بررسی کلی و تجزیه و تحلیل اولیه
مدیریت دانش اغلب یکی از بزرگترین چالشهایی است که بیشتر شرکتها درونی با آن روبرو میشوند. تیمها ساعتهای زیادی را صرف تلاش برای به دست آوردن اطلاعات به طریق ناکارآمد یا استفاده نامناسب میکنند و یا به طور مداوم از همکاران خود درخواست اطلاعاتی که در جایی قبلاً ثبت شده است میکنند. زمان زیادی بر روی کانالهای ارتباطی داخلی کارمندان (در موارد ما، Slack) صرف سعی در یافتن پاسخ به سوالات تکراری میشود. در سفر ما برای اتوماسیون پاسخ به این سوالات تکراری، نیاز داشتیم ابتدا بفهمیم دقیقاً میزان زمان و تلاشی که توسط مهندسان در دستیابی به این سوالات تکراری صرف میشود چقدر است.
به زودی شناختیم که فعالیتهای بسیاری از ابزارهای داخلی مهندسی مربوط به وظایف مربوط به خدمتگزاری عبارتند از پاسخ به سوالات کاربران (کاربران داخلی) در کانالهای مختلف Slack. بسیاری از این سوالات قبلاً پرسیده شده و یا در ویکی ثبت شده است. این پرس و جوها به بهرهوری مهندسین خدمتگزاری زمینه میدهد و بر کارایی آنها در انجام وظایف عملیاتی تأثیر میگذارد. پس از اینکه پی به این برداشت زدیم که کارکنان خدمتگزاری بسیار وقت خود را برای پاسخ به درخواستهای Slack میگذارند، تصمیم گرفتیم در یک سفر به تعیین بالاترین سوالات بپردازیم.
برای این مطالعهبا گروههای کوچکی از تیمها مشورت کردیم و متوجه شدیم که:
- پرسشهای پرتکرار کاربران “چگونه ABC را انجام دهم؟” یا “آیا XYZ خراب است؟” هستند. پرسشهای دوم عمدهای که پرسیده میشوند مربوط به درخواستها و تأییدها یا سایر مجوزها است. پاسخ به اینگونه سوالات بیشتر به آدرسهای اینترنتی مستندات موجود است.
این نتایج ما را آگاه ساخت که ما نه فقط به یک پاسخگوی خودکاری مبتنی بر هوش مصنوعی برای سوالات تکراری نیاز داریم. در واقع، ما باید از تاریخچه چت این کانالها برای تشخیص الگوها استفاده کنیم.
جمع آوری نظرات کاربران برای فروشندگان مختصر لیست شده
با توجه به صرفهجویی در هزینه و زمان و در نظر گرفتن کیفیت راهحلهای موجود در بازار، تصمیم گرفتیم که به جای ابداع چرخ دوباره، یک محصول موجود را خریداری کنیم. و برای مشخص کردن کدام محصول را بخریم، نیاز به تحلیل مقایسهای داشتیم. و بنابراین سفر مقایسه فروشندگان ما آغاز شد!
هنگام مقایسه مجموعه ویژگیهای ارائه شده توسط فروشندگان مختلف، متوجه شدیم که کاربران ما نیاز به مشارکت در این روند تصمیمگیری دارند. با این حال، به اشتراک گذاشتن تحلیل فروشنده با کاربران و اجازه دادن به آنها برای انتخاب ربات مورد علاقه خود چندین چالش را به وجود آورد:
- کاربران ممکن است به رباتهای شناخته شده (از تجربیات قبلی) تمایل پیدا کنند.کاربران ممکن است به برندهای بزرگ با عقیده پیشفرضی و مفهومی که برندها بزرگ بهترین ویژگیها و پشتیبانی کاربر را به همراه دارند تمایل داشته باشند.کاربران احتمالاً فروشنده گرانقیمتتر را انتخاب کنند و فرض کنند هزینه بالاتر به معنای کارایی بالاتر است.
برای اطمینان حاصل کردن از ارائه بازخورد بدون تبعیض، در اینجا نحوه آغاز رأیگیری کاربران را برای شما توضیح میدهیم. ویژگیهای برتر هر ربات را نسبت به سایر رباتهای مختصرلیست شده برجسته کردیم. نام رباتها را برای جلب توجه بهتر پنهان کردیم. به طور کلی، دستهبندی به این شکل بود:
اگرچه هیچ یک از گزینهها تمام ویژگیهایی را که کاربران ما میخواستند نداشتند، حدود 60 درصد افراد فروشنده 1 (OneBar) را انتخاب کردند. از این نتیجه، ویژگیهای اصلی مورد نیاز کاربران ما را کشف کردیم همچنین آنها را در روند تصمیمگیری مشارکت کردیم.
انطباق نیازهای ما با مجموعه ویژگیهای فروشندگان موجود
اگرچه کاربران ما ترجیحات خود را روشن کردند، ما هنوز نیاز داشتیم اطمینان حاصل کنیم که مجموعه ویژگیهای موجود در بازار با نیازهای داخلی ما تطبیق دارد، به خصوص در مورد تنظیمات و ویژگیهای موجود در پرتالهایی که ما قصد داریم جایگزین کنیم. به عنوان قسمتی از فرآیند جمع آوری نیازهای ما، در ادامه برخی از شرایط بحرانی که بیشتر و بیشتر به چشم میخوردند را توضیح میدهیم:
بررسی اثبات کننده مفهوم
ما چندین ابزار را (از جمله برخی از ابزارهای استفاده شده توسط تیم منابع انسانی ما برای پاسخگویی خودکار به سوالات کارمندان) در نظر گرفتیم. سپس تصمیم گرفتیم که یک طرح کامل از مفهوم را با OneBar انجام دهیم تا بررسی کنیم که آیا نیازهای داخلی ما را برآورده میکند یا خیر.
این مراحلی هستند که ما در آنها POC را برای فروشنده مختصرلیست شده (OneBar) انجام دادیم:
مرحله 1: مطالعه ترافیک، دیدن چه بینشهایی OneBar نشان میدهد و چه چیزهایی که باید به طور بالقوه نشان داده میشد، را تفکر کنید. سپس درباره اینکه یک پشتیبان یا پشتیبانی ایدهآل در چنین محیطی چگونه باید عمل کند، فکر کنید. یعنی ما میتوانستیم پیامهای خاصی را در تاریخچه شناسایی کنیم و برای هر یک از آنها بیان کنیم که چه باید اتفاق میافتاد.
مرحله 2: از رکوردهای مورد نیاز در OneBar ایجاد کنید و آن را به طور حداکثر در نزدیکی به رفتار مطلوب پیکربندی کنید.
مرحله 3: بگذارید ابزار برای چند هفته اجرا شود و سپس ارزیابی کنید که چقدر به سوالات پاسخ میدهد، چه قدر افراد به صورت مستقیم جستجو میکنند، چه مقدار اطلاعات اضافه میکنند، و غیره. OneBar همه این معیارها را در برنامه اضافه میکند که فعالیت را آسانتر میکند.
علاوه بر POC OneBar، ما سایر راهکارها را بررسی کردیم و یک مقایسه و تجزیه و تحلیل جامع انجام دادیم. پس از انجام POC و بررسی سایر فروشندگان، تصمیم گرفتیم از OneBar استفاده کنیم زیرا ویژگیهای آن بهترین نیازهای ما را برآورده میکند.
اولویتبندی کانالهای Slack
اگرچه ما چندین کانال Slack داشتیم که دوست داشتیم ربات مختصرلیست شده را در آنها فعال کنیم، قرارداد اولیه ما استفاده از ربات OneBar را فقط برای 20 کانال محدود کرد. ما نمیتوانستیم از OneBar برای اسکن خودکار بیش از 20 کانال Slack استفاده کنیم.
کاربران همچنان میتوانند با ربات به صورت مستقیم چت کنند تا پاسخهایشان را براساس آنچه در پایگاه دانش ربات تغذیه شده است دریافت کنند. آنها همچنین میتوانند وارد سیستم وب شوند که پایگاه دانش را، سایر ویژگیهای ارزشمند و ویژگیهای اضافی برای مدیران / کارشناسان نمایش میدهد.
کانالهای Slack که ویژگیهای لایسنس بر روی آنها فعال شده بود اولویت بندی شدند بر اساس:
- بیشترین تعداد پیامهای ارسال شده در کانال در ماه، یعنی کانالهای فعالتر.بیشترین تعداد اعضا تأثیرگذار، یعنی کانالها با تعداد عضو زیاد.
برای این کار، از گزارشهای آماری Slack استفاده کردیم و کانالهایی را که با معیارهای اولویتبندی ما مطابقت داشتند شناسایی کردیم.
تغییر دشوار است، اما اغلب ضروری
با ورود فروشنده، ما شروع به آموزش و آموزش کارمندان در استفاده از این سیستم مدیریت دانش جدید برای تمام سوالات متداولشان کردیم. این چالش بود چون تغییر همیشه پیچیده ولی برای رشد ضروری است.
یک سری سخنرانیهای فنی و آموزش که در سراسر شرکت و به مقیاسهای کوچکتر هم راهنمایی کاربران در مورد ویژگیها و قابلیتهای ربات استفاده کرد.
در ابتدا، ما به عدم دسترسی به دادههای کافی منجر شدیم که باعث پاسخهای غلط از ربات شود. اما با افزایش آگاهی تیم از قابلیتها و یادگیری بیشتر درباره آن...