লাভ:
- অনুভূতি বিশ্লেষণ এবং বক্তৃতা বিশ্লেষণ সহ পৃথক এবং সামগ্রিক প্রবণতা পড়ার ক্ষমতা এবং সম্পূর্ণ তথ্যের পরিবর্তে সংকেত হিসাবে স্কোর ব্যবহার করার ক্ষমতা
- একটি উদ্দেশ্যমূলক স্কোরকার্ডের সাথে 100% কথোপকথন স্ক্যান করার ক্ষমতা এবং একটি প্রমাণ-ভিত্তিক প্রাথমিক মূল্যায়ন তৈরি করার ক্ষমতা, চূড়ান্ত সিদ্ধান্ত মানুষের উপর ছেড়ে দেওয়ার সময়
- উন্নয়ন এবং অভিজ্ঞতার উন্নতির উদ্দেশ্যে স্বচ্ছতার সাথে এবং শাস্তিমূলক সংস্কৃতি থেকে দূরে মানের ব্যবস্থা প্রতিষ্ঠা করার ক্ষমতা
একটি কল সেন্টারে প্রতিদিন হাজার হাজার কথোপকথন হয়, কিন্তু ক্লাসিক্যাল পদ্ধতির সাহায্যে, মানসম্পন্ন দল শুধুমাত্র তাদের একটি ছোট অংশ শুনতে এবং মূল্যায়ন করতে পারে (বেশিরভাগ জায়গায় 1-2%)। তার মানে 98% কথোপকথন কখনও পরীক্ষা না করেই হারিয়ে গেছে; এমনকি যদি একজন গ্রাহকের সাথে দুর্ব্যবহার করা হয় বা একজন প্রতিনিধি বারবার মিথ্যা তথ্য দেয়, কেউ খেয়াল করতে পারে না। কৃত্রিম বুদ্ধিমত্তা এই ছবিটিকে আমূল পরিবর্তন করে: এটি প্রতিটি কথোপকথন পড়তে এবং মূল্যায়ন করতে পারে। এই ইউনিটে, আমরা দুটি সম্পর্কিত বিষয় কভার করব: অনুভূতি বিশ্লেষণ (গ্রাহক এবং প্রতিনিধির আবেগপূর্ণ স্বর পরিমাপ করা) এবং মান ব্যবস্থাপনা (QA - গুণমান নিশ্চিত করা; মানগুলির সাথে কথোপকথনের সম্মতি মূল্যায়ন)।
প্রথম দুটি পদ। অনুভূতি বিশ্লেষণ হল একটি পাঠ্য বা বক্তৃতার ইতিবাচক, নেতিবাচক বা নিরপেক্ষ আবেগপূর্ণ স্বর; এটি স্বয়ংক্রিয়ভাবে রাগ, সন্তুষ্টি এবং উদ্বেগের মতো পরিস্থিতি সনাক্ত করা। বক্তৃতা বিশ্লেষণ (ইন্টার্যাকশন বিশ্লেষণ) হল সমস্ত কথোপকথনকে সম্মিলিতভাবে বিশ্লেষণ করা এবং প্রবণতা, ঘন ঘন বিষয়, ঝুঁকি এবং সুযোগগুলি বের করা। একসাথে, তারা কল সেন্টারকে "শ্রবণ কান" দেয়: হাজার হাজার কথোপকথন থেকে অর্থ তৈরি করে যা ম্যানেজার পৃথকভাবে শুনতে পারে না।
অনুভূতি বিশ্লেষণ: নাড়ি রাখা
অনুভূতি বিশ্লেষণ দুটি স্তরে কাজ করে। একবচন স্তর: একটি কথোপকথনের সাধারণ টোন দেখায় ("গ্রাহক রাগ শুরু করে, অবশেষে শান্ত হয়") এবং টার্নিং পয়েন্ট। সামগ্রিক স্তর: হাজার হাজার কথোপকথন থেকে "এই সপ্তাহে নেতিবাচক অনুভূতি 18% বেড়েছে, বেশিরভাগই 'বিল'" এর মতো প্রবণতা বের করে। এই তথ্যটি সুবর্ণ: এটি ক্রোধের একটি ক্রমবর্ধমান জোয়ার, একটি পণ্য সমস্যা, বা একটি নতুন প্রচারাভিযানের প্রথম দিকে বিভ্রান্তি দেখায়।
যাইহোক, অনুভূতি বিশ্লেষণ নিখুঁত নয়। তুর্কি ভাষায়, ব্যঙ্গাত্মকতা, বিদ্রুপ এবং ইডিয়মগুলি মডেলটিকে বিভ্রান্ত করতে পারে (বাক্যটি "আপনাকে অনেক ধন্যবাদ, মহান পরিষেবা!" রাগে বলা হতে পারে)। এছাড়াও, সেন্টিমেন্ট স্কোর একটি সংকেত, নির্দিষ্ট সত্য নয়। তাই ব্যক্তি প্রতিনিধিকে শাস্তি দেওয়ার জন্য নয়, প্রবণতা দেখতে এবং মনোযোগের প্রয়োজন এমন কথোপকথনগুলি হাইলাইট করার জন্য অনুভূতি বিশ্লেষণ ব্যবহার করুন।
টিপ: অনুভূতি বিশ্লেষণকে "সতর্কতা" হিসাবে ব্যবহার করুন, "বিচার" নয়। একটি একক নেতিবাচক স্কোর একটি প্রতিনিধি নিন্দা করে না; কিন্তু একটি ক্রমবর্ধমান নেতিবাচকতার প্রবণতা এমন একটি এলাকা নির্দেশ করে যা পরীক্ষা করা প্রয়োজন। মানুষের সাথে সংকেত যাচাই করুন।
গুণমান ব্যবস্থাপনা: 1% এর পরিবর্তে 100% মূল্যায়ন
ক্লাসিক QA-তে, একজন গুণমান বিশেষজ্ঞ একটি মূল্যায়ন ফর্ম সহ কয়েকটি এলোমেলোভাবে নির্বাচিত কলগুলি স্কোর করেন (স্কোরকার্ড—আইটেমগুলি যেমন "সম্ভাষণ দেওয়া হয়েছিল, পরিচয় যাচাই করা হয়েছিল, প্রস্তাবিত সমাধানটি ছিল, সমাপ্তিটি উপযুক্ত ছিল")। এই পদ্ধতিটি ছোট নমুনার আকার, সাবজেক্টিভিটি এবং বিলম্বের সমস্যায় ভুগছে। কৃত্রিম বুদ্ধিমত্তা-সমর্থিত QA-তে, মডেলটি স্বয়ংক্রিয়ভাবে স্কোরকার্ড আইটেম অনুযায়ী সমস্ত কথোপকথন মূল্যায়ন করে; কোন নিবন্ধটি অনুপস্থিত, কোন বক্তৃতা ঝুঁকিপূর্ণ, কোন প্রতিনিধিকে কোন বিষয়ে সমর্থন করা উচিত - এটি সবই দেখায়।
গুরুত্বপূর্ণ পয়েন্ট: AI এর QA স্কোর হল একটি প্রাথমিক স্ক্রীনিং এবং ইঙ্গিত, চূড়ান্ত মূল্যায়ন নয়। এআই বলেছে "এই কথোপকথনটি প্রমাণীকরণের পদক্ষেপটি এড়িয়ে গেছে বলে মনে হচ্ছে"; গুণমান বিশেষজ্ঞ এই চিহ্নিত কথোপকথন পরীক্ষা করে এবং চূড়ান্ত সিদ্ধান্ত নেয়। সুতরাং, হাজার হাজার কথোপকথন শোনার পরিবর্তে, বিশেষজ্ঞ সেই ঝুঁকিপূর্ণ/উদাহরণমূলক কথোপকথনের দিকে মনোনিবেশ করেন যা AI ফ্ল্যাগ করে — উভয়ই ন্যায্য এবং আরও ব্যাপক।
নিম্নলিখিত সারণী দুটি পদ্ধতির তুলনা করে:
আকার
ক্লাসিক QA
এআই-চালিত QA
ব্যাপ্তি
কথোপকথনের 1-2%
100% স্ক্যান করা হয়েছে
সময়কাল
ধীর, হাত শুনছে
তাত্ক্ষণিক স্ক্যান
ধারাবাহিকতা
বিশেষজ্ঞের উপর নির্ভর করে পরিবর্তিত হয়
ক্রমাগত মানদণ্ড প্রয়োগ
সাবজেক্টিভিটি
উচ্চ
মানদণ্ড পরিষ্কার, সংকেত + মানব
চূড়ান্ত সিদ্ধান্ত
বিশেষজ্ঞ
বিশেষজ্ঞ (এআই-এর উপর দৃষ্টি নিবদ্ধ করে)
ঝুঁকি
এড়িয়ে যাওয়া সমস্যা
মিথ্যা চিহ্ন (যাচাই করা আবশ্যক)
ধাপে ধাপে: এআই-চালিত মানের প্রোগ্রাম
- স্কোরকার্ডটি পরিষ্কার করুন: মূল্যায়নের আইটেমগুলি বস্তুনিষ্ঠভাবে এবং পরিমাপযোগ্যভাবে লিখুন (অস্পষ্ট নয় যেমন "সৌজন্যমূলক আচরণ করা হয়েছে", তবে "নাম/উপযুক্ত ঠিকানা দ্বারা গ্রাহককে অভিনন্দন জানানো" এর মতো পরিষ্কার)।
- AI-কে মানদণ্ড দিন: এই আইটেমগুলি অনুসারে প্রতিটি কথোপকথনকে "সম্পন্ন/হয়নি/অস্পষ্ট" হিসাবে রেট দিন; আপনি প্রমাণ বাক্য দেখিয়েছেন.
- ঝুঁকিপূর্ণ বিষয়গুলিকে হাইলাইট করুন: বিশেষজ্ঞের কাছে কম স্কোরিং, রাগান্বিত বা কমপ্লায়েন্স-ঝুঁকিপূর্ণ কথোপকথন আনুন।
- বিশেষজ্ঞ নিশ্চিত করেছেন: চূড়ান্ত স্কোর এবং প্রতিক্রিয়া মানুষের অন্তর্গত; AI যে জায়গাগুলিকে "অনিশ্চিত" বলে সেগুলি অবশ্যই মানুষের জন্য উপলব্ধ।
- এটিকে কোচিংয়ে পরিণত করুন: এজেন্ট বিকাশের জন্য ফলাফলগুলি ব্যবহার করুন — উন্নতির দিকে মনোনিবেশ করুন, শাস্তি নয়।
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) স্কোরকার্ড রেটিং:
নিম্নলিখিত আইটেম অনুযায়ী নিম্নলিখিত বেনামী কথোপকথন মূল্যায়ন করুন. প্রতিটি আইটেমের জন্য: স্ট্যাটাস=[সম্পন্ন/করা হয়নি/অস্পষ্ট] এবং একটি প্রমাণ বাক্য (কথোপকথনের উদ্ধৃতি) দিন। যদি কোন প্রমাণ না থাকে, "অস্পষ্ট" বলুন; guessing.Items: 1) উপযুক্ত অভিবাদন 2) প্রমাণীকরণ 3) সমস্যা বোঝা 4) সঠিক তথ্য/সমাধান 5) বাধ্যতামূলক তথ্য 6) সৌজন্যমূলক সমাপ্তি৷ বক্তৃতা: <<deciphering>>
2) অনুভূতি এবং টার্নিং পয়েন্ট বিশ্লেষণ:
নীচে বেনামী কথোপকথনের মানসিক গতিপথ আঁকুন।- শুরুর স্বর, শেষের স্বর (শান্ত/রাগ/উদ্বেগপূর্ণ/সন্তুষ্ট),- যে মুহূর্তটি আবেগ পরিবর্তন হয়েছিল এবং কেন (উদ্ধৃতি সহ), - রাগ/সঙ্কটের কোনও লক্ষণ ছিল কি, এজেন্ট কীভাবে এটি পরিচালনা করেছিল? লক্ষ্য করুন সম্ভাব্য বিড়ম্বনা; আপনি নিশ্চিত না হলে "অস্পষ্ট" বলুন। বক্তৃতা: <<ট্রান্সক্রিপশন>>
3) সামগ্রিক প্রবণতা প্রতিবেদন:
নীচে এই সপ্তাহের বেনামী কথোপকথন ট্যাগ এবং অনুভূতি স্কোর আছে. (1) সর্বাধিক ক্রমবর্ধমান নেতিবাচক-আবেগের বিষয়, (2) সম্ভাব্য মূল কারণ অনুমান (প্রমাণ), (3) 3টি বিষয় পরীক্ষা করার জন্য সুপারিশ করা হয়েছে। তথ্য থেকে সংখ্যা নিন, তাদের তৈরি করবেন না; অনুমানগুলিকে "নিশ্চিত করা আবশ্যক" হিসাবে চিহ্নিত করুন। ডেটা: <<সারাংশ টেবিল>>
4) কোচিং সারাংশ (এজেন্ট উন্নয়ন):
নিম্নলিখিত মূল্যায়ন করা কথোপকথনের উপর ভিত্তি করে একজন প্রতিনিধির জন্য একটি উন্নয়ন-কেন্দ্রিক, অ-শাস্তিমূলক কোচিং নোট তৈরি করুন। - শক্তি (2), - উন্নতির জন্য এলাকা (2, কংক্রিট উদাহরণ সহ), - 1 প্রস্তাবিত মাইক্রো-লক্ষ্য। ব্যক্তিগত রায়/লেবেলের ব্যবহার। ডেটা: <<স্পিচ রেটিং>>
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
এই প্রতিনিধিটি ভাল বা খারাপ কিনা তা নির্ধারণ করুন।
বিষয়ভিত্তিক, মানদণ্ড ছাড়া, প্রমাণ ছাড়া, শাস্তিমূলক; এটি একটি অন্যায্য এবং অপ্রতিরোধ্য "বিচার" তৈরি করে।
শক্তিশালী প্রম্পট:
6-আইটেম স্কোরকার্ড অনুযায়ী এই বেনামী কথোপকথন মূল্যায়ন করুন; প্রতিটি আইটেমের জন্য, বক্তৃতা থেকে উদ্ধৃতি করা/করা হয়নি/অস্পষ্ট + প্রমাণ। যদি কোন প্রমাণ না থাকে তবে "অস্পষ্ট" বলুন। আমি (মান বিশেষজ্ঞ) চূড়ান্ত সিদ্ধান্ত নেব; আপনি শুধু প্রমাণ সহ একটি প্রাথমিক মূল্যায়ন করুন।
পার্থক্য: মানদণ্ড পরিষ্কার, প্রমাণ বাধ্যতামূলক, অনিশ্চয়তা সৎ, চূড়ান্ত সিদ্ধান্ত ব্যক্তির সাথে থাকে।
তিনটি মিনি কেস
কেস 1 - 100% কভারেজের শক্তি। একটি ব্যাঙ্কে, QA দল প্রতি মাসে ~1,200 কথোপকথন শুনতে পারে (মোট 1.5%)। সমস্ত 80,000 কথোপকথন AI দিয়ে স্ক্যান করা হয়েছিল; দেখা যাচ্ছে যে প্রমাণীকরণের ধাপটি 6% সময় এড়িয়ে গেছে — একটি সম্মতি ঝুঁকি যা ক্লাসিক স্যাম্পলিংয়ের সাথে কখনই দেখা যাবে না। লক্ষ্যযুক্ত কোচিংয়ের সাথে, 2 মাসে এই হার 1%-এর কম হয়ে গেছে।
কেস 2 - বিদ্রূপাত্মক ফাঁদ। একটি ই-কমার্স সেন্টারে, আবেগ মডেল "তুমি মহান, আমি 3 দিন ধরে অপেক্ষা করছি" এর মতো বিদ্রূপাত্মক বাক্যগুলিকে "ইতিবাচক" হিসাবে বিবেচনা করে; তাই কিছু ক্ষুব্ধ গ্রাহক "সন্তুষ্ট" বলে মনে হচ্ছে। যখন মডেলটিকে একমাত্র সিদ্ধান্ত গ্রহণকারী করা হয়নি এবং মানুষের চোখের নমুনা দ্বারা স্কোরগুলি যাচাই করা হয়েছিল, দলটি বিড়ম্বনার ঘটনাগুলিকে আলাদাভাবে চিহ্নিত করেছিল এবং রিপোর্টগুলির নির্ভরযোগ্যতা বৃদ্ধি পেয়েছে। পাঠ: অনুভূতি স্কোর একটি সংকেত, একটি পরম সত্য নয়।
কেস 3 - প্রাথমিক সতর্কতা। একটি টেলিকমের বক্তৃতা বিশ্লেষণে দেখা গেছে যে মঙ্গলবার থেকে শুরু করে 3 দিনের মধ্যে "বিল" সম্পর্কে নেতিবাচক মনোভাব 40% বেড়েছে। তদন্তে দেখা গেছে যে ইনভয়েসগুলি একটি নতুন ট্যারিফের রূপান্তরের ক্ষেত্রে ভুলভাবে প্রতিফলিত হয়েছিল। হাজার হাজার অভিযোগ জমা হওয়ার আগে একটি প্রাথমিক আবেগ সংকেত দ্বারা সমস্যাটি ধরা পড়ে এবং ঠিক করা হয়েছিল। অ্যানালিটিক্স একটি প্রারম্ভিক সতর্কতা ব্যবস্থা এবং সেইসাথে একটি গুণমানের টুল হয়ে উঠেছে।
সাধারণ ভুল
- আবেগ স্কোরকে পরম সত্য হিসাবে বিবেচনা করা। বিদ্রুপ, বাগধারা এবং প্রসঙ্গ মডেলটিকে বিভ্রান্ত করে; সংকেত হিসাবে স্কোর ব্যবহার করুন, মানুষের সাথে যাচাই করুন।
- AI স্কোর তৈরির চূড়ান্ত সিদ্ধান্ত। QA-তে, চূড়ান্ত মূল্যায়ন এবং প্রতিক্রিয়া মানুষের অন্তর্গত; এআই অগ্রসর।
- অস্পষ্ট স্কোরকার্ড আইটেম. "তিনি ভাল আচরণ করেছিলেন" পরিমাপ করা যায় না; উদ্দেশ্যমূলক, যাচাইযোগ্য আইটেম লিখুন।
- QA কে শাস্তির হাতিয়ারে পরিণত করা। লক্ষ্য উন্নয়ন এবং গ্রাহক অভিজ্ঞতা; শাস্তির সংস্কৃতি এজেন্টকে নীরব করে এবং ডেটা নষ্ট করে।
- প্রমাণ ছাড়াই মূল্যায়ন। প্রতিটি অনুসন্ধান বক্তৃতা থেকে একটি উদ্ধৃতি দ্বারা সমর্থিত করা উচিত; অন্যথায় এটিকে "অস্পষ্ট" বলা উচিত।
সতর্কতা: AI এর সাথে সমস্ত কথোপকথন পরিমাপ করা শক্তিশালী কিন্তু সংবেদনশীল। এটিকে এমন একটি সিস্টেমে পরিণত করা যা ক্রমাগত কর্মীদের নিরীক্ষণ এবং শাস্তি দেয় উভয়ই অনৈতিক এবং দলের আস্থা নষ্ট করে। লক্ষ্য গ্রাহক অভিজ্ঞতা এবং এজেন্ট উন্নয়ন উন্নত করা হয়; স্বচ্ছতা এবং উন্নয়ন ফোকাস অপরিহার্য.
সংক্ষেপে
সেন্টিমেন্ট বিশ্লেষণ এবং AI-চালিত গুণমান ব্যবস্থাপনা কল সেন্টারকে হাজার হাজার কথোপকথন শুনতে দেয়: 1% এর পরিবর্তে 100% নমুনা স্ক্যান করা, প্রবণতাগুলি তাড়াতাড়ি ধরা এবং গুণমানের মূল্যায়ন সামঞ্জস্যপূর্ণ রাখা। কিন্তু সেন্টিমেন্ট স্কোর একটি সংকেত, পরম সত্য নয়; QA-তে, চূড়ান্ত সিদ্ধান্ত মানুষেরই। স্কোরকার্ডটি বস্তুনিষ্ঠভাবে লিখুন, প্রতিটি আবিষ্কারকে প্রমাণের জন্য দায়ী করুন, মানুষের জন্য অনিশ্চয়তা ছেড়ে দিন এবং পুরো সিস্টেমটিকে স্বচ্ছতার সাথে প্রতিষ্ঠা করুন, উন্নয়ন এবং অভিজ্ঞতার উন্নতির লক্ষ্যে, শাস্তি নয়।
আবেদন টাস্ক
6টি আইটেম সহ একটি উদ্দেশ্যমূলক স্কোরকার্ড ডিজাইন করুন (প্রতিটি আইটেম পরিমাপযোগ্য এবং প্রমাণযোগ্য হওয়া উচিত)। একটি কাল্পনিক/বেনামী প্রতিলিপি নিন এবং "1) স্কোরকার্ড মূল্যায়ন" এবং "2) সেন্টিমেন্ট বিশ্লেষণ" টেমপ্লেটগুলি প্রয়োগ করুন। মডেলটি যেখানে "অস্পষ্ট" বলে বা যেখানে বিড়ম্বনা থাকতে পারে সেগুলি হাইলাইট করুন এবং লিখুন যে একজন মানব বিশেষজ্ঞ কীভাবে সেগুলি যাচাই করবেন৷ অবশেষে, "4) কোচিং সারাংশ সহ একটি উন্নয়ন-কেন্দ্রিক মেমো তৈরি করুন৷
চেকলিস্ট
- [ ] আমার স্কোরকার্ড আইটেম উদ্দেশ্যমূলক, পরিমাপযোগ্য এবং যাচাইযোগ্য।
- [ ] AI মূল্যায়ন প্রাথমিক স্ক্রীনিং; চূড়ান্ত QA সিদ্ধান্ত এবং প্রতিক্রিয়া মানুষের উপর নির্ভর করে।
- আমি সংকেত হিসাবে সেন্টিমেন্ট স্কোর ব্যবহার করি, পরম সত্য হিসাবে নয়।
- [] প্রতিটি অনুসন্ধান কথোপকথন থেকে প্রমাণের একটি উদ্ধৃতি দ্বারা সমর্থিত হয়; অন্যথায় "অস্পষ্ট"।
- [ ] আমি সিস্টেমটি উন্নয়ন এবং অভিজ্ঞতার উন্নতির উদ্দেশ্যে সেট আপ করেছি, শাস্তি নয়।
- [ ] বিশ্লেষণের উদ্দেশ্য এবং সুযোগ কর্মীদের কাছে স্বচ্ছভাবে ব্যাখ্যা করা হয়েছিল।