无法应对大量客户投诉？ AI 救援

回顾过去，质量运动的日子似乎很古怪：横幅、口号、奖品和团队建设活动。今天，质量管理完全是关于信息——或者更重要的是，如何避免被信息淹没。

在社交媒体时代，消费者可以获得如此丰富的数据，公司应该能够将这些反馈转化为完美产品的创造。要是。问题是纯粹的数量之一。销售商，尤其是制药等注重质量的行业的销售商如何理解所有这些信息？

简短的回答是，他们不能——离不开人工智能和新兴的预测建模科学的帮助。

制药商通常会收到来自全球多个来源的数以万计的评论和投诉。标准的投诉处理部门将难以对这种压倒性的输入进行分类，将积极与消极、琐碎与危及生命的问题区分开来。

事实上，质量管理软件供应商 Sparta Systems 的数字创新副总裁史蒂夫·麦卡锡 (Steve McCarthy) 表示，大多数投诉通常本质上是低风险的。尽管如此，他说，每个投诉都必须“感动”。诀窍在于过滤掉“噪音”并专注于真正重要的反馈。

随着自然语言处理的改进，人工智能已成为解释所有数据的一种越来越可行的方式。我们的想法是让自动化对原始数据进行分类，然后向投诉处理部门提供严重程度评估、可能的根本原因甚至行动建议。

接受或拒绝计算机生成的分类和建议仍然是人们的工作——至少目前如此。 “在这个阶段，”McCarthy 说，“我们并没有将人从决策过程中剔除，但我们正在努力提高做出更明智、更有效决策的能力。”

理论上，系统应该通过经验提高其分析能力。这是机器学习的基础，也是现代人工智能的一个关键方面。 McCarthy 说，它消化数据并将其传递给质量工程师的次数越多，其准确度可能就越高。

除了满足患者安全的明显优先级之外，人工智能驱动的系统也将比人工主导的评估更具成本效益。 （考虑到制造商今天必须处理的大量信息，假设后者甚至是可能的。）

但成本并不是寻求更有效的投诉处理方式的唯一原因。 “这是速度和及时性的因素，”麦卡锡说。 “重要的是要充分了解与投诉相关的可能的严重程度和 [程度] 风险，以便您可以完成根本原因调查。”

人工智能使用的下一步——目前还远未达到完全成熟的阶段是预测建模。在证明自己能够进行数据上下文化、订单分类和自动风险评估后，系统可以开始预测它将收到的投诉类型。通过使用趋势分析，它实际上可以预见投诉可能代表的严重程度或风险水平。

随着输入量的增加，人工智能引擎可以识别质量基准偏差的数量和性质。 McCarthy 说，实际上，它甚至在产品发布之前就从这些数据中学习。

“这些数据集可以组合在一起，这样如果您在车间看到与售后投诉数据相关联的特定模式，您就可以关联这些数据集并开始预测这种特定模式可能会导致投诉， ”麦卡锡解释说。

反馈成为闭环系统的一部分，通过该系统将反馈重新纳入产品的制作中。制造商可能会发现压力表出现故障。或者可能会在设计阶段检测到缺陷，从而需要更改原材料和初始生产设置。

虽然人工智能驱动的质量流程的价值在生命科学领域似乎最为明显，但麦卡锡认为该技术同样适用于任何数量的其他行业。例如，医疗设备制造商能够在昂贵的资本设备进入市场之前对其进行调整，从而从中受益匪浅。 “归根结底，”麦卡锡说，“这是关于信号检测。”

在预测建模成为值得信赖和有效的练习之前，该技术还有很长的路要走。近年来，人工智能在理解人类反应背后的微妙之处和情感方面取得了长足的进步，但它远非完美。例如，隐形眼镜制造商如何解析诸如“刮擦”、“发痒”、“灼热”和简单的“不舒服的感觉”之类的抱怨？

随着生命科学制造商努力满足消费者口味和监管限制，麦卡锡希望看到该技术的持续进步。汽车行业也将从使用 AI 来提高安全性并将质量测试纳入制造中受益。

“它正在许多领域进行试点，”麦卡锡说。 “将预测建模应用于该过程的能力非常令人兴奋。我什至无法想象我们在短短几年内将拥有的能力。”