解玄を予枬するサポヌトシグナルAIでリスクの高い顧客を芋぀ける

負荷のかかったアカりントの錚で衚した解玄を予枬するサポヌトシグナル

Turn this article into takeaways for your work.

Each assistant summarizes the article only for you and suggests best practices for your work.

サポヌトのチャヌンのシグナルずは、顧客のチケット、チャット、通話に珟れるパタヌン繰り返しの問い合わせ、悪化するトヌン、解決しないバグ、゚スカレヌション、増え続ける手間のうち、顧客が解玄たたは曎新を芋送る前に珟れやすいものを指したす。 AIは、こうしお散らばったパタヌンを1぀のアカりント単䜍のフラグにたずめ、そのフラグを、顧客ずの関係を担圓するカスタマヌサクセスマネヌゞャヌCSMに枡したす。

サポヌトには、瀟内のほかの郚門には芋えないものが芋えおいたす。ログむンしなくなった顧客は静かです。1か月に4回連絡しおきお、そのたびに文面が少し短く、少し鋭くなっおいく顧客は、声を䞊げおいたす。問題は、それらのメッセヌゞを足し合わせるこずを仕事にしおいる人がいないこずです。サポヌトはチケットを閉じ、カスタマヌサクセスは利甚状況のダッシュボヌドを芋お、譊告はCS偎の誰も開かないヘルプデスクに眠ったたた、アカりントは去っおいきたす。

本蚘事では、远跡する䟡倀のあるサポヌトシグナル、AIがそれらを組み合わせる方法、行動できる人にフラグを枡す方法、そしおモデルが機胜しおいるかを確かめる方法を解説したす。顧客が䞍満を蚀う前に動くずいう、より広い芖点から知りたい方は、たずAIによるプロアクティブなカスタマヌサヌビスをお読みください。

重芁なポむント

  • IBMの研究者は、250䞇件を超えるサポヌトチケットず玄10,000件の゚スカレヌションでチケットの゚スカレヌション予枬モデルを孊習させ、再珟率87.36%、アナリストの䜜業負荷88.23%削枛を報告しおいたすMontgomery et al., arXiv。予枬の察象ぱスカレヌションであっお解玄ではありたせんが、チケット履歎がリスクモデルの匷力な原材料になるこずを瀺しおいたす。
  • このIBMの研究で䜿われた特城量には、重倧床の䞊昇、前回の連絡からの日数、顧客が珟圚受けおいる応答時間ず過去に受けおきた応答時間ずの比范が含たれおいたすMontgomery et al., 論文党文。顧客を、その顧客自身のベヌスラむンず比べるこずが栞心的な考え方です。
  • GainsightのZendesk連携では、管理者がチケットデヌタをGainsightに取り蟌み、「サポヌトデヌタに基づいおヘルススコアをトリガヌ」できたすGainsight Marketplace。これはベンダヌが説明しおいる機胜であり、枬定された成果ではありたせん。
  • 同じ掲茉ペヌゞには、ヘルプデスクの䞭からCalls to ActionCTAを䜜成しおZendeskのチケットに玐付けられるずも蚘されおいたす。これが、埌述する匕き枡しの仕組みです。
  • 適合率ずは、フラグを立おたアカりントのうち実際にリスクがあったものの割合で、再珟率ずは、リスクのあるアカりントのうちモデルが捉えられたものの割合ですscikit-learnドキュメント。解玄フラグを刀断するには、䞡方の数字が必芁です。
  • 通垞のシャッフルした亀差怜蚌は、時系列のデヌタでは高すぎるスコアを出したす。そのため、解玄モデルは孊習した期間より埌の期間でテストする必芁がありたすscikit-learnドキュメント。

サポヌトデヌタが解玄を予枬できる理由

補品の利甚状況は、顧客が䜕をしおいるかを教えおくれたす。サポヌトは、䜕かがうたくいかなかった瞬間に、顧客自身の蚀葉で、顧客がそれをどう感じおいるかを教えおくれたす。そのため、非垞に盎接的なシグナルであり、利甚履歎が䜕か月も溜たる前の初日から手に入りたす。

サポヌトデヌタが利甚スコアず異なる点は3぀ありたす。

  • テキストである。 情報の倧半は、フィヌルドではなく、顧客が曞いた文章の䞭にありたす。それを倧芏暡に読むこずは、たさに蚀語モデルが埗意ずする仕事です。
  • むベント駆動である。 月次で曎新されるヘルススコアでは、3぀のものが壊れた週を芋逃したす。チケットは起きたそのずきに届きたす。
  • アカりント党䜓の䜓隓が芋える。 怒っおいるナヌザヌが1人なら、それはむンシデントです。同じ䌚瀟の5人のナヌザヌが2週間のうちに問題を蚎えおいれば、それはパタヌンです。

だからずいっお、チケットが刀決であるわけではありたせん。倚くのチケットを起祚する顧客の䞭には、掻発に䜿い、喜んで曎新するヘビヌナヌザヌがたくさんいたす。目的は、問い合わせそのものを悪いものずしお扱うこずではありたせん。アカりントのパタヌンの倉化を芋぀けるこずです。以䞋のアプロヌチが、各顧客をその顧客自身の履歎ず比べ続けるのはそのためです。

5぀のシグナルファミリヌ

サポヌトから埗られる有甚な解玄シグナルの倧半は、5぀のファミリヌに分類できたす。サポヌトデヌタをAI向けに敎えおあれば、どれも安䟡に蚈算できたす。

解玄リスクの5぀のサポヌトシグナルを5぀のリスク指暙で衚した図

シグナルファミリヌ 珟れ方 重芁な理由 よくある萜ずし穎
繰り返しの問い合わせ 数日以内に同じ問題が再び提起される、たたは顧客が閉じたチケットを再オヌプンする 最初の察応では解決せず、顧客が二床手間をかけおいる 同じ問題の繰り返しではなく、党件数を数えおしたう
ネガティブな感情 䌚話の䞭で、あるいは数週間にわたるチケット間でトヌンが悪化する 䞍満は通垞、解玄の前に積み重なる 1通の鋭いメッセヌゞを傟向ず芋なしおしたう
未解決のバグ アカりントに圱響する䞍具合が、顧客の期埅を超えお未解決のたた残る 顧客は、動かないものに察しお料金を払っおいる サポヌトではなく゚ンゞニアリングが持っおいるバグを無芖する
゚スカレヌション 重倧床の匕き䞊げ、マネヌゞャヌの芁求、゚グれクティブスポンサヌのCC 顧客が最倧限の圧力をかけおいる ヘルプデスクの倖でメヌルにより行われる静かな゚スカレヌションを芋逃す
手間 やり取りの埀埩が倚い、匕き継ぎが倚い、最初の返信たで長く埅たされる 助けを埗るのに苊劎するず、奜意が損なわれる 手順の数ではなく、解決時間だけを枬る

繰り返しの問い合わせ

繰り返しの問い合わせは、最も匷力でシンプルなシグナルです。サポヌトのプロセスがすでに䞀床倱敗したこずを意味するからです。定矩は慎重に行っおください。同じ顧客、同じ根本的な問題、遞んだ期間内7日間が䞀般的な出発点ですずいう条件です。そのためにはチケットをトピックごずにグルヌプ化する必芁があり、顧客は1぀の問題をさたざたな蚀葉で説明するため、顧客のむンテント怜出がそのためのツヌルになりたす。

ネガティブな感情

感情が圹立぀のは、掚移ずしお芋るずきだけです。い぀も率盎な顧客を、率盎だずいう理由でフラグ付けしおはいけたせん。1月は枩かかったのに3月は玠っ気なくなった顧客なら、フラグを立おるべきです。すでにAIによるCSATの予枬を運甚しおいるなら、䌚話ごずのスコアがそのたた入力ずしお䜿えたす。リスクの分析では、メッセヌゞごずにスコアを保存し、アカりントごずに移動する期間での倉化を远跡したす。

未解決のバグ

倚くのチヌムが芋萜ずすのがこれです。チケットがサポヌトのキュヌでは「オヌプン」ではなく、゚ンゞニアリングに匕き枡されお保留ずしお衚瀺されるからです。顧客から芋れば、䜕も倉わっおいたせん。チケットをバグのレコヌドに玐付け、圱響を受けたアカりントがそれぞれどれだけ埅っおいるかを枬定しおください。同じ玐付けによっお、どの䞍具合が最もコストを生んでいるかをプロダクトチヌムが把握できたす。これに぀いおはサポヌトチケットをプロダクトバックログ項目に倉えるで解説しおいたす。

゚スカレヌション

゚スカレヌションは、事態がどれほど深刻かを顧客が教えおくれおいる行為です。ここではIBMの゚スカレヌション研究が参考になりたす。その特城量には、重倧床の䞊昇や、顧客ごずの応答時間の比范が含たれおいたすMontgomery et al.。モデルをそのたた真䌌しなくおも、考え方を借りるこずはできたす。重倧床の倉化、マネヌゞャヌを求める䟝頌、スレッドに新たに加わった䞊䜍の担圓者を远跡しおください。

手間

手間は最も芋えにくく、しかしたいおい最も倚くを物語りたす。解決たでに芁したメッセヌゞ数、関わった担圓者の数、チャネルの切り替え回数チャットからメヌル、電話ぞ、顧客のメッセヌゞから最初の圹に立぀返信たでの間隔を数えおください。9通のメッセヌゞず3人の担圓者を芁しお解決したチケットは、2通で枈んだチケットずはたったく別の䜓隓です。

AIがシグナルを組み合わせる方法

単䞀のシグナルはノむズが倚いものです。䟡倀が生たれるのは、それらを組み合わせたずきず、各アカりントをそのアカりント自身の通垞の状態ず比べたずきです。

パむプラむンは4぀のステップで、ACE Frameworkのingest、analyze、predict、executeの各機胜に察応しおいたす。

  1. Ingest。 チケット、チャットの蚘録、通話の蚘録、バグの玐付け、CSATの回答を、個々のナヌザヌではなく顧客アカりントをキヌずしお、1぀のアカりント単䜍のビュヌに集めたす。
  2. Analyze。 蚀語モデルが、䌚話ごずにトピック、感情、問題が解決したかどうか、顧客が解玄、競合、契玄条件に觊れおいるかどうかをラベル付けしたす。各アカりントの盎近30日間のチケット芁玄があれば、出力が人にずっお読みやすいたたになりたす。
  3. Predict。 スコアリングモデルが、ラベルず構造化された情報プラン、契玄期間、曎新日、利甚トレンドを受け取り、アカりントごずのリスクスコアを出したす。単玔なロゞスティック回垰でも、募配ブヌスティングモデルでも構いたせん。解玄の事䟋が数癟件皋床であれば、より耇雑なモデルが、うたく䜜られたシンプルなモデルを䞊回るこずはめったにありたせん。
  4. Execute。 しきい倀を超えたアカりントに぀いおは、担圓者向けのタスクが䜜成されたす。これが次のセクションで扱う匕き枡しです。

これが機胜するかどうかは、2぀の蚭蚈䞊の遞択で決たりたす。

アカりント自身のベヌスラむンず比范する。 IBMのチヌムの応答時間の特城量はこの方法で䜜られおいたす。顧客が珟圚受けおいるものを、過去に受けおきたものず比べるのですMontgomery et al.。同じ考え方を件数、感情、手間にも適甚しおください。「チケット数が12件」より、「チケット数がこのアカりントの䞭倮倀の3倍」のほうがはるかに優れた特城量です。

理由ずスコアを分ける。 「リスク0.82」のような数字だけでは、無芖されたす。モデルには、寄䞎の倧きい䞊䜍2〜3個のシグナルを平易な蚀葉で返させおください。CSMが読むのは、その理由です。

サポヌトデヌタ以倖のモデリングに぀いおは、解玄予枬モデルでアルゎリズムず孊習デヌタをより深く扱っおいたす。サポヌトシグナルは、利甚状況や商談のデヌタの代わりではなく、より広いヘルススコアぞの入力の1぀ずしお䜿うのが最適です。

具䜓䟋仮の䟋

この䟋は説明甚です。数字はロゞックを瀺すために䜜った架空のものです。

ミッドマヌケットの゜フトりェアのアカりントは、普段は月に1件のチケットを起祚したす。盎近3週間では5件を起祚したした。そのうち2件は同じ゚クスポヌトの倱敗に関するもので、1件は再オヌプンされ、玐付いたバグは19日間オヌプンのたたです。メッセヌゞのトヌンは、盎近3件のチケットで䞭立から玠っ気ないものに䞋がりたした。最新のものには「ほかの遞択肢を怜蚎しおいる」ずありたす。

どの項目も、単独では譊戒すべきものではありたせん。しかし、普段は静かなアカりントず照らし合わせるず、党䜓ずしお譊戒すべき状態です。モデルはこのアカりントにフラグを立お、次のように曞きたす。「サポヌトの件数が通垞の5倍。同じ゚クスポヌトの問題が2回提起され、バグは19日間オヌプン。感情は悪化傟向。顧客が代替手段の怜蚎に蚀及」。CSMは、これを芋れば1分で行動に移れたす。

CSMぞのフラグの匕き枡し

倚くのプログラムが倱敗するのはここです。誰も動かないフラグは、ただのダッシュボヌドです。匕き枡しは、モデルず同じくらい慎重に蚭蚈する必芁がありたす。

オヌナヌ付きの蚌拠䞀匏をCSMに枡すこずを、蚌拠の鞄の匕き枡しで衚した図

CSMがすでに䜜業しおいる堎所にフラグを眮く。 CSMがCRMやカスタマヌサクセスのプラットフォヌムで仕事をしおいるなら、わざわざ開く必芁のあるレポヌトではなく、そこにタスクを䜜成したす。これを実珟する連携は存圚したす。たずえばGainsightのZendeskの掲茉ペヌゞには、ヘルプデスクの䞭からCTAをZendeskのチケットに玐付けられるず蚘されおいたすGainsight Marketplace。

アラヌトではなく、䞀匏の情報を送る。 各フラグは、CSMがほかに䜕も開かなくおも、次の5぀の問いに答えられるようにしたす。

問い フラグに含めるべき内容
誰か アカりント、オヌナヌ、プラン、曎新日
䜕があったか 盎近30日間のサポヌトの2行芁玄
なぜフラグが立ったか 寄䞎の倧きい䞊䜍のシグナルを平易な蚀葉で
䜕が未解決か 未解決のチケットず玐付いたバグ、その経過日数
䜕をすべきか 電話、゚グれクティブからのメモ、バグの状況の曎新など、最初の䞀手の提案

オヌナヌず察応時間を決める。 各フラグを誰が担圓し、どれだけ早く察応するかを決めおください。そうしなければ、サポヌトはCSが察応しおいるず思い蟌み、CSはサポヌトが察応しおいるず思い蟌みたす。

ルヌプを閉じる。 CSMが行動したら、結果回埩した、誀報だった、すでに解玄に向かっおいた、顧客が持ち盎したを蚘録したす。このフィヌドバックが、次のバヌゞョンのモデルの孊習デヌタになりたす。フラグにどれだけの䟡倀があるかを知る方法も、これしかありたせん。

フラグを溢れさせない。 CSMが週に40件のフラグを受け取れば、3週目には読たなくなりたす。チヌムが実際に察応できる数のフラグになるようにしきい倀を蚭定し、毎月芋盎しおください。無芖されるフラグで90%を捉えるより、信頌されるフラグでリスクのあるアカりントの60%を捉えるほうが優れおいたす。

すべおのフラグがCSMのものずは限りたせん。繰り返し発生する䞍具合が原因のフラグは、プロダクトの問題です。蚌拠を付けおプロダクト偎に回し、どの原因が繰り返し珟れるかを远跡しおください。

モデルの怜蚌方法

デモでは劥圓に芋える解玄フラグも、実際には間違っおいるこずがありたす。怜蚌は、1぀の問いに答えたす。モデルがフラグを立おたアカりントは、立おなかったアカりントよりも本圓に倚く解玄しおいるか、ずいう問いです。

埌の期間で解玄モデルをテストするこずを、時間で区切られた曞庫の棚で衚した図

ステップ1解玄ず予枬期間を定矩する

䜕を解玄ず数えるかを決めたす。キャンセル、曎新の芋送り、倧幅なダりングレヌドなどです。次に期間を決めたす。たずえば「このアカりントは、フラグから90日以内に解玄するか」ずいった具合です。期間が定たっおいないモデルは、テストできたせん。

ステップ2過去からデヌタセットを䜜る

過去の各時点の党アカりントに぀いお、その時点でのサポヌトシグナルず、その埌の期間内に解玄したかどうかを蚘録したす。ここは厳栌に行っおください。特城量にフラグの日付より埌の情報が含たれおいれば、モデルはカンニングをしおいたす。兞型的なリヌクは、顧客が解玄した時点で蚭定されるフィヌルドです。たずえば、最埌のチケットに付く「解玄理由」のタグがそうです。

ステップ3ランダムではなく、時間で分割する

早い期間で孊習し、埌の期間でテストしたす。暙準的なシャッフルした亀差怜蚌は、サンプルが独立しおいるこずを前提ずしおおり、時系列のデヌタでは、テストのサンプルが孊習のサンプルず時間的に近いために、高すぎるスコアが出たすscikit-learnドキュメント。時間による分割は、実際の䜿われ方を再珟したす。モデルは過去から孊び、ただ芋おいない未来で評䟡されるのです。

ステップ4正しい指暙を枬る

指暙 平易な意味 泚意すべき点
適合率 フラグを立おたアカりントのうち、実際にリスクがあったのはいく぀か 適合率が䜎いず、CSMの時間が無駄になり、フラグが信頌されなくなる
再珟率 解玄したアカりントのうち、フラグを立おられたのはいく぀か 再珟率が䜎いず、モデルは問題の倧半を芋逃しおいる
リフト フラグを立おたアカりントは、平均ず比べおどれだけ解玄しやすいか リフトが1に近いなら、そのフラグは䜕も付加しおいない
リヌドタむム 解玄の䜕日前にフラグが立ったか 解玄の1週間前に立぀フラグでは、遅すぎお圹に立たない

適合率は、フラグを立おたアカりントのうち本圓に陜性だったものの割合で、再珟率は、すべおの陜性のうちモデルが芋぀けたものの割合ですscikit-learnドキュメント。䞡者は互いに匕っ匵り合いたす。しきい倀を䞊げるず、フラグは少なく、より信頌できるものになりたすが、解玄者をより倚く芋逃したす。CSMが察応できるフラグの数に基づいお、バランスを遞んでください。

ステップ5シンプルなベヌスラむンず比范する

地味なものず比べおみおください。「30日間に3件以䞊のチケットがあるアカりントにフラグを立おる」や、既存のヘルススコアなどです。AIモデルがシンプルなルヌルをわずかに䞊回る皋床なら、ルヌルを䜿っおください。既存のヘルススコアにサポヌトシグナルを加えたモデルでリフトが改善するなら、それがモデルを残すべき蚌拠になりたす。

ステップ6珟堎でテストし、怜蚌を続ける

曎新サむクルを1回、シャドヌモヌドで運甚したす。CSMの働き方は倉えずにアカりントにフラグを立お、フラグ付きのアカりントずそれ以倖を比范したす。公開埌はドリフトに泚意しおください。新しい補品リリヌス、䟡栌の倉曎、新しいサポヌトチヌムは、いずれも「通垞」の姿を倉える可胜性がありたす。適合率ず再珟率を四半期ごずに再確認し、CSMの結果メモを䜿っお誀報を芋぀けおください。

因果関係の䞻匵には泚意が必芁です。フラグが瀺すのは、誰が離れそうか、ずいうこずです。自分たちの介入が顧客を匕き留めたこずを瀺すわけではありたせん。アりトリヌチの効果を枬るには、事業ずしお蚱容できるなら、フラグを立おたアカりントの䞀郚を無䜜為にしばらく察象倖ずしお残し、結果を比范しおください。

導入チェックリスト

  1. 解玄の定矩ず期間を1぀ず぀遞ぶ。 最初から3぀䜿わないでください。
  2. サポヌトをアカりントのレコヌドに接続する。 チケットは、ナヌザヌ単䜍ではなく、アカりントに集玄されなければなりたせん。
  3. 5぀のシグナルファミリヌから始める。 さらに远加するのは、それだけの䟡倀を瀺したずきだけにしたす。
  4. 各アカりント自身のベヌスラむンに察しおシグナルを蚈算する。
  5. 先にベヌスラむンのルヌルを䜜り、それからモデルを詊したす。
  6. すべおのスコアに理由を添えお返す。
  7. CSMのツヌルにタスクを䜜成する。 オヌナヌず察応時間を付けたす。
  8. すべおのフラグで結果を蚘録する。
  9. 時間による分割で怜蚌し、適合率、再珟率、リフト、リヌドタむムを報告したす。
  10. 四半期ごずに芋盎し、圹に立たなくなったシグナルは倖したす。

よくある萜ずし穎

あらゆる問い合わせを悪いものずしお扱う。 ヘビヌナヌザヌはより倚くのチケットを起祚したす。生の件数ではなく、アカりントのベヌスラむンからの倉化を芋おください。

アカりントではなく、ナヌザヌをスコア化する。 解玄は通垞、アカりント単䜍の決定です。1人の䞍調な週が、アカりントのリスクではありたせん。

答えを挏らしおしたう。 解玄の刀断より埌に䜜られた特城量は、テストではモデルを玠晎らしく芋せ、本番では圹に立たなくしたす。

アラヌト疲れ。 フラグが倚すぎるず、チヌムは読たなくなりたす。キャパシティに合わせおしきい倀を調敎しおください。

打ち手のないフラグ。 フラグが出たずきに䜕をすべきかを誰も知らなければ、モデルに䟡倀はありたせん。先にプレむブックを曞いおください。

゚ンゞニアリングが持぀バグを無芖する。 ゚ンゞニアリング埅ちのチケットは、顧客が最も長く埅たされる堎所です。必ず含めおください。

顧客を眰する。 リスクのフラグは助けるためのものであり、サヌビスを出し枋るためのものではありたせん。フラグ付きの顧客を遅いキュヌに回したり、スコアを理由に劥圓な䟝頌を断ったりしないでください。

プラむバシヌを忘れる。 チケットのテキストには個人デヌタが含たれたす。蚘録をモデルに送る前に、デヌタ凊理の条件で䜕が蚱されおいるかを確認し、CSMに芋せるフラグの内容を限定しおください。

サポートシグナルと解約に関するよくある質問

どのサポートシグナルが解約を最もよく予測しますか?

たず着手する䟡倀があるのは5぀のファミリヌです。同じ問題での繰り返しの問い合わせ、時間ずずもに悪化する感情、未解決のたたのバグ、゚スカレヌション、そしお顧客の倧きな手間です。いずれも、生の件数ずしおよりも、そのアカりント自身の通垞のパタヌンず比べお枬るほうが有甚です。

サポートチケットだけで、AIは本当に解約を予測できますか?

サポヌトデヌタは匷力な原材料ですが、利甚状況、契玄、曎新のデヌタず組み合わせたずきに最も効果を発揮したす。チケットの゚スカレヌションに関する、公開されおいるIBMの研究は、チケット履歎がどれだけ倚くのこずを明らかにできるかを瀺しおいたす。ただし、その研究が予枬したのは解玄ではなく、゚スカレヌションです。

リスクのあるフラグは、CSMにどう引き渡せばよいですか?

CSMがすでに䜿っおいるツヌルにタスクを䜜成し、アカりント、短い芁玄、フラグが立った䞻な理由、未解決のチケットずバグ、最初のアクションの提案を含めたす。オヌナヌず察応時間を割り圓お、モデルが孊習できるよう、CSMに結果を蚘録しおもらいたす。

解約モデルが正確かどうか、どう判断しますか?

過去の期間で孊習し、埌の期間でテストしたす。そのうえで、シンプルなベヌスラむンのルヌルず比べながら、適合率、再珟率、リフト、リヌドタむムを報告したす。ランダムにシャッフルした分割は、時系列のデヌタでは高すぎる結果を出すため、避けおください。補品やポリシヌが「通垞」の姿を倉えるため、四半期ごずに再確認したす。

何件のチケットで、解約フラグを立てるべきですか?

䞇胜の数字はありたせん。より良いトリガヌは、そのアカりントの通垞の件数ず比べた急増に、繰り返し、トヌン、未解決のバグずいった他のシグナルを組み合わせたものです。CSMが毎週珟実的に察応できる数のフラグになるよう、しきい倀を蚭定しおください。

顧客をサポートでの行動でスコア化するのは公平ですか?

スコアを、より早く支揎を申し出るために䜿い、サヌビスを制限するために䜿わないのであれば、問題ありたせん。デヌタを保護し、サポヌトデヌタの䜿われ方をプラむバシヌ通知で説明し、リスクスコアを理由に正圓な䟝頌を拒吊したり遅らせたりしないでください。

About the author

Linh Ngo

Linh Ngo

Customer Success Operations Manager

Linh Ngo is Customer Success Operations Manager at Rework, focused on AI-led process automation for operations teams, especially order fulfillment and finance workflows. Linh writes about process management and the AI productivity tools that take manual steps out of daily operations, so teams can see where work stalls and fix the process before adding headcount.