Dall’idea alla domanda di ricerca
Sempre più aziende utilizzano l’intelligenza artificiale o i modelli linguistici di grandi dimensioni (LLM) nei vari punti di contatto del customer journey per migliorare la customer experience e fidelizzare i clienti a lungo termine. Sempre con l’obiettivo di aumentare le vendite. Tuttavia, se consideriamo la ricerca di Pangaro (ad esempio: Luigi’s Pizza: A Parable), sorge subito la domanda su quanto siano effettivamente sostenibili ed eticamente o moralmente giustificabili questi nuovi percorsi dei clienti. Questa domanda ci ha portato a un’idea di ricerca completamente nuova. Volevamo scoprire come l’utilizzo dei LLM nel customer journey possa essere eticamente sostenibile. Durante la nostra ricerca iniziale su questo argomento, abbiamo notato la connessione tra l’uso etico degli LLM e il successo complessivo delle campagne supportate da LLM, quindi consideriamo la nostra ricerca non solo un utile contributo al campo della ricerca etica, ma anche rilevante per tutte le ricerche nelle aree del servizio clienti, della customer experience e della customer centricity.
(Il progetto è stato finanziato da un assegno per l’innovazione in collaborazione con l’associazione Swiss Inisights ).
Il caso d’uso
Avevamo bisogno di un caso d’uso concreto per lavorare sulla nostra idea di ricerca. Questo caso d’uso dovrebbe essere tecnicamente facile da implementare e allo stesso tempo utilizzabile per il maggior numero possibile di aziende. Era anche importante che il caso d’uso comportasse effettivamente uno scambio di dialogo tra un LLM e un umano. Questa volta non abbiamo optato per chatbot o voicebot, ma per una campagna di newsletter. Tuttavia, anche le classiche chat sarebbero state concepibili.
La realizzazione tecnica
Per l’implementazione tecnica abbiamo utilizzato la AI Suite di BSI. Il team di BSI e, soprattutto, la sua soluzione tecnica sono molto flessibili e possono essere facilmente adattati a diversi casi d’uso con l’aiuto degli esperti di AI di BSI. Questo ci ha permesso di realizzare tecnicamente il primo prototipo in poche settimane.
Le nostre interviste agli esperti hanno confermato che dovremmo applicare la teoria della penetrazione oltre ai metodi previsti dalla teoria conversazionale. Ciò significa che un cliente o un utente acquisisce fiducia solo nel corso della relazione con l’azienda e quindi è disposto a rivelare sempre più dati personali nel corso del tempo. Abbiamo utilizzato questi risultati e abbiamo addestrato il nostro LLM a chiedere ulteriori dettagli al cliente passo dopo passo, ma mai tutti insieme.
In particolare, abbiamo utilizzato la BSI per generare una sequenza di newsletter diverse in cui la maggior parte dei contenuti è stata creata dall’IA generativa.
Mentre la prima newsletter non aveva obiettivi di conversione in linea di principio, ma aveva il solo scopo di raccogliere le preferenze iniziali del cliente, questa è stata seguita da sequenze di newsletter generate individualmente con ulteriori obiettivi di conversione. La newsletter precedente è sempre servita a scoprire informazioni più approfondite sulle preferenze degli utenti. Questi risultati sono stati poi utilizzati per formare l’LLM e per perfezionare il contenuto della newsletter. La maggior parte delle newsletter è stata personalizzata automaticamente dal LLM. La creazione o la definizione degli obiettivi di conversione si è basata sul mittente della newsletter, cioè l’azienda che in ultima analisi utilizzerà la sequenza di newsletter per se stessa.
Di seguito sono riportate alcune immagini delle nostre newsletter, oltre alla rappresentazione grafica delle sequenze LLM sullo sfondo.
Il risultato
Gli utenti o i destinatari della newsletter vengono indirizzati individualmente, il che generalmente porta a un maggiore successo della campagna di newsletter. Tuttavia, secondo la teoria della penetrazione, questa individualizzazione dell’approccio dell’utente avviene solo gradualmente. Gli utenti non devono farsi scoraggiare dall’ottenere troppe informazioni in una volta sola. La nostra campagna di LLM o di newsletter si limita a richiedere solo alcune caratteristiche per ogni invio, passando da caratteristiche poco importanti a caratteristiche importanti.
Nel nostro esempio è stata utilizzata una sequenza di newsletter. Questo è solo uno dei tanti esempi. È anche possibile trasferire i nostri risultati a chatbot o voicebot o implementare campagne sui social media al posto delle campagne di newsletter.
Come possono utilizzarlo altre aziende?
Attualmente siamo ancora in fase di prototipo e vorremmo approfondire le nostre idee e testarle con altri gruppi target, media e mittenti. Lavoriamo in modo indipendente dal settore. Vorremmo verificare come diversi mittenti, casi d’uso o mezzi di comunicazione influenzino il successo del nostro LLM. Se vuoi partecipare, clicca sul pulsante e fammi sapere se sei interessato.
