Citi, Aflac, dan Verizon: Tiga perjalanan Pega yang berbeda

Seperti tercermin pada PegaWorld iNspire bulan ini, penawaran Pega berkisar dari otomatisasi proses back-office hingga pembuatan perjalanan waktu nyata yang dihadapi pelanggan — semuanya didorong oleh AI. Kami duduk bersama tiga klien utama Pega untuk memahami perjalanan mereka yang sangat berbeda.

Dan kami memulai dengan bisnis yang sebenarnya merupakan pelanggan tertua Pega.

Citi dan Pega: Ulang tahun batu delima

“Meskipun Pega telah bersama Citi selama empat puluh tahun, saya belum,” kata Promiti Dutta, kepala analitik, teknologi, dan inovasi untuk bagian perbankan pribadi Citi di AS. Perjalanan Pega-nya dimulai saat bergabung dengan Citi, empat tahun lalu.

“Grup analitik tempat saya menjadi bagian mengawasi bagaimana data dan kemampuan analitik disalurkan ke seluruh perusahaan. Kami tahu bahwa mesin keputusan kami sudah habis masa pakainya dan kami membutuhkan yang baru, jadi interaksi pertama saya dengan Pega adalah dengan orang-orang yang mencoba menjual Pusat Keputusan Pelanggan yang baru kepada kami. Sejujurnya, kami melakukan riset karena Pega tidak memiliki monopoli dalam hal ini — Salesforce memiliki mesin Einstein, Adobe memilikinya, ada beberapa yang dipesan lebih dahulu yang kami temukan dari beberapa nama yang lebih kecil — tetapi kenyataannya tidak ada mesin keputusan yang memiliki semuanya dan beberapa penyesuaian akan diperlukan.”

Pembicaraan beralih ke siapa yang akan menjadi mitra yang lebih baik dan siapa yang paling sesuai dengan visi Citi mengingat kemampuan yang mereka tawarkan. “Jadi mitra mana yang ingin kita ajak bekerja sama? Mitra mana yang paling cocok dengan visi kami dengan kemampuan yang mereka tawarkan empat tahun lalu? Pega tentu saja menjadi pelari teratas untuk itu.

Tentu saja, selama beberapa dekade Citi telah menjalankan solusi Pega lainnya seperti berbagai alat alur kerja dan manajemen kasus bisnis. Memang, itu bukan hal baru dalam pengambilan keputusan (pada satu titik itu menggunakan Chordiant, platform BPM dan CRM yang akhirnya diakuisisi oleh Pega). “Kami sudah melakukan percakapan pelanggan,” kata Dutta, “hanya saja tidak secanggih yang ditawarkan mesin keputusan Pega.”

Pusat Keputusan Pelanggan Pega menggunakan AI untuk mengidentifikasi dan menyarankan tindakan terbaik berikutnya untuk setiap pelanggan individu secara waktu nyata. Citi menggunakan Hub dengan sedikit lebih sempit.

“Apa yang kami tawarkan kepada pelanggan sebenarnya tidak ditentukan oleh mesin keputusan,” jelas Dutta. “Kami memiliki sejumlah metode dan kemampuan canggih yang telah kami bangun secara internal untuk menentukan 'apa.' Ini adalah 'kapan' dan 'di mana' kami menggunakan Decision Hub. Semua 'apa' dimuat dalam palet penawaran; menggunakan petunjuk kontekstual dan model yang berjalan di mesin keputusan, ini mengetahui saat pelanggan melihat penawaran tersebut.”

Citi sudah memiliki prediksi tentang apa yang dibutuhkan nasabah, baik berupa produk atau penawaran atau bentuk engagement lainnya. “Apa yang dilakukan mesin keputusan Pega adalah, mengetahui bahwa Anda memenuhi syarat untuk menerima penawaran, atau hal lain, mana yang harus ditampilkan sekarang agar relevan secara kontekstual,” kata Dutta, menambahkan bahwa berbagai interaksi saluran tersedia untuk Pega untuk digunakan untuk membuat keputusan yang berpendidikan itu.

Seperti lembaga keuangan lainnya, Citi sangat berhati-hati dalam berinteraksi dengan pelanggan, dengan sangat menghormati model manajemen risiko, peminjaman yang adil, dan protokol privasi. Itu berarti beberapa kendala dalam penggunaan AI. “Apa pun yang dimasukkan ke dalam Pega Decision Hub kami akan menjalani pemeriksaan yang sama. Kami harus mengirimkan seluruh mesin pembuat keputusan melalui proses yang sama untuk memastikan bahwa pelanggan tidak akan terpengaruh secara negatif.”

Menggali lebih dalam: Pega : AI akan memberdayakan perusahaan otonom

Verizon: Hyper-personalisasi untuk bisnis dan konsumen

Perjalanan bisnis Verizon dimulai sebelum Tommi Marsans bergabung dengan Verizon Business Group. Michael Cingari, sekarang VP ilmu pemasaran, CX dan CRM, telah mulai menggunakan solusi tindakan terbaik Pega beberapa tahun lalu di sisi konsumen bisnis di pusat panggilan pelanggan.

“Saya datang melalui akuisisi XO Communications oleh Verizon,” kata ahli strategi teknologi pemasaran Marsans. “Ketika Verizon 2.0 mengatur ulang kami, Mike Cingari memulai praktik ilmu pemasaran dan menarik sebagian dari kami ke sana untuk melakukan implementasi Pega untuk bisnis. Itu tahun 2019. Kami butuh beberapa saat untuk memulai, tetapi begitu kami memulai dan kasus bisnis kami disetujui, kami membutuhkan waktu kurang dari 13 bulan untuk mulai menunjukkan keuntungan. Kami melakukan lebih baik daripada impas tahun pertama, lalu tahun kedua: 20X.”

Seperti implementasi Pega di sisi konsumen, Marsans dan timnya bekerja di ruang pengambilan keputusan reaktif — menentukan tindakan terbaik berikutnya dalam menanggapi perilaku pelanggan (dalam hal ini, pelanggan bisnis). “Jadi ketika seseorang menelepon call center dan ingin memutuskan sambungan, akan ada tindakan terbaik berikutnya untuk mereka. Kami memperluas peluang pertumbuhan dan peningkatan; kemudian pergi ke ruang non-bantuan, digital, dan tumbuh dari sana.”

Kami memintanya untuk menjelaskan dampak tindakan terbaik selanjutnya pada layanan pelanggan. “Perbedaan yang kami buat adalah pada saluran bantuan, di mana perwakilan layanan akan memuaskan pelanggan dengan segala cara — jadi mereka selalu memilih penawaran yang paling kaya karena itulah yang akan bertahan, dan mereka tidak pernah benar-benar mencari alternatif. Ketika kami memberi mereka alternatif, mereka menggunakannya dan itu sama suksesnya; memecahkan masalah bagi pelanggan, daripada hanya membayar mereka untuk menginap, memberikan pengalaman pelanggan yang lebih baik serta pengalaman pengguna.”

Marsans menekankan bahwa pengambilan keputusan pelanggan sangat personal. “Bukan itu yang ingin kami bicarakan dengan mereka; itu adalah penawaran terbaik berikutnya yang menurut kami akan mereka inginkan. Ini bukan hanya penawaran; terutama di sisi bisnis, ada solusi yang sepenuhnya matang. Kami berbicara dengan mereka tentang yang terbaik berikutnya.

Tentu saja, agar Pusat Keputusan Pelanggan dapat membuat penilaian berdasarkan informasi tentang tindakan terbaik berikutnya, Pusat Keputusan Pelanggan perlu dilatih tentang apa yang berhasil di masa lalu. “Jika Anda memiliki riwayat transaksi,” kata Marsans, “Anda dapat memberi makan mesin dan pada dasarnya hanya menghidupkannya. Kami juga memiliki model regresi tradisional yang kami masukan ke dalamnya juga. Kami baru saja mulai menggunakan pemodelan adaptif [AI di Pusat Keputusan]. Bagian AI dari mesin membutuhkan beberapa pembelajaran bagi kami, bukan mesin, untuk mengetahui cara menyajikan penawaran dan urutan kejadian yang tepat.”

Marsans memberi tahu kami bahwa dia senang dengan solusi AI generatif yang diluncurkan Pega. “ Apa pun kasus bisnis yang Anda miliki, apa pun kasus penggunaan yang ingin Anda selesaikan, Anda dapat menggunakannya kembali. Anda dapat menggunakannya sebagai dasar untuk hal-hal lain. Saya tidak berpikir Anda perlu memiliki implementasi penuh yang menjangkau setiap saluran. Saya pikir Anda bisa mulai dari mana Anda mulai.

Terakhir, seberapa sulitkah membuat pemasar membeli apa yang, dalam banyak hal, merupakan pola pikir kontra-intuitif? “Impian setiap pemasar adalah memiliki perjalanan pelanggan yang jelas dan dapat memengaruhi mereka sepanjang jalan untuk membawa mereka ke tempat yang Anda inginkan,” kata Marsans. “Sulit bagi mereka untuk berpikir bahwa ini adalah percakapan yang berkelanjutan di banyak saluran yang berbeda, dibandingkan dengan 'Saya perlu mengirimi Anda sesuatu yang perlu Anda tanggapi.' Itu sedikit perubahan paradigma, tetapi jika Anda dapat menunjukkannya dengan beberapa kasus penggunaan pertama yang bisa Anda dapatkan di sana, maka mereka sepenuhnya siap.

Gali lebih dalam: Mengurangi risiko AI generatif dengan melibatkan manusia

Aflac: Mempersingkat waktu untuk menghargai

Saat ini, Aflac memiliki kasus penggunaan yang sangat berbeda untuk Pega dibandingkan Citi dan Verizon. Ini baru mulai melihat kemungkinan untuk Pusat Keputusan Pelanggan. Terutama, Pega telah digunakan untuk menganalisis dan mengotomatisasi proses bisnis dan alur kerja. App Studio low-code Pega telah banyak digunakan untuk membuat aplikasi yang memahami dan kemudian mengotomatiskan proses bisnis.

“Ini adalah salah satu inisiatif yang selaras dengan strategi One Digital Aflac kami,” kata CIO AS Shelia Anderson. “Saya pikir perjalanannya sekitar enam atau tujuh tahun, berfokus pada peluang untuk menghadirkan pendekatan yang lebih otomatis untuk menangani beberapa data teknis dan masalah lama yang kami miliki.”

Anderson relatif baru di Aflac dan Pega. "Saya masih belajar. Saya telah berada di organisasi selama sepuluh bulan dan, seperti yang dapat Anda bayangkan, saya belum berfokus pada level yang sangat detail dari platform inti; Saya lebih fokus pada strategi perusahaan.” Tapi dia telah menyaksikan tantangan beberapa kelompok dalam organisasi dalam menyesuaikan diri dengan pendekatan kode rendah Pega.

“Bagi saya penyesuaian terbesar yang saya lihat ada di sekitar staf teknik dan harapan mereka, karena para insinyur senang membuat kode; ada sedikit poros untuk membuat mereka melihat nilai tidak melakukan semua kode mereka dari awal — banyak dari pekerjaan mendasar itu telah dilakukan untuk Anda, yang memberi Anda awal yang cepat.

Pengguna bisnis telah memanfaatkan peluang yang diciptakan oleh kode rendah. Aflac baru-baru ini menjalankan "Pegathon" di mana pengguna bisnis menjalankan App Studio untuk membuat aplikasi guna menangani kasus penggunaan tertentu. Lebih banyak lagi yang direncanakan. “Ini adalah cara yang sangat imersif untuk mulai membuat beberapa pengguna bisnis kami terbiasa dengan alat ini, untuk memanfaatkan pendekatan low-code untuk pengembangan dan membiarkan mereka melihat beberapa nilai yang dapat mereka buat sendiri.”

Salah satu dampak Pega adalah pada pemrosesan klaim. “Kami menemukan bahwa kami menghabiskan banyak waktu untuk klaim dengan kompleksitas yang lebih rendah (yang juga lebih merupakan pembayaran dolar yang lebih rendah),” jelas Anderson. “Setelah melihat itu, kami menemukan bahwa akan lebih efektif bagi kami untuk hanya membayar klaim tersebut secara otomatis. Kami sekarang menggunakan otomatisasi, AI atau pembelajaran mesin dan proses alur kerja untuk membayarnya secara otomatis. Itu merupakan penyederhanaan besar bagi perwakilan layanan pelanggan kami, membebaskan mereka untuk fokus pada kasus yang lebih kompleks dan kritis.”

Anderson saat ini memiliki tim yang berfokus pada AI generatif, dengan prioritas untuk memantau penggunaan yang aman dan perlindungan data Aflac. Dia juga telah mendirikan Pega Center of Excellence dan Community of Practice: “Itu adalah bagian besar dari pembelajaran yang telah terjadi. Di dalam komunitas itu kami memiliki orang-orang yang telah menghabiskan tujuh tahun bersama Pega dan orang-orang baru yang masuk ke grup itu.

Mungkin dampak paling nyata yang dikutip Aflac, muncul dari penggunaan Pega untuk menggabungkan beberapa aplikasi layanan pelanggan pada beberapa layar menjadi satu platform dan menyederhanakan pekerjaan perwakilan layanan pelanggan. Anderson melaporkan pengurangan waktu penanganan sebesar 33% untuk panggilan yang meminta formulir klaim; pengurangan 65% dalam waktu penanganan untuk autentikasi pelanggan; dan sekitar 77% dari semua obrolan ditangani sepenuhnya oleh asisten virtual Pega tahun lalu (mewakili penghematan sekitar $4 juta).

Di panggung utama PegaWorld, Anderson berbicara tentang "mempersingkat waktu untuk menghargai semua yang kami lakukan dan mempertahankan lensa dan fokus pelanggan."