ਹੋਰ ਮੈਟ੍ਰਿਕਸ ਜੋੜਨ ਨਾਲ ਸਮਝ ਜ਼ਰੂਰੀ ਨਹੀਂ ਕਿ ਬਿਹਤਰ ਹੋਵੇ. ਕਈ ਡੈਸ਼ਬੋਰਡਾਂ ਵਿੱਚ ਇੱਕੋ ਅੰਤਰੀਵ ਵਿਹਾਰ ਦੇ ਕਈ ਮਾਪ ਹੁੰਦੇ ਹਨ. ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਆਪਸੀ ਵਿਰੋਧੀ ਜੋੜਿਆਂ ਵਜੋਂ ਮਿਲਾਉਣ ਨਾਲ ਉਹ ਸਮੱਸਿਆ ਦੀ ਪਛਾਣ ਲਈ ਵਧੇਰੇ ਲਾਭਦਾਇਕ ਬਣਦੇ ਹਨ: ਲਾਗਤ ਨਾਲ ਗੁਣਵੱਤਾ, ਖੁਦ ਹੱਲ ਹੋਣ ਦੀ ਦਰ ਨਾਲ ਭਾਵਨਾ, ਜਾਂ ਸਟੀਕਤਾ ਨਾਲ ਲੇਟੈਂਸੀ.
AI ਪ੍ਰੋਡਕਟ ਦੇ ਪਾਇਲਟ ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਵੱਲ ਵਧਣ ਦੇ ਨਾਲ ਸਹੀ ਜੋੜੇ ਬਦਲ ਜਾਂਦੇ ਹਨ. ਹਰ ਪੜਾਅ 'ਤੇ ਟੀਮ ਨੂੰ ਲੋੜੀਂਦੇ ਫ਼ੈਸਲਿਆਂ ਅਨੁਸਾਰ ਮਾਪ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ.
ਸੰਚਾਲਕੀ ਨਿਗਰਾਨੀ ਅਤੇ ਰਣਨੀਤਕ ਮਾਪ ਵੱਖ-ਵੱਖ ਉਦੇਸ਼ ਪੂਰੇ ਕਰਦੇ ਹਨ. ਟੀਮਾਂ ਸੈਂਕੜੇ ਸਿਸਟਮ ਸੰਕੇਤਾਂ ਨੂੰ ਟਰੈਕ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਪ੍ਰੋਡਕਟ ਫ਼ੈਸਲਿਆਂ ਲਈ ਸਿਰਫ਼ ਕੁਝ ਜੋੜੇ ਵਰਤਦੀਆਂ ਹਨ.
ਮੁੱਖ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਕਹਾਣੀ ਸੁਣਾ ਸਕਦੇ ਹਨ, ਫਿਰ ਵੀ ਪ੍ਰੋਡਕਟ ਸੰਬੰਧੀ ਅਹਿਮ ਫ਼ੈਸਲਾ ਅਣਸੁਲਝਿਆ ਛੱਡ ਸਕਦੇ ਹਨ.
Klarna ਦੇ AI ਸਹਾਇਕ ਨੂੰ ਜਨਤਕ ਤੌਰ 'ਤੇ ਵੱਧ ਥਰੂਪੁੱਟ, ਘੱਟ ਲਾਗਤਾਂ ਅਤੇ ਮਨੁੱਖੀ ਏਜੰਟਾਂ ਦੇ ਬਰਾਬਰ ਗਾਹਕ-ਸੰਤੁਸ਼ਟੀ ਅੰਕਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਕੀਤਾ ਗਿਆ ਸੀ. ਅਗਲੇ ਸਾਲ ਕੰਪਨੀ ਨੇ ਮਨੁੱਖੀ ਸਹਾਇਤਾ ਤੱਕ ਪਹੁੰਚ ਵਧਾਉਣ ਦਾ ਫ਼ੈਸਲਾ ਕੀਤਾ ਅਤੇ ਇਸ ਦੇ ਮੁੱਖ ਕਾਰਜਕਾਰੀ ਨੇ ਮੰਨਿਆ ਕਿ ਲਾਗਤ ਘਟਾਉਣ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਜ਼ੋਰ ਦਿੱਤਾ ਗਿਆ ਸੀ.
ਇਹ AI ਸਹਾਇਕ ਜਾਂ ਉਸ ਦੀ ਅੰਤਰੀਵ ਤਕਨਾਲੋਜੀ ਨੂੰ ਰੱਦ ਕਰਨਾ ਨਹੀਂ ਸੀ. ਪ੍ਰੋਡਕਟ ਚਲਾਉਣ ਤੋਂ ਸਿੱਖਦਿਆਂ ਕੰਪਨੀ ਨੇ ਸਵੈਚਾਲਨ ਅਤੇ ਮਨੁੱਖੀ ਸੇਵਾ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਵਿੱਚ ਤਬਦੀਲੀ ਕੀਤੀ ਸੀ. ਜਿਵੇਂ-ਜਿਵੇਂ ਸਵੈਚਾਲਨ ਨੇ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਆਉਣ ਵਾਲੀਆਂ ਸਧਾਰਨ ਪੁੱਛਗਿੱਛਾਂ ਨੂੰ ਵੱਧ ਸੰਭਾਲਿਆ, Klarna ਨੂੰ ਅਜਿਹੇ ਮਨੁੱਖੀ ਏਜੰਟਾਂ ਦੀ ਲੋੜ ਸੀ ਜੋ ਗੁੰਝਲਦਾਰ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਮਾਮਲਿਆਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਤਿਆਰ ਹੋਣ.
ਸ਼ੁਰੂ ਵਿੱਚ ਹੀ ਪ੍ਰੋਡਕਟ ਦੇ ਟੀਚੇ ਤੈਅ ਕਰਨ ਤੋਂ ਬਾਅਦ, AI ਪ੍ਰੋਡਕਟ ਬਣਾਉਣ ਵਾਲੀਆਂ ਜ਼ਿਆਦਾਤਰ ਸੰਸਥਾਵਾਂ ਨੂੰ ਆਖ਼ਰ ਇਹੋ ਸਵਾਲ ਪੁੱਛਣਾ ਪਵੇਗਾ: ਕੀ ਇਹ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ?
ਜੇ ਜਵਾਬ ਸਪਸ਼ਟ ਨਾ ਹੋਵੇ, ਤਾਂ ਰੁਝਾਨ ਹੋਰ ਮੈਟ੍ਰਿਕਸ ਜੋੜਨ ਦਾ ਹੁੰਦਾ ਹੈ. ਤਿੰਨ ਵਧ ਕੇ 10 ਅਤੇ ਫਿਰ 10 ਵਧ ਕੇ 30 ਹੋ ਜਾਂਦੇ ਹਨ. ਡੈਸ਼ਬੋਰਡ ਹੋਰ ਭਰਪੂਰ ਬਣਦਾ ਹੈ, ਪਰ ਟੀਮ ਦੀ ਸਮਝ ਸ਼ਾਇਦ ਨਾ ਸੁਧਰੇ.
ਸਮੱਸਿਆ ਹਮੇਸ਼ਾ ਵੱਖਰੇ ਮਾਪਾਂ ਦੀ ਗੁਣਵੱਤਾ ਨਹੀਂ, ਸਗੋਂ ਉਨ੍ਹਾਂ ਵਿਚਕਾਰ ਸੰਬੰਧ ਹੁੰਦੀ ਹੈ. ਗਾਹਕ ਸੰਤੁਸ਼ਟੀ, ਨੈੱਟ ਪ੍ਰੋਮੋਟਰ ਸਕੋਰ, ਸਮੀਖਿਆਵਾਂ ਅਤੇ ਪਸੰਦ ਦਰਾਂ ਸਾਰੇ ਲਾਭਦਾਇਕ ਸੰਕੇਤ ਦੇ ਸਕਦੇ ਹਨ, ਪਰ ਇਹ ਸਮੁੱਚੀ ਭਾਵਨਾ ਵਿੱਚ ਇੱਕੋ ਜਿਹੇ ਬਦਲਾਅ ਦਰਸਾ ਸਕਦੇ ਹਨ. ਜਦੋਂ ਇਹ ਇਕੱਠੇ ਬਦਲਦੇ ਹਨ, ਤਾਂ ਇਹ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਨ ਕਿ ਕੁਝ ਹੋਇਆ ਹੈ, ਪਰ ਇਹ ਜ਼ਰੂਰੀ ਨਹੀਂ ਕਿ ਇਹ ਦੱਸਣ ਕਿ ਕਿਉਂ.
ਇਸ ਲਈ AI ਟੀਮਾਂ ਨੂੰ ਆਪਸ ਵਿੱਚ ਸਹਿਮਤ ਮੈਟ੍ਰਿਕਸ ਤੋਂ ਅੱਗੇ ਦੇਖ ਕੇ ਵਿਰੋਧੀ ਨਤੀਜਿਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਵਾਲੇ ਮਾਪ ਲੱਭਣੇ ਚਾਹੀਦੇ ਹਨ. ਇਹ ਆਪਸੀ ਵਿਰੋਧੀ ਜੋੜੇ ਪ੍ਰੋਡਕਟ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੇ ਪਿੱਛੇ ਮੌਜੂਦ ਸਮਝੌਤਿਆਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਅਤੇ ਉਸ ਦੀ ਨਿਗਰਾਨੀ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਬਿਹਤਰ ਫ਼ੈਸਲੇ ਲਏ ਜਾ ਸਕਦੇ ਹਨ.
ਲਾਂਚ ਤੋਂ ਪਹਿਲਾਂ ਦੇ ਇੱਕ ਡਿਪਲੌਇਮੈਂਟ ਵਿੱਚ, ਸਾਂਝੀ ਟੀਮ ਆਉਣ ਵਾਲੀਆਂ ਗਾਹਕ-ਸਹਾਇਤਾ ਕਾਲਾਂ ਲਈ ਰੀਅਲ-ਟਾਈਮ AI ਵੌਇਸ ਏਜੰਟ ਵਿਕਸਿਤ ਕਰ ਰਹੀ ਸੀ. ਸਭ ਤੋਂ ਔਖੇ ਸਵਾਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮਾਡਲ ਦੀ ਚੋਣ ਜਾਂ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਬਾਰੇ ਨਹੀਂ ਸੀ. ਸਵਾਲ ਇਹ ਸੀ ਕਿ ਜਦੋਂ ਗਾਹਕ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਪ੍ਰੋਡਕਟ ਵਰਤਣ ਲੱਗਣਗੇ, ਤਾਂ ਸੰਸਥਾ ਕਿਵੇਂ ਜਾਣੇਗੀ ਕਿ ਇਹ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ.
ਸ਼ੁਰੂਆਤੀ ਫ੍ਰੇਮਵਰਕ ਵਿੱਚ ਤਿੰਨ ਮਾਪ ਸਨ:
ਕੰਟੇਨਮੈਂਟ ਦਰ: AI ਕਿੰਨੀ ਵਾਰ ਕਿਸੇ ਵਿਅਕਤੀ ਕੋਲ ਭੇਜੇ ਬਿਨਾਂ ਕਾਲ ਦਾ ਹੱਲ ਕਰਦਾ ਹੈ.
ਐਸਕੇਲੇਸ਼ਨ ਦਰ: ਕਾਲ ਕਿੰਨੀ ਵਾਰ ਮਨੁੱਖੀ ਏਜੰਟ ਕੋਲ ਭੇਜੀ ਜਾਂਦੀ ਹੈ.
ਫੁਲਫਿਲਮੈਂਟ ਦਰ: ਗਾਹਕ ਦੀ ਸਮੱਸਿਆ ਆਖ਼ਰਕਾਰ ਕਿੰਨੀ ਵਾਰ ਹੱਲ ਹੋ ਜਾਂਦੀ ਹੈ.
ਹਰ ਮਾਪ ਵਾਜਬ ਸੀ. ਪਰ ਇਕੱਠੇ ਮਿਲ ਕੇ ਵੀ ਉਹ ਇੱਕ ਸਪਸ਼ਟ ਸਵਾਲ ਦਾ ਜਵਾਬ ਨਹੀਂ ਦੇ ਸਕੇ: ਜੇ ਐਸਕੇਲੇਸ਼ਨ ਵਧਦਾ ਹੈ, ਤਾਂ ਇਸ ਤੋਂ ਸਾਨੂੰ ਕੀ ਪਤਾ ਲੱਗਦਾ ਹੈ?
ਟੀਮ ਨੇ ਐਸਕੇਲੇਸ਼ਨ ਨੂੰ ਅੱਠ ਉਪ-ਕਿਸਮਾਂ ਵਿੱਚ ਵੰਡਿਆ. ਫਿਰ ਇਸ ਨੇ ਕਾਲ ਛੱਡਣ, ਜਰਨੀ ਅਤੇ ਸਮੇਂ ਦੇ ਮਾਪ, ਭਾਸ਼ਾ-ਸਮਝ ਅੰਕ ਅਤੇ ਪੁੱਛਗਿੱਛ ਦੀ ਕਿਸਮ ਮੁਤਾਬਕ ਫੁਲਫਿਲਮੈਂਟ ਜੋੜੀ. ਆਖ਼ਰਕਾਰ ਢਾਂਚੇ ਵਿੱਚ ਛੇ ਸ਼੍ਰੇਣੀਆਂ ਦੇ 31 ਮੈਟ੍ਰਿਕਸ ਸਨ.
ਇਹ ਐਸਕੇਲੇਸ਼ਨ ਦਾ ਵਿਸਥਾਰ ਨਾਲ ਵਰਣਨ ਕਰ ਸਕਦਾ ਸੀ, ਪਰ ਇਸ ਦੇ ਕਾਰਨ ਦੀ ਭਰੋਸੇਯੋਗ ਪਛਾਣ ਫਿਰ ਵੀ ਨਹੀਂ ਕਰ ਸਕਦਾ ਸੀ. ਜ਼ਿਆਦਾਤਰ ਮੈਟ੍ਰਿਕਸ ਇੱਕੋ ਵਿਹਾਰ ਦੇ ਵੱਖ-ਵੱਖ ਰੂਪ ਸਨ, ਇਸ ਲਈ ਉਹ ਮੁਕਾਬਲੇ ਵਾਲੀਆਂ ਵਿਆਖਿਆਵਾਂ ਪਰਖਣ ਦੀ ਬਜਾਏ ਇਕੱਠੇ ਬਦਲਦੇ ਸਨ.
ਡੈਸ਼ਬੋਰਡ ਸਮੱਸਿਆ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਬਜਾਏ ਸਿਰਫ਼ ਨਿਰੀਖਣ ਕਰਨ ਵਾਲਾ ਬਣ ਗਿਆ ਸੀ.
ਟੀਮ ਨੂੰ ਹੋਰ ਵਿਸਥਾਰ ਦੀ ਪਰਤ ਦੀ ਲੋੜ ਨਹੀਂ ਸੀ. ਉਸ ਨੂੰ ਇੱਕ-ਦੂਜੇ ਨੂੰ ਸੀਮਤ ਕਰਨ ਵਾਲੇ ਮੈਟ੍ਰਿਕਸ ਚਾਹੀਦੇ ਸਨ.
ਅਸੀਂ ਇਨ੍ਹਾਂ ਨੂੰ ਆਪਸੀ ਵਿਰੋਧੀ ਜੋੜੇ ਕਹਿੰਦੇ ਹਾਂ: ਦੋ ਅਜਿਹੇ ਮਾਪ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਇਕੱਲਿਆਂ ਸੁਧਾਰਨ ਨਾਲ ਦੂਜੇ ਵੱਲੋਂ ਦਰਸਾਏ ਨਤੀਜੇ ਨੂੰ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ. ਇਹ ਨਾਮ ਇਕਪਾਸੜ ਔਪਟੀਮਾਈਜੇਸ਼ਨ ਨਾਲ ਪੈਦਾ ਹੋਣ ਵਾਲੀ ਨਾਕਾਮੀ ਦੇ ਰੂਪ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਮਨਚਾਹੀ ਸਥਿਤੀ ਨੂੰ ਨਹੀਂ.
ਜਦੋਂ ਦੋਵੇਂ ਪੱਖ ਸਿਹਤਮੰਦ ਰਹਿੰਦੇ ਹਨ, ਤਾਂ ਪ੍ਰੋਡਕਟ ਟਿਕਾਊ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰ ਰਿਹਾ ਹੋ ਸਕਦਾ ਹੈ. ਜਦੋਂ ਉਹ ਵੱਖਰੀਆਂ ਦਿਸ਼ਾਵਾਂ ਵਿੱਚ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਉਸ ਵਿਚਲਨ ਦੀ ਦਿਸ਼ਾ ਟੀਮ ਨੂੰ ਜਾਂਚ ਦਾ ਖੇਤਰ ਤੈਅ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ.
ਸਾਡੇ ਕੋਲ ਕੀ ਸੀ | ਆਪਸੀ ਵਿਰੋਧੀ ਜੋੜਾ | ਜੋੜਾ ਕੀ ਉਜਾਗਰ ਕਰ ਸਕਦਾ ਹੈ |
|---|---|---|
ਐਸਕੇਲੇਸ਼ਨ ਦਰ ਨੂੰ ਅੱਠ ਉਪ-ਕਿਸਮਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ | ਐਸਕੇਲੇਸ਼ਨ ਦਰ ↔ ਐਸਕੇਲੇਸ਼ਨ ਤੱਕ ਦਾ ਸਮਾਂ | ਤੁਰੰਤ ਐਸਕੇਲੇਸ਼ਨ ਭਰੋਸੇ ਜਾਂ ਪੇਸ਼ਕਾਰੀ ਦੀ ਸਮੱਸਿਆ ਦਰਸਾ ਸਕਦੀ ਹੈ; ਦੇਰ ਨਾਲ ਹੋਣ ਵਾਲੀ ਐਸਕੇਲੇਸ਼ਨ ਦਰਸਾ ਸਕਦੀ ਹੈ ਕਿ ਸਿਸਟਮ ਕੰਮ ਪੂਰਾ ਨਹੀਂ ਕਰ ਸਕਦਾ. |
ਕੰਟੇਨਮੈਂਟ ਦਰ ਅਤੇ ਫੁਲਫਿਲਮੈਂਟ ਦਰ ਵੱਖ-ਵੱਖ ਦੱਸੀਆਂ ਗਈਆਂ | ਕੰਟੇਨਮੈਂਟ ਦਰ ↔ ਗਾਹਕ ਭਾਵਨਾ | ਕੀ ਕੰਟੇਨਮੈਂਟ ਇੱਕ ਤਸੱਲੀਬਖ਼ਸ਼ ਹੱਲ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਜਾਂ ਗਾਹਕ ਵੱਲੋਂ ਕੋਸ਼ਿਸ਼ ਛੱਡ ਦੇਣ ਨੂੰ. |
ਇਰਾਦੇ ਦੀ ਕਿਸਮ ਮੁਤਾਬਕ ਫੁਲਫਿਲਮੈਂਟ ਦਰ | ਫੁਲਫਿਲਮੈਂਟ ਦਰ ↔ ਗੱਲਬਾਤ ਦੀ ਡੂੰਘਾਈ | ਕੀ ਸਫਲ ਹੱਲ ਕੁਸ਼ਲ ਹੈ ਜਾਂ ਥਕਾ ਦੇਣ ਵਾਲੀ ਇੰਟਰੈਕਸ਼ਨ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ. |
ਇਹ ਹੋਰ ਡੂੰਘਾਈ ਨਾਲ ਸਮਝਣ ਲਈ ਕਿ ਇਹ ਕਿਵੇਂ ਸਾਹਮਣੇ ਆਉਂਦਾ ਹੈ ਅਤੇ ਇਸ ਜਾਣਕਾਰੀ ਨਾਲ ਕੀ ਕਰਨਾ ਹੈ, ਆਓ ਐਸਕੇਲੇਸ਼ਨ ਦਰ ਅਤੇ ਐਸਕੇਲੇਸ਼ਨ ਤੱਕ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ 'ਤੇ ਵਿਚਾਰ ਕਰੀਏ. ਅਸਲ ਕਾਲਾਂ ਆਉਣ ਤੱਕ ਟੀਮ ਨੂੰ ਗਾਹਕਾਂ ਦੇ ਵਿਹਾਰ ਦਾ ਪਤਾ ਨਹੀਂ ਲੱਗੇਗਾ, ਪਰ ਉਹ ਪਰਖਣ ਵਾਲੀਆਂ ਪਰਿਕਲਪਨਾਵਾਂ ਤੈਅ ਕਰ ਸਕਦੀ ਹੈ.
ਜੇ ਹੋਰ ਕਾਲਾਂ ਐਸਕੇਲੇਟ ਹੋਣ ਲੱਗਣ ਅਤੇ ਗਾਹਕ ਪਹਿਲੇ 30 ਸਕਿੰਟਾਂ ਵਿੱਚ AI ਅਨੁਭਵ ਛੱਡ ਦੇਣ, ਤਾਂ ਟੀਮ ਨੂੰ ਭਰੋਸੇ, ਖੁਲਾਸੇ, ਲਹਿਜ਼ੇ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਇੰਟਰੈਕਸ਼ਨਾਂ ਦੀ ਜਾਂਚ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ. ਜੇ ਗਾਹਕ ਕਿਸੇ ਕੰਮ ਦੀ ਕੋਸ਼ਿਸ਼ ਵਿੱਚ ਕਈ ਮਿੰਟ ਲਾਉਣ ਮਗਰੋਂ ਐਸਕੇਲੇਟ ਕਰਦੇ ਹਨ, ਤਾਂ ਸਮਰੱਥਾ ਜਾਂ ਵਰਕਫਲੋ ਕਵਰੇਜ ਵਧੇਰੇ ਸੰਭਾਵੀ ਸਮੱਸਿਆ ਹੈ.
ਐਸਕੇਲੇਸ਼ਨ ਦਾ ਮੁੱਖ ਅੰਕ ਇੱਕੋ ਹੈ. ਪ੍ਰੋਡਕਟ ਸੰਬੰਧੀ ਫ਼ੈਸਲਾ ਵੱਖਰਾ ਹੈ.
ਉਪਯੋਗੀ ਜੋੜਾ ਆਪਣੇ ਆਪ ਕਾਰਨ ਸਾਬਤ ਨਹੀਂ ਕਰਦਾ. ਇਹ ਜਾਂਚ ਦਾ ਦਾਇਰਾ ਘਟਾਉਂਦਾ ਅਤੇ ਅਗਲਾ ਫ਼ੈਸਲਾ ਹੋਰ ਸਪਸ਼ਟ ਬਣਾਉਂਦਾ ਹੈ.
ਪਹਿਲਾਂ ਦਿੱਤੀ Klarna ਦੀ ਉਦਾਹਰਨ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਲਾਗਤ ਅਤੇ ਸੇਵਾ ਗੁਣਵੱਤਾ ਦੇ ਆਪਸੀ ਪ੍ਰਭਾਵ ਵੇਲੇ ਇਹ ਸਿਧਾਂਤ ਕਿਵੇਂ ਲਾਗੂ ਹੁੰਦਾ ਹੈ. ਇਹ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਕੰਪਨੀ ਵੱਲੋਂ ਸਮਝੌਤਿਆਂ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਅਤੇ ਆਪਣੇ ਡਿਪਲੌਇਮੈਂਟ ਤੋਂ ਸਿੱਖਣ ਨਾਲ AI-ਸਮਰਥਿਤ ਸੰਚਾਲਨ ਮਾਡਲ ਕਿਵੇਂ ਵਿਕਸਿਤ ਹੋ ਸਕਦਾ ਹੈ.
ਫ਼ਰਵਰੀ 2024 ਵਿੱਚ ਕੰਪਨੀ ਨੇ ਦੱਸਿਆ ਕਿ ਇਸ ਦੇ AI ਸਹਾਇਕ ਨੇ ਪਹਿਲੇ ਮਹੀਨੇ 23 ਲੱਖ ਗੱਲਬਾਤਾਂ ਸੰਭਾਲੀਆਂ, 700 ਪੂਰੇ ਸਮੇਂ ਦੇ ਏਜੰਟਾਂ ਦੇ ਬਰਾਬਰ ਕੰਮ ਕੀਤਾ ਅਤੇ ਮਨੁੱਖੀ ਏਜੰਟਾਂ ਦੇ ਬਰਾਬਰ ਗਾਹਕ-ਸੰਤੁਸ਼ਟੀ ਅੰਕ ਹਾਸਲ ਕੀਤੇ. Klarna ਦਾ ਅਨੁਮਾਨ ਸੀ ਕਿ ਸਹਾਇਕ 2024 ਦੌਰਾਨ ਮੁਨਾਫ਼ੇ ਵਿੱਚ $40 ਮਿਲੀਅਨ ਦਾ ਸੁਧਾਰ ਕਰੇਗਾ. ਇਹ Klarna ਵੱਲੋਂ ਖੁਦ ਦੱਸੇ ਗਏ ਨਤੀਜੇ ਸਨ, ਨਾ ਕਿ ਕਿਸੇ ਸੁਤੰਤਰ ਮੁਲਾਂਕਣ ਦੇ ਨਤੀਜੇ.
ਮਈ 2025 ਵਿੱਚ Klarna ਦੇ ਮੁੱਖ ਕਾਰਜਕਾਰੀ ਨੇ ਕਿਹਾ ਕਿ ਕੰਪਨੀ ਨੇ ਗਾਹਕ ਸੇਵਾ ਵਿੱਚ ਲਾਗਤ ਘਟਾਉਣ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਜ਼ੋਰ ਦਿੱਤਾ ਸੀ ਅਤੇ ਮਨੁੱਖੀ ਸਹਾਇਤਾ ਤੱਕ ਪਹੁੰਚ ਵਧਾਉਣ ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਬਾਰੇ ਦੱਸਿਆ. ਇਹ AI ਸਹਾਇਕ ਜਾਂ ਉਸ ਦੀ ਅੰਤਰੀਵ ਤਕਨਾਲੋਜੀ ਨੂੰ ਰੱਦ ਕਰਨ ਦੀ ਬਜਾਏ ਸਵੈਚਾਲਿਤ ਅਤੇ ਮਨੁੱਖੀ ਸੇਵਾ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਵਿੱਚ ਇੱਕ ਸਮਾਯੋਜਨ ਸੀ.
ਜਨਤਕ ਸਬੂਤ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਕੁਸ਼ਲਤਾ ਦੇ ਮਾਪਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਗਾਹਕਾਂ ਅਤੇ ਇੰਟਰੈਕਸ਼ਨਾਂ ਦੀਆਂ ਲੋੜਾਂ ਦੇ ਨਾਲ ਕਿਉਂ ਵਿਚਾਰਨਾ ਚਾਹੀਦਾ ਹੈ. AI ਸਿਸਟਮ ਔਸਤਨ ਚੰਗਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਕੁਝ ਗੁੰਝਲਦਾਰ, ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਂ ਅਸਧਾਰਨ ਮਾਮਲਿਆਂ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਉਪਲਬਧ ਮਨੁੱਖੀ ਸਹਾਇਤਾ ਅਜੇ ਵੀ ਉਪਯੋਗੀ ਹੋ ਸਕਦੀ ਹੈ.
ਇਸ ਸੰਬੰਧ ਦੇ ਦੋਵੇਂ ਪੱਖਾਂ ਦੀ ਨਿਗਰਾਨੀ ਨਾਲ ਕੰਪਨੀ ਤੈਅ ਕਰ ਸਕਦੀ ਹੈ ਕਿ ਸਵੈਚਾਲਨ ਕਿੱਥੇ ਮੁੱਲ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਮਨੁੱਖੀ ਸਹਾਇਤਾ ਕਿੱਥੇ ਅਹਿਮ ਹੈ ਅਤੇ ਨਵੇਂ ਸਬੂਤ ਮਿਲਣ 'ਤੇ ਸੰਤੁਲਨ ਕਿਵੇਂ ਬਦਲਣਾ ਚਾਹੀਦਾ ਹੈ.
AI ਪ੍ਰੋਡਕਟਾਂ ਵਿੱਚ ਹੋਰ ਆਪਸੀ ਵਿਰੋਧੀ ਜੋੜਿਆਂ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ:
ਆਪਸੀ ਵਿਰੋਧੀ ਜੋੜਾ | ਉਹ ਜੋਖਮ ਜਿਸ ਨੂੰ ਇਹ ਉਜਾਗਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ |
|---|---|
ਜਵਾਬ ਸਟੀਕਤਾ ↔ ਜਵਾਬ ਲੇਟੈਂਸੀ | ਅਜਿਹਾ ਸਿਸਟਮ ਜੋ ਤਕਨੀਕੀ ਤੌਰ 'ਤੇ ਸਹੀ ਹੈ, ਪਰ ਵਰਕਫਲੋ ਲਈ ਬਹੁਤ ਧੀਮਾ ਹੈ. |
ਕੰਮ ਪੂਰਾ ਹੋਣਾ ↔ ਵਰਤੋਂਕਾਰ ਓਵਰਰਾਈਡ ਦਰ | AI ਵਰਕਫਲੋ ਅਜਿਹੇ ਕੰਮ ਪੂਰੇ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਰਤੋਂਕਾਰ ਵਾਰ-ਵਾਰ ਮੁੜ ਕਰਦੇ ਹਨ. |
ਪ੍ਰਤੀ ਇੰਟਰੈਕਸ਼ਨ ਲਾਗਤ ↔ ਮੁਲਾਂਕਣ ਕੀਤੀ ਆਊਟਪੁੱਟ ਗੁਣਵੱਤਾ | ਗਾਹਕ ਜਾਂ ਕਰਮਚਾਰੀ ਦਾ ਅਨੁਭਵ ਘੱਟ ਕੇ ਕੀਤੀ ਬਚਤ. |
ਅਪਣਾਉਣਾ ↔ ਮੁੱਲ ਤੱਕ ਦਾ ਸਮਾਂ | ਵਰਤੋਂਕਾਰ ਨੂੰ ਮਿਲਣ ਵਾਲੇ ਮੁੱਲ ਵਿੱਚ ਇਸਦੇ ਅਨੁਸਾਰੀ ਵਾਧੇ ਤੋਂ ਬਿਨਾਂ ਸਾਈਨ-ਅੱਪਾਂ ਵਿੱਚ ਵਾਧਾ. |
ਉਦੇਸ਼ ਦੋਵੇਂ ਮਾਪਾਂ ਨੂੰ ਅਣਮਿੱਥੇ ਸਮੇਂ ਤੱਕ ਵਧਾਉਣਾ ਨਹੀਂ ਹੈ. ਉਦੇਸ਼ ਇਹ ਹੈ ਕਿ ਇਕਪਾਸੜ ਔਪਟੀਮਾਈਜੇਸ਼ਨ ਨਾਲ ਸੰਚਾਲਨ ਸਮੱਸਿਆ ਪੈਦਾ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਸਮਝੌਤਾ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਸਾਹਮਣੇ ਆ ਜਾਵੇ.
ਇਸ ਨਾਲ ਜੁੜੀ ਇੱਕ ਚੁਣੌਤੀ ਮੋਬਾਈਲ ਗੇਮ ਕੰਪਨੀ ਲਈ ਖਿਡਾਰੀ-ਸਹਾਇਤਾ ਡਿਪਲੌਇਮੈਂਟ ਵਿੱਚ ਸਾਹਮਣੇ ਆਈ. ਸਿਸਟਮ ਨੇ ਗੁਆਚੀ ਤਰੱਕੀ, ਭੁਗਤਾਨ ਵਿਵਾਦਾਂ ਅਤੇ ਖਾਤੇ ਤੱਕ ਪਹੁੰਚ ਵਰਗੀਆਂ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਆਉਣ ਵਾਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਸੰਭਾਲੀਆਂ.
ਕੁਸ਼ਲਤਾ ਦੇ ਮਾਪ ਅਹਿਮ ਸਨ, ਕਿਉਂਕਿ ਸਿਸਟਮ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਚੱਲਦਾ ਸੀ. ਪਰ ਖਿਡਾਰੀ ਸਹਾਇਤਾ ਸਿਰਫ਼ ਸੰਚਾਲਨ ਕਤਾਰ ਨਹੀਂ ਹੈ. ਖਿਡਾਰੀ ਅਕਸਰ ਨਿਰਾਸ਼ ਹੋ ਕੇ ਆਉਂਦੇ ਹਨ, ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਦੇ ਅਨੁਭਵ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਕਿਤੇ ਕੁਝ ਗ਼ਲਤ ਹੋ ਚੁੱਕਾ ਹੁੰਦਾ ਹੈ.
ਇਹ ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀ ਗਾਹਕ-ਸੰਤੁਸ਼ਟੀ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਦਾ ਢੰਗ ਬਦਲ ਦਿੰਦੀ ਹੈ. ਜਿਸ ਖਿਡਾਰੀ ਦੀ ਸਮੱਸਿਆ ਸਹੀ ਢੰਗ ਨਾਲ ਹੱਲ ਹੋ ਜਾਵੇ, ਉਹ ਫਿਰ ਵੀ ਘੱਟ ਸੰਤੁਸ਼ਟੀ ਦੱਸ ਸਕਦਾ ਹੈ, ਕਿਉਂਕਿ ਉਸ ਦੀ ਤਰੱਕੀ ਪਹਿਲਾਂ ਹੀ ਗੁਆਚ ਗਈ ਸੀ. ਉਸ ਅੰਕ ਨੂੰ ਸੰਦਰਭ ਤੋਂ ਬਿਨਾਂ ਸਮਝਣ ਨਾਲ ਗਾਹਕ ਦੇ ਸਫ਼ਰ ਵਿੱਚ ਪਹਿਲਾਂ ਪੈਦਾ ਹੋਈ ਨਿਰਾਸ਼ਾ ਲਈ ਸਹਾਇਤਾ ਇੰਟਰੈਕਸ਼ਨ ਨੂੰ ਦੋਸ਼ ਮਿਲ ਸਕਦਾ ਹੈ.
ਇਸ ਲਈ ਟੀਮ ਨੂੰ ਗਾਹਕ ਦੀ ਸ਼ੁਰੂਆਤੀ ਭਾਵਨਾ ਨੂੰ ਸਹਾਇਤਾ ਅਨੁਭਵ ਦੇ ਪ੍ਰਭਾਵ ਤੋਂ ਵੱਖ ਕਰਨਾ ਪਿਆ. ਵਧੇਰੇ ਉਪਯੋਗੀ ਸਵਾਲ ਇਹ ਨਹੀਂ ਸੀ, “ਕੀ ਖਿਡਾਰੀ ਖੁਸ਼ ਸੀ?” ਸਵਾਲ ਇਹ ਸੀ, “ਕੀ ਇੰਟਰੈਕਸ਼ਨ ਨੇ ਖਿਡਾਰੀ ਦੀ ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀ ਦੇ ਮੁਕਾਬਲੇ ਹਾਲਾਤ ਸੁਧਾਰੇ?”
ਜੇ ਟੀਮ ਕੋਲ ਦੋਵਾਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਮਾਪਣ ਦਾ ਤਰੀਕਾ ਹੋਵੇ, ਤਾਂ ਇਹ ਤੁਲਨਾ ਪ੍ਰੋਡਕਟ ਤੋਂ ਪੈਦਾ ਨਿਰਾਸ਼ਾ ਨੂੰ ਸਹਾਇਤਾ ਦੀ ਗੁਣਵੱਤਾ ਤੋਂ ਵੱਖ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ.
AI ਪ੍ਰੋਡਕਟ ਬਦਲਦੇ ਹਨ, ਪਰ ਉਹਨਾਂ ਦੇ ਮੈਟ੍ਰਿਕਸ ਅਕਸਰ ਸਥਿਰ ਰਹਿੰਦੇ ਹਨ.
ਪਾਇਲਟ ਦੌਰਾਨ ਮੁੱਖ ਸਵਾਲ ਇਹ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਕੀ ਸਿਸਟਮ ਲਗਾਤਾਰ ਨਿਵੇਸ਼ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਣ ਲਈ ਕਾਫ਼ੀ ਭਰੋਸੇਯੋਗ ਹੈ:
ਕੀ ਇਹ ਮੁੱਖ ਕੰਮ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਪੂਰਾ ਕਰਦਾ ਹੈ?
ਕੀ ਵਰਤੋਂਕਾਰ ਜਾਰੀ ਰੱਖਣ ਲਈ ਇਸ 'ਤੇ ਕਾਫ਼ੀ ਭਰੋਸਾ ਕਰਦੇ ਹਨ?
ਸਭ ਤੋਂ ਆਮ ਸਥਿਤੀਆਂ ਤੋਂ ਬਾਹਰ ਇਹ ਕਿਵੇਂ ਵਿਹਾਰ ਕਰਦਾ ਹੈ?
ਕੀ ਨਾਕਾਮੀਆਂ ਦੀ ਪਛਾਣ ਕਰਕੇ ਉਹਨਾਂ ਤੋਂ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਉਭਰਿਆ ਜਾ ਸਕਦਾ ਹੈ?
ਇਹਨਾਂ ਸਵਾਲਾਂ ਲਈ ਅਜਿਹੇ ਜੋੜੇ ਢੁਕਵੇਂ ਹਨ:
ਕੋਰ-ਟਾਸਕ ਦੀ ਸਫਲਤਾ ↔ ਅਸਧਾਰਨ ਮਾਮਲਿਆਂ ਵਿੱਚ ਕਾਰਗੁਜ਼ਾਰੀ;
ਸਵੈਚਾਲਨ ਦਰ ↔ ਮਨੁੱਖੀ ਓਵਰਰਾਈਡ ਦਰ; ਅਤੇ
ਪੂਰਾ ਕਰਨ ਦੀ ਗਤੀ ↔ ਵਰਤੋਂਕਾਰ ਦਾ ਭਰੋਸਾ.
ਜਦੋਂ ਪ੍ਰੋਡਕਟ ਸੰਚਾਲਨ ਪੱਖੋਂ ਮਹੱਤਵਪੂਰਨ ਬਣ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਵਾਲ ਬਦਲ ਜਾਂਦੇ ਹਨ:
ਕੀ ਇਹ ਗੁਣਵੱਤਾ ਘਟਾਏ ਬਿਨਾਂ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਚੱਲ ਸਕਦਾ ਹੈ?
ਕੀ ਵਰਤੋਂ ਨਾਲ ਇਸ ਦੀ ਆਰਥਿਕਤਾ ਸੁਧਰਦੀ ਹੈ?
ਕੀ ਅਪਣਾਉਣ ਵਿੱਚ ਵਾਧੇ ਨਾਲ ਕਾਰਗੁਜ਼ਾਰੀ ਸਥਿਰ ਰਹਿੰਦੀ ਹੈ?
ਕੀ ਮਨੁੱਖੀ ਦਖ਼ਲ ਸਹੀ ਥਾਵਾਂ 'ਤੇ ਹੋ ਰਹੇ ਹਨ?
ਸੰਬੰਧਿਤ ਜੋੜੇ ਇਹਨਾਂ ਵੱਲ ਬਦਲ ਸਕਦੇ ਹਨ:
ਪ੍ਰਤੀ ਇੰਟਰੈਕਸ਼ਨ ਲਾਗਤ ↔ ਮੁਲਾਂਕਣ ਕੀਤੀ ਆਊਟਪੁੱਟ ਗੁਣਵੱਤਾ
ਅਪਣਾਉਣ ਦਾ ਵਿਸਥਾਰ ↔ ਵਰਤੋਂ ਦੀ ਡੂੰਘਾਈ; ਅਤੇ
ਸਵੈਚਾਲਨ ਦਰ ↔ ਸੰਚਾਲਕੀ ਜੋਖਮ ਦਾ ਸਾਹਮਣਾ.
ਸ਼ੁਰੂਆਤੀ ਮੈਟ੍ਰਿਕਸ ਜ਼ਰੂਰੀ ਨਹੀਂ ਕਿ ਗ਼ਲਤ ਹੋਣ. ਉਹ ਉਨ੍ਹਾਂ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦੇ ਹਨ ਜੋ ਪਹਿਲਾਂ ਦੇ ਪੜਾਅ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਸਨ.
ਜੋਖਮ ਬਦਲਾਅ ਦੇ ਦੌਰਾਨ ਪੈਦਾ ਹੁੰਦਾ ਹੈ. ਪਾਇਲਟ ਦੇ ਮੈਟ੍ਰਿਕਸ ਅਕਸਰ ਬਣੇ ਰਹਿੰਦੇ ਹਨ, ਕਿਉਂਕਿ ਟੀਮਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨੀ ਆਉਂਦੀ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਹਟਾਉਣ ਦੇ ਫ਼ੈਸਲੇ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਕਿਸੇ ਕੋਲ ਨਹੀਂ ਹੁੰਦੀ. ਜਿਹੜੇ ਮਾਪ ਕਦੇ ਸਿੱਖਣ ਵਿੱਚ ਸਹਾਇਕ ਸਨ, ਉਹ ਹੌਲੀ-ਹੌਲੀ ਸਿਰਫ਼ ਦਿਖਾਵਟੀ ਮੈਟ੍ਰਿਕਸ ਬਣ ਸਕਦੇ ਹਨ.
ਇਸ ਲਈ ਜੋੜਿਆਂ ਦਾ ਜੀਵਨ-ਚੱਕਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ. ਟੀਮਾਂ ਨੂੰ ਕਿਸੇ ਨਿਰਧਾਰਤ ਫ਼ੈਸਲੇ ਲਈ ਇਹ ਜੋੜੇ ਪੇਸ਼ ਕਰਨੇ, ਇਸ ਦੀ ਸਮੀਖਿਆ ਕਰਨੀ ਕਿ ਕੀ ਇਹ ਅਜੇ ਵੀ ਅਹਿਮ ਸਮਝੌਤਾ ਉਜਾਗਰ ਕਰਦੇ ਹਨ, ਅਤੇ ਪ੍ਰੋਡਕਟ ਜਾਂ ਫ਼ੈਸਲਾ ਬਦਲਣ 'ਤੇ ਇਹਨਾਂਂ ਨੂੰ ਹਟਾ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ.
AI ਸਿਸਟਮਾਂ ਲਈ ਵਿਸਥਾਰਪੂਰਵਕ ਨਿਰੀਖਣਯੋਗਤਾ, ਅਲਰਟਿੰਗ, ਗੁਣਵੱਤਾ ਭਰੋਸਾ ਅਤੇ ਮੁਲਾਂਕਣ ਲੋੜੀਂਦੇ ਹਨ. ਇਹ ਸੰਕੇਤ ਹਟਾਉਣ ਨਾਲ ਪ੍ਰੋਡਕਟ ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਚਲਾਉਣਾ ਹੋਰ ਔਖਾ ਹੋਵੇਗਾ. ਪਰ ਸੰਚਾਲਕੀ ਨਿਗਰਾਨੀ ਅਤੇ ਅਗਵਾਈ ਲਈ ਮਾਪ ਇੱਕੋ ਚੀਜ਼ ਨਹੀਂ ਹਨ.
ਨਿਗਰਾਨੀ ਟੀਮਾਂ ਨੂੰ ਘਟਨਾਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ, ਨਾਕਾਮੀਆਂ ਦੀ ਕੜੀ ਲੱਭਣ ਅਤੇ ਸਿਸਟਮ ਦਾ ਵਿਹਾਰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ. ਫ਼ੈਸਲਾ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰੋਡਕਟ ਅਤੇ ਕਾਰੋਬਾਰੀ ਆਗੂਆਂ ਨੂੰ ਨਿਵੇਸ਼ ਕਰਨ, ਦਖ਼ਲ ਦੇਣ, ਦਿਸ਼ਾ ਬਦਲਣ ਜਾਂ ਸਮਝੌਤਾ ਸਵੀਕਾਰਨ ਬਾਰੇ ਫ਼ੈਸਲਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ.
ਕੋਈ ਸੰਸਥਾ ਸੈਂਕੜੇ ਤਕਨੀਕੀ ਅਤੇ ਸੰਚਾਲਕੀ ਸੰਕੇਤਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰ ਸਕਦੀ ਹੈ, ਪਰ ਕਿਸੇ ਖ਼ਾਸ ਪ੍ਰੋਡਕਟ ਫ਼ੈਸਲੇ ਲਈ ਸਿਰਫ਼ ਦੋ ਜਾਂ ਤਿੰਨ ਆਪਸੀ ਵਿਰੋਧੀ ਜੋੜਿਆਂ ਨੂੰ ਮੁੱਖ ਤੌਰ ’ਤੇ ਸਾਹਮਣੇ ਲਿਆ ਸਕਦੀ ਹੈ. ਫ਼ੈਸਲੇ ਦੀ ਇਸ ਪਰਤ ਨੂੰ ਛੋਟਾ ਰੱਖਣ ਨਾਲ ਤਰਜੀਹਾਂ ਤੈਅ ਕਰਨਾ ਸੌਖਾ ਹੁੰਦਾ ਹੈ.
ਸਮੀਖਿਆ ਦੀ ਢੁਕਵੀਂ ਆਵਰਤੀ ਪ੍ਰੋਡਕਟ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ. ਨਵੇਂ ਜਾਂ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲਦੇ ਸਿਸਟਮ ਲਈ ਹਫ਼ਤਾਵਾਰੀ ਫ਼ੈਸਲਾ ਸਮੀਖਿਆਵਾਂ ਲੋੜੀਂਦੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਜਦਕਿ ਪਰਿਪੱਕ ਪ੍ਰੋਡਕਟ ਲਈ ਮਹੀਨਾਵਾਰ ਜਾਂ ਤਿਮਾਹੀ ਆਵਰਤੀ ਕਾਫ਼ੀ ਹੋ ਸਕਦੀ ਹੈ. ਅੰਤਰਾਲ ਨਾਲੋਂ ਸਿਧਾਂਤ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਜੋੜੇ ਦੀ ਇੰਨੀ ਵਾਰ ਸਮੀਖਿਆ ਕਰੋ ਕਿ ਸਮਝੌਤਾ ਮਹਿੰਗਾ ਜਾਂ ਅਸੁਰੱਖਿਅਤ ਬਣਨ ਤੋਂ ਪਹਿਲਾਂ ਕਾਰਵਾਈ ਕੀਤੀ ਜਾ ਸਕੇ.
ਜੋੜਾ ਉਦੋਂ ਹੀ ਉਪਯੋਗੀ ਬਣਦਾ ਹੈ ਜਦੋਂ ਸੰਸਥਾ ਸਹਿਮਤ ਹੋਵੇ ਕਿ ਇਸ ਦੇ ਵਿਗੜਨ 'ਤੇ ਕੀ ਹੋਵੇਗਾ.
ਇਸ ਲਈ ਵਿਚਲਨ ਦੀ ਲਾਲ ਹੱਦ ਤੈਅ ਕਰਨੀ ਹੀ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ. ਟੀਮਾਂ ਨੂੰ ਤਿੰਨ ਸਥਿਤੀਆਂ 'ਤੇ ਵਿਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ:
ਨਿਰਪੇਖ ਨਾਕਾਮੀ: ਦੂਜੇ ਮਾਪ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ ਇੱਕ ਮਾਪ ਅਸਵੀਕਾਰਯੋਗ ਹੱਦ ਪਾਰ ਕਰ ਜਾਂਦਾ ਹੈ.
ਵਿਚਲਨ: ਇੱਕ ਮਾਪ ਸੁਧਰਦਾ ਹੈ, ਜਦਕਿ ਉਸ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਵਾਲਾ ਮਾਪ ਵਿਗੜਦਾ ਹੈ.
ਸੰਯੁਕਤ ਗਿਰਾਵਟ: ਦੋਵੇਂ ਪੱਖ ਡਿੱਗਦੇ ਹਨ, ਜੋ ਪ੍ਰੋਡਕਟ ਜਾਂ ਸੰਚਾਲਨ ਦੀ ਵਿਆਪਕ ਸਮੱਸਿਆ ਦਾ ਸੰਕੇਤ ਹੈ.
ਹਰ ਜੋੜੇ ਕੋਲ ਇਹ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ:
ਇੱਕ ਨਾਮਜ਼ਦ ਜ਼ਿੰਮੇਵਾਰ ਵਿਅਕਤੀ;
ਇੱਕ ਸਪਸ਼ਟ ਫ਼ੈਸਲਾ, ਜਿਸ ਨੂੰ ਇਹ ਸਮਰਥਨ ਦਿੰਦਾ ਹੈ;
ਸਹਿਮਤ ਹੱਦਾਂ ਜਾਂ ਮੁਲਾਂਕਣ ਮੈਟ੍ਰਿਕਸ;
ਇੱਕ ਜਾਂਚ ਮਾਰਗ; ਅਤੇ
ਸੰਭਾਵੀ ਦਖ਼ਲਾਂ ਦਾ ਸਮੂਹ.
ਇਹਨਾਂ ਐਲੀਮੈਂਟਾਂ ਤੋਂ ਬਿਨਾਂ ਸੰਸਥਾ ਪ੍ਰੋਡਕਟ ਦਾ ਪ੍ਰਬੰਧ ਕਰਨ ਦੀ ਬਜਾਏ ਸਿਰਫ਼ ਉਸ ਨੂੰ ਦੇਖ ਰਹੀ ਹੁੰਦੀ ਹੈ.
ਹੋਰ ਮਾਪ ਜੋੜਨ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰੋਡਕਟ ਸੰਬੰਧੀ ਇੱਕ ਅਹਿਮ ਫ਼ੈਸਲਾ ਚੁਣੋ ਅਤੇ ਇਹਨਾਂ ਸਵਾਲਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰੋ. ਜਵਾਬ ਲਿਖੋ ਤਾਂ ਜੋ ਸਮੀਖਿਆ ਦੇ ਅੰਤ ਵਿੱਚ ਅਗਲੇ ਕਦਮ ਬਾਰੇ ਸਹਿਮਤੀ ਹੋਵੇ.
1. ਇਹਨਾਂ ਮੈਟ੍ਰਿਕਸ ਦੀ ਮਦਦ ਨਾਲ ਸਾਨੂੰ ਕਿਹੜਾ ਫ਼ੈਸਲਾ ਲੈਣਾ ਹੈ?
ਸਪਸ਼ਟ ਰਹੋ: ਕੀ ਅਸੀਂ ਸਵੈਚਾਲਨ ਵਧਾਉਣ, ਮਾਡਲ ਬਦਲਣ ਜਾਂ ਮਨੁੱਖ ਨੂੰ ਸੌਂਪਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਸੁਧਾਰਨ ਬਾਰੇ ਫ਼ੈਸਲਾ ਕਰ ਰਹੇ ਹਾਂ? ਮਾਪ ਚੁਣਨ ਤੋਂ ਪਹਿਲਾਂ ਫ਼ੈਸਲੇ ਨੂੰ ਨਾਮ ਦਿਓ.
2. ਜੇ ਇਹ ਅੰਕ ਸੁਧਰਦਾ ਹੈ, ਤਾਂ ਕੀ ਵਿਗੜ ਸਕਦਾ ਹੈ?
ਉਸ ਨਤੀਜੇ ਦੀ ਪਛਾਣ ਕਰੋ ਜਿਸ ਨੂੰ ਬਚਾਉਣਾ ਹੈ ਅਤੇ ਅਜਿਹਾ ਮਾਪ ਚੁਣੋ ਜੋ ਨੁਕਸਾਨ ਉਜਾਗਰ ਕਰੇ. ਉਦਾਹਰਨ ਵਜੋਂ, ਪ੍ਰਤੀ ਇੰਟਰੈਕਸ਼ਨ ਦੀ ਲਾਗਤ ਨੂੰ ਮੁਲਾਂਕਿਤ ਆਊਟਪੁੱਟ ਦੀ ਗੁਣਵੱਤਾ ਨਾਲ ਜੋੜ ਕੇ ਜਾਂਚੋ ਕਿ ਕੀ ਸਸਤੇ ਜਵਾਬ ਅਜੇ ਵੀ ਉਪਯੋਗੀ ਹਨ.
3. ਮੁੱਖ ਅੰਕ ਕੀ ਲੁਕਾ ਰਹੇ ਹੋ ਸਕਦੇ ਹਨ?
ਉਹੀ ਵਰਤੋਂਕਾਰਾਂ, ਕੰਮਾਂ ਅਤੇ ਸਮਾਂ-ਮਿਆਦ ਲਈ ਦੋਵੇਂ ਮਾਪ ਪੜ੍ਹੋ, ਫਿਰ ਮਾੜੇ ਨਤੀਜੇ ਭੋਗ ਰਹੇ ਸਮੂਹ ਲੱਭੋ. ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀਆਂ ਵੀ ਵਿਚਾਰੋ: ਘੱਟ ਸੰਤੁਸ਼ਟੀ ਉਸ ਨਿਰਾਸ਼ਾ ਨੂੰ ਦਰਸਾ ਸਕਦੀ ਹੈ ਜੋ ਸਹਾਇਤਾ ਇੰਟਰੈਕਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਮੌਜੂਦ ਸੀ.
4. ਅਸੀਂ ਕਦੋਂ ਕਾਰਵਾਈ ਕਰਾਂਗੇ ਅਤੇ ਜਵਾਬ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਕਿਸ ਦੀ ਹੈ?
ਉਦੋਂ ਕਾਰਵਾਈ ਲਈ ਮਾਪਦੰਡ ਤੈਅ ਕਰੋ ਜਦੋਂ ਇੱਕ ਮਾਪ ਅਸਵੀਕਾਰਯੋਗ ਹੱਦ ਪਾਰ ਕਰੇ, ਇੱਕ ਸੁਧਰੇ ਤੇ ਦੂਜਾ ਵਿਗੜੇ, ਜਾਂ ਦੋਵੇਂ ਵਿਗੜਨ. ਤੈਅ ਕਰੋ ਕਿ ਜਾਂਚ ਕੌਣ ਕਰੇਗਾ, ਪਹਿਲਾਂ ਕੀ ਜਾਂਚੇਗਾ ਅਤੇ ਕਦੋਂ ਵਾਪਸ ਰਿਪੋਰਟ ਕਰੇਗਾ.
5. ਕੀ ਇਹ ਜੋੜਾ ਅਜੇ ਵੀ ਪ੍ਰੋਡਕਟ ਦੇ ਮੌਜੂਦਾ ਪੜਾਅ ਲਈ ਢੁਕਵਾਂ ਹੈ?
ਫ਼ੈਸਲਾ ਕਰੋ ਕਿ ਇਸ ਨੂੰ ਰੱਖਣਾ, ਬਦਲਣਾ ਜਾਂ ਹਟਾਉਣਾ ਹੈ. ਪਾਇਲਟ ਕੰਮ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਵਰਤੋਂਕਾਰ ਦੇ ਭਰੋਸੇ 'ਤੇ ਕੇਂਦਰਿਤ ਹੋ ਸਕਦਾ ਹੈ; ਚੱਲ ਰਹੀ ਸੇਵਾ ਵਿੱਚ ਲਾਗਤ ਅਤੇ ਗੁਣਵੱਤਾ ਦੀ ਹੋਰ ਡੂੰਘੀ ਜਾਂਚ ਲੋੜੀਂਦੀ ਹੋ ਸਕਦੀ ਹੈ. ਚੋਣ 'ਤੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਲਈ ਮਿਤੀ ਤੈਅ ਕਰੋ.
AI ਪ੍ਰੋਡਕਟ ਦਾ ਮਾਪ ਸਿਰਫ਼ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਵਰਣਨ ਕਰਨ ਤੋਂ ਅੱਗੇ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ. ਇਸ ਨੂੰ ਸੰਸਥਾ ਵੱਲੋਂ ਕੀਤੇ ਜਾ ਰਹੇ ਸਮਝੌਤਿਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਨਾ ਅਤੇ ਅਗਲਾ ਫ਼ੈਸਲਾ ਹੋਰ ਸਪਸ਼ਟ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ.