dòng.
Kiểm mẫu: con số chỉ đáng tin khi nhãn đáng tin
Bước kiểm này tốn khoảng nửa giờ mỗi tháng nhưng quyết định bạn có dám đưa con số đi họp hay không.
- Lấy ngẫu nhiên khoảng năm mươi dòng AI đã gắn nhãn, không chọn theo ý thích.
- Một người hiểu nghiệp vụ tự gắn nhãn cho năm mươi dòng đó mà không nhìn kết quả AI.
- So hai bộ nhãn, đếm số dòng khớp. Nếu khớp phần lớn, bạn có thể dùng kết quả; nếu lệch nhiều, xem lệch ở cặp nhãn nào.
- Với cặp nhãn hay lệch, sửa định nghĩa và thêm ví dụ vào bộ nhãn, không trách AI hay trách người gắn.
- Chạy lại lượt sau với bộ nhãn đã sửa, kiểm mẫu lại, ghi phiên bản bộ nhãn vào báo cáo.
Kết quả so khớp cũng cho bạn biết bộ nhãn có rõ cho con người không. Nếu hai nhân viên lâu năm gắn tay đã lệch nhau ở một cặp nhãn, thì vấn đề nằm ở định nghĩa chứ không ở AI. Ghi phiên bản bộ nhãn giúp bạn biết con số tháng này có so được với tháng trước hay không; đổi định nghĩa giữa chừng mà không ghi chú là cách nhanh nhất để báo cáo đánh lừa chính người viết.
Biến kết quả phân loại thành việc sửa gốc
Chọn ba nhãn lớn nhất, không phải mười. Một trang gửi các bộ phận chỉ nên có ba vấn đề kèm số lượng, ba câu khách nói tiêu biểu và một đề xuất cụ thể cho mỗi vấn đề. Mười vấn đề thì không ai làm cái nào.
Gửi đúng người có quyền sửa. Nhãn "Sản phẩm - cách dùng" gửi cho người viết hướng dẫn sử dụng; nhãn "Giao hàng - hỏi trạng thái" gửi cho người lo tin nhắn thông báo đơn hàng. Bộ phận chăm sóc khách hàng không tự sửa được những thứ này.
Đo lại sau khi sửa. Ghi ngày sửa, rồi xem số phiếu thuộc nhãn đó những tuần sau. Nếu không giảm, có thể sửa chưa đúng chỗ, hoặc nhãn đang gom nhiều nguyên nhân khác nhau.
Giữ câu khách nói. Một câu nguyên văn như "Đọc hướng dẫn ba lần vẫn không biết bấm nút nào" thường làm bộ phận sản phẩm chú ý hơn mọi con số. AI giúp chọn câu tiêu biểu, nhưng bạn nên đọc lại để chắc câu đó thật sự đại diện.
Không dùng nhãn để chấm nhân viên. Bộ nhãn này đo lý do khách liên hệ, không đo người trả lời giỏi hay dở. Trộn hai mục đích làm nhân viên ngại ghi đúng lý do.
Phiếu khảo sát sau dịch vụ: đọc ý kiến tự do thế nào
Nhiều phiếu khảo sát sau dịch vụ có một ô điểm và một ô ý kiến tự do. Ô điểm dễ đếm, ô ý kiến thì thường bị bỏ qua vì đọc tốn công. Thật ra ô ý kiến mới cho biết vì sao điểm thấp. Bạn có thể dùng cùng bộ nhãn ở trên, thêm một vài nhãn về thái độ phục vụ, thời gian chờ, cách giải thích.
Lưu ý là ý kiến khen cũng nên được phân loại. Biết khách khen điều gì giúp bạn giữ những thứ đang làm tốt khi thay đổi quy trình. AI hay xếp câu khen chung chung như "tốt", "ok" vào một nhóm; những câu đó có thể để riêng, không cần phân tích sâu.
Không nên nhờ AI suy ra cảm xúc hay mức hài lòng của khách rồi dùng con số đó thay cho điểm khách tự chấm. Khách tự chấm là dữ liệu; AI đoán cảm xúc là một lớp diễn giải chồng lên, dễ lệch với câu ngắn, câu mỉa mai hay cách nói vùng miền. Nếu muốn dùng, hãy ghi rõ đó là ước đoán và kiểm mẫu như với nhãn.
Bắt đầu nhỏ: thử với một tuần phiếu
Nếu bộ phận chưa từng phân loại có hệ thống, đừng bắt đầu bằng cả năm dữ liệu. Một tuần phiếu là đủ để biết bộ nhãn có dùng được không và AI có hợp với việc này ở chỗ bạn không.
- Xuất nội dung phiếu của một tuần gần nhất, che dữ liệu, đánh số thứ tự.
- Trưởng nhóm và một nhân viên lâu năm cùng soạn bộ nhãn nháp từ chính các phiếu đó, khoảng mười đến mười lăm nhãn.
- Cho AI gắn nhãn theo câu lệnh có định nghĩa và ví dụ, rồi kiểm mẫu như ở phần trên.
- Đếm số phiếu theo nhãn, chọn một vấn đề lớn nhất và mang tới bộ phận liên quan kèm vài câu khách nói.
- Sau hai đến ba tuần, chạy lại với phiếu mới để xem vấn đề đó có giảm không, và bộ nhãn có cần thêm bớt gì không.
Vòng thử nhỏ này cho bạn hai thứ: một kết quả cụ thể để thuyết phục các bộ phận khác, và một bộ nhãn đã được thử thật thay vì soạn trên giấy. Khi đó mới tính chuyện làm đều hằng tuần hay đề xuất công cụ chuyên dụng. Nếu sau vòng thử bạn thấy việc che dữ liệu, dán, kiểm tốn công hơn đọc tay, cũng là một kết quả đáng biết: có thể bộ phận của bạn chưa đủ lớn để cần tới AI ở việc này.
Câu hỏi thường gặp
Bao nhiêu phản hồi thì mới đáng làm phân loại?
Không có ngưỡng cứng. Nếu mỗi tuần bộ phận nhận vài chục phiếu trở lên và cảm thấy nhiều phiếu na ná nhau, việc phân loại đã đáng làm. Với vài phiếu mỗi tuần, trưởng nhóm đọc tay vẫn nhanh hơn.
Có nên dán cả bảng tính phiếu hỗ trợ vào chatbot không?
Chỉ dán cột nội dung đã che dữ liệu và cột số thứ tự. Bỏ tên, số điện thoại, email, mã khách, địa chỉ. Nếu công ty có công cụ AI được duyệt cho dữ liệu khách hàng, làm theo quy định của công cụ đó thay vì dùng chatbot cá nhân.
AI gắn nhãn khác nhau mỗi lần chạy lại thì sao?
Đó là dấu hiệu bộ nhãn chưa đủ rõ hoặc câu lệnh để AI quá tự do. Thêm ví dụ cho cặp nhãn hay lẫn, yêu cầu trích cụm từ làm căn cứ, và không cho tạo nhãn mới. Với dòng vẫn dao động, để người quyết.
Nên phân loại hằng ngày hay hằng tháng?
Gắn nhãn nên làm đều, theo tuần hoặc ngay khi đóng phiếu, để không dồn việc. Còn phần tổng hợp gửi các bộ phận thì hằng tháng là hợp lý, đủ để thấy xu hướng mà vẫn kịp phản ứng.
Có thể tự động hoá toàn bộ việc gắn nhãn không?
Có thể làm khi công ty có hệ thống phiếu hỗ trợ kết nối AI được duyệt. Dù vậy vẫn cần kiểm mẫu định kỳ và người chịu trách nhiệm bộ nhãn. Tự động hoá không kiểm sẽ trôi dần mà không ai biết.
Nhãn có nên trùng với danh mục trong hệ thống phiếu hiện có không?
Nên bắt đầu từ danh mục hiện có để nhân viên quen, rồi tách nhỏ những danh mục quá rộng như "Hỏi đáp chung". Nếu đổi hẳn bộ danh mục, hãy giữ bảng đối chiếu cũ mới để còn so số liệu theo thời gian.