پلتفرم فرانسوی Actionable که در حوزه توسعه موتورهای پیشبینانه تجربه مشتری (CX) مبتنی بر هوش مصنوعی فعالیت میکند، از جذب سرمایه جدیدی به ارزش ۱۰ میلیون دلار خبر داد. این دور از تامین مالی به رهبری شرکتهای سرمایهگذاری خطرپذیر اروپایی Hi inov و Axeleo Capital انجام شده است. بر اساس اعلام این شرکت مستقر در پاریس، سرمایه جذبشده برای توسعه تیم فروش مستقیم در ایالات متحده و همچنین استخدام پژوهشگران و دانشمندان داده به منظور ارتقای نقشه راه محصولات این پلتفرم هزینه خواهد شد. Actionable پیش از این در سال ۲۰۲۴ موفق به جذب ۲.۲ میلیون دلار سرمایه پیشبذری (Pre-seed) شده بود که به توسعه پلتفرم مدلسازی پیشبینانه و افزودن قابلیتهای مبتنی بر عامل (Agentic) به رابط کاربری آن کمک کرد.
فراتر از مدلهای زبانی بزرگ؛ لایه معنایی اختصاصی برای هر صنعت
فناوری توسعهیافته توسط Actionable دادههای موجود سازمانها را پردازش کرده و مشخص میکند کدام عناصر در خدمات یک برند، بیشترین تاثیر را بر ریزش مشتری (Churn) و رفتارهای خرید مجدد آنها دارند. این فرآیند با دریافت دادههای مشتریان از پلتفرمهای خارجی مانند سیستمهای مدیریت ارتباط با مشتری (CRM) و پلتفرمهای داده مشتری (CDP) آغاز میشود تا مسیر حرکت مشتری (Customer Journey) و روشهای حفظ رضایت او در طول این مسیر ترسیم شود.
اگرچه Actionable از هوش مصنوعی برای تحلیل این دادهها بهره میبرد، اما تمایز اصلی آن در درک تفاوتهای ظریف انتظارات مشتریان در بازارهای عمودی مختلف است. نیکولا ریول (Nicolas Rieul)، همبنیانگذار و مدیرعامل مشترک Actionable، در گفتگو با AdExchanger اشاره کرد که مدلهای زبانی بزرگ (LLMs) بدون یک لایه معنایی اضافی و بدون درک بافتار (Context) اختصاصی هر صنعت، قادر به فهم دادههای خام نیستند. به گفته او، عدم درک دلایل دقیق ریزش مشتریان توسط این مدلها میتواند به بروز پدیده توهم (Hallucination) در هوش مصنوعی منجر شود.
برای حل این چالش، Actionable عاملی مبتنی بر هوش مصنوعی توسعه داده است که دادههای خام را به یک «مدل مشترک» برای هر یک از صنایع تحت پوشش خود (از جمله حملونقل، انرژی و خدمات مالی) نگاشت میکند. این مدل مشترک، حیاتیترین فاکتورهای تاثیرگذار بر تجربه مشتری را شناسایی میکند. ریول توضیح میدهد که برخی از این فاکتورها مانند کیفیت خدمات مشتری در تمامی صنایع یکسان هستند، در حالی که موارد دیگر مانند زمان تاخیر یا گزینههای صندلی، کاملاً به صنعت حملونقل اختصاص دارند. این مدل بر اساس دادههایی ساخته شده که Actionable طی دو سال گذشته از مشتریان خود جمعآوری کرده است، اما ریول تاکید میکند که هیچ داده اختصاصی میان حسابهای کاربری مختلف به اشتراک گذاشته نمیشود و دادهها تجمیع نمیگردند؛ بلکه مدل به جای اتکا به دادههای فردی، بر روندهای کلان و رفتارهای حاکم بر بازار تمرکز دارد.
رویکرد پیشدستانه در برابر مشتریان ناراضی خاموش
مشتریان این پلتفرم میتوانند با استفاده از «عامل تحلیلگر داده» (Data Analyst Agent) که محصولی جدید پس از دور قبلی جذب سرمایه است، روندهای بازار را در دادههای خود جستجو کنند. به عنوان مثال، در صنعت خردهفروشی، تمیزی فروشگاه یک دغدغه جدی برای مشتریان است. یک خردهفروش میتواند از عامل هوش مصنوعی Actionable بخواهد تا تمامی افرادی را که از عدم نظافت فروشگاه شکایت داشتهند، شناسایی کرده و میزان تاثیر این موضوع را بر عادت خرید مجدد آنها تحلیل کند.
نتیجه این فرآیند، ایجاد یک نمای ۳۶۰ درجه از مشتریان انفرادی برند است که شامل تجربه آنها از خدمات مشتری، عملیات و زمانهای انتظار میشود. این آمارها به مدل Actionable کمک میکند تا وضعیت ذهنی و رفتار آینده مشتری را پیشبینی کند و به برندها این فرصت را میدهد تا پیش از آنکه دیر شود، تجربههای منفی را اصلاح کنند.
این فناوری به شرکتها اجازه میدهد تا رویکردی پیشدستانه (Proactive) برای بهبود خدمات خود اتخاذ کنند. ریول معتقد است این روش بسیار کارآمدتر از پاسخگویی صرف به بازخوردهای منفی است؛ چرا که بخش عمدهای از مشتریان ناراضی هرگز نارضایتی خود را به طور مستقیم به برند اعلام نمیکنند. برای نمونه، شرکت راهآهن اروپایی Ouigo تنها شاهد نرخ پاسخدهی ۵ درصدی به نظرسنجیهای رضایت مشتریان خود بود. با این حال، Actionable از طریق همین نظرسنجیها دریافت که زمان انتظار ۱۳ دقیقهای، مرز بحرانی میان احساس رضایت و نارضایتی مشتریان از تجربه سفر است. پس از کشف این موضوع، Ouigo توانست مشتریانی را که احتمالاً ناراضی بودند هدف قرار دهد تا ذهنیت آنها را تغییر دهد. این شرکت طرحی به نام «ابتکار گربه سیاه» (Black Cat Initiative) را راهاندازی کرد که در آن، مشتریانی که دو تجربه منفی متوالی داشتند، با تبلیغاتی حاوی عذرخواهی و ارائه تخفیف هدفگیری شدند.
توسعه در بازار آمریکا و تمرکز بر هوش مصنوعی علی (Causal AI)
گام بعدی برای Actionable، عرضه پلتفرم خود به طیف وسیعتری از مشتریان بالقوه از طریق ورود به بازار ایالات متحده است. بخشی از سرمایه جدید برای استخدام نیروهای فروش مستقیم در آمریکا صرف خواهد شد؛ چرا که این شرکت در حال حاضر تنها از طریق شرکای نماینده (Resellers) در این کشور فعالیت میکند و شعبه مستقلی ندارد.
با این حال، توسعه تجاری تنها بخشی از برنامههای آینده این استارتاپ است و بخش عمدهای از سرمایه ۱۰ میلیون دلاری برای توسعه ویژگیهای جدید پلتفرم هزینه خواهد شد. اگرچه Actionable از هوش مصنوعی برای پیشبینی نقاط درد (Pain Points) مشتریان استفاده میکند، اما برای شناسایی فرصتهای جدید محصول و بازارهای اشباعنشده، به تخصص انسانی تکیه دارد. ریول میگوید بخش اصلی این بودجه نه صرف تیم محصول، بلکه صرف استخدام مهندسان پژوهشگر و دانشمندان داده خواهد شد تا مسیر تغییرات آینده را مشخص کنند. به عنوان نمونه، او به حوزه «هوش مصنوعی علی» (Causal AI) اشاره میکند که اکنون به یک موضوع داغ تبدیل شده است؛ حوزهای که در آن هوش مصنوعی آموزش میبیند تا به جای پیشبینی ساده، به صورت قطعی و علتومعلولی (Deterministic) عمل کند. ریول میگوید در حال حاضر قطعیت یکی از چالشهای بزرگ مدلهای هوش مصنوعی است و اضافه میکند: «اگر بتوانید این مسئله را حل کنید، آینده را پیشبینی کردهاید.»