Negli anni ‘90 andavano di moda i pantaloni sgargianti con colori al neon, i capelli crespi da rockstar toccavano i loro picchi, mentre il video di “Ice Ice Baby” passava in rotazione su MTV. Inoltre, negli stessi anni, si poteva anche cercare il nome, l’indirizzo e il numero di telefono di una data persona sull’elenco telefonico locale. Potrebbe sembrare inquietante, ma chiunque poteva in sostanza cercare le informazioni riguardanti qualcuno partendo semplicemente da nome e cognome. Oggi, tuttavia, le più avanzate applicazioni di intelligenza artificiale (AI) non hanno bisogno di questi dati di identificazione personale (in inglese personally identifiable information, PII) per produrre risultati di business concreti.

Tramite profilazione, si possono effettuare confronti diretti all’interno di un modello di dati senza per questo dover per forza identificare nel dettaglio ogni singolo individuo. Il machine learning tratta tutti i dati come degli 1 e 0, ed è in tale contesto che è stato coniato il termine PII e sono state create regole come HIPAA, FedRAMP, e PCI-DSS. Non sto sostenendo che questi termini e regolamenti non siano significativi; sono necessari in una certa misura sia da un punto di vista legale che per la fiducia dei consumatori. Inoltre producono delle ripercussioni implicite qualora non siano gestite in modo corretto. Tuttavia non sono necessarie—e non trovano posto—nel mondo dell’AI e del machine learning. Gli algoritmi predittivi di qualità elevata non pretendono infatti di identificare i tuoi clienti per produrre risultati accurati e capaci di rivoluzionare la situazione.

AI e routing ottengono i risultati più elevati

Prendiamo ad esempio il settore finanziario: Tim si è recentemente diplomato e ha ottenuto il suo primo lavoro a tempo pieno. Ha quindi messo da parte una somma tale da poter versare un acconto sull’acquisto di una casa. Quindi per prima cosa si reca su Internet, visita il sito web della sua banca e cerca le diverse opzioni di mutuo disponibili. In tale processo interagisce con una chatbot che gli fornisce alcune informazioni molto affidabili, comprese quelle su come richiedere un mutuo. Il bot propone inoltre a Tim la richiamata di uno specialista di mutui nel momento a lui più congeniale. Pur reputando tale proposta molto conveniente, qualcosa lo distrae. Tre ore dopo si rifocalizza sull’acquisto della casa e decide di chiamare il numero di telefono mostratogli dalla banca.

La banca si serve di una soluzione di AI basata su un modello elaborato per una persona con le caratteristiche di Tim. Dopo che questi compone il numero di telefono indicato sulla pagina mutui del sito web, viene indirizzato all’agente Anna. L’algoritmo AI che ha connesso Tim ad Anna non ha idea di chi sia effettivamente Tim, ma sa che si trova in Lombardia, ha un’età tra i 20 e i 25 anni, è cliente della banca, ha conti correnti e di risparmio con valori specifici e ha visitato il sito web per cercare una serie di prodotti ipotecari che non ha però ancora richiesto.

L’algoritmo possiede anche ulteriori elementi. E non solo questi dati sono presi in considerazione, ma l’algoritmo conosce anche il valore predittivo di ciascuna delle precedenti caratteristiche —e come tenerne conto in base ai dati storici e ai relativi risultati. Questa soluzione di AI sa anche che la banca ha al suo interno una specialista dei mutui chiamata Anna che è pronta e disponibile; quindi le passa la chiamata.

Esiste però anche un’altra ragione per cui il sistema ha scelto proprio Anna. I dati storici mostrano che è lei il migliore agente per massimizzare il valore di una persona come Tim, in base al calcolo di tutti i dati sulle interazioni associati con la chiamata. Non solo sono state prese in considerazione le competenze e la disponibilità di Anna, ma è anche stato tenuto conto della sua esperienza, del gruppo di appartenenza, del profilo formativo e di tutto quanto il reparto Customer Experience sa di lei. Anna ha un DNA, o profilo, specifico che massimizza il valore per combinazioni particolari di clienti e interazioni. Questa chiamata è stata quindi instradata a lei perché il software di AI sa, a livello di interazione, che esiste una probabilità del 90% che la telefonata in carico ad Anna porti alla richiesta di un mutuo.

Il software di AI sapeva anche che l’instradamento della chiamata a Davide, un altro specialista in mutui impiegato presso la banca, avrebbe portato Tim a richiederne uno con la probabilità del 60%. Ecco che Davide è stato assegnato alle interazioni e ai clienti per i quali era previsto che avrebbe raggiunto il risultato migliore, producendo un fatturato superiore per la banca e clienti più contenti. Le prestazioni di Davide saranno più elevate perché sta ricevendo chiamate per le quali può massimizzare spontaneamente il valore. AI e machine learning abilitano questa ottimizzazione precisa, in tempo reale e così preziosa.

Il software combina gli algoritmi matematici con la potenza del cloud computing per migliorare i risultati aziendali, il suo Customer Experience center e le vendite. Tutto ciò senza che l’API pubblica che ha restituito il punteggio dell’interazione predittiva in tale scenario, fosse al corrente dell’indirizzo e del numero di telefono di Tim. Insomma, per averlo, bisognerà quindi ancora cercarlo nell’elenco telefonico.

Per saperne di più sul routing predittivo consulta il nostro centro risorse.