چگونه خدمات مشتری به دیجیتال تبدیل می شود؟
یک مطالعه اخیر توسط WBR نشان می‌دهد که صنعت خدمات در نقطه انفصال قرار دارد. در طول ۲۴ ماه آینده، تکنولوژی در بسیاری از شرکت‌ها، تحول دیجیتالی را در جهت بهبود و پیش بینی جریان‌های درآمد و همچنین بهبود کارایی عملیاتی، هدایت می‌کند.
این تحقیق نشان می دهد که تقریبا سه چهارم از پاسخ دهندگان، خدماتی را برای تجهیزاتی که دارای سنسور فعال هستند، ارائه می دهند. توانایی جمع آوری الگوهای استفاده و عملکرد اسناد دارایی می تواند کسب و کار خدمات را به سمت یک مدل پیش بینی کننده هدایت کند، و توانایی خود را برای فروش دارایی ها به عنوان یک سرویس، و نه تنها فروش تجهیزات سرمایه با ارائه خدمات پس از فروش، تسهیل کند.
مشتریان در بسیاری موارد می خواهند پیش بینی های پرداخت یک نتیجه مشخص را مشاهده کنند. اما برای سازمان خدمات، سود این روند را جهت دهی می‌کند. داده های جمع آوری شده توسط IFS نشان می‌دهد که سرویس دهی پیشرفته‌تر می تواند سودآوری خدمات را تقریبا ۲۰ درصد افزایش دهد. اما برای تحمیل این تغییرات، سرمایه گذاری در تکنولوژی لازم است. چه نوع فن آوری؟ گزارش WBR همچنین به ویژگی هایی از چگونگی مدیریت فناوری می تواند منجر به مدیریت موثر نیروی کار شود.
نتایج بزرگ از داده های بزرگ(Big Data)
هر سنسور فعال می تواند مقدار زیادی داده تولید کند. داده بزرگ یک اصطلاح است که برای توصیف تجزیه و تحلیل داده ها و انتشار آن به سیستم‌های دیگر برای عملکرد بهتر استفاده می شود. توانایی جمع آوری، تجزیه و تحلیل، تجمیع و ارتباط این داده‌ها می‌تواند پاداش های مالی و عملیاتی زیادی را به دست آورد.
هنگامی که تجهیزات حسگر فعال تشخیص یک شکست را بدهند، یک کد تشخیصی می تواند تولید شود. سیستم های دانش را می توان در فرآیند به منظور تعیین نقص در بخش یا اجزای تشکیل شده، پیشنهاد جایگزینی بخشی یا شاید به دستورالعمل تعمیر تکنسین، نقشه های دارایی، و محل مکانی قطعات بر روی تجهیزات، استفاده کرد. من اخیرا این کار را در نمایشگاه WBR دیدم. این یک سیستم گزارش دهی IoT مستقل بود، اما یک تحرک دیجیتال بسیار دشوار واقعی در جهان بود که تکنسین های خود و شرکای خدمات را با اطلاعات تعمیر مفید قبل از بازدید برای تعمیر آگاه می‌کند.
مبتنی بر سرویس ابری
ترکیب تکنیک‌های AI و یادگیری ماشین می‌تواند سلامت عملیات یک دارایی را تعیین کند. توانایی پیش بینی شکست یا تضعیف عملکرد دارایی در طول زمان می‌تواند یک تعمیر و نگهداری پیشگیرانه، سرویس تماس، تعویض یا تغییر مجدد دستگاه باشد. این اجازه می دهد تا ارائه دهنده تجهیزات و یا نماینده مجاز خدمات با سطح بالایی از اعتماد به نفس به فروش قرارداد عملکرد است که می تواند حاشیه مدیریت را کاهش دهد، بپردازند.
این سنسورها همچنین می توانند از دارایی استفاده کنند، از جمله میزان بهره وری دارایی، روش های انجام شده یا ساعت کار.، قراردادهای مبتنی بر عملکرد می توانند تولید شوند که تضمین می کند که مشتری از دارایی دریافت می‌کند. این قراردادهای استفاده مستلزم به روز کردن مداوم در مورد استفاده از دارایی و سلامت دارایی است زیرا عملکرد دارایی به طور مستقیم با درآمد پیش بینی شده ارتباط دارد.
فن آوری موبایل سپس این اطلاعات را به تکنسین یا تیمی که به این کار اختصاص داده شده، اطلاع می دهد. تمام این داده ها تقطیر خواهند شد تا بتوان آن را به طور مستقیم به افرادی که بیشترین نیاز را دارند، منتشر کنند. مدیران خدمات فعالیت را نظارت می کنند و تکنسین های خدمات می توانند از این داده ها برای انجام کارهایشان بهتر استفاده کنند. داده ها ممکن است از اشکال مختلفی از تحلیل استفاده کنند که نشان می دهد چگونه باید با بازنمایی های بصری آنچه که در داخل تجهیزات اتفاق می افتد مواجه شوند. توانایی استفاده از واقعیت تقویت شده برای اهداف تعمیرات، یک نمونه از چگونگی استفاده از داده‌ها است. یک تکنسین ممکن است بصری با داده ها ارتباط برقرار کند، با مشاهده یک پوشش از قطعات یا اجزای آنها تصور کند که به دستگاه فیزیکی نگاه می کند. همکاری تیمی می تواند یک متخصص موضوع را در یک دیدگاه مرکزی به آنچه یک تکنسین در این زمینه می بیند، ارائه دهد و می تواند از واقعیت افزوده برای مشاوره خود از راه دور مشاوره دهد. این امر سازمان های خدماتی را قادر می سازد تا با تغییر و تحول کمتر از نیروی انسانی و پیری به نیروی تازه تر، جوان تر، با تجربه کمتری کار کنند.
تکنسین درست، کار درست، زمان مناسب
در نهایت، ابزار برنامه ریزی هوشمند مردم را در موقع مناسب قرار می دهد. یک بار دیگر، با استفاده از تکنیک های هوش مصنوعی (AI)، این سیستم های برنامه ریزی، تکنسین را در جای مناسب جای می دهد تا در ارائه خدمات موفقیت آمیزتری داشته باشد. چرا AI در اینجا لازم است؟ از آنجا که شناسایی و اعزام تکنسین مناسب با توجه به تقاضای نوسانگر، مشکل برای هر فرستنده انسانی است.
در صورت نبود برنامه ریزی مبتنی بر هوش مصنوعی، شغل های پیش رو باید مقابله بیشتری نسبت به برنامه های پیش بینی شده داشته باشند. توزیع کننده ها برای تصمیم گیری های زمان بندی بر اساس SLA و سایر شرایط قراردادی تلاش می کنند و مطمئن نیستند که تکنسین مهارت ها، ابزار ها و مواد لازم برای رسیدگی به این شغل را دارد. محل تکنسین به طور مداوم در حال تغییر است، بنابراین شناسایی نزدیکترین فرد به تماس خدمات اورژانسی دشوار است.
زمانی که الگوریتم های هوشمند این تصمیمات را ایجاد می کنند، کسب و کار خدمات می تواند تعهدات مشتریان را به ارمغان بیاورد، از بهترین تکنیسین ها استفاده کند و تجربه مشتری را بهبود بخشد.