નફો:
- સેન્ટિમેન્ટ વિશ્લેષણ અને ભાષણ વિશ્લેષણ સાથે વ્યક્તિગત અને એકંદર વલણો વાંચવાની ક્ષમતા અને સંપૂર્ણ તથ્યોને બદલે સંકેતો તરીકે સ્કોર્સનો ઉપયોગ કરવાની ક્ષમતા
- ઉદ્દેશ્ય સ્કોરકાર્ડ સાથે 100% વાર્તાલાપ સ્કેન કરવાની અને પુરાવા-આધારિત પ્રારંભિક મૂલ્યાંકન કરવાની ક્ષમતા, અંતિમ નિર્ણય માનવ પર છોડીને
- વિકાસ અને અનુભવ સુધારણાના હેતુ માટે પારદર્શિતા સાથે અને દંડની સંસ્કૃતિથી દૂર ગુણવત્તા પ્રણાલી સ્થાપિત કરવાની ક્ષમતા
કૉલ સેન્ટરમાં દરરોજ હજારો વાર્તાલાપ થાય છે, પરંતુ શાસ્ત્રીય પદ્ધતિ સાથે, ગુણવત્તાયુક્ત ટીમ તેમાંથી માત્ર એક નાના ભાગને સાંભળી અને મૂલ્યાંકન કરી શકે છે (મોટાભાગના સ્થળોએ 1-2%). તેનો અર્થ એ કે 98% વાર્તાલાપ ક્યારેય તપાસ્યા વિના ખોવાઈ જાય છે; જો કોઈ ગ્રાહક સાથે દુર્વ્યવહાર કરવામાં આવે અથવા પ્રતિનિધિ વારંવાર ખોટી માહિતી આપે તો પણ કોઈની નોંધ નહીં આવે. કૃત્રિમ બુદ્ધિ આ ચિત્રને ધરમૂળથી બદલી નાખે છે: તે દરેક વાતચીત વાંચી અને તેનું મૂલ્યાંકન કરી શકે છે. આ એકમમાં, અમે બે સંબંધિત વિષયોને આવરી લઈશું: સેન્ટિમેન્ટ વિશ્લેષણ (ગ્રાહક અને પ્રતિનિધિના ભાવનાત્મક સ્વરને માપવા) અને ગુણવત્તા વ્યવસ્થાપન (QA - ગુણવત્તા ખાતરી; ધોરણો સાથેની વાતચીતના પાલનનું મૂલ્યાંકન).
પ્રથમ બે શરતો. લાગણીનું વિશ્લેષણ એ ટેક્સ્ટ અથવા ભાષણનો હકારાત્મક, નકારાત્મક અથવા તટસ્થ ભાવનાત્મક સ્વર છે; તે ગુસ્સો, સંતોષ અને ચિંતા જેવી પરિસ્થિતિઓને આપમેળે શોધી કાઢવાનો છે. સ્પીચ એનાલિટિક્સ (ઇન્ટરએક્શન એનાલિટિક્સ) એ તમામ વાર્તાલાપનું સામૂહિક રીતે પૃથ્થકરણ કરવું અને વલણો, વારંવાર આવતા વિષયો, જોખમો અને તકો કાઢવાનો છે. સાથે મળીને, તેઓ કૉલ સેન્ટરને "સાંભળવાના કાન" આપે છે: હજારો વાર્તાલાપમાંથી અર્થ ઉત્પન્ન કરે છે જેને મેનેજર વ્યક્તિગત રીતે સાંભળી શકતા નથી.
સેન્ટિમેન્ટ વિશ્લેષણ: પલ્સ રાખવા
સેન્ટિમેન્ટ એનાલિસિસ બે લેવલ પર કામ કરે છે. એકવચન સ્તર: વાતચીતનો સામાન્ય સ્વર ("ગ્રાહક ગુસ્સે થવા લાગ્યો, આખરે શાંત થયો") અને વળાંક દર્શાવે છે. એકંદર સ્તર: હજારો વાર્તાલાપમાંથી "આ અઠવાડિયે નકારાત્મક લાગણી 18% વધી, મોટે ભાગે 'બિલ' વિશે" જેવા વલણોને બહાર કાઢે છે. આ માહિતી સોનેરી છે: તે ગુસ્સાની વધતી જતી ભરતી, ઉત્પાદનની સમસ્યા અથવા નવી ઝુંબેશ વિશે વહેલા મૂંઝવણને પકડે છે.
જો કે, ભાવના વિશ્લેષણ સંપૂર્ણ નથી. ટર્કિશમાં, કટાક્ષ, વક્રોક્તિ અને રૂઢિપ્રયોગો મોડેલને ગેરમાર્ગે દોરી શકે છે (વાક્ય "તમારો ખૂબ ખૂબ આભાર, મહાન સેવા!" ગુસ્સામાં કહેવામાં આવ્યું હશે). ઉપરાંત, સેન્ટિમેન્ટ સ્કોર એ સંકેત છે, નિશ્ચિત સત્ય નથી. તેથી સેન્ટિમેન્ટ એનાલિસિસનો ઉપયોગ વ્યક્તિગત પ્રતિનિધિને સજા આપવા માટે નહીં, પરંતુ વલણો જોવા અને ધ્યાન આપવાની જરૂર હોય તેવી વાતચીતોને હાઇલાઇટ કરવા માટે કરો.
ટિપ: સેન્ટિમેન્ટ વિશ્લેષણનો ઉપયોગ "ચેતવણી" તરીકે કરો, "ચુકાદો" તરીકે નહીં. એકલ નકારાત્મક સ્કોર પ્રતિનિધિની નિંદા કરતું નથી; પરંતુ વધતી જતી નકારાત્મકતાનું વલણ એવા ક્ષેત્રને સૂચવે છે જેને તપાસવાની જરૂર છે. માણસ સાથે સિગ્નલ ચકાસો.
ગુણવત્તા વ્યવસ્થાપન: 1% ને બદલે 100% મૂલ્યાંકન
ક્લાસિક QA માં, ગુણવત્તા નિષ્ણાત મૂલ્યાંકન ફોર્મ સાથે કેટલાક અવ્યવસ્થિત રીતે પસંદ કરેલા કૉલ્સને સ્કોર કરે છે (સ્કોરકાર્ડ—જેમ કે "શુભેચ્છા આપવામાં આવી હતી, ઓળખ ચકાસવામાં આવી હતી, ઓફર કરાયેલ ઉકેલ હતો, બંધ યોગ્ય હતો"). આ પદ્ધતિ નાના નમૂનાના કદ, વ્યક્તિત્વ અને વિલંબની સમસ્યાઓથી પીડાય છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ-સપોર્ટેડ QA માં, મોડલ સ્કોરકાર્ડ આઇટમ્સ અનુસાર આપમેળે બધી વાતચીતોનું મૂલ્યાંકન કરે છે; કયો લેખ ખૂટે છે, કયા ભાષણો જોખમી છે, કયા પ્રતિનિધિને કયા મુદ્દા પર સમર્થન આપવું જોઈએ - તે બધું બતાવે છે.
નિર્ણાયક મુદ્દો: AI નો QA સ્કોર એ પ્રારંભિક સ્ક્રિનિંગ અને સંકેત છે, અંતિમ મૂલ્યાંકન નથી. AI કહે છે કે "આ વાર્તાલાપ પ્રમાણીકરણનું પગલું છોડ્યું હોય તેવું લાગે છે"; ગુણવત્તા નિષ્ણાત આ ચિહ્નિત વાતચીતોની તપાસ કરે છે અને અંતિમ નિર્ણય લે છે. તેથી, હજારો વાર્તાલાપ સાંભળવાને બદલે, નિષ્ણાત જોખમી/અનુકરણીય વાતચીતો પર ધ્યાન કેન્દ્રિત કરે છે જેને AI ફ્લેગ કરે છે - બંને વધુ ન્યાયી અને વધુ વ્યાપક.
નીચેનું કોષ્ટક બે અભિગમોની તુલના કરે છે:
કદ
ક્લાસિક QA
AI-સંચાલિત QA
અવકાશ
1-2% વાતચીત
100% સ્કેન
અવધિ
ધીમા, હાથથી સાંભળવું
ત્વરિત સ્કેન
સુસંગતતા
નિષ્ણાતના આધારે બદલાય છે
માપદંડ પર સતત લાગુ
વ્યક્તિત્વ
ઉચ્ચ
માપદંડ સ્પષ્ટ છે, સંકેત + માનવ
અંતિમ નિર્ણય
નિષ્ણાત
નિષ્ણાત (એઆઈ પર ધ્યાન કેન્દ્રિત કરે છે)
જોખમ
સમસ્યાઓથી બચવું
ખોટું ચિહ્ન (ચકાસાયેલ હોવું આવશ્યક છે)
સ્ટેપ બાય સ્ટેપ: AI સંચાલિત ગુણવત્તા કાર્યક્રમ
- સ્કોરકાર્ડને સ્પષ્ટ કરો: મૂલ્યાંકન આઇટમને ઉદ્દેશ્યથી અને માપી શકાય તેવું લખો ("નમ્રતાથી વર્ત્યા" જેવા અસ્પષ્ટ નહીં, પરંતુ "નામ/યોગ્ય સરનામું દ્વારા ગ્રાહકનું સ્વાગત" જેવું સ્પષ્ટ).
- AI ને માપદંડ આપો: આ આઇટમ્સ અનુસાર દરેક વાર્તાલાપને "પૂર્ણ/ન કર્યું/અસ્પષ્ટ" તરીકે રેટ કરો; તમે સાબિતી સજા બતાવી.
- જોખમી મુદ્દાઓને હાઇલાઇટ કરો: નિષ્ણાંત પાસે ઓછા સ્કોરિંગ, ગુસ્સો અથવા અનુપાલન-જોખમવાળી વાતચીતો લાવો.
- નિષ્ણાત પુષ્ટિ કરે છે: અંતિમ સ્કોર અને પ્રતિસાદ માનવનો છે; AI જે સ્થાનોને "અનિશ્ચિત" કહે છે તે ચોક્કસપણે મનુષ્યો માટે ઉપલબ્ધ છે.
- તેને કોચિંગમાં ફેરવો: એજન્ટ ડેવલપમેન્ટ માટે તારણોનો ઉપયોગ કરો — સુધારણા પર ધ્યાન કેન્દ્રિત કરો, સજા પર નહીં.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) સ્કોરકાર્ડ રેટિંગ:
નીચેની આઇટમ્સ અનુસાર નીચેની અનામી વાતચીતનું મૂલ્યાંકન કરો. દરેક આઇટમ માટે: સ્ટેટસ=[પૂર્ણ/ન કર્યું/અસ્પષ્ટ] અને પુરાવા વાક્ય આપો (વાતચીતમાંથી અવતરણ). જો ત્યાં કોઈ પુરાવા નથી, તો "અસ્પષ્ટ" કહો; ધારણા
2) સેન્ટિમેન્ટ અને ટર્નિંગ પોઈન્ટ વિશ્લેષણ:
નીચે અનામી વાર્તાલાપનો ભાવનાત્મક માર્ગ દોરો.- શરૂઆતનો સ્વર, અંતનો સ્વર (શાંત/ગુસ્સો/ચિંતા/સંતોષ), - લાગણી બદલાઈ ત્યારે અને શા માટે (અવતરણ સાથે), - શું ગુસ્સો/સંકટના કોઈ ચિહ્નો હતા, એજન્ટે તેને કેવી રીતે હેન્ડલ કર્યું? નોંધ શક્ય વક્રોક્તિ;/વ્યંગ જો તમને ખાતરી ન હોય, તો "અસ્પષ્ટ" કહો. સ્પીચ: <<ટ્રાન્સક્રિપ્શન>>
3) એકંદર વલણ અહેવાલ:
નીચે આ અઠવાડિયાના અનામી વાર્તાલાપ ટૅગ્સ અને સેન્ટિમેન્ટ સ્કોર્સ છે. (1) સૌથી વધુ વધતો નકારાત્મક-લાગણીનો વિષય, (2) સંભવિત મૂળ કારણની પૂર્વધારણા (સાબીત), (3) 3 વિષયોની તપાસ કરવાની ભલામણ કરવામાં આવી છે. ડેટામાંથી નંબરો લો, તેમને બનાવશો નહીં; પૂર્વધારણાઓને "પુષ્ટિ થવી જોઈએ" તરીકે ચિહ્નિત કરો. ડેટા: <<સારાંશ કોષ્ટક>>
4) કોચિંગ સારાંશ (એજન્ટ વિકાસ):
નીચેના મૂલ્યાંકિત વાતચીતના આધારે એક પ્રતિનિધિ માટે વિકાસ-કેન્દ્રિત, બિન-શિક્ષાત્મક કોચિંગ નોંધ બનાવો. - શક્તિઓ (2), - સુધારણા માટેનો વિસ્તાર (2, નક્કર ઉદાહરણો સાથે), - 1 સૂચન કરેલ સૂક્ષ્મ-ધ્યેય. વ્યક્તિગત નિર્ણય/લેબલ્સનો ઉપયોગ. ડેટા: <<સ્પીચ રેટિંગ>>
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
આ પ્રતિનિધિ સારો છે કે ખરાબ છે તે રેટ કરો.
વ્યક્તિલક્ષી, માપદંડ વિના, પુરાવા વિના, શિક્ષાત્મક; તે અન્યાયી અને અસુરક્ષિત "ચુકાદો" ઉત્પન્ન કરે છે.
શક્તિશાળી પ્રોમ્પ્ટ:
6-આઇટમ સ્કોરકાર્ડ અનુસાર આ અનામી વાતચીતનું મૂલ્યાંકન કરો; દરેક આઇટમ માટે, ભાષણમાંથી અવતરણ થયું/ન કર્યું/અસ્પષ્ટ + પુરાવા. જો કોઈ પુરાવા ન હોય તો, "અસ્પષ્ટ" કહો. હું (ગુણવત્તા નિષ્ણાત) અંતિમ નિર્ણય લઈશ; તમે માત્ર પુરાવા સાથે પ્રારંભિક મૂલ્યાંકન કરો.
તફાવત: માપદંડ સ્પષ્ટ છે, પુરાવા ફરજિયાત છે, અનિશ્ચિતતા પ્રમાણિક છે, અંતિમ નિર્ણય વ્યક્તિ પર છે.
ત્રણ નાના કેસો
કેસ 1 — 100% કવરેજની શક્તિ. એક બેંકમાં, QA ટીમ દર મહિને ~1,200 વાર્તાલાપ સાંભળી શકે છે (કુલના 1.5%). તમામ 80,000 વાતચીતો AI સાથે સ્કેન કરવામાં આવી હતી; તે તારણ આપે છે કે પ્રમાણીકરણનું પગલું 6% વખત છોડવામાં આવ્યું હતું - એક અનુપાલન જોખમ જે ક્લાસિક નમૂના સાથે ક્યારેય જોવામાં આવશે નહીં. લક્ષિત કોચિંગ સાથે, 2 મહિનામાં દર ઘટીને 1% કરતા ઓછો થઈ ગયો.
કેસ 2 - વક્રોક્તિ છટકું. એક ઈ-કોમર્સ સેન્ટરમાં, ઈમોશન મોડેલે માર્મિક વાક્યો જેવા કે "તમે મહાન છો, હું 3 દિવસથી રાહ જોઈ રહ્યો છું" ને "પોઝિટિવ" ગણાવ્યો; તેથી કેટલાક નારાજ ગ્રાહકો "સંતુષ્ટ" જણાતા હતા. જ્યારે મોડેલને એકમાત્ર નિર્ણય લેનાર બનાવવામાં આવ્યો ન હતો અને માનવ આંખ સાથે નમૂના લઈને સ્કોર્સની ચકાસણી કરવામાં આવી હતી, ત્યારે ટીમે વક્રોક્તિના કેસોને અલગથી ચિહ્નિત કર્યા હતા અને અહેવાલોની વિશ્વસનીયતામાં વધારો થયો હતો. પાઠ: સેન્ટિમેન્ટ સ્કોર એ સંકેત છે, સંપૂર્ણ સત્ય નથી.
કેસ 3 - પ્રારંભિક ચેતવણી. એક ટેલિકોમના સ્પીચ એનાલિટિક્સ દર્શાવે છે કે મંગળવારથી શરૂ થતા 3 દિવસમાં "બિલ" ની આસપાસ નકારાત્મક લાગણી 40% વધી છે. તપાસમાં જાણવા મળ્યું કે નવા ટેરિફમાં સંક્રમણમાં ઇન્વોઇસ ખોટી રીતે પ્રતિબિંબિત થયા હતા. હજારો ફરિયાદો એકઠી થાય તે પહેલાં સમસ્યા પ્રારંભિક લાગણી સંકેત દ્વારા પકડવામાં આવી હતી અને તેને ઠીક કરવામાં આવી હતી. એનાલિટિક્સ એ પ્રારંભિક ચેતવણી પ્રણાલી તેમજ ગુણવત્તાયુક્ત સાધન બની ગયું છે.
સામાન્ય ભૂલો
- લાગણીના સ્કોરને સંપૂર્ણ સત્ય તરીકે ધ્યાનમાં લેવું. વક્રોક્તિ, રૂઢિપ્રયોગ અને સંદર્ભ મોડેલને ગેરમાર્ગે દોરે છે; સિગ્નલ તરીકે સ્કોરનો ઉપયોગ કરો, માનવ સાથે ચકાસો.
- AI સ્કોર બનાવવાનો અંતિમ નિર્ણય. QA માં, અંતિમ મૂલ્યાંકન અને પ્રતિસાદ માનવનો છે; AI આગળ વધે છે.
- અસ્પષ્ટ સ્કોરકાર્ડ વસ્તુઓ. "તે સારું વર્તન કર્યું" માપી શકાતું નથી; ઉદ્દેશ્ય, ચકાસી શકાય તેવી વસ્તુઓ લખો.
- QA ને સજા માટેના સાધનમાં ફેરવવું. હેતુ વિકાસ અને ગ્રાહક અનુભવ છે; સજાની સંસ્કૃતિ એજન્ટને ચૂપ કરે છે અને ડેટાને બગાડે છે.
- પુરાવા વિના મૂલ્યાંકન. દરેક શોધને ભાષણના અવતરણ દ્વારા સમર્થન આપવું જોઈએ; અન્યથા તેને "અસ્પષ્ટ" કહેવું જોઈએ.
સાવધાન: AI સાથેની તમામ વાતચીતને માપવી એ શક્તિશાળી પરંતુ સંવેદનશીલ છે. કર્મચારીઓને સતત દેખરેખ રાખતી અને સજા કરતી સિસ્ટમમાં આને ફેરવવું એ બંને અનૈતિક છે અને ટીમના વિશ્વાસને નષ્ટ કરે છે. ધ્યેય ગ્રાહક અનુભવ અને એજન્ટ વિકાસ સુધારવા માટે છે; પારદર્શિતા અને વિકાસ પર ફોકસ જરૂરી છે.
સારાંશમાં
સેન્ટિમેન્ટ વિશ્લેષણ અને AI-સંચાલિત ગુણવત્તા વ્યવસ્થાપન કૉલ સેન્ટરને હજારો વાર્તાલાપ સાંભળવા આપે છે: 1% ને બદલે 100% નમૂનાનું સ્કેનિંગ, વહેલા વલણોને પકડવા અને ગુણવત્તા મૂલ્યાંકનને સુસંગત રાખવું. પરંતુ સેન્ટિમેન્ટ સ્કોર એ સંકેત છે, સંપૂર્ણ સત્ય નથી; QA માં, અંતિમ નિર્ણય માનવનો છે. સ્કોરકાર્ડને ઉદ્દેશ્યપૂર્વક લખો, દરેક તારણો પુરાવાને એટ્રિબ્યુટ કરો, અનિશ્ચિતતા મનુષ્યો પર છોડી દો અને સમગ્ર સિસ્ટમને પારદર્શિતા સાથે સ્થાપિત કરો, વિકાસ અને અનુભવ સુધારણાના ઉદ્દેશ્ય સાથે, સજાના નહીં.
એપ્લિકેશન કાર્ય
6 વસ્તુઓ સાથે એક ઉદ્દેશ્ય સ્કોરકાર્ડ ડિઝાઇન કરો (દરેક આઇટમ માપી શકાય તેવી અને સાબિત કરી શકાય તેવી હોવી જોઈએ). એક કાલ્પનિક/અનામી ટ્રાન્સક્રિપ્ટ લો અને "1) સ્કોરકાર્ડ મૂલ્યાંકન" અને "2) સેન્ટિમેન્ટ વિશ્લેષણ" નમૂનાઓ લાગુ કરો. એવા વિસ્તારોને હાઇલાઇટ કરો કે જ્યાં મોડેલ "અસ્પષ્ટ" કહે છે અથવા જ્યાં વક્રોક્તિ હોઈ શકે છે અને લખો કે માનવ નિષ્ણાતે તેમને કેવી રીતે ચકાસવું જોઈએ. અંતે, “4) કોચિંગ સારાંશ સાથે વિકાસ-કેન્દ્રિત મેમો બનાવો.
ચેકલિસ્ટ
- [ ] મારા સ્કોરકાર્ડની વસ્તુઓ ઉદ્દેશ્ય, માપી શકાય તેવી અને ચકાસી શકાય તેવી છે.
- AI મૂલ્યાંકન પ્રારંભિક સ્ક્રીનીંગ; અંતિમ QA નિર્ણય અને પ્રતિસાદ માનવ પર રહેલો છે.
- [ ] હું સેન્ટિમેન્ટ સ્કોરનો સિગ્નલ તરીકે ઉપયોગ કરું છું, સંપૂર્ણ સત્ય તરીકે નહીં.
- [ ] દરેક શોધને વાતચીતના પુરાવાના અવતરણ દ્વારા સમર્થન મળે છે; અન્યથા "અસ્પષ્ટ".
- [ ] મેં સિસ્ટમની સ્થાપના વિકાસ અને અનુભવ સુધારણા માટે કરી છે, સજા માટે નહીં.
- [ ] વિશ્લેષણનો હેતુ અને અવકાશ કર્મચારીઓને પારદર્શક રીતે સમજાવવામાં આવ્યો હતો.