AI dapat membantu tim pialang untuk mengetahui mengapa kinerja berubah, klien mana yang membutuhkan bantuan, dan apa yang harus dilakukan selanjutnya. AI dapat mengumpulkan penjelasan tentang penurunan setoran, menemukan masalah pembayaran yang berulang, atau menyiapkan balasan dukungan dari riwayat akun. Karyawan tetap memutuskan tindakan apa yang akan diambil.
Pikirkan tentang pagi Senin yang cukup biasa. Pendaftaran terlihat baik. Setoran pertama kali turun. Pemasaran mengatakan lalu lintas tidak berubah, pembayaran belum melaporkan insiden, dan dukungan memiliki beberapa keluhan yang belum terhubung oleh siapa pun.
Seseorang harus menggabungkan potongan-potongan itu. Itu adalah tempat yang berguna untuk memulai dengan AI dalam operasi pialang. Berikan akses ke catatan yang tepat, ajukan pertanyaan spesifik, dan buat ia menunjukkan bukti di balik jawaban tersebut.
Anda kemudian dapat menggunakan apa yang Anda pelajari di sisa bisnis: memperbaiki masalah pendanaan, mempertimbangkan kembali kampanye, menjelaskan status akun, atau meningkatkan bagian yang membingungkan dari platform. Nilai datang dari menyelesaikan pekerjaan itu lebih cepat dan dengan lebih sedikit kesalahan.
Mengapa AI dalam Perdagangan Lebih Besar daripada Perdagangan AI
Ketika pialang membahas AI, percakapan sering beralih ke sinyal, algoritma, dan prediksi pasar. Namun, sebuah perusahaan pialang juga memiliki tim akuisisi, kasir, proses verifikasi, dan orang-orang yang menjawab klien sepanjang hari. Ada banyak pertanyaan berguna yang perlu dijawab di sana.
Seorang manajer produk mungkin akan bertanya bagian mana dari pendaftaran yang menyebabkan masalah di perangkat mobile. Tim keuangan mungkin ingin tahu mengapa pendapatan per klien yang membayar meningkat sementara total pendapatan menurun. Seorang manajer afiliasi mungkin perlu menjelaskan mengapa rujukan dari mitra berhenti menjadi akun yang didanai.
Banyak dari pekerjaan ini melibatkan pencarian informasi, membandingkannya, dan memeriksa kemungkinan penjelasan. AI dapat membantu dengan masing-masing tugas tersebut. Model bahasa dapat menginterpretasikan pertanyaan atau merangkum percakapan. Model peramalan dapat memperkirakan rentang hasil di masa depan. Sistem pelaporan yang mendasarinya harus tetap menghitung angkanya.
Beberapa otomatisasi broker lebih sederhana dari itu. Mengirimkan konfirmasi setelah peristiwa yang diverifikasi dapat mengikuti aturan tetap. Anda tidak perlu model untuk memutuskan apakah peristiwa itu terjadi. AI mendapatkan tempatnya ketika pertanyaan memerlukan interpretasi atau bukti tersebar di laporan dan percakapan.
Mengubah Data Perantara Menjadi Jawaban Bisnis
Mulailah dengan pertanyaan yang sudah diajukan tim Anda. Mengapa setoran pertama turun minggu lalu? Dari mana asal tiket dukungan tambahan? Sumber akuisisi mana yang masih berkontribusi setelah biaya mereka?
Jawaban yang berguna membutuhkan lebih dari sekadar paragraf yang menjelaskan bahwa kinerja menurun. Itu harus menunjukkan tanggal yang dibandingkan, definisi metrik, kelompok yang bertanggung jawab atas pergerakan, dan data yang hilang. Anda harus dapat membuka laporan yang mendasarinya dan mereproduksi totalnya.
Quadcode AI Analyst mendukung jenis pekerjaan ini melalui pertanyaan dalam bahasa yang mudah dipahami, pemecahan metrik, deteksi anomali, dan ramalan. Cakupan yang diterbitkan mencakup FTD, LTV, ARPPU, P&L, kinerja pembayaran, konversi, dan saluran pemasaran. Tim dapat menyelidiki negara, merek, atau sumber mana yang berkontribusi terhadap suatu perubahan, lalu menindaklanjuti dengan pertanyaan yang lebih spesifik.
Ada perbedaan yang perlu diingat. Menemukan bahwa satu saluran menyumbang sebagian besar penurunan memberi tahu Anda di mana harus menyelidiki. Itu tidak membuktikan bahwa saluran tersebut menyebabkan masalah. Gangguan pembayaran yang mempengaruhi audiensnya bisa menghasilkan hasil yang sama seperti lalu lintas yang lebih lemah.
Sebelum menghubungkan asisten, setujui catatan yang harus dipercayainya. Jika CRM pialang Anda menunjukkan setoran yang telah selesai tetapi buku pembayaran masih menunjukkan tertunda, ketidaksesuaian itu perlu diselesaikan. Penjelasan yang meyakinkan tidak akan membuat salah satu catatan menjadi benar.
Mendeteksi Perubahan dalam FTD, LTV, Pendapatan, dan Konversi
Misalkan dua kohort pendaftaran mingguan menghasilkan hasil berikut. Setiap klien memiliki jendela pengamatan tujuh hari yang sama. Angka-angka ini bersifat ilustratif, bukan hasil Quadcode atau tolok ukur industri.
| Tahap yang Dicapai Dalam Tujuh Hari | Kohort Sebelumnya | Kohort Selanjutnya |
|---|---|---|
| Klien terdaftar | 2,000 | 2,000 |
| Klien yang disetujui melalui KYC | 1,200 | 1,200 |
| Klien unik yang mencoba melakukan deposit | 800 | 800 |
| Klien dengan deposit pertama yang berhasil dikreditkan | 600 | 480 |
| Klien yang mencoba dan mendapatkan dana | 75% | 60% |
FTD turun sebesar 20%, meskipun pendaftaran, persetujuan KYC, dan jumlah orang yang mencoba melakukan deposit tetap sama. Investigasi segera berkaitan dengan penyelesaian pendanaan. Membeli lebih banyak lalu lintas akan mengirimkan orang tambahan melalui langkah yang sudah mengalami kesulitan.
Baris terakhir mengukur orang, bukan transaksi. Satu klien mungkin mencoba beberapa kali. Tingkat persetujuan transaksi penyedia pembayaran menggunakan penyebut yang berbeda, jadi kedua laporan memerlukan label terpisah.
Mintalah asisten untuk merincikan konversi yang hilang berdasarkan metode pembayaran, negara, perangkat, dan sumber akuisisi. Kemudian periksa status pembayaran dan keterlambatan pelaporan. Beberapa klien mungkin memiliki pembayaran yang gagal; yang lain mungkin masih menunggu dana tiba.
Perhatian yang sama berlaku untuk metrik lainnya. LTV berarti nilai seumur hidup, tetapi prediksi untuk kohort baru berbeda dari nilai yang sudah diperoleh. Bandingkan klien pada usia yang sama dan tunjukkan biaya mana yang termasuk. Dengan ARPPU, atau rata-rata pendapatan per pengguna yang membayar, tentukan apa yang dihitung sebagai pendapatan dan siapa yang masuk ke dalam penyebut.
ARPPU dapat meningkat hanya karena klien dengan pendapatan lebih rendah pergi. Itu bisa terjadi sementara total pendapatan menurun. P&L juga membutuhkan pemilik yang jelas: hasil pialang dan hasil perdagangan kliennya adalah ukuran yang berbeda. Setoran itu sendiri adalah pendanaan klien, bukan pendapatan pialang.
Catatan praktis: Sepakati definisi ini dengan keuangan sebelum menguji penjelasan AI. Jika tidak, orang bisa menghabiskan waktu rapat untuk berdebat tentang masalah bisnis yang tampaknya muncul dari dua laporan yang menghitung hal-hal yang berbeda.
Kebocoran dimulai setelah upaya setoran.
Langkah-langkah awal cocok. Perbedaan hanya muncul ketika setoran pertama harus dikreditkan.
Rincikan berdasarkan metode pembayaran, lalu verifikasi status pembayaran dan keterlambatan pelaporan. Grafik menunjukkan perubahan; itu tidak membuktikan penyebabnya.
Menemukan Titik Sempit dalam Perjalanan Klien
Saluran onboarding broker membantu menemukan masalah. Peristiwa akun dan percakapan klien membantu menjelaskan apa yang terjadi di sana.
Ambil penurunan pendanaan di atas. Mungkin itu terkonsentrasi pada satu versi aplikasi mobile. Pemeriksaan berguna selanjutnya adalah tanggal rilis, layar pembayaran, dan riwayat transaksi klien yang terpengaruh. Jika dukungan juga menerima laporan tentang tombol konfirmasi yang berhenti merespons, produk tersebut memiliki sesuatu yang konkrit untuk direproduksi.
AI dapat membawa pengamatan tersebut ke dalam penyelidikan yang sama. Ia dapat membandingkan kelompok yang terkena dampak dengan versi aplikasi lainnya dan merangkum tiket yang relevan. Tim masih perlu menguji kesalahan yang dicurigai sebelum menyebutnya sebagai penyebab.
Ini sangat berguna ketika satu tahap corong menyembunyikan beberapa pengalaman. KYC disetujui tetapi belum dibiayai mencakup orang-orang yang belum mencoba untuk menyetor, orang-orang yang pembayarannya gagal, dan orang-orang dengan transfer yang masih tertunda. Masing-masing membutuhkan respons yang berbeda.
Peristiwa harus cukup akurat untuk mendukung perbedaan itu. Membuka halaman pembayaran bukanlah upaya setoran. Membuka tiket pesanan bukanlah perdagangan. Peristiwa pelacakan yang hilang bukanlah bukti bahwa klien meninggalkan tugas.
Setelah tim memperbaiki sesuatu, bandingkan tingkat penyelesaian selama periode yang setara. Sertakan kontak dukungan dan kegagalan yang berulang. Grafik yang terlihat lebih baik lebih meyakinkan ketika klien yang terkena dampak dapat menyelesaikan langkah tersebut dan berhenti meminta bantuan.
Meningkatkan Atribusi Pemasaran dan Alokasi Anggaran
Tim pemasaran perlu mengetahui apa yang dihasilkan dari pengeluaran mereka setelah pendaftaran. AI dapat membantu menggabungkan biaya akuisisi, akun yang didanai, biaya layanan, dan pendapatan menjadi perbandingan yang benar-benar dapat mereka gunakan.
Pertimbangkan contoh terpisah yang disederhanakan dengan dua kohort yang diukur pada hari ke-60. Semua angka bersifat ilustratif:
- Sumber A biaya $30.000 dan membawa 200 klien yang dibiayai. Ini menghasilkan $22.000 dari pendapatan broker dan $4.000 dari biaya langsung lainnya.
- Sumber B biaya $24,000 dan membawa 120 klien yang didanai. Ini menghasilkan $27,000 dari pendapatan pialang dan $3,000 dari biaya langsung lainnya.
Sumber A memiliki biaya akuisisi yang lebih murah per klien yang didanai: $150 dibandingkan $200. Namun kontribusinya setelah akuisisi dan biaya langsung yang dinyatakan adalah negatif $12,000. Sumber B mencapai nol dengan dasar yang sama.
Tidak ada hasil yang membuktikan bahwa bisnis ini menguntungkan. Biaya tetap tetap ada, dan kelompok dapat menghasilkan lebih banyak di kemudian hari. Meskipun demikian, perbandingan ini memberikan manajer pemasaran dasar yang lebih baik untuk meninjau pengeluaran dibandingkan dengan biaya per setoran pertama saja. Itulah sebabnya ekonomi unit pialang berdasarkan kelompok harus ada dalam diskusi akuisisi.
Asisten dapat menyiapkan perbandingan, menyoroti biaya yang hilang, dan menunjukkan apakah hasilnya berlaku dalam pasar dan produk yang sama. Sebelum meningkatkan pengeluaran, periksa apakah keuntungan yang terlihat tergantung pada beberapa akun yang sangat berharga atau perkiraan LTV yang belum terbukti.
Attribution memiliki batasan juga. Pelaporan klik terakhir memberikan kredit berdasarkan aturan yang dipilih; itu tidak menetapkan bahwa iklan menyebabkan setiap pendaftaran yang diberikan atribusi. Bandingkan model atribusi di mana berguna, dan gunakan tes terkontrol ketika praktis.
Juga periksa konversi pembayaran sebelum menyalahkan afiliasi karena pendanaan yang lemah. Jika metode lokal menjadi tidak tersedia, mengubah sumber lalu lintas tidak akan memperbaikinya.
Menggunakan AI untuk Segmentasi Trader
Anda dapat memulai segmentasi trader dengan aturan akun biasa. Seseorang yang menunggu tinjauan dokumen termasuk dalam alur kerja yang berbeda dari seseorang dengan pembayaran yang gagal terkonfirmasi.
AI menjadi berguna ketika pola sulit terlihat. Klien mungkin menggambarkan masalah yang sama dalam bahasa yang berbeda atau dengan kata-kata yang berbeda. Beberapa kelompok kecil mungkin berbagi masalah dengan satu jalur pembayaran. Orang-orang yang membuka artikel bantuan tertentu mungkin terus menghubungi dukungan karena artikel tersebut tidak menjawab pertanyaan mereka.
Temuan tersebut dapat menunjukkan kelompok layanan baru. Staf meninjau apakah kelompok tersebut masuk akal, bantuan apa yang dibutuhkan, dan kapan keanggotaan harus berakhir. Sebuah label seharusnya tidak mengikuti klien setelah masalahnya diselesaikan.
Hati-hati dengan niat yang diimplikasikan. Aktivitas yang berkurang tidak memberi tahu Anda mengapa seseorang berhenti. Mereka mungkin sibuk, menunggu penarikan, tidak puas dengan dukungan, atau memilih untuk istirahat. Deskripsi yang dihasilkan AI tentang kemungkinan motivasi mereka masih merupakan tebakan.
Jaga izin dan pembatasan akun dalam aturan yang eksplisit. Skor pemasaran seharusnya tidak mengubah produk mana yang dapat diakses seseorang atau bagaimana perdagangan mereka ditangani. Manfaat praktis dari AI dalam pekerjaan CRM pialang adalah konteks yang lebih baik untuk staf, asalkan konteks tersebut tetap terbuka untuk koreksi.
Personalisasi Email, Push, dan Komunikasi Dalam Aplikasi
Setelah tim memahami situasi, mereka dapat memutuskan apakah sebuah pesan akan membantu. AI dapat menyarankan penjelasan dan menyusun kata-katanya. CRM mengelola pengiriman berdasarkan aturan yang disetujui, menggunakan status akun terkini dan izin komunikasi.
Ini adalah kemungkinan alur kerja operasional. Mereka memerlukan integrasi yang relevan dan proses tinjauan; mereka bukan klaim bahwa AI Analyst sendiri mengirim pesan kepada klien.
| Situasi Klien | Bantuan AI yang Berguna | Apa yang Harus Diperiksa Sebelum Mengirim |
|---|---|---|
| Terdaftar tetapi belum memulai KYC | Siapkan penjelasan singkat tentang dokumen yang diperlukan dan tempat untuk mendapatkan bantuan. | Persyaratan yang benar untuk akun dan negara, izin untuk menghubungi, dan apakah verifikasi sudah dimulai. |
| KYC selesai, tidak ada deposit | Identifikasi kemungkinan celah informasi dan buat penjelasan tentang metode pendanaan atau biaya yang tersedia. | Transfer yang tertunda, kelayakan akun, ketersediaan metode saat ini, dan izin pemasaran yang berlaku. |
| Telah mendepositkan tetapi belum melakukan perdagangan pertama | Usulkan bantuan opsional dengan tiket pesanan, biaya, atau kontrol platform. | Keadaan akun saat ini dan wording edukasi yang disetujui tanpa tekanan untuk berdagang. |
| Aktivitas telah menurun | Ringkaskan masalah layanan yang belum terpecahkan dan sarankan apakah tindak lanjut layanan akan membantu. | Keluhan yang terbuka, opt-out, pembatasan akun, dan apakah kontak sama sekali tepat. |
| Sebuah pembayaran gagal | Buat penjelasan status faktual dan opsi dukungan yang tersedia. | Kegagalan yang dikonfirmasi alih-alih status yang tertunda, upaya yang berhasil di kemudian hari, dan alternatif yang memenuhi syarat. |
| Permintaan dukungan berulang tentang satu topik | Siapkan respons yang lebih jelas menggunakan riwayat percakapan dan materi bantuan saat ini. | Apa yang masih belum terpecahkan, apakah saran sebelumnya salah, dan siapa yang memiliki kasus tersebut. |
Seorang klien yang didanai namun belum melakukan perdagangan mungkin akan menghargai penjelasan singkat tentang margin atau jenis pesanan. Itu cocok secara alami ke dalam pendidikan perdagangan. Tidak perlu menambahkan urgensi atau menyarankan bahwa mendanai akun menciptakan kewajiban untuk berdagang.
Untuk pembayaran yang gagal, bahasanya bisa sama sederhana: pembayaran tidak selesai, akun belum dikreditkan, dan dukungan tersedia. Setiap pernyataan perlu sesuai dengan catatan yang telah dikonfirmasi. Hindari menciptakan alasan penerbit untuk menolak pembayaran atau menjanjikan waktu penyelesaian yang belum diverifikasi oleh siapapun.
Catatan praktis: Periksa kembali akun ketika pesan yang antri akan dikirim. Seorang klien mungkin menyelesaikan KYC atau pendanaan dengan sukses antara pemilihan dan pengiriman. Tanpa pemeriksaan akhir itu, bahkan komunikasi pelanggan AI yang ditulis dengan hati-hati dapat tiba dengan informasi yang salah.
Ukur apakah pesan menyelesaikan masalah yang dimaksud. Pembukaan dan klik adalah sinyal pengiriman yang berguna, tetapi mereka tidak menunjukkan apakah konten tersebut membantu. Sebuah eksperimen FCA tentang keterlibatan aplikasi trading mendapati bahwa fitur yang diuji, termasuk notifikasi push, dapat meningkatkan frekuensi trading dan pengambilan risiko. Tinjau perilaku yang didorong oleh sebuah pesan serta tingkat responsnya.
Asistensi AI untuk Tim Dukungan Perantara
Banyak pekerjaan seorang agen dilakukan sebelum menulis balasan. Mereka membaca percakapan, memeriksa transaksi, menemukan kebijakan saat ini, dan mencari tahu janji-janji sebelumnya yang masih berlaku.
Seorang asisten dapat menyiapkan konteks tersebut. Untuk transfer yang hilang, ia mungkin mengumpulkan referensi pembayaran, status terbaru, kontak sebelumnya, dan penjelasan proses yang disetujui. Agen memeriksa sumber-sumber dan memutuskan apa yang harus disampaikan kepada klien.
Ini lebih berguna daripada jawaban lancar berdasarkan halaman bantuan lama. Asisten perlu mengakses informasi yang disetujui dan terkini, dan ia perlu menyatakan ketika catatan tidak menjawab pertanyaan. Pembayaran yang dijelaskan sebagai tertunda semalam mungkin telah selesai pagi ini.
Data dukungan juga membantu produk dan operasi. Jika klien berulang kali bertanya di mana menemukan biaya, merangkum tiket tersebut dapat mengungkap masalah informasi pada layar pendanaan. Layar yang lebih jelas mungkin menghemat lebih banyak pekerjaan daripada jawaban yang lebih cepat untuk pertanyaan yang sama.
Melacak kontak ulang, koreksi, eskalasi, dan waktu penyelesaian bersamaan dengan kecepatan respons. Balasan cepat yang membuat tiket lain tidak banyak membantu. Keluhan, pembayaran yang diperdebatkan, dan kasus penarikan yang tidak jelas memerlukan jalur menuju seseorang yang memiliki wewenang untuk menyelesaikannya.
Peramalan Metrik Bisnis dan Deteksi Anomali
Peramalan dapat membantu sebuah broker merencanakan dukungan, memperkirakan beban kerja onboarding, atau mempersiapkan perubahan dalam volume pembayaran. Ini bekerja dengan baik ketika tim memahami seberapa tidak pasti estimasi tersebut.
Perkiraan berdasarkan lalu lintas yang ada mungkin menjadi kurang berguna ketika sebuah afiliasi besar mulai mengirim klien dari pasar baru. Liburan atau gangguan juga dapat mengubah pola tersebut. Tampilkan rentang, jelaskan asumsi-asumsinya, dan periksa perkiraan tersebut terhadap hasil yang lebih lanjut.
Untuk deteksi anomali, sebuah peringatan perlu memiliki detail yang cukup agar seseorang dapat menyelidiki. Persetujuan pembayaran turun sepuluh poin persentase tidak berarti banyak tanpa rute, jendela waktu, ukuran sampel, dan rentang yang biasa. Segmen kecil dapat bergerak tajam setelah hanya beberapa transaksi.
Sebelum menganggap suatu pergerakan sebagai insiden operasional, periksa kapan data terakhir diperbarui. Koneksi pelaporan yang terputus dapat membuat setiap metode pembayaran tampak terhenti sekaligus. Catatan yang terlambat dapat mengubah penurunan pendapatan yang tampak kemarin menjadi hari yang normal.
Mulailah dengan peringatan yang memiliki pemilik dan respons yang jelas. Jika tidak ada yang tahu apa yang harus dilakukan dengan peringatan, menambah lebih banyak dari mereka mungkin akan membuat tim kurang memperhatikan. Analisis AI yang berguna untuk pialang harus mengurangi beban dalam memutuskan perubahan mana yang layak untuk diperhatikan lebih dekat.
Di Mana Tinjauan Manusia Harus Tetap Ada
Untuk model operasional yang dijelaskan di sini, AI menyiapkan bukti dan saran. Karyawan yang berwenang tetap bertanggung jawab atas keputusan yang berkonsekuensi mengenai penarikan, akses akun, keluhan, pengaturan eksekusi, batas risiko, dan perubahan anggaran material.
Ulasan perlu praktis. Peninjau harus melihat catatan sumber, memahami rekomendasi, dan memiliki wewenang untuk menolak. Jika mereka hanya melihat skor kepercayaan dan tombol persetujuan, mereka memiliki sedikit dasar untuk membuat keputusan.
Kerangka Kerja Manajemen Risiko AI NIST yang bersifat sukarela mengharuskan adanya tanggung jawab yang jelas dan pengawasan manusia. Untuk perusahaan di Inggris yang termasuk dalam ruang lingkup, pendekatan FCA terhadap AI dalam layanan keuangan menjelaskan bagaimana akuntabilitas yang ada dan kerangka hasil pelanggan berlaku. Persyaratan di tempat lain tergantung pada entitas, aktivitas, dan pasar.
Akses sama pentingnya dengan persetujuan. Seorang analis yang menyelidiki konversi mungkin hanya memerlukan catatan agregat. Asisten dukungan mungkin memerlukan peristiwa akun yang dipilih, tetapi tidak setiap dokumen identitas. Periksa akses data, retensi, dan di mana informasi diproses sebelum menghubungkan catatan klien ke layanan.
Ini adalah pertanyaan berguna yang harus diajukan kepada penyedia AI dalam operasi fintech. Mintalah demonstrasi menggunakan kasus dengan informasi yang hilang atau catatan yang bertentangan. Anda ingin melihat bagaimana sistem menangani ketidakpastian sebelum karyawan bergantung padanya di hari yang sibuk.
AI menyiapkan kasus. Orang memutuskan.
Sebuah rekomendasi sampai kepada peninjau dengan bukti di baliknya, bukan izin untuk bertindak sendiri.
Menyiapkan rekomendasi
Mengorganisir catatan yang relevan untuk tugas dan menunjukkan apa yang masih tidak diketahui.
Memiliki keputusan
Memeriksa sumber, menerapkan kebijakan, dan memiliki wewenang untuk mengatakan tidak.
Sebuah penyelidikan mungkin memerlukan hasil agregat atau peristiwa akun yang dipilih, bukan setiap dokumen identitas atau riwayat klien yang lengkap.
Cara Memperkenalkan AI ke Dalam Operasi Perdagangan
Saya akan mulai dengan satu tugas yang berulang yang sudah menghabiskan waktu staf. Menjelaskan pergerakan FTD mingguan adalah kandidat yang wajar. Begitu juga menyiapkan ringkasan dukungan, jika riwayat akun dan kebijakan yang disetujui dapat diandalkan.
Pilih pemilik tugas dan catat bagaimana tim menangani hal itu hari ini. Kemudian uji kasus-kasus historis di mana hasilnya diketahui. Jaga agar penyelidikan akhir tidak termasuk dalam masukan, dan periksa apakah asisten menemukan bukti yang relevan, mengangkat petunjuk yang salah, atau dengan percaya diri mengisi kekosongan.
Selanjutnya, biarkan sekelompok kecil menggunakannya dengan akses hanya baca ke catatan yang diperlukan. Kumpulkan pertanyaan yang mereka ajukan dan koreksi yang mereka buat. Ini menunjukkan apakah alat tersebut berfungsi di luar demonstrasi yang telah disiapkan.
| Tugas Pilot | Bukti Bahwa Itu Membantu | Hasil yang Memerlukan Perhatian |
|---|---|---|
| Jelaskan perubahan metrik | Waktu yang lebih sedikit untuk mencapai penjelasan yang terverifikasi; total sesuai dengan laporan. | Jawaban yang meyakinkan yang menyebutkan penyebab tanpa bukti. |
| Siapkan balasan dukungan | Waktu persiapan yang lebih rendah dengan jawaban yang akurat dan lebih sedikit kontak ulang. | Koreksi fakta yang sering atau janji yang tidak dapat dipenuhi oleh agen. |
| Usulkan pesan layanan | Lebih banyak klien yang memenuhi syarat menyelesaikan masalah spesifik, tanpa keluhan yang lebih buruk atau hasil opt-out. | Klik yang lebih tinggi tetapi pesan yang usang atau lebih banyak kebingungan. |
| Flag aktivitas pembayaran yang tidak biasa | Insiden yang terverifikasi mencapai tim yang tepat lebih cepat. | Peringatan berulang dari data yang usang atau sampel yang sangat kecil. |
Termasuk waktu ulasan, pekerjaan integrasi, dan biaya operasional saat menilai pilot. Menghemat satu jam analisis tidak banyak membantu jika karyawan lain menghabiskan dua jam untuk memperbaiki jawaban.
Untuk uji komunikasi, bandingkan klien yang memenuhi syarat serupa selama periode yang sama, menggunakan kontrol di mana diperlukan. Jaga agar pemberitahuan layanan yang wajib berada di luar eksperimen yang akan menahannya. Tetapkan aturan penghentian untuk pesan yang salah atau hasil klien yang memburuk.
Perluas setelah orang-orang yang menggunakan sistem dapat menjelaskan di mana itu membantu dan di mana masih memerlukan koreksi. Sebuah perusahaan pialang dengan asisten terpercaya untuk investigasi pembayaran dapat mendapatkan nilai nyata dari satu kasus penggunaan itu. Alur kerja berikutnya dapat dilanjutkan ketika data dan staf sudah siap.
