Di Luar Chatbot: Bagaimana AI Mulai Dipakai untuk Personalisasi Proaktif

Diskusi tentang AI dalam customer experience selama ini didominasi topik chatbot dan otomasi contact center. Di balik itu, ada penggunaan AI yang lebih senyap namun berdampak besar: personalisasi proaktif, di mana sistem mengenali sinyal kebutuhan pelanggan sebelum mereka mengajukan pertanyaan.

Pergeseran ini terjadi karena tiga hal yang datang bersamaan. Data perilaku pelanggan yang dikumpulkan perusahaan selama bertahun-tahun kini cukup matang untuk dipakai membuat prediksi. Biaya menjalankan model AI turun drastis dibanding lima tahun lalu. Dan yang paling penting, ekspektasi pelanggan sudah berubah: mereka mulai menganggap wajar jika sebuah layanan "ingat" kebiasaan mereka dan bertindak lebih dulu.

Dari menjawab menjadi mengantisipasi

Chatbot pada dasarnya bersifat reaktif. Pelanggan bertanya, sistem menjawab. Personalisasi proaktif membalik urutan itu. Sistem membaca sinyal, misalnya frekuensi pembelian, pola penggunaan aplikasi, riwayat keluhan, atau perubahan perilaku transaksi, lalu memutuskan kapan dan lewat kanal apa sebuah pesan atau tawaran bantuan sebaiknya dikirim.

Dalam praktiknya, sebagian besar kerja AI di sini tidak terlihat oleh pelanggan. Model memprediksi kemungkinan pelanggan membutuhkan sesuatu dalam beberapa hari ke depan, kemudian aturan bisnis menentukan apakah prediksi itu cukup kuat untuk ditindaklanjuti. Yang sampai ke pelanggan hanyalah hasil akhirnya: sebuah pengingat, tawaran, atau sapaan yang datang pada saat yang tepat.

Contoh yang sudah berjalan

• BelanjaKu mengirim notifikasi pengingat stok hampir habis untuk produk yang biasa dibeli berulang oleh pelanggan tertentu.
• ApotekKita menghubungi pelanggan dengan resep jangka panjang sebelum stok obat mereka benar-benar habis.
• Sejumlah bank digital mendeteksi pola transaksi tidak biasa dan menawarkan bantuan sebelum pelanggan sempat khawatir.

Di BelanjaKu, fitur pengingat stok awalnya diuji pada kategori kebutuhan rumah tangga seperti deterjen, popok, dan beras. Sistem menghitung rata-rata jeda pembelian setiap pelanggan, lalu mengirim pengingat dua hingga tiga hari sebelum perkiraan stok habis. Setelah enam bulan, pelanggan yang menerima pengingat tercatat lebih sering melakukan pembelian ulang dibanding kelompok pembanding yang tidak menerimanya.

Yang menarik, angka kunjungan ke halaman bantuan juga ikut turun. Menurut tim BelanjaKu, sebagian pelanggan sebelumnya menghubungi layanan pelanggan hanya untuk menanyakan kapan produk langganan mereka tersedia kembali. Pengingat proaktif menjawab pertanyaan itu sebelum sempat diajukan.

Kami tidak menganggap ini fitur pemasaran. Ukuran keberhasilan kami bukan berapa banyak yang membeli setelah menerima notifikasi, tapi berapa banyak yang merasa notifikasi itu berguna dan tidak mematikannya.

— Dimas Prasetyo, Head of Customer Data BelanjaKu

Pendekatan serupa diterapkan ApotekKita untuk pelanggan dengan resep obat jangka panjang, seperti obat hipertensi atau diabetes. Sekitar lima hari sebelum perkiraan obat habis, apoteker mengirim pesan singkat yang menawarkan pengantaran atau pengambilan di gerai terdekat. Menurut perusahaan, pesan itu sengaja dikirim atas nama apoteker, bukan atas nama sistem, agar pelanggan merasa diperhatikan oleh orang yang memahami kondisi mereka.

Di sektor perbankan, Bank Cakrawala Digital memakai model yang memantau perubahan pola transaksi, misalnya pembayaran di lokasi yang jauh dari kebiasaan atau nominal yang jauh di atas rata-rata. Alih-alih langsung memblokir kartu, sistem lebih dulu mengirim konfirmasi singkat dan menawarkan sambungan cepat ke petugas. Bank itu mengaku jumlah keluhan terkait pemblokiran kartu yang tidak perlu turun hampir sepertiga sejak pendekatan ini dipakai.

Garis tipis antara diperhatikan dan diawasi

Personalisasi proaktif yang baik terasa seperti diperhatikan, bukan seperti diawasi. Batas antara keduanya sangat tipis, dan banyak brand belum sadar sudah melewatinya.

— Praktisi data & CX yang diwawancarai CXinsight

Risiko terbesar dari pendekatan ini adalah kesan "terlalu tahu" yang membuat pelanggan tidak nyaman. Brand yang berhasil menerapkannya cenderung transparan soal data apa yang dipakai dan selalu menyediakan opsi untuk mematikan fitur tersebut.

Konteks juga sangat menentukan. Pengingat isi ulang obat dari apotek terasa wajar karena berhubungan langsung dengan transaksi yang pernah dilakukan pelanggan. Sebaliknya, tawaran produk bayi yang muncul karena sistem menyimpulkan seseorang sedang hamil dari pola belanjanya bisa terasa mengganggu, bahkan jika tebakannya benar. Semakin sensitif kesimpulan yang ditarik, semakin besar kemungkinan pelanggan merasa privasinya dilanggar.

Regulasi pelindungan data pribadi juga membuat perusahaan perlu lebih hati-hati. Persetujuan pelanggan atas penggunaan data untuk tujuan personalisasi sebaiknya diminta secara jelas, bukan disembunyikan di halaman syarat dan ketentuan yang jarang dibaca. Beberapa perusahaan yang ditemui CXinsight kini menampilkan keterangan singkat di setiap pesan proaktif, misalnya "Anda menerima pesan ini karena biasanya membeli produk ini setiap tiga minggu".

Apa yang perlu disiapkan tim CX

Personalisasi proaktif bukan proyek yang bisa diserahkan sepenuhnya kepada tim data atau tim pemasaran. Karena dampaknya langsung terasa pada pengalaman pelanggan, tim CX perlu terlibat sejak awal, terutama dalam menentukan kapan sebuah intervensi layak dilakukan dan kapan sebaiknya ditahan.

• Mulai dari kasus dengan manfaat yang jelas bagi pelanggan, seperti pengingat stok, jatuh tempo tagihan, atau gangguan layanan, sebelum masuk ke tawaran penjualan.
• Tetapkan batas frekuensi pesan proaktif per pelanggan agar tidak berubah menjadi spam.
• Ukur tingkat penonaktifan fitur dan keluhan terkait privasi, bukan hanya konversi.
• Sediakan cara mudah bagi pelanggan untuk melihat dan mengatur data apa yang dipakai untuk personalisasi.

Dari sisi organisasi, uji coba kecil dengan kelompok pembanding yang jelas jauh lebih berguna daripada peluncuran besar sekaligus. Dengan cara itu, tim bisa melihat dampak nyata pada kepuasan, pembelian ulang, maupun volume kontak ke layanan pelanggan, lalu memutuskan apakah sebuah skenario layak diperluas atau justru dihentikan.

Perusahaan juga perlu menyiapkan jalur eskalasi ke manusia. Pesan proaktif tentang transaksi mencurigakan, misalnya, kerap memicu pelanggan untuk segera menghubungi layanan pelanggan. Jika kanal bantuan tidak siap menampung lonjakan itu, niat baik untuk proaktif justru berujung pada pengalaman yang lebih buruk.

Ke depan, persaingan dalam personalisasi proaktif kemungkinan tidak lagi ditentukan oleh siapa yang punya model paling canggih, karena teknologinya makin mudah diakses. Pembedanya adalah disiplin dalam memilih momen, menahan diri ketika sinyal belum cukup kuat, dan menjaga kepercayaan pelanggan atas data yang mereka titipkan.