نقش یک کارشناس مرکز تماس یا کارشناس خدمات مشتری (CSR) اغلب به دلیل برنامه‌ریزی‌های سفت و سخت، کارهای تکراری و گاهی اوقات تعاملات چالش برانگیز با مشتری شناخته می‌شود که همه اینها استرس ایجاد می‌کنند. فرسودگی ناشی از این استرس مستقیماً به نرخ فرسایش بالای این کارشناسان کمک می‌کند که به نوبه خود هزینه‌های عملیاتی را افزایش و تجارب با ثبات مشتری از برند شرکت را کاهش می‌دهد.
فرسایش این کارشناسان سالانه بین 40 تا 70 درصد تخمین زده می‌شود که برخی از سازمان‌ها سالانه کل جمعیت کارشناسان مرکز تماس خود را تغییر می‌دهند. این مشکل به ویژه در صنعت بیمه که بسیار پیچیده و به شدت تنظیم شده است، بسیار پرهزینه است؛ چرا که به زمان قابل توجهی برای آشناسازی و مقدار زیادی آموزش مداوم نیاز دارد تا اطمینان حاصل شود که نمایندگان درباره اطلاعات آخرین بیمه‌نامه‌ها و رویه‌ها به‌روز هستند.
وقتی بیمه‌گذار بعد از یک حادثه بسیار احساسی مانند تصادف اتومبیل، آتش‌سوزی خانه یا مرگ یکی از بستگان تماس می‌گیرد، آخرین کاری که می‌خواهد انجام دهد تعامل با نماینده‌ای است که برای رسیدگی به نیازهای او آموزش‌های کافی ندیده است، بیش از حد خسته از تماس است و نمی‌تواند برای نشان دادن همدلی و درک وقت بگذارد. نمایندگان خط مقدم، چهره (یا صدای) سازمان برای تجربه بیمه‌گذار هستند و زمانی که سطوح فرسودگی شغلی بالا باشد، خطر آسیب رساندن به روابط بیمه‌گذار نیز بالا می‌رود.
راه حل فرسودگی شغلی ممکن است خیره شدن به صورت ما باشد، اما روایت اطراف آن چیز دیگری را نشان می‌دهد. فن‌آوری‌های مبتنی بر هوش مصنوعی اغلب به عنوان یک تهدید به تصویر کشیده شده‌اند که می‌آیند جای کارگران را بگیرند و کارشان را کارآمدتر انجام دهند. تیم‌های منابع انسانی و کسب‌وکارهای کلان عقب‌نشینی کرده‌اند و می‌گویند هوش مصنوعی برای کمک به کارمندان برای کاهش وظایف تکراری و تمرکز بر فعالیت‌های پیچیده‌ای که نیاز به استدلال انسانی دارد، طراحی شده است.
اما هوش مصنوعی و به‌ویژه قابلیت‌های یادگیری ماشین، می‌تواند برای عواملی در نقش‌هایی که هم تکراری و هم پیچیده هستند، یک هدف حیاتی داشته باشد: توقف فرسودگی قبل از شروع آن.
پایش علائم فرسودگی
در برخی موارد، فرسودگی کارشناس مرکز تماس ممکن است به وضوح قابل مشاهده باشد، مانند زمانی که یک کارمند خاص به طور مداوم نتایج نظرسنجی پس از تماس ضعیف را دریافت می‌کند، اما موضوع به ندرت این‌قدر ساده است. اغلب، این کارشناسان دور از توجه دیگران کار می‌کنند، به ویژه در سازمان‌های بزرگتر یا دورکاری. نشانه‌ها می‌توانند به همان اندازه ظریف باشند که دیر به شیفت خود وارد می شوند یا زود از سیستم خارج می‌شوند. آنها ممکن است زمان بیشتری را برای تکمیل تماس‌ها یا زمان بیشتری در بین تماس‌ها تلف کنند. این نشانه‌های فرسودگی اغلب قبل از مسائل قابل مشاهده‌تر ظاهر می‌شوند، در این مرحله تجربه مشتری بیشتر تحت تأثیر قرار می‌گیرد و ممکن است برای جلوگیری از فرسایش دیر باشد.
فناوری‌های ساخته شده بر روی یادگیری ماشین می‌توانند این موارد را خیلی سریع‌تر از هر انسانی تشخیص دهند. با استفاده از جمع‌آوری و پاک‌سازی داده‌های تقویت‌شده با هوش مصنوعی، این فناوری‌ها می‌توانند به دنبال الگوهایی در میلیون‌ها مورد فرسودگی شغلی باشند تا مشترکات را بیابند، سپس مدل‌های داده‌های صدا را از مسیری که یک کارمند معمولی برای فرسودگی شغلی دنبال می‌کند، بسازند. پس از استقرار در یک شبکه، فن‌آوری‌های یادگیری ماشین می‌توانند چندین معیار کلیدی را در طول شیفت‌های کاری کارشناسان پایش کنند تا الگوهای فرسودگی را در عمل بیابند. آزمایش میدانی مشخص کرده است که این راهکارها می‌توانند 80 درصد مواقع ریزش کارکنان را به درستی پیش‌بینی کنند و هر روز دقیق‌تر شوند.
ابزارهای یادگیری ماشین نه تنها می‌توانند به مدیریت هشدار دهند که کارمند با مشکل مواجه است، بلکه راهکار مناسبی مانند کوچینگ، آموزش بیشتر، تغییر برنامه، یا زمان استراحت‌های مکرر را نیز پیشنهاد می‌کنند. در مثال مرکز تماس، ممکن است چیزی به سادگی توصیه به استراحت یا گرفتن مرخصی توسط کارمند باشد، یا ممکن است پیشنهاد آموزش برای یک اقدام خاصی باشد که باعث مشکلات کارمند شده است.
این فناوری‌ها فرصت‌های بی‌پایانی را ارائه می‌دهند. در کوتاه‌مدت، آنها می‌توانند به این کارشناسان کمک کنند که روز کاری بهتری داشته باشند، با وظایف خود احساس راحتی بیشتری بکنند و ادراک کارفرمای خود را بهبود بخشند. در سمت مدیریت، آنها نه تنها می‌توانند دید عمیق‌تری به سلامتی کارکنان ارائه دهند، بلکه وظیفه پایش آن را نیز خودکار می‌کنند و احتمال فرسودگی را قبل از اینکه توسط انسان قابل درک باشد کاهش می‌دهند. در بلندمدت، داده‌های جمع‌آوری‌شده از تلاش‌های مرتبط با کاهش فرسودگی شغلی می‌توانند فرآیندهای عملیاتی را در طول چرخه عمر کارکنان تقویت کنند.
تغییر روایت پیرامون هوش مصنوعی
مانند پیاده‌سازی هر فناوری جدید دیگری، متقاعد کردن کارکنان خط مقدم درباره مزایای هوش مصنوعی می‌تواند یک نبرد دشوار باشد، حتی اگر نتایج روی کاغذ واضح به نظر برسند. تغییر ادراک از هوش مصنوعی به عنوان ابزاری که بارها را افزایش می‌دهد، به ابزاری که بارها را برمی‌دارد، مستلزم پذیرش کامل توسط رهبری ارشد است.
تیم‌های مدیریتی که به دنبال پیاده‌سازی هوش مصنوعی هستند باید:
- کارکنان را در هر مرحله از فرآیند درگیر کنند. شفافیت، کلید اجرای موفق هوش مصنوعی است. مدیریت باید در مورد نحوه برنامه‌ریزی برای استفاده از فناوری و دعوت به بازخورد، هم از طریق جلسات رو در رو و هم از طریق جلسا عمومی باز باشد. زمانی که کارکنان احساس کنند در این فرآیند مشارکت دارند، به احتمال زیاد از فناوری استقبال می‌کنند.
- امنیت را جدی بگیرند. علاوه بر رد کردن روایت «کنترل‌گرانه»، مدیریت باید برای نگرانی در مورد نحوه استفاده و محافظت از داده‌ها آماده باشد؛ چرا که در نهایت، فروشنده هوش مصنوعی به اطلاعات بسیار حساسی دسترسی خواهد داشت. همه فن‌آوری‌ها را بررسی و اطمینان حاصل کنید که توسعه‌دهنده گواهینامه‌های SOC مناسب را دارد و می‌تواند به وضوح مراحلی را که برای نگه‌داشتن داده‌ها انجام می‌دهد، توضیح دهد. با کارکنان در مورد نحوه استفاده از داده‌هایشان باز باشید و بر مزایای جمع‌آوری آن تاکید کنید.
- از تکنیک‌های آزمایش شده و واقعی مدیریت تغییر پیروی کنند. ممکن است هوش مصنوعی یک فناوری پیشرفته باشد، اما روند تغییرات سازمانی پیشرو یکسان است. مدل Prosci ADKAR به کارکنان کمک می‌کند: آنها را از نیاز به هوش مصنوعی آگاه می‌کند، میل به پشتیبانی از فناوری جدید را برمی‌انگیزد، به آنها کمک می‌کند تا بدانند چگونه بر هوش مصنوعی مسلط شوند، آموزش‌هایی را به آنها ارائه دهد که آنها را قادر میسازد با هوش مصنوعی کار کنند و مزایای فناوری را در حین و پس از اجرا تقویت می‌کند.
آینده‌ای بدون فرسودگی
قدرت هوش مصنوعی در مراکز تماس صنعت بیمه، ارزش تلاشی را دارد که برای تغییر قلب‌ها و ذهن‌ها لازم است. ما می‌توانیم مسائلی را که بیشترین استرس را ایجاد می‌کنند شناسایی کنیم، به طور فعال به آنها رسیدگی کنیم و نمایندگان خود را راضی نگه داریم. این به معنای تجربه کاری بهتر در خط مقدم، دردسر کمتر برای استخدام و در نهایت تجربه بهتر بیمه‌گذار است.