تجزیه و تحلیل احساسات و مدیریت کیفیت: QA با تجزیه و تحلیل گفتار

سود:

• توانایی خواندن روندهای فردی و انبوه با تجزیه و تحلیل احساسات و تجزیه و تحلیل گفتار و استفاده از نمرات به عنوان سیگنال به جای واقعیات مطلق
• امکان اسکن 100% مکالمات با کارت امتیازی عینی و تولید یک ارزیابی اولیه مبتنی بر شواهد و در عین حال واگذاری تصمیم نهایی به انسان
• توانایی استقرار سیستم کیفیت با شفافیت و به دور از فرهنگ کیفری به منظور توسعه و بهبود تجربه

هر روز هزاران مکالمه در یک مرکز تماس وجود دارد، اما با روش کلاسیک، تیم با کیفیت فقط می‌تواند بخش کوچکی از آن‌ها را گوش داده و ارزیابی کند (در اکثر مکان‌ها 1 تا 2 درصد). این بدان معناست که 98 درصد مکالمات بدون بررسی از بین می روند. حتی اگر با مشتری بدرفتاری شود یا نماینده ای به طور مکرر اطلاعات نادرست ارائه دهد، هیچ کس ممکن است متوجه شود. هوش مصنوعی این تصویر را به شدت تغییر می دهد: می تواند هر مکالمه را بخواند و ارزیابی کند. در این واحد به دو موضوع مرتبط می پردازیم: تحلیل احساسات (اندازه گیری لحن احساسی مشتری و نماینده) و مدیریت کیفیت (QA - Quality Assurance؛ ارزیابی انطباق مکالمات با استانداردها).

دو ترم اول تحلیل احساسات، لحن عاطفی مثبت، منفی یا خنثی یک متن یا گفتار است. این برای تشخیص خودکار موقعیت هایی مانند خشم، رضایت و اضطراب است. تجزیه و تحلیل گفتار (تحلیل تعامل) تجزیه و تحلیل همه مکالمات به طور جمعی و استخراج روندها، موضوعات متداول، خطرات و فرصت ها است. آنها با هم به مرکز تماس "گوش های شنوایی" می دهند: ایجاد معنا از هزاران مکالمه ای که مدیر نمی تواند به صورت جداگانه به آنها گوش دهد.

تجزیه و تحلیل احساسات: حفظ نبض

تحلیل احساسات در دو سطح کار می کند. سطح مفرد: لحن کلی یک مکالمه ("مشتری عصبانی شد، در نهایت آرام شد") و نقاط عطف را نشان می دهد. سطح کل: روندهایی مانند "احساس منفی 18٪ افزایش در این هفته، عمدتا در مورد "صورتحساب" را از هزاران گفتگو استخراج می کند. این اطلاعات طلایی است: موج فزاینده‌ای از خشم، مشکل محصول یا سردرگمی در مورد یک کمپین جدید را زودتر جلب می‌کند.

با این حال، تحلیل احساسات کامل نیست. در زبان ترکی، طعنه، کنایه و اصطلاحات می توانند مدل را گمراه کنند (جمله «خیلی ممنون، خدمات عالی!» ممکن است با عصبانیت گفته شده باشد). همچنین، نمره احساسات یک سیگنال است، نه حقیقت قطعی. بنابراین از تجزیه و تحلیل احساسات نه برای تنبیه یک نماینده، بلکه برای مشاهده روندها و برجسته کردن گفتگوهایی که نیاز به توجه دارند استفاده کنید.

نکته: از تحلیل احساسات به عنوان «هشدار» استفاده کنید نه «قضاوت». یک امتیاز منفی یک نماینده را محکوم نمی کند. اما روند افزایشی منفی نشان دهنده حوزه ای است که نیاز به بررسی دارد. سیگنال را با انسان بررسی کنید.

مدیریت کیفیت: 100% ارزیابی به جای 1%

در QA کلاسیک، یک کارشناس کیفیت چند تماس به‌طور تصادفی انتخاب شده را با یک فرم ارزیابی امتیاز می‌دهد (کارت امتیاز - مواردی مانند "آیا سلام داده شد، هویت تأیید شد، راه حل ارائه شد، آیا بسته شدن مناسب بود"). این روش از حجم نمونه کوچک، موضوعیت و مسائل تاخیر رنج می برد. در QA با پشتیبانی از هوش مصنوعی، مدل به طور خودکار همه مکالمات را بر اساس موارد کارت امتیازی ارزیابی می کند. کدام مقاله غایب است، کدام سخنرانی خطرناک است، کدام نماینده باید در کدام موضوع مورد حمایت قرار گیرد - همه آنها را نشان می دهد.

نکته مهم: امتیاز QA هوش مصنوعی یک غربالگری و نشانه اولیه است، نه ارزیابی نهایی. هوش مصنوعی می‌گوید «به نظر می‌رسد این مکالمه از مرحله احراز هویت عبور کرده است». کارشناس کیفیت این مکالمات علامت گذاری شده را بررسی می کند و تصمیم نهایی را می گیرد. بنابراین، به جای گوش دادن به هزاران مکالمه، متخصص بر روی مکالمات مخاطره‌آمیز/نمونه‌ای تمرکز می‌کند که هوش مصنوعی پرچم‌گذاری می‌کند - هم منصفانه‌تر و هم جامع‌تر.

جدول زیر این دو رویکرد را با هم مقایسه می کند:

اندازه

QA کلاسیک

QA مبتنی بر هوش مصنوعی

دامنه

1-2 درصد مکالمات

100% اسکن شده

مدت

گوش دادن آهسته و دستی

اسکن فوری

سازگاری

بسته به متخصص متفاوت است

به طور مداوم به معیار اعمال می شود

ذهنیت

بالا

معیار مشخص است، سیگنال + انسان

تصمیم نهایی

متخصص

متخصص (تمرکز بر هوش مصنوعی)

ریسک

فرار از مشکلات

علامت نادرست (باید تأیید شود)

گام به گام: برنامه کیفیت مبتنی بر هوش مصنوعی

1. کارت امتیازی را روشن کنید: موارد ارزیابی را به طور عینی و قابل اندازه‌گیری بنویسید (نه مبهم مانند «مهربانانه عمل کرد»، اما واضح مانند «به مشتری با نام/آدرس مناسب خوش آمد گفت».
2. معیارها را به هوش مصنوعی بدهید: با توجه به این موارد، هر مکالمه را به عنوان "انجام نشده/انجام نشده/نامفهوم" رتبه بندی کنید. جمله اثباتی رو نشون دادی
3. موارد پرخطر را برجسته کنید: مکالمات کم امتیاز، عصبانی یا پرخطر را به متخصص بیاورید.
4. کارشناس تایید کرد: امتیاز و بازخورد نهایی متعلق به انسان است. مکان هایی که هوش مصنوعی آن ها را «نامشخص» می نامد، قطعاً در دسترس انسان ها هستند.
5. آن را به مربیگری تبدیل کنید: از یافته‌ها برای توسعه عامل استفاده کنید - با تمرکز بر بهبود، نه تنبیه.

چهار قالب قابل کپی

1) رتبه بندی کارت امتیازی:

مکالمه ناشناس زیر را با توجه به موارد زیر ارزیابی کنید. برای هر مورد: وضعیت=[انجام شد/انجام نشد/نامفهوم] و یک جمله شواهد (نقل از گفتگو). اگر شواهدی وجود ندارد، بگویید «نامشخص»؛ حدس زدن موارد: 1) احوالپرسی مناسب 2) احراز هویت 3) درک مسئله4) اطلاعات/راه حل صحیح 5) اطلاعات اجباری 6) بسته شدن محترمانه. گفتار: <<رمزگشایی>>

2) تحلیل احساسات و نقطه عطف:

مسیر عاطفی مکالمه ناشناس را در زیر ترسیم کنید.- لحن شروع، لحن پایانی (آرام/عصبانی/مضطرب/راضی)،- لحظه ای که احساس تغییر کرد و چرا (با نقل قول)،- آیا علائمی از عصبانیت/بحران وجود داشت، نماینده چگونه با آن برخورد کرد؟ به کنایه/طعنه احتمالی توجه کنید. اگر مطمئن نیستید، بگویید "نامفهوم". گفتار: <<رونویسی>>

3) گزارش روند کل:

در زیر برچسب‌های گفتگوی ناشناس و نمرات احساسات این هفته آمده است. (1) فزاینده ترین موضوع احساسات منفی، (2) فرضیه علت ریشه ای احتمالی (اثبات)، (3) 3 موضوع پیشنهادی برای بررسی. اعداد را از داده ها بگیرید، آنها را درست نکنید. فرضیه ها را به عنوان "باید تایید" علامت گذاری کنید. داده ها: <<خلاصه جدول>>

4) خلاصه کوچینگ (توسعه عامل):

بر اساس گفتگوهای ارزیابی شده زیر، یادداشت مربیگری متمرکز بر توسعه و غیر تنبیهی برای نماینده ONE تهیه کنید. - نقاط قوت (2)، - حوزه برای بهبود (2، با مثالهای عینی)، - 1 هدف خرد پیشنهادی. قضاوت شخصی/استفاده از برچسب ها. داده ها: <<رتبه بندی گفتار>>

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

خوب یا بد بودن این نماینده را ارزیابی کنید.

ذهنی، بدون معیار، بدون مدرک، کیفری; یک «قضاوت» ناعادلانه و غیرقابل دفاع تولید می کند.

اعلان قدرتمند:

این مکالمه ناشناس را با توجه به کارت امتیازی 6 موردی ارزیابی کنید. برای هر مورد، نقل قول انجام شده / انجام نشده / نامشخص + شواهد از سخنرانی. اگر هیچ مدرکی وجود ندارد، بگویید "نامشخص". من (کارشناس کیفیت) تصمیم نهایی را خواهم گرفت. شما فقط یک ارزیابی اولیه با شواهد انجام دهید.

تفاوت: ملاک روشن است، مدرک اجباری است، عدم قطعیت صادقانه است، تصمیم نهایی با شخص است.

سه کیف کوچک

مورد 1 - قدرت پوشش 100٪. در یک بانک، تیم QA می توانست به 1200 مکالمه در ماه گوش دهد (1.5٪ از کل). همه 80000 مکالمه با هوش مصنوعی اسکن شدند. به نظر می رسد که مرحله احراز هویت 6٪ از مواقع نادیده گرفته می شود - یک خطر انطباق که هرگز با نمونه گیری کلاسیک دیده نمی شود. با کوچینگ هدفمند، این میزان در 2 ماه به کمتر از 1 درصد کاهش یافت.

مورد 2 - تله کنایه. در یک مرکز تجارت الکترونیک، مدل احساسی جملات کنایه آمیزی مانند "تو عالی هستی، من 3 روز است منتظرم" را "مثبت" در نظر گرفت. بنابراین برخی از مشتریان عصبانی "راضی" به نظر می رسیدند. زمانی که مدل تنها تصمیم گیرنده نبود و نمرات با نمونه برداری با چشم انسان تأیید شد، تیم موارد کنایه را به طور جداگانه علامت گذاری کرد و قابلیت اطمینان گزارش ها افزایش یافت. درس: نمره احساسات یک سیگنال است، نه یک حقیقت مطلق.

مورد 3 - هشدار اولیه. تجزیه و تحلیل گفتار در یکی از مخابرات نشان داد که احساسات منفی در مورد «قبض» در 3 روز، از روز سه شنبه، 40 درصد افزایش یافته است. بررسی نشان داد که فاکتورها به اشتباه در انتقال به تعرفه جدید منعکس شده است. قبل از انباشته شدن هزاران شکایت، مشکل با یک سیگنال هیجانی اولیه شناسایی و برطرف شد. تجزیه و تحلیل به یک سیستم هشدار اولیه و همچنین یک ابزار کیفیت تبدیل شده است.

اشتباهات رایج

• در نظر گرفتن نمره عاطفه به عنوان حقیقت مطلق. کنایه، اصطلاح و زمینه مدل را گمراه می کند. از امتیاز به عنوان سیگنال استفاده کنید، با انسان تأیید کنید.
• گرفتن امتیاز هوش مصنوعی تصمیم نهایی. در QA، ارزیابی و بازخورد نهایی متعلق به انسان است. هوش مصنوعی پیشرفت می کند
• موارد کارت امتیازی مبهم «او خوب رفتار کرد» را نمی توان سنجید. موارد عینی و قابل تأیید را بنویسید.
• تبدیل QA به ابزاری برای مجازات. هدف توسعه و تجربه مشتری است. فرهنگ مجازات عامل را ساکت می کند و داده ها را خراب می کند.
• ارزیابی بدون مدرک هر یافته باید با یک نقل قول از سخنرانی پشتیبانی شود. در غیر این صورت باید آن را "نامشخص" نامید.

احتیاط: اندازه گیری همه مکالمات با هوش مصنوعی قدرتمند اما حساس است. تبدیل این سیستم به سیستمی که دائماً کارکنان را نظارت و تنبیه می کند، هم غیراخلاقی است و هم اعتماد تیم را از بین می برد. هدف بهبود تجربه مشتری و توسعه نمایندگی است. شفافیت و تمرکز توسعه ضروری است.

به طور خلاصه

تجزیه و تحلیل احساسات و مدیریت کیفیت مبتنی بر هوش مصنوعی به مرکز تماس گوش می دهد تا هزاران مکالمه را بشنود: اسکن 100٪ نمونه به جای 1٪، دریافت زودهنگام روندها و حفظ ارزیابی کیفیت یکنواخت. اما نمره احساسات یک سیگنال است، نه حقیقت مطلق. در QA تصمیم نهایی متعلق به انسان است. کارت امتیازی را به طور عینی بنویسید، هر یافته را به شواهد نسبت دهید، عدم قطعیت را به انسان ها واگذار کنید، و کل سیستم را با شفافیت، با هدف توسعه و بهبود تجربه، نه مجازات، ایجاد کنید.

وظیفه کاربردی

یک کارت امتیازی هدف با 6 مورد طراحی کنید (هر مورد باید قابل اندازه گیری و اثبات باشد). یک رونوشت ساختگی/ناشناس بگیرید و از الگوهای "1) ارزیابی کارت امتیازی" و "2) تحلیل احساسات" استفاده کنید. مناطقی را که مدل «مبهم» می‌گوید یا ممکن است طنز وجود داشته باشد را برجسته کنید و بنویسید که چگونه یک متخصص انسانی باید آنها را تأیید کند. در نهایت، یک یادداشت مبتنی بر توسعه با "4) خلاصه کوچینگ تهیه کنید.

چک لیست

• [ ] آیتم های کارت امتیازی من عینی، قابل اندازه گیری و تأیید هستند.
• [ ] غربالگری اولیه ارزیابی هوش مصنوعی؛ تصمیم نهایی QA و بازخورد با انسان است.
• [ ] من از نمرات احساسات به عنوان سیگنال استفاده می کنم، نه به عنوان حقیقت مطلق.
• [ ] هر یافته با نقل قولی از شواهد از گفتگو پشتیبانی می شود. در غیر این صورت "نامشخص".
• [ ] من سیستم را با هدف توسعه و تجربه بهبود تنظیم کردم، نه مجازات.
• [ ] هدف و دامنه تجزیه و تحلیل به طور شفاف برای کارکنان توضیح داده شد.