Tekoälyllä kohti vahvempaa asiakassuhdetta

Asiakaspalaute ja asiakasuskollisuus ovat keskeisiä markkinoinnin ja myynnin kosketuspisteitä asiakaspolulla. Tekoäly, kuten Google Gemini, voi tarjota merkittävää tukea näissä vaiheissa. Esimerkiksi Gemini pystyy analysoimaan markkinointidataa ja asiakaspalautetta, mikä mahdollistaa syvällisemmän ymmärryksen asiakastyytyväisyydestä ja uskollisuuteen vaikuttavista tekijöistä (Onza 2005a). Lisäksi se voi avustaa yksilöllisen viestinnän luomisessa esimerkiksi uskollisuusohjelmiin tai palautteeseen vastaamisessa (Onza 2025b).

Asiakkaan näkökulmasta tämä voi tarkoittaa henkilökohtaisempia kokemuksia, nopeampaa palvelua ja sujuvampaa kommunikointia. Matkailuyrityksille tekoäly tarjoaa mahdollisuuden parantaa asiakaspysyvyyttä, tehdä johdonmukaisia päätöksiä ja tehostaa toimintoja. Esimerkiksi asiakaspysyvyyden avulla yritys voi luoda henkilökohtaisempia asiakaskokemuksia, räätälöidä tarjouksia ja palkita uskollisia asiakkaita.

Mitä on tekoäly?

Tekoäly on isompi aihe itsessään ja siitä on monia eri kategorioita. Umberto Onzan webinaarissa Tekoälyn perusteet sai kuulla tekoälystä ja poimimme siitä koneoppimisen ja generatiivisen tekoälyn.

Koneoppiminen (ML, machine learning)

  • Pääsee käsiksi dataan ja oppii siitä itsenäisesti.
  • Analysoi kaavoja ja trendejä

Generatiivinen tekoäly (Gen AI)

  • Luo uutta dataa olemassa olevasta datasta.
  • Sisällöntuotanto, kuten realististen kuvien luominen

Mikä on Gemini?

Google Gemini on sarja kehittyneitä tekoälymalleja, jotka on suunniteltu ymmärtämään ja tuottamaan monimuotoista sisältöä – tekstiä, kuvia ja muuta dataa. Mallien taustalla on Googlen DeepMind, ja ne muistuttavat rakenteeltaan esimerkiksi ChatGPT:tä.

Gemini-malleja on eritasoisia eri käyttötarkoituksiin:

  • Nano – kevyt versio mobiililaitteisiin, esimerkiksi Pixel-puhelinten avustajaksi.
  • Pro / Flash – suunniteltu sisällöntuotantoon ja asiakasviestintään, toimii verkkopohjaisena chatbotina.
  • Ultra – edistynein malli, soveltuu vaativiin tehtäviin kuten koodaukseen, tieteelliseen päättelyyn ja analyysiin.

Gemini Flash on malliperheen keskeinen versio asiakaspalautteen käsittelyssä. Se perustuu aiempiin Bard-, PaLM 2- ja LaMDA-malleihin. Käyttö edellyttää kirjautumista Google-tilillä, ja eri versiot tarjoavat erilaisia ominaisuuksia. Tässä projektissa käytettiin ilmaisversioita: Flash 2.0, Flash 2.5 ja Deep Research.

Kosketuspiste ja matkustajaprofiili

Asiakaspolun kosketuspiste, jonka valitsimme, on kohta 5. Palaute ja uskollisuus.
Tunnistimme kohderyhmäksi Outdoor explorer –segmentin VisitFinlandin tekemän oppaan avulla. Se on segmentti, joka arvostaa aitoa luontoa ja ulkoilma-aktiviteetteja, haluaa kokea aktiivisen loman, joka voi sisältää esimerkiksi pyöräilyä tai patikointia sekä haluaa vahvistaa omaa yhteyttään luontoon (VisitFinland 2025).

Matkustajaprofiili

Frans Fransen, 35
Kotimaa: Saksa
Harrastaa vaeltamista, hiihtoa, pyöräilyä. Harrastanut luonnossa liikkumista itsekseen jo 10 vuotta
Kokee puhtaan luonnon tärkeäksi. Arvostaa paikallisuutta
Matkustaa yksin

Kuva luotu ChatGPT:llä

Fransin tarina

Frans lähtee luontomatkalle Lappiin. Hän ottaa kohteekseen Urho Kekkosen kansallispuiston. Hän viettää puistossa pari päivää vaeltaen ja syöden makkaraa. Arvostaa puiston puhtautta ja kaunista luontoa. Risuina hän antaa matkastaan sen, että muutamat pitkospuut olivat lahoja ja menivät rikki niiden päällä kävellessä.

Fransin palaute tarinan pohjalta


Vaellusharrastukseni vei minut tällä kertaa Lappiin, Urho Kekkosen kansallispuistoon ja kokemus oli juuri niin upea kuin odotinkin. Vietin puistossa kaksi päivää vaeltaen yksin rauhassa, nauttien luonnon hiljaisuudesta ja kiireettömyydestä. Mukana oli retkieväitä ja tietenkin makkaraa, joka kruunasi tauot nuotiopaikoilla.

Puiston puhtaus teki vaikutuksen. Polut, taukopaikat ja yleinen ympäristö olivat hyvin hoidettuja. Tällainen ympäristö on juuri sitä, mitä kaltaiseni luonnonystävä arvostaa. Maisemat olivat henkeäsalpaavan kauniita, erityisesti avotunturialueet ja kirkkaat purot jäivät mieleen.


Ainoa miinuspuoli matkassa oli se, että muutamat pitkospuut olivat jo selvästi lahonneet, ja yksi niistä jopa petti jalkani alla. Onneksi ei käynyt pahemmin, mutta näihin olisi hyvä kiinnittää huomiota turvallisuuden vuoksi.

Kuuntele Fransin palaute (tehty Elevenlabs.io-sovelluksella):

Google Geminin testausidea

Ohjaamme Geminin käsittelemään asiakkaiden palautteita. Gemini kerää esimerkiksi palautelomakkeeseen kirjoitetun tiedon, jonka perusteella se vastaa asiakkaan palautteeseen ja vie sen eteenpäin. Gemini myös analysoi palautteen tarkasti ja ottaa siitä talteen kirjoitussävyn, avainsanat ja asiakkaan kokemuksen. Sen lisäksi se kokoaa datan talteen ja lajittelee sen järkevään muotoon.
Luomme erilaisia kehotteita Geminille yrittäessämme ohjata sen toimintaa ja vastauksia haluamaamme suuntaan.

Mitä haluamme Google Geminin antavan meille:

  • Asiakasryhmän määrittely
  • Palautteen sävy (positiivinen, negatiivinen, neutraali)
  • Maa
  • Analysoi ja lajittelee datan
  • Vastaus asiakkaalle palautteen perusteella
  • Lähettää palautteen eteenpäin
  • Analysoi ja käsittelee asiakaspalautteen ja kirjoittaa sille vastauksen

Ohjeemme (prompti) Google Geminille:

Analysoi sinulle annetut asiakaspalautteet ja suorita seuraavat tehtävät:

Kieliasun ja tunteen luokittelu -> analysoi palautteen tunne ja luokittele se seuraavasti: negatiivinen, positiivinen, neutraali ja kaikki niiden välimuodot.

Asiakasryhmän tunnistaminen -> tunnista asiakasryhmä palautteesta ja lajittele se seuraaviin kategorioihin: pariskunta, perheet, yksittäiset matkailijat, ryhmät tai ystävät, liikematkailijat, asiakasryhmä epäselvä.

Kotimaan tunnistaminen -> Tunnista asiakasryhmän kotimaa palautteen perusteella, käytä kontekstia, kielen erityispiirteitä, mahdollisia viittauksia kuten maan nimi, paikalliset tavat, valuutat ja niin edelleen. Jos ei ole selvää viittausta kotimaahan niin määrittele palautteen perusteella todennäköisin kotimaa.

Automaatio, vastauksen kirjoittaminen -> Kirjoita asiakkaille automaattinen vastaus seuraavasti: Positiiviset palautteet, kiitä asiakasta ja iloitse heidän tyytyväisyydestänsä. Negatiiviset palautteet, pahoittele ongelmaa ja tarjoa mahdollisia ratkaisu vaihtoehtoja. Neutraalit palautteet, kiitä palautteesta ja varmista että asiakas on tullut kuulluksi.

Määrittele palautteen vastaanottaja eli palautteen edelleen lähetys -> Positiiviset palautteet, negatiiviset palautteet, neutraalit palautteet ja erityiset kommentit. Ota huomioon palautteen konteksti ja kirjoitusasu ja määrittele kenelle palaute lähetetään edelleen, kenelle se on tarpeellista.

Indikaattorit

Nykyajan yritysmaailmassa asiakkaiden tarpeiden ja kokemusten ymmärtäminen on keskeisessä roolissa liiketoiminnan kehittämisessä. Päädyimme näihin indikaattoreihin, koska koimme, että niistä olisi erityisen paljon hyötyä yrityksille asiakaspalautteen tutkimisessa.

  1. Asiakkaan kotimaan tunnistaminen
    Tiedon avulla voidaan kohdentaa markkinointia ja ymmärtää paremmin eri asiakkaiden tarpeita.
  2. Nopea vastaaminen palautteeseen
    Helpottaa työntekijöiden työtä ja nopeuttaa asiakkaan saamia vastauksia.
  3. Asiakasryhmän tunnistaminen
    Onko asiakas yksin matkalla, pariskunta, perhe vai ryhmä? Tämä auttaa tarjoamaan sopivia palveluja.
  4. Tekstin tuottaminen ja palautteiden analysointi
    Selvitetään, osaako tekoäly tuottaa ymmärrettävää tekstiä ja tulkita palautteet oikein.
  5. Tunteiden tunnistaminen palautteista
    Yritys näkee, onko palaute sävyltään positiivinen, negatiivinen vai neutraali.
  6. Palautteen ohjaaminen oikealle henkilölle
    Palautteet menevät suoraan henkilölle, joka voi hoitaa asian – näin vältetään turhaa viivettä.

Mittaamme indikaattoreita asteikoilla huono, riittävä, hyvä, kiitettävä ja erinomainen (1-5).

Viimeistelty suunnitelma

Ensin annamme Geminille raamit, joiden mukaan sen pitää käsitellä ja vastata palautteisiin. Tämän jälkeen ohjaamme Geminin kolmella samalla palautteella ja yhdellä eroavalla palautteella eri testikerroilla, jotta voimme nähdä mahdollisia eroja tulosten välillä. Kolme testiä tehdään Geminin 2.0-versiolla, yksi 2.5-versiolla ja yksi Deep Research- versiolla. Kunkin testikerran jälkeen, kun olemme syöttäneet mainitut testi-palautteet Geminille, annamme Geminille käsiteltäväksi Fransin asiakaspalautearvostelun ja otamme ylös Geminin vastauksen. 

Testaustuloksia

Testaamme viisi kertaa Geminin palaute-analyysejä, minkä jälkeen voimme tutkia saamiamme tuloksia.

Ohessa on esimerkki testituloksistamme. Jokainen testitulos sisältää:

  • Testin numero: Esimerkiksi kuvassa näkyy testi numero kaksi.
  • Erottava palaute Geminille: Tämä kuvaa palautetta, jonka annoimme Geminille kyseisessä testissä.
  • Käytetty Gemini-versio: Ilmoittaa, mitä Gemini-mallia testissä käytettiin.
  • Indikaattoreiden arviointi: Tässä osiossa esitetään testin eri indikaattoreiden arvioinnit.
  • Testauksen päivämäärä: Merkitsee päivän, jolloin kyseinen testi suoritettiin.

Testikertojen erot

Kotimaan tunnistaminen osoittautui hankalaksi monista syistä, mutta jos se jätetään huomioimatta tuloksista, niin esimerkiksi Gemini 2.0 Flash testikertojen keskiarvo on 2,9, joka ei kovin poikkea 2.5 Flashin keskiarvosta 3,0. Tässä pitää ottaa kuitenkin huomioon se, että 2.5 Flashiä testattiin vain kerran, joten voi miettiä, että olisiko isompaa eroa syntynyt lisätesteillä vai ei.

Deep research sai parhaimman keskiarvon sen pitkillä ja analyyttisillä vastauksilla. Kaikki versiot, jos jättää huomioimatta kotimaan tunnistamisen, selviytyivät vähintään riittävällä tasolla kaikista indikaattoreista.

Tulosten analysointi

Kaikki testatut Gemini-mallit (2.0, 2.5 experimental, Deep Research) suoriutuivat suurimmilta osin hyvin palautteen tunnistamisessa ja siihen vastaamisessa, mutta erojakin testikertojen ja versioiden väliltä löytyi.

Suurimmat erot olivat kotimaan tunnistamisessa ja analyysin syvyydessä. Uudemmat ja kehittyneemmät versiot (etenkin Deep Research) osoittivat parannusta analyysin laadussa ja kyvyssä tuottaa syvällisempää tekstiä palautteesta. Toisaalta Deep Research oli käytännössä liian raskas ja hidas normaalikäyttöön.

Gemini ei ymmärrä, että palautteen kirjoituskieli voi olla eri kuin asiakkaan kotimaa. Ymmärrämme kuitenkin, että kotimaan ja kielen päättely palautteen perusteella on ihmisellekin vaikeaa, ellei jopa mahdotonta, minkä takia analysoinnissa otimme myös huomioon tulokset ilman kotimaan tunnistamista.

Kaikki mallit tunnistivat hyvin palautteen positiivisen yleistunnelman ja negatiivisen sivuhuomion lahoista pitkospuista. Kaikki mallit tunnistivat Fransin oikein yksin liikkuvaksi matkailijaksi. Kotimaan tunnistaminen oli vaikeaa kaikille malleille, eikä yksikään onnistunut siinä oikein. Tämä on ymmärrettävää, koska palautteen kieli ei aina kerro asiakkaan kotimaata. Tästä syystä arvioimme mallien toimivuutta myös ilman tätä kohtaa. Kyseessä ei siis ole yksinomaan tekoälyn puutteesta johtuva ongelma. Uskomme, että pidemmällä koulutusjaksolla Gemini voisi oppia tunnistamaan palautteen antajan kotimaan tarkemmin tai vaihtoehtoisesti jättää sen luokittelun kokonaan pois, mikäli selkeitä viittauksia kotimaahan ei esiinny.

Kaikki versiot osasivat tehdä asialliset ja pahoittelevat vastaukset Fransille ja lupasivat viedä asian pitkospuista eteenpäin. Erona oli myös, että kolmannella testikerralla 2.0 Flash ei kiittänyt Fransia pitkospuiden rikkoutumisen esiin tuomisesta, niin kuin kaikissa muissa testeissä. Kaikissa testeissä osattiin määritellä hyvin oikeat tahot, joihin olla yhteydessä positiivisen sekä negatiivisen palautteen kanssa. Testi 4: n vastaus oli hieman epäselvempi kuin muissa testeissä. Jokaisella testikerralla tekoäly tuotti tarpeeksi tekstiä, josta yritys sai apua palautteen käsittelyyn.

Suurimpana erona tulosten välillä oli, että Deep Research sai samat johtopäätökset, jotka se sitten selitti pidemmin ja syvällisemmin auki. Vaikka Deep Research ylitti analyyttisillä kyvyillään selvästi muut versiot, sen syvällisyys teki siitä liian resurssi-intensiivisen ja siten epäkäytännöllisen tavanomaisten matkailuyritysten tarpeisiin. 

Yrityskäyttöön 2.0 Flash on täysin riittävä, vaikka 2.5-versio olikin hieman edistyneempi. Kun kotimaan tunnistus jätettiin huomiotta, 2.0 Flashin kolmen testikerran keskiarvo oli 2,9, mikä ei merkittävästi eroa 2.5 Flashin keskiarvosta 3,0. Koska 2.0 Flash -versio säästää ympäristöä kehittyneempiä versioita enemmän eikä kriittisiä toiminnallisia eroja havaittu, suosittelemme yrityksiä käyttämään 2.0 Flashia tavanomaisissa käyttötarkoituksissa.

Johtopäätökset

Kaikki testatut Gemini-mallit kykenivät hyvin asiakaspalautteen analysointiin ja siihen vastaamiseen, tunnistaen johdonmukaisesti palautteen tunteen ja asiakkaan kontekstin sekä luoden asiallisia vastauksia. Merkittävin ero ilmeni analyysin syvyydessä: Deep Research tarjosi huomattavasti yksityiskohtaisempaa ja kattavampaa analyysiä verrattuna muihin. Kotimaan tunnistaminen osoittautui kuitenkin kaikille malleille hankalaksi. Tulevaisuudessa mallien kehityksen tulisi painottaa kotimaan tunnistuksen parantamista tai sen pois jättämistä epävarmoissa tilanteissa. Yrityskäyttöön 2.0 Flash -versio on osoittautunut riittäväksi perustoimintoihin. Vaikka 2.5-versio tarjosi hieman edistyneempiä ominaisuuksia, sen lisäarvo tavanomaisessa palautteen käsittelyssä jäi vähäiseksi. Deep Researchin syvällinen analyysi puolestaan ei ole resurssitehokkuutensa vuoksi optimaalinen yrityskäyttöön. Kaikki asiat huomioiden, 2.0 Flash on suositeltava valinta matkailuyritysten asiakaspalautteen käsittelyyn.

Lähteet:

Kirjoittajat:  Jesse Pitkänen, Anni Ohtamaa, Tuomas Virtanen, Tomi Säkkinen ja Kimi Suominen


Lapin AMKin Tekoäly matkailun myynti- ja markkinointiprosessien tukena eli AImama-hanke toimi restonomiopintojen 2. vuoden Collaborative Customer Experience and Digital Marketing -opintojakson oppimisprojektin toimeksiantajana.