Tehisintellekti kasutamine klienditagasiside analüüsimiseks

Kuidas kasutada tehisintellekti klienditagasiside analüüsimiseks

Tehisintellekt on kõige kasulikum siis, kui tagasisidet on rohkem, kui inimene suudaks mõistliku aja jooksul läbi lugeda ja korrastada. Ebamäärase kokkuvõtte küsimise asemel anna süsteemile selge ülesanne: liigita iga kommentaar, tuvasta käsitletav tooteomadus, leia korduvad kaebused, eralda funktsioonisoovid või selgita, miks kliendid andsid küsitluses konkreetse hinde.

Parimad tulemused saadakse automatiseeritud analüüsi ja inimkontrolli ühendamisel. Tehisintellekt võib tuua esile mustreid ja vähendada käsitsi sorteerimise vajadust, kuid see võib valesti mõista sarkasmi, vastakaid arvamusi, mitmekeelseid väljendeid või erinevust tõsise vea ja väikese ebamugavuse vahel.

Mida saab tehisintellekt tagasisidega teha

• Kommentaare liigitada: Määra sildid, näiteks arveldusprobleem, sisselogimisprobleem, tarne hilinemine, funktsioonisoov, tühistamiskavatsus või kiitus.
• Meelsust analüüsida: Hinda, kas kommentaar on positiivne, negatiivne, neutraalne või vastaka meelsusega. Aspektipõhine analüüs võimaldab eristada eri teemadega seotud meelsust, näiteks toote suhtes positiivset arvamust ja toe suhtes negatiivset arvamust.
• Teemasid leida: Rühmita sarnaseid probleeme käsitlevad kommentaarid isegi siis, kui kliendid kasutavad erinevaid sõnu. Need rühmad vajavad siiski inimkontrolli ja selgeid nimetusi.
• Üksikasju eraldada: Tuvasta tooted, funktsioonid, asukohad, kuupäevad, veateated, konkurendid, tellimuse tunnused või muud kasulikud olemid.
• Suuri andmekogumeid kokku võtta: Koosta kokkuvõtteid küsitlusküsimuse, tugijärjekorra, tooteversiooni, kliendisegmendi või ajavahemiku kohta.
• Sarnaseid näiteid otsida: Tekstiembeddingud ja semantiline otsing võivad leida sarnase tähendusega kommentaare, aidates meeskondadel leida korduvaid juhtumeid ja esinduslikke tõendeid.
• Tööd suunata: Saada tõenäolised arveldusprobleemid ühele meeskonnale, kiiret reageerimist vajavad ohutusega seotud kommentaarid teisele või ebakindlad juhtumid käsitsi ülevaatamiseks. Suunamissüsteem ja õigused kuuluvad mudelit ümbritsevasse rakendusse, mitte automaatselt igasse tehisintellektimudelisse.

Valmista tagasiside enne analüüsi ette

Alusta sellest, et otsustad, millist otsust peaks analüüs toetama. Tootearendus, tugipäringute suunamine, klientide lahkumise uurimine, kvaliteedi jälgimine ja küsitluste analüüs vajavad erinevaid silte ja väljundeid.

Kogu ainult selle otsuse jaoks vajalikku teavet. Kasulik kontekst võib hõlmata allikakanalit, kuupäeva, keelt, tooteversiooni, kliendisegmenti, piirkonda, tugijärjekorda ja linki algsele kirjele. Hoia algtekst alles, et ülevaatajad saaksid kontrollida mudeli tõlgendust.

Eemalda või varja ebavajalik isiklik teave enne tagasiside saatmist tehisintellektiteenusele. Kliendikommentaarid võivad sisaldada nimesid, aadresse, telefoninumbreid, kontonumbreid, terviseandmeid, finantsteavet, autentimisandmeid või konfidentsiaalset äriteavet. Enne päris kliendiandmete kasutamist kontrolli teenusepakkuja kehtivaid andmete säilitamise, piirkondliku töötlemise, juurdepääsu kontrolli, kustutamise ja andmekasutuse tingimusi.

Kõnede puhul transkribeeri heli esmalt ning kontrolli, kas kõnelejate tähised ja ajatemplid on usaldusväärsed. Transkriptsioonivead, aktsendid, keelte vahetamine ja puuduva mitteverbaalse konteksti mõju võivad vestluse tähendust muuta.

Kasuta kontrollitud siltide kogumit

Määra kategooriad enne suure andmekogumi töötlemist. Näiteks võib tugianalüüs kasutada järgmisi kategooriaid:

• Sisselogimine või kontole juurdepääs
• Arveldus või makse
• Tarne või tellimuse täitmine
• Toote defekt
• Funktsioonisoov
• Kasutusjuhendi küsimus
• Tühistamine või tagasimakse
• Positiivne tagasiside
• Muu või vajab ülevaatamist

Lisa valik teadmata, muu või vajab ülevaatamist. Iga kommentaari sundimine mõnda kategooriasse tekitab eksitavaid andmeid. Anna igale sildile lühike määratlus ja näited, eriti kategooriate puhul, mida on lihtne segi ajada.

Fikseeritud taksonoomiat on lihtsam mõõta ja auditeerida kui paluda tehisintellektisüsteemil iga kommentaari jaoks uus teemanimi välja mõelda. Klastrite abil saab siiski avastada puuduvaid teemasid ja seejärel otsustada, kas need väärivad uusi silte.

Praktiline töövoog

1. Määratle küsimus. Otsusta, mida soovid teada saada ja millist tegevust peaks tulemus toetama. Näiteks küsimus „Millised probleemid sagenesid pärast rakenduse viimast väljalaset?” on kasulikum kui „Analüüsi neid kommentaare”.
2. Vali analüüsiühik. Otsusta, kas iga kirje on täielik arvustus, tugipilet, vestlus, sõnum või transkriptsiooni osa. Ära sega ühikuid ilma dokumenteerimata, kuidas see arvnäitajaid mõjutab.
3. Puhasta andmed. Eemalda duplikaadid, tuvasta keel, eralda kliendi sõnumid teenindaja sõnumitest, säilita algtekst ja pane kirja kõik teisendused.
4. Varja ebavajalik tundlik teave. Hoia tunnused võimaluse korral tekstist eraldi ning kehtesta säilitamise ja juurdepääsu reeglid.
5. Testi märgendatud valimil. Lase asjatundlikel ülevaatajatel märgendada esinduslik valim. Kaasa lühikesi, mitmetähenduslikke, vastakaid, sarkastilisi, mitmekeelseid ja keerulisi näiteid.
6. Teosta analüüs etapiviisiliselt. Kasuta püsivate väljade jaoks korratavat liigitamist või eraldamist, sarnasuse leidmiseks semantilist otsingut või embeddinguid ning kokkuvõtete või võimalike selgituste koostamiseks generatiivset mudelit.
7. Säilita tõendid. Salvesta algne kirje, asjakohane tsitaat või tekstilõik, mudeli ja viiba versioonid, ajatempel, väljund ning ülevaatuse olek.
8. Vaata erandid üle. Suuna madala kindlusega, uudsed, suure mõjuga, õiguslikud, ohutusega seotud või klienti mõjutavad juhtumid pädevale inimesele.
9. Koonda tulemusi hoolikalt. Esita arvud ja osakaalud koos ajavahemiku, valimi suuruse, kanalite jaotuse ning segmentide määratlustega. Kommentaaride suur hulk ei tähenda tingimata, et probleem on kõige tõsisem või kõige levinum.
10. Võrdle tulemusi ajas. Jälgi muutusi toote sõnavaras, tugiprotsessides, kanalites ja probleemide sageduses. Kontrolli taksonoomiat ja hindamisvalimit uuesti, kui toode või kliendibaas muutub.

Viipade näited

Kasulik viip annab mudelile ülesande, lubatud väärtused, tõenditele esitatavad nõuded ja juhised ebakindluse käsitlemiseks. Näiteks:

Tugitagasiside liigitamine:

„Liigita iga kliendi sõnum täpselt ühe järgmise sildi alla: arveldus, sisselogimine, tarne, toote defekt, funktsioonisoov, tühistamine, kiitus, muu või vajab ülevaatamist. Tagasta silt, lühike põhjendus, asjakohane tsitaat ja eskaleerimise märge. Kasuta silti „vajab ülevaatamist”, kui tõendeid ei ole piisavalt. Ära tuleta põhjust, mida klient ei ole väljendanud.”

Toote aspektide analüüs:

„Tuvasta kõik selles arvustuses mainitud tooteaspektid, näiteks aku, sobivus, pakend või vastupidavus. Tagasta iga aspekti kohta positiivne, negatiivne, vastakas või teadmata meelsus ning tsiteeri tõendeid. Arvustus võib sisaldada rohkem kui üht aspekti ja rohkem kui üht meelsust.”

Teema kokkuvõte:

„Võta kokku tarne hilinemisi käsitlevad kommentaarid. Erista otseselt esitatud faktid võimalikest selgitustest. Esita ülevaadatud kirjete arv, peamised mustrid, erandid ja kolm esinduslikku tsitaati koos linkidega nende algsetele kirjetele. Ära väida, et muudatus tootes põhjustas trendi, välja arvatud juhul, kui andmed seda tõendavad.”

Automatiseeritud töötlemise puhul valideeri tagastatud väljad rakenduse koodis ja lükka tagasi heakskiidetud taksonoomiasse mittekuuluvad sildid. JSON- või struktureeritud vastus muudab andmete töötlemise lihtsamaks, kuid ei tõenda, et väärtused on õiged.

Kasulike analüüside näited

Tugipiletid

Liigita piletid probleemi, kiireloomulisuse, kliendi kavatsuse ja vajaliku meeskonna järgi. Kasuta kindluse või ülevaatuse reeglit, et suunata ebakindlad juhtumid käsitsi triaaži. Kontrolli, kas kiireloomuliseks märgitud päring vastab tegelikult sinu organisatsiooni kiireloomulisuse määratlusele.

Tootearvustused

Eralda sellised aspektid nagu vastupidavus, aku kestus, sobivus, pakend või tarne ning analüüsi iga aspekti meelsust eraldi. Üldine meelsus võib olulise probleemi varjata: klient võib toodet hinnata, kuid teatada samal ajal tõsisest defektist.

Funktsioonisoovid

Rühmita sarnased soovid, seo need lubatud kliendi- või kontosegmentidega ning säilita algne sõnastus. Loodud teema, näiteks „parem aruandlus”, võib varjata mitut erinevat vajadust, mida tuleks eraldi üle vaadata.

Küsitluse vastused

Ühenda suletud küsimuste hinded avatud vastustes antud selgitustega. Tehisintellekt võib aidata kokku võtta, miks vastajad konkreetse hinde andsid, kuid kommentaarid üksi ei tõenda põhjuslikkust ega esinda kogu kliendibaasi.

Kõnekeskuse salvestised

Transkribeeri kõned, tuvasta ühenduse võtmise põhjused, leia korduvad kitsaskohad ja võta lahendamata probleemid kokku. Vaata valim transkriptsioone üle, sest kõnelejate tuvastamise ja transkriptsiooni vead võivad järeldusi mõjutada.

Probleemide varajane tuvastamine

Jälgi teadaoleva probleemi esinemissagedust ja anna märguanne, kui see muutub. Vähendamaks valehäireid kasuta minimaalset valimi suurust ning arvesta liikluse, kanalite jaotuse või tugipäringute mahu muutustega.

Tehisintellektitööriista valimine

Otsi võimalusi, mis vastavad tehtavale tööle, mitte ära vali tööriista ainult seetõttu, et see kasutab kindlat mudelit. Lihtne arvustuste töötlemise protsess võib vajada liigitamist, meelsuse analüüsi, kokkuvõtete koostamist ja arvutustabelisse eksportimist. Suurem süsteem võib vajada ka embeddinguid, semantilist otsingut, pakktöötlust, kõne transkribeerimist, tundlike andmete varjamist, struktureeritud väljundit, API-juurdepääsu ning ühendusi kasutajatoe süsteemi või andmelaoga.

Spetsialiseeritud loomuliku keele teenused võivad olla kasulikud korratavate ülesannete puhul, nagu meelsuse analüüs, olemite eraldamine, võtmefraaside eraldamine, keele tuvastamine, kohandatud liigitamine ja isikut tuvastava teabe tuvastamine. Üldotstarbelised keelemudelid on sageli paindlikumad mitme välja eraldamisel, tõendite selgitamisel ja kokkuvõtete koostamisel. Nende kombineerimine võib olla kasulik, kuid iga komponenti tuleks hinnata esinduslike näidete põhjal.

Rohkemate võimaluste leidmiseks sirvi tehisintellekti andmeanalüüsi tööriistade, tehisintellekti klienditoe tööriistade ja tehisintellekti dokumendianalüüsi tööriistade kategooriaid. Need kategooriad hõlmavad töövoo eri osi, mistõttu ei pruugi üks tööriist olla parim valik andmete kogumiseks, analüüsimiseks, otsimiseks ja tegevuste haldamiseks.

Levinud probleemid, millele tähelepanu pöörata

• Sarkasm ja vastakas meelsus: „Väga tore, järjekordne katkestus” ei pruugi olla positiivne tagasiside. Klient võib samas sõnumis üht aspekti kiita ja teist kritiseerida.
• Ebakindlad teemad: Automaatselt loodud klastrid võivad kajastada sõnastust, dokumendi pikkust või allikakanalit, mitte sisulist kliendivajadust.
• Väljamõeldud selgitused: Mudel võib pakkuda usutavat põhjust, mida tagasisides tegelikult ei esine. Erista öeldu eraldamine selle tõlgendamisest, mida see võiks tähendada.
• Valimieelarus: Arvustusi esitavad, toega ühendust võtvad või küsitlustele vastavad inimesed ei pruugi esindada kõiki kliente. Analüüsi laiendamine ei kõrvalda kallutatud valimi probleemi.
• Keelte erinevused: Meelsus ja funktsioonide tugi sõltuvad keelest ja tööriistast. Tõlkimine võib samuti muuta kultuurilisi väljendeid ja tooni.
• Vale kindlustunne: Kindluse skoor ei pruugi olla eri siltide, keelte või mudelite puhul võrdselt kalibreeritud. Enne selle kasutamist suunamiseks võrdle seda inimeste hinnangutega.
• Viipade süstimine: Käsitle klienditagasisidet ebausaldusväärse sisuna. Kommentaar võib sisaldada juhiseid, linke või peidetud teksti, mille eesmärk on tehisintellekti töövoogu mõjutada.
• Nihe: Tootenimed, veakoodid, klientide sõnavara ja probleemide sagedus muutuvad. Pilootprojekti ajal toiminud süsteem võib hiljem vajada uusi näiteid ja silte.

Mida inimene peaks kontrollima

Enne tulemuste kasutamist ava oluliste järelduste aluseks olevad algsed kommentaarid. Veendu, et mudel tuvastas õige kliendi, toote, funktsiooni, ajavahemiku ja aspekti. Kontrolli vastakat meelsust, sarkasmi, mitmekeelset sisu, tsiteeritud teksti ja kommentaare, milles mainitakse mitut probleemi.

Kontrolli koondtulemusi algsete arvude ja nimetaja määratluste põhjal. Negatiivse tagasiside mahu muutuse põhjuseks võib olla uus küsitluskanal või liikluse üldine suurenemine, mitte tootekogemuse halvenemine.

Nõua inimese heakskiitu tegevustele, mis hõlmavad tagasimakseid, kontole juurdepääsu, õigustatust, kliendile määratavaid sanktsioone, avalikke vastuseid, teenusetasemeid, õiguslikke küsimusi, ohutusprobleeme, diskrimineerimist või reguleeritud otsuseid. Tehisintellekti loodud sildid peaksid neid otsuseid toetama, mitte neid märkamatult langetama.

Millal tehisintellekt ei sobi

• Andmekogum on piisavalt väike, et väljaõppe saanud inimene saaks selle täpselt läbi vaadata.
• Organisatsioon ei suuda tagada seaduslikku kogumist, sobivaid juurdepääsu- ja säilitamisreegleid ning teenusepakkuja kontrollimehhanisme.
• Tagasisidet on usaldusväärsete järelduste tegemiseks liiga vähe, see on liiga spetsiifiline või mitmetähenduslik.
• Soovitud väljund on ainult ebamäärane kokkuvõte, millega ei kaasne otsust, tõendeid ega valideerimisprotsessi.
• Tulemus põhjustaks automaatselt klientide karistamist, profileerimist, teenusest keeldumist või madalamale prioriteedile suunamist ainult tuletatud meelsuse, emotsiooni, demograafiliste tunnuste või kavatsuse põhjal.
• Otsus nõuab vastutustundlikku õiguslikku, kliinilist, hädaolukorra- või uurimisalast hinnangut, mida ei saa delegeerida automaatsele klassifikaatorile.

Kokkuvõte

Kasuta tehisintellekti käsitsi sorteerimise vähendamiseks ning klienditagasiside otsimise, võrdlemise ja ülevaatamise lihtsustamiseks. Määra kõigepealt sildid, säilita lingid algsetele tõenditele, mõõda toimivust esinduslike näidete põhjal, vähenda tundlike andmete hulka ning jäta tõlgendamise ja suure mõjuga otsuste eest vastutus inimestele.