【創業小聚】前亞馬遜員工創立Spiral：用AI統整消費者回饋，找出「沒說出口的痛」

Posted By 創業小聚 on 2 月 20, 2024 in AIGC, Edge AI應用案例, LLM, 案例研究 | 0 comments

文章導覽

作者：創業小聚特約編輯張育瑄

聆聽使用者的聲音，是所有成功產品必經的路程。企業如果想要了解使用者的心聲，可以採用焦點團體訪談、問卷，或是蒐集社群媒體上的評論，過程與耗費的成本並不輕鬆。

由兩位亞馬遜前員工建立的Spiral，利用生成式AI摘要網路評論或是社群平台等多個管道的消費者回饋，不僅節省尋找和分析評論的時間，還能從消費者回饋中分析出「潛在的問題」，讓公司預先規劃日後的方向。

從工作經驗發覺CRM繁瑣流程痛點

在Spiral推出之前，Elena Zhizhimontova和Andrew DiLosa曾在亞馬遜Fire TV部門擔任軟體工程師4年，工作內容包含從消費者回饋中改良Fire TV的控制器和遙控器功能。但他們也表示，由於回饋量非常大，通常很難解決到每一位消費者的需求。

Spiral創辦人Elena zhizhimontova和Andrew DiLosa（圖片來源：Spiral官網）

從工作中他們拜訪了175間公司，發現幾乎每間公司客服的流程都相當繁瑣，先從電子郵件、網路評論或是社交媒體平台等多個管道搜集消費者問題，再估算出受此問題影響的消費者數量、分析問題的原因，最後才是規劃如何解決，每個步驟都需要花上幾天到1週以上的時間，統整下來解決一個問題，最常需要花上2個月的時間。

用大型語言模型識別海量客戶問題，盲點監控功能超前部署

「我們認為每間公司，都應該要重視消費者的回饋。」Spiral執行長Elena Zhizhimontova表示，藉由消費者的回饋，公司可以從中了解自家產品的優缺點、競爭優勢以及產品需改良的部分，替消費者解決問題的過程，同時也累積公司的信任口碑。

而Spiral的功能就是希望公司藉由他們的工具減少消費者等待問題處理的時間，以及找到潛在的問題，提升每間公司帶給消費者的「品牌信任度」。

Spiral利用大型語言模型直接摘要各種管道的消費者回饋，包括網路評論、社群平台或是電子信箱的文本內容，再自動依照問題的數量排序處理優先順序，讓公司能及時處理，減少客戶流失率。

Spiral利用LLM訓練大量數據資料的特性，訓練其分析各種管道的使用者回饋。（圖片來源：Spiral官網）

除此之外，大型語言模型還能判斷那些沒有被明說、卻潛在的消費者需求，比如有某功能需求是消費者正熱烈討論的，AI會針對該問題的討論頻率以及數量決定是否該被列入開發，這項「盲點監控」的審查方式，可以讓企業得知產品對於客群尚缺的功能，更好制訂公司未來的發展方向。

通過風險評估，獲得長期合作夥伴

跨國匯款的金融服務公司Remitly是Spiral的客戶之一。Remitly服務的客群遍佈全球約130個國家，過去的人工篩選、分析消費者問題的速度過於耗時，又會有出錯的風險，Spiral考量到Remitly客戶群的規模，幫助他們以清楚的數據量化每個問題的多寡，發覺最多消費者在提款現金時會遇到問題，讓Remitly依據分析結果制定新的線上安全交易策略，並添加此問題解答在官網的「常見問題」頁面，方便日後遇到相同問題的消費者能夠找到相關問題的解決方案。

Spiral幫助Remitly發覺最多客戶在提款現金時會遇到問題，並依據分析結果制定新的線上安全交易策略。（圖片來源：Spiral官網）

不過，利用大型語言模型分析回饋的效率雖快，但仍存有資訊洩漏以及如何管理客戶線上資料的疑慮。目前Spiral研發的這項工具通過美國會計師協會（AICPA）法規：SOC2 Type 2的認證，其服務的風險評估獲得核准，也吸引各行業的客戶使用他們的分析工具，並依照分析管道以及分析的消費者數量有不同的計價方式。

（本篇文章經同意轉載自創業小聚，原文連結；責任編輯：謝嘉洵。）