Conversational AI do automatyzacji obsługi klienta

Moja rola i wpływ

Najważniejsze inicjatywy

1. 01

   Szukanie initial product-market fit i budowanie produktu 0-1

   Współtworzyłem

   Problem

   Produkt był we wczesnej fazie. Nie było jasne, za co duże firmy chcą płacić.

   Co zrobiłem

   • Sprawdziłem, jaki problem banki i telekomy chcą rozwiązać chatbotem i voicebotem.
   • Ułożyłem propozycję wartości wokół skalowania obsługi, a nie wokół samej technologii.
   • Budowałem PoC, brałem udział w przetargach i analizowałem konkurencję.
   • Zbudowałem core'owy zespół produktowy.
   • Systematycznie walidowaliśmy najważniejsze hipotezy.

   Efekt

   Product-market fit i pozycja lidera polskiego rynku.

2. 02

   Szukanie skalowalnego modelu biznesowego

   Współtworzyłem

   Problem

   Nie było modelu, który da się skalować razem z produktem.

   Co zrobiliśmy

   • Szukaliśmy modelu biznesowego razem ze sprzedażą.
   • Sprawdzaliśmy, za co klienci naprawdę płacą i co da się powtarzać.

   Efekt

   Model, na którym produkt dalej rósł.

3. 03

   Od prototypu do skalowalnej platformy (1 → 10)

   Prowadziłem

   Problem

   Mieliśmy prosty prototyp, który pozwalał tworzyć PoC dla klientów.

   Co zrobiliśmy

   • Zbudowaliśmy pierwszą skalowalną wersję produktu.
   • Platforma pozwalała obsługiwać i automatyzować botami contact center klientów, w których pracowały setki osób.

   Efekt

   Pierwsze wdrożenie w Alior Banku - bot zbudowany na platformie obsługiwał setki tysięcy rozmów miesięcznie.

4. 04

   Wdrożenia u najważniejszych klientów

   Prowadziłem

   Problem

   Na początku produkt trzeba było sprawdzić u dużych klientów - od pierwszej konfiguracji do pracy bota z prawdziwymi rozmowami.

   Co zrobiłem

   • Prowadziłem wdrożenia u kluczowych klientów, między innymi Alior Bank, KRUK SA, InPost i Etisalat.
   • Wdrażałem produkt i przygotowywałem boty.
   • Ewaluowałem zachowania botów po wdrożeniu.

   Efekt

   Produkt sprawdzony u dużych klientów z bankowości, windykacji, logistyki i telekomów.

5. 05

   Zbudowanie zespołu produktowego

   Prowadziłem

   Problem

   Po znalezieniu product-market fit i zbudowaniu trakcji produkt potrzebował własnego zespołu produktowego.

   Co zrobiłem

   • Zatrudniłem, wdrożyłem i prowadziłem zespół produktowy SentiOne Automate: 2 PM, Product Specialist i Product Designer.
   • Budowałem nowe kompetencje w firmie i wydzielałem je do osobnych zespołów wdrożeniowych - Project Managers i Bot Designers.

   Efekt

   Dedykowany zespół produktowy i osobne zespoły wdrożeniowe.

6. 06

   Pętla feedbacku z klientami

   Prowadziłem

   Problem

   Produkt działał on-premise, więc dostęp do feedbacku i podstawowej analityki był utrudniony.

   Co zrobiliśmy

   • Zbudowaliśmy proces zbierania feedbacku od klientów.
   • Wprowadziliśmy podstawy analityki produktowej.
   • Uruchomiliśmy Customer Advisory Board.

   Efekt

   Produkt mógł rozwijać się zgodnie z potrzebami użytkowników i klientów.

7. 07

   Bot visual builder

   Prowadziłem

   Problem

   Stworzenie i wdrożenie bota u przeciętnego klienta trwało nawet rok.

   Co zrobiłem

   • Zweryfikowałem potrzeby użytkowników buildera.
   • Prowadziłem budowę i stały rozwój wizualnego buildera botów.
   • Wprowadziłem szablony botów.

   Efekt

   Czas stworzenia i wdrożenia bota skrócił się z roku do kilku miesięcy. Builder był jednym z najwyżej ocenianych wizualnych builderów botów.

8. 08

   Lepsze rozpoznawanie intencji

   Prowadziłem

   Problem

   Skuteczność bota zależała od tego, czy dobrze rozpozna, z czym dzwoni klient.

   Co zrobiliśmy

   • Poprawiliśmy modele NLU i sposób ich douczania.
   • Dodaliśmy w platformie funkcje do szybkiego wskazywania przykładów.

   Efekt

   98% skuteczności rozpoznania intencji osoby dzwoniącej do contact center.

9. 09

   Testy automatyczne i AI evals bota

   Prowadziłem

   Problem

   Trudno było utrzymać jakość i spójność rozmów przy każdej nowej wersji bota. Zwiększało to zdecydowanie koszty maintenance'u bota.

   Co zrobiliśmy

   • Wprowadziliśmy moduł testów automatycznych.
   • Evals automatycznie sprawdzały rozmowy przed wdrożeniem nowej wersji.
   • Całość pracy oparliśmy o framework Opportunity Solution Tree (Case Study).

   Efekt

   Czas od przygotowania nowej wersji bota do wdrożenia krótszy o 95%.

10. 10

    Ewolucja z intent-based NLU do LLM

    Prowadziłem

    Problem

    Intent-based NLU ograniczał jakość i skalę rozmów.

    Co zrobiłem

    • Zacząłem ewolucję z intent-based NLU do modeli hybrydowych i LLM.
    • Ustawiłem kierunek zmian z zespołem AI.

    Efekt

    Start przejścia na modele hybrydowe i LLM.