Google 的客户参与团队解释了他们如何使用人工智能来取悦全球数十亿用户

这是我们如何管理营销、销售和支持团队的增长，同时为用户提供出色体验的故事。我们从客户至上的心态开始，提供优先级框架，提供所采用的人工智能的案例​​研究细节以及对客户参与度的影响，最后总结经验教训。

客户至上 客户参与

客户期望不断增长，年轻客户继续推动各年龄段广泛采用的模式。当今的趋势包括无摩擦的内容创建、超个性化的提要和零食内容。在这种环境下，没有人有时间或耐心等待打电话。数字体验应该“正常工作”，当不能正常工作时，客户希望以最少的摩擦和努力按照自己的方式解决问题。

我们的客户希望在所有表面或接触点上以尊重隐私的方式获得个性化、主动且情境化的 体验。实现这一承诺需要复杂的软件，因此我们构建了一个简单的客户至上模型来指导我们在客户互动中使用人工智能。

客户成功飞轮展示了我们如何通过深入了解客户来构建解决方案，关键的成功标准是以高满意度提供客户价值。这从最早的客户与 的互动（飞轮中间）开始，随着我们在产品、营销、销售和支持方面更多地了解客户，我们能够提供更多的客户价值。

这创造了一个积极的反馈循环，使每个表面都具有客户意识，并在全球范围内为我们服务的广大客户提供“一刀切”的解决方案。我们的成功指标同样以客户为导向，围绕客户理解、价值和满意度。

优先顺序框架

无论我们如何交付，我们都会优先考虑最佳的客户体验和结果。我们确认优化是否正确的一种方法是询问我们是否愿意与客户分享我们的指标仪表板。由于组织被迫关注其控制范围内的指标，因此很容易在不了解客户的情况下或为了客户的利益而进行优化以获得成功。通过将我们的工作立足于客户理解、价值和满意度，我们能够将我们的努力转向客户的需求。

为了帮助我们思考这些机会，我们构建了一个客户参与转型框架，该框架展示了人工智能突破“增量”象限的必要性，并帮助指导我们的思维突破人类可能的极限。

Y 轴直接关注客户价值，反映了人力投资回报率当前固有的限制，因为劳动力不是免费的。这凸显了我们的解决方案需要提高生产力，例如智能提醒、会议安排、自动推介材料创建等，以便我们的客户获得更多价值。X 轴重点关注任务对人类而言的挑战性。这激发了人工智能的强大帮助，特别是在任务的数量、复杂性和优化这些任务以快速产生最佳客户结果的机会变得过于复杂而人类无法完全理解和最大化的任务中。

实现变革性影响的道路建立在基础人工智能研究之上。在 内部，我们很幸运拥有和 （现为 ）等世界一流的研究团队，在人工智能领域取得了开创性的突破。我们正在推动一个未来，提供一套协调一致的超个性化解决方案，最大限度地发挥人力和技术智能的最佳水平，并提供最大的长期客户价值。

以下是我们取得重大进展的四个案例研究：

智能聚焦：吸引客户以显着改善结果

我们正在开发工具来帮助我们的销售和支持代表管理无数同步目标——满足客户需求、达到 KPI 并帮助运营一个高绩效组织。他们可以获得能够帮助我们的客户实现其业务目标的见解，并且由于范围如此之广，因此可能难以决定将时间花在哪里。我们的目标是构建能够帮助他们更好地集中注意力的人工智能，从而为我们的客户带来更好的结果。

创新的人工智能应用

过去引导人类注意力的努力经常使用硬编码的条件逻辑和启发式来近似平均性能，但我们着手实现三件事：

我们利用人工智能构建了一个智能探测器，它可以自动调整不同代表和客户的灵敏度。这有助于提供非常高的信噪比，以便代表在我们有话要说时倾听。标准异常检测不适用于不同规模的大量客户数据。

我们将启发式解释问题转换为多维、多度量相关性和归因模型，这显着降低了计算复杂性并有助于实现规模化影响。这有助于确保无论我们提出什么机会，我们都能够向我们的代表提供理由，以便他们可以评估逻辑并向客户或同事解释。

我们设计了一个实验环境，可以对影响进行因果测量，并提供反馈循环来改进和训练模型。

由此产生的客户参与度

这些举措的影响意味着代表们在开始新的一天时就意识到是否有一个高度优先的项目需要参与。当有人在场时，他们可以调查背景，准备正确的客户响应，并神奇地进行及时的对话以提供帮助。

到目前为止，客户和代表的成果已得到实质性改善。客户避免了计划外的广告活动延迟，并能够添加高投资回报率的广告活动、优化其广告活动并提高在 上的支出效率。

总的来说，客户发现 的价值提高了 23.5%，相关的 95% 置信区间 (CI) 为 15% 到 32%。这是通过与随机对照试验相比的客户在接下来的三周内的支出来衡量的。代表们还感谢该系统的帮助，并给出了 90% 的满意度评分——是之前该领域非人工智能尝试的满意度的两倍。

引导式自助：使用可扩展的智能支持诊断和解决问题

每年，数十亿客户与数百种 消费产品（例如搜索、 和 ）进行互动。随着 的产品和客户群日益多样化，问题识别和解决的复杂性也随之增加。

客户可以通过多种不同的方式寻求帮助，他们提出的问题可能有许多潜在的根本原因。 支持扩展自助服务、提高代表工作效率以及提高客户满意度和解决率的一种方法是使用大型语言模型 (LLM)，​ 例如多任务统一模型 (MUM)和对话应用程序语言模型 (LaMDA)。 ​

您无法使用线性解决方案来解决指数问题。

这些有前途的、规模化的法学硕士应用程序使我们走向人工智能引导的支持体验。我们的目标是让客户与智能、自动化的支持自然地互动，让他们感到自己被赋予了力量，并且更喜欢自助而不是支持替代方案。我们在解决客户问题的两个关键步骤上进行了投资：诊断和解决。

为了进行诊断，我们通过查看一组“症状”来确定问题的根本原因。为了解决问题，我们根据事实帮助客户选择适当的行动方案。我们现有的自助经验信息丰富，包括帮助文章和代表性记录。但客户在这两个步骤中仍然承受着巨大的负担：阐明他们的问题，浏览症状和根本原因，并尝试不同的解决方案。

创新的人工智能应用

我们的策略旨在减轻客户诊断和解决问题的负担。在诊断方面，我们使用尖端的法学硕士应用程序来高效、有效地理解“客户自己的话”中的问题，并指导他们找到具体的解决方案。对于解决方案，我们使用 MUM 在支持界面（例如我们的搜索页面和升级表单）上对解决方案进行排名和提供解决方案。

这些人工智能应用程序为我们的客户消除了复杂性。在某些情况下，我们现在可以让客户直接找到正确的解决方案。初步结果显示，根据产品领域的不同，回答问题的能力提高了 20% 到 40%，并且所有受影响接触点的答案质量从中性到积极。

由此产生的客户参与度

自助成功的主要指标是支持升级率，客户无法单独解决问题，因此需要人工代表的帮助。我们的实验显示，与对照组相比，接触率（升级）降低了 5.3 个百分点（95% CI 3.9 个百分点至 6.7 个百分点），性能是使用长短期记忆 (LSTM) 的最新神经网络所实现的性能的 2.8倍。与代理基准相比，我们实现了联系率的降低，同时我们的高客户 CSAT 没有下降。

客户自动匹配：注册后更快地为客户提供服务，缩短价值实现时间

帮助 Ads 客户首先要了解他们使用哪些广告系列和帐户来实现数字营销目标。在谷歌规模上，这是相当复杂的——每年都会创建数百万个新帐户，但收集的客户数据很少，以避免在注册过程中增加不必要的摩擦。客户通过不同的法律实体、部门、第三方机构和顾问使用 Ads，而且通常没有简单的方法来确定 应该与之合作的合适人员或团体。

为了确定哪些帐户属于每个客户，我们最初要求数百名代表手动检查每个新广告帐户并将其连接到客户层次结构中的正确实体。这种方法有效，但速度缓慢且难以扩展并有效地支持不断增长和扩大的广告客户群。我们需要一个更加自动化的解决方案。

创新的人工智能应用

为了解决这个问题，我们决定实施一组方法，以便更容易地将我们的客户与其帐户匹配：

人工智能模型的组合，可以识别我们的客户层次结构中最有可能的新帐户所有者

基于规则的系统，使我们的团队能够手动指定高可信度规则和信号来处理简单的情况

作为最后一道防线，一个分析师小组负责解决最复杂和最模糊的账户，并构建用于 ML 训练和验证的数据集

由此产生的客户参与度

我们的参与团队将实现价值的时间缩短了 10 倍，从而使客户受益匪浅。 代表还对大幅减少所需劳力表示赞赏 - 我们每年将生产力提高了 150 多名员工。