Utilizing AI in customer support work
Olli, Petteri (2024-08-29)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024082967215
https://urn.fi/URN:NBN:fi-fe2024082967215
Tiivistelmä
Recent advances in artificial intelligence (AI) offer new opportunities for companies to streamline operations and gain a competitive edge. This thesis explores the potential of AI to improve
customer support operations within a specific unit of a case company.
The study addresses three research questions: (1) What AI solutions are currently possible for
different types of requests? (2) What is the most relevant data for training the AI model?
(3) What key factors should future research address to improve AI solutions?
To answer these questions, the research analyzed customer support tickets from a three-month
period, categorizing them into two groups based on their resolution methods. Group 1 consisted
of cases that are straightforward to resolve, typically requiring only order-specific data from the
company’s enterprise resource planning (ERP) system provided by SAP. Group 2 included more
complex cases that required additional investigation, often involving internal documentation or
collaboration with engineers.
The analysis found that tasks in Group 1, due to the dynamic nature of order-specific data, were
not ideal for direct AI model training. However, an AI-powered chatbot could assist specialists
by providing guidance on case resolution and navigating the SAP ERP system. In contrast, tasks
in Group 2, which involve more stable data such as technical documentation, are more suitable
for AI integration. AI models trained on this data could improve information retrieval efficiency.
To test these findings, a pilot implementation was conducted using a subset of Group 2 cases.
The pilot showed promising results, demonstrating the potential for further AI integration. However, limitations were also identified, including challenges with data processing and handling
complex queries.
This study provided a solid framework for future research and AI implementations within the
case company. Moving forward, enhancing AI models through improved data preprocessing and
broader training datasets is crucial. Further investment in advanced AI technologies and their
integration to support ticket system can significantly improve customer support capabilities.
Collaboration with IT specialists and engagement with other ongoing AI projects within the company are recommended to optimize resources and maximize benefits. Viimeaikaiset edistysaskeleet tekoälyssä (AI) tarjoavat uusia mahdollisuuksia yrityksille tehostaa
heidän toimintojaan ja saavuttaa kilpailuetua. Tämä diplomityö tutkii tekoälyn mahdollisuuksia
kehittää asiakastuen toimintaa tietyssä kohdeyrityksen yksikössä.
Työ käsittelee kolmea tutkimuskysymystä: (1) Mitkä tekoälyratkaisut ovat tällä hetkellä mahdollisia erityyppisille asiakastukipyynnöille? (2) Mikä on tärkeintä dataa tekoälymallin kouluttamisessa? (3) Mitkä keskeiset tekijät tulisi ottaa huomioon tekoälyratkaisujen parantamiseksi tulevissa tutkimuksissa?
Näihin kysymyksiin vastaamiseksi työssä analysoitiin asiakastukipyyntöjä kolmen kuukauden
ajalta. Pyynnöt pystyttiin jakamaan kahteen selkeästi toisistaan eroavaan ryhmään niiden ratkaisumenetelmien perusteella.
Ryhmä 1 koostui tapauksista, jotka ovat nopeampia ratkaista ja vaativat tyypillisesti vain tilauskohtaisia tietoja yrityksen toiminnanohjausjärjestelmästä (ERP). Ryhmä 2 sisälsi monimutkaisempia tapauksia, joiden ratkaiseminen vaatii enemmän tutkimusta. Näiden ratkaisu vie enemmän aikaa, koska tietoa joudutaan etsimään erilaisista tiedostoista ja yhteistyö insinöörien
kanssa saattoi olla tarpeellista.
Analyysi osoitti, että ryhmän 1 tehtävät eivät ole ihanteellisia tekoälymallin kouluttamiseen tilauskohtaisten tietojen dynaamisen luonteen vuoksi. Sen sijaan tekoäly voisi auttaa asiantuntijoita tarjoamalla ohjeita tapausten ratkaisemiseksi ja SAP ERP -järjestelmässä navigoimiseksi.
Ryhmän 2 tehtävien ratkaisemiseen käytettävä data, kuten tekniset dokumentit, on vakaampaa
ja soveltuu siten paremmin tekoälymallin kouluttamiseen. Näillä tiedoilla koulutetut mallit voisivat parantaa tiedonhakutehokkuutta.
Näiden havaintojen testaamiseksi suoritettiin pilottitoteutus käyttäen pientä osaa ryhmän 2 tapauksista. Toteutus antoi lupaavia tuloksia, mikä osoittaa tekoälyn potentiaalin asiakastuessa.
Erilaisia rajoituksia kuitenkin havaittiin, mikä vaikeutti monimutkaisten kyselyiden käsittelyä.
Tutkimus tarjosi hyvän pohjan jatkotutkimuksille. Lisäinvestoinnit tekoälyteknologioihin ja niiden integrointi tärkeisiin asiakaspalvelu työkaluihin voivat merkittävästi parantaa asiakastuen
toimintaa. Yhteistyö IT-asiantuntijoiden kanssa ja resurssien yhdistäminen käynnissä oleviin tekoälyprojekteihin yrityksen sisällä on myös suositeltavaa hyötyjen maksimoimiseksi.
customer support operations within a specific unit of a case company.
The study addresses three research questions: (1) What AI solutions are currently possible for
different types of requests? (2) What is the most relevant data for training the AI model?
(3) What key factors should future research address to improve AI solutions?
To answer these questions, the research analyzed customer support tickets from a three-month
period, categorizing them into two groups based on their resolution methods. Group 1 consisted
of cases that are straightforward to resolve, typically requiring only order-specific data from the
company’s enterprise resource planning (ERP) system provided by SAP. Group 2 included more
complex cases that required additional investigation, often involving internal documentation or
collaboration with engineers.
The analysis found that tasks in Group 1, due to the dynamic nature of order-specific data, were
not ideal for direct AI model training. However, an AI-powered chatbot could assist specialists
by providing guidance on case resolution and navigating the SAP ERP system. In contrast, tasks
in Group 2, which involve more stable data such as technical documentation, are more suitable
for AI integration. AI models trained on this data could improve information retrieval efficiency.
To test these findings, a pilot implementation was conducted using a subset of Group 2 cases.
The pilot showed promising results, demonstrating the potential for further AI integration. However, limitations were also identified, including challenges with data processing and handling
complex queries.
This study provided a solid framework for future research and AI implementations within the
case company. Moving forward, enhancing AI models through improved data preprocessing and
broader training datasets is crucial. Further investment in advanced AI technologies and their
integration to support ticket system can significantly improve customer support capabilities.
Collaboration with IT specialists and engagement with other ongoing AI projects within the company are recommended to optimize resources and maximize benefits.
heidän toimintojaan ja saavuttaa kilpailuetua. Tämä diplomityö tutkii tekoälyn mahdollisuuksia
kehittää asiakastuen toimintaa tietyssä kohdeyrityksen yksikössä.
Työ käsittelee kolmea tutkimuskysymystä: (1) Mitkä tekoälyratkaisut ovat tällä hetkellä mahdollisia erityyppisille asiakastukipyynnöille? (2) Mikä on tärkeintä dataa tekoälymallin kouluttamisessa? (3) Mitkä keskeiset tekijät tulisi ottaa huomioon tekoälyratkaisujen parantamiseksi tulevissa tutkimuksissa?
Näihin kysymyksiin vastaamiseksi työssä analysoitiin asiakastukipyyntöjä kolmen kuukauden
ajalta. Pyynnöt pystyttiin jakamaan kahteen selkeästi toisistaan eroavaan ryhmään niiden ratkaisumenetelmien perusteella.
Ryhmä 1 koostui tapauksista, jotka ovat nopeampia ratkaista ja vaativat tyypillisesti vain tilauskohtaisia tietoja yrityksen toiminnanohjausjärjestelmästä (ERP). Ryhmä 2 sisälsi monimutkaisempia tapauksia, joiden ratkaiseminen vaatii enemmän tutkimusta. Näiden ratkaisu vie enemmän aikaa, koska tietoa joudutaan etsimään erilaisista tiedostoista ja yhteistyö insinöörien
kanssa saattoi olla tarpeellista.
Analyysi osoitti, että ryhmän 1 tehtävät eivät ole ihanteellisia tekoälymallin kouluttamiseen tilauskohtaisten tietojen dynaamisen luonteen vuoksi. Sen sijaan tekoäly voisi auttaa asiantuntijoita tarjoamalla ohjeita tapausten ratkaisemiseksi ja SAP ERP -järjestelmässä navigoimiseksi.
Ryhmän 2 tehtävien ratkaisemiseen käytettävä data, kuten tekniset dokumentit, on vakaampaa
ja soveltuu siten paremmin tekoälymallin kouluttamiseen. Näillä tiedoilla koulutetut mallit voisivat parantaa tiedonhakutehokkuutta.
Näiden havaintojen testaamiseksi suoritettiin pilottitoteutus käyttäen pientä osaa ryhmän 2 tapauksista. Toteutus antoi lupaavia tuloksia, mikä osoittaa tekoälyn potentiaalin asiakastuessa.
Erilaisia rajoituksia kuitenkin havaittiin, mikä vaikeutti monimutkaisten kyselyiden käsittelyä.
Tutkimus tarjosi hyvän pohjan jatkotutkimuksille. Lisäinvestoinnit tekoälyteknologioihin ja niiden integrointi tärkeisiin asiakaspalvelu työkaluihin voivat merkittävästi parantaa asiakastuen
toimintaa. Yhteistyö IT-asiantuntijoiden kanssa ja resurssien yhdistäminen käynnissä oleviin tekoälyprojekteihin yrityksen sisällä on myös suositeltavaa hyötyjen maksimoimiseksi.