कॉल सारांश आणि ऑटो-टॅगिंग: लपेटणे सेकंदांपर्यंत कमी करणे

नफा:

• संरचित आणि लहान कॉल सारांशांसह बंद वर्गीकरणावर आधारित स्वयंचलित टॅगिंग तयार करण्याची क्षमता
• प्रतिनिधींच्या मान्यतेद्वारे सारांश आणि टॅग स्वयंचलितपणे पास करून आणि स्त्रोत मजकूराशी त्यांची तुलना करून बनावट माहिती काढून टाकण्याची क्षमता
• वैयक्तिक/कार्ड डेटा न ठेवता आणि वचनबद्धतेचा अर्थ न लावता सारांश हस्तांतरित करून रॅप-अप वेळ कमी करण्याची क्षमता

प्रतिनिधीचे काम ग्राहकांशी बोलून संपत नाही. प्रत्येक कॉलनंतर, "काय बोलले गेले, काय केले गेले, विषय काय होता" याचा रेकॉर्ड तयार केला पाहिजे. याला रॅप-अप किंवा कॉल नंतरचे काम / ACW असे म्हणतात: प्रतिनिधी संभाषणाचा सारांश देतो, सिस्टममध्ये टर्मिनेशन कोड निवडतो (स्वभाव कोड — कॉलचा विषय/परिणाम दर्शविणारी श्रेणी, उदा. "परत-मंजूर", "तांत्रिक-अयशस्वी") आणि आवश्यक नोट्स लिहितो. हे काम लहान वाटत असले तरी ते खूप मोठे आहे: जर एजंटने दिवसाला 60 कॉल केले तर प्रत्येक कॉलवर 2 मिनिटे खर्च केली तर दिवसाचे 2 तास फक्त नोट्स लिहिण्यात घालवले जातील. शिवाय, थकलेला प्रतिनिधी चिठ्ठी तिरकस लिहितो; नोंदी विसंगत असतील आणि पुढील एजंट किंवा व्यवस्थापक इतिहास समजू शकणार नाहीत.

कृत्रिम बुद्धिमत्ता या कार्यात क्रांती घडवून आणते: ते संभाषणाचा मजकूर (प्रतिलेखन) वाचते आणि काही सेकंदात व्यवस्थित सारांश, अचूक टॅग आणि पुढील चरण सूचना तयार करते. लिहिण्याऐवजी, एजंट पुनरावलोकन करतो आणि मंजूर करतो. या युनिटमध्ये, आपण कॉल सारांश आणि स्वयंचलित टॅगिंग कसे सेट करावे, कशाकडे लक्ष द्यावे आणि पडताळणीची शिस्त कशी असावी ते पाहू.

चांगल्या कॉल सारांशात काय समाविष्ट आहे?

कॉलचा सारांश इतका स्पष्ट असावा की ज्याने ते संभाषण कधीही ऐकले नसेल (पुढील एजंट, व्यवस्थापक, पर्यवेक्षक) ते 15 सेकंदात समजू शकेल. चांगल्या सारांशात खालील गोष्टींचा समावेश होतो: ग्राहकाने का कॉल केला (का कॉल केला), काय केले (प्रतिनिधीने काय केले), परिणाम (त्याचे निराकरण झाले, काय वचन दिले होते), खुले व्यवसाय (काय, असल्यास, फॉलो-अप आवश्यक आहे). खराब सारांश एकतर खूप लांब आहे (संभाषणाच्या ओळीनुसार ब्रेकडाउन) किंवा खूप लहान ("ग्राहकाने कॉल केला, तो हाताळला गेला"). AI मध्ये पडणे खूप चांगले आहे: संरचित, संक्षिप्त आणि पूर्ण.

जेव्हा AI कॉलचे टर्मिनेशन कोड आणि विषय टॅग सुचवते तेव्हा ऑटो-टॅगिंग / डिस्पोझिशन असते. उदाहरणार्थ, AI संभाषणाला "विषय: बिल, उप-विषय: उच्च बिल आक्षेप, परिणाम: आक्षेप-रेकॉर्ड-ओपन, भावना: राग" असे लेबल करते. हे टॅग भविष्यात मोठे मूल्य व्युत्पन्न करतात: व्यवस्थापक "या महिन्यात कोणत्या विषयाला सर्वाधिक विनंत्या प्राप्त झाल्या" आणि "कोणत्या विषयावर समाधान दर सर्वात कमी आहे" या प्रश्नांची उत्तरे सेकंदात देतात. परंतु टॅग काम करण्यासाठी, त्यांना एक सुसंगत टॅग शब्दसंग्रह आवश्यक आहे (वर्गीकरण — एक पूर्वनिर्धारित, मर्यादित आणि श्रेणींची स्पष्ट सूची); जर बॉट विनामूल्य लेबले व्युत्पन्न करत असेल, तर तीन भिन्न लेबले जसे की "इनव्हॉइस", "बिलिंग", "इनव्हॉइस समस्या" दिसून येतील आणि विश्लेषणात व्यत्यय येईल.

खालील सारणी मॅन्युअल आणि एआय-सहाय्यक फिनिशिंगची तुलना करते:

आकार

मॅन्युअल (प्रतिनिधी लेखक)

एआय-सक्षम (एजंट मंजूरी)

कालावधी (प्रति कॉल)

90-150 सेकंद

15-30 सेकंद

सुसंगतता

व्यक्तीनुसार बदलते

उच्च, शब्दकोशावर अवलंबून

पूर्णता

थकवा येतो

स्थिर

लेबल गुणवत्ता

मुक्त, गोंधळलेला

निश्चित वर्गीकरण

धोका

वेळेचे नुकसान, विसंगती

चुकीचा सारांश (सत्यापित करणे आवश्यक आहे)

टीप: स्वयंचलित टॅगिंगकडे जाण्यापूर्वी, वर्गीकरण (बंद टॅग सूची) निश्चित करणे निश्चित करा. AI ला सांगणे "या 20 टॅग्जमधून योग्य ते निवडा" हे "टॅग द विषय" म्हणण्यापेक्षा अधिक विश्वासार्ह आहे.

स्टेप बाय स्टेप: फीड सेट अप करा

1. स्त्रोत तयार करा: संभाषणाचा मजकूर मिळवा (व्हॉइस कॉलमध्ये ASR ट्रान्सक्रिप्ट, चॅटमध्ये कॅन केलेला मजकूर). प्रथम वैयक्तिक/कार्ड डेटा मास्क करा (पुढील युनिटमध्ये तपशीलवार).
2. वर्गीकरण द्या: मॉडेलला वैध टर्मिनेशन कोड आणि विषय टॅगची सूची द्या; त्याला बाहेर जाण्यास मनाई करा.
3. संरचित आउटपुटसाठी विचारा: विनामूल्य परिच्छेदाऐवजी फील्ड केलेले आउटपुट (कारण, क्रिया, परिणाम, फॉलो-अप, टॅग, भावना) विचारा; त्यामुळे ते सिस्टमवर आपोआप लिहीले जाऊ शकते.
4. प्रतिनिधीची मान्यता: सारांश आणि लेबले प्रतिनिधीच्या स्क्रीनवर दिसतात; प्रतिनिधीला ते वाचू द्या, ते दुरुस्त करा आणि 10-20 सेकंदात मंजूर करा. मंजुरीशिवाय रेकॉर्ड करू नका.
5. अभिप्राय: एजंटने केलेल्या सुधारणा गोळा करा आणि वर्गीकरण सुधारा आणि त्वरित.

चार कॉपी करण्यायोग्य टेम्पलेट्स

1) संरचित कॉल सारांश:

खालील निनावी (नाव/कार्ड नाही) ग्राहक मुलाखत उतारा सारांशित करा. उताऱ्यात जे आहे तेच वापरा; अंदाज जोडणे/मेक अप करणे.आउटपुट स्वरूप:- शोधाचे कारण (1 वाक्य):- काय केले गेले (आयटमनुसार):- निकाल (निराकरण / अंशतः / निराकरण झाले नाही):- वचन / वचनबद्धता (असल्यास, शब्दशः):- पाठपुरावा करण्याचे काम (असल्यास): मुलाखत: <<उलगडणे>>

२) वर्गीकरणावर आधारित टॅगिंग:

खालील संभाषण फक्त या सूचींमधून निवडून टॅग करा: विषय: [चालन, माल, परतावा, तांत्रिक, सदस्यत्व, पेमेंट, तक्रार, इतर] निकाल: [निराकरण, आक्षेप_उघडले, हस्तांतरित करा, फॉलो_अपॉइंटमेंट, निराकरण न केलेले] भावना: [शांत, समाधानी, संतप्त, चिंताग्रस्त] "या यादीमध्ये योग्य नसल्यास" / "असेल" निवडल्यास नवीन टॅग तयार करत आहे. आउटपुट JSON: {"topic":"","result":"","emotion":""}संभाषण: <<transscription>>

3) पुढील पायरी / फॉलो-अप सूचना:

खालील संभाषणावर आधारित एजंटसाठी "पुढील पायरी" शिफारस तयार करा. मजकूरातील वचनबद्धता आणि खुल्या कार्यावर आधारित. आउटपुट: (1) कार्य करावयाचे आहे, (2) अंतिम मुदत (मजकूरात उपलब्ध असल्यास), (3) जबाबदार युनिट शिफारस. कोणतीही वचनबद्धता नसल्यास, "कोणतेही फॉलो-अप आवश्यक नाही" असे लिहा. मुलाखत: <<transscription>>

४) गुणवत्ता/विसंगती नियंत्रण:

मुलाखतीच्या उताऱ्याशी खालील प्रतिनिधी सारांशाची तुलना करा. सारांशात अशी काही माहिती आहे जी मुलाखतीत नाही (बनलेली)? मुलाखतीत आहे परंतु सारांशातून गहाळ असलेली काही महत्त्वाची माहिती आहे का? दोन्ही बुलेट पॉइंटवर टिक करा. टिप्पण्या जोडू नका, फक्त तुलना करा. सारांश: <<summary>> मुलाखत: <<transscription>>

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

या संभाषणाचा सारांश आणि लेबल लावा.

अस्पष्ट: कोणतेही स्वरूपन नाही, वर्गीकरण नाही, बनावट बंदी नाही, निनावीपणा नाही. आउटपुट सैल आणि गोंधळलेले आहे आणि लेबले विसंगतपणे दिसतात.

शक्तिशाली सूचना:

खाली निनावी संभाषणाचा सारांश द्या. स्वरूप: कारण / क्रिया / परिणाम / वचनबद्धता / पाठपुरावा. खालील सूचीमधून फक्त टॅग निवडा: विषय=[चालन, शिपिंग, परतावा, तांत्रिक, तक्रार, इतर], परिणाम=[निराकरण, हस्तांतरित, निराकरण न केलेले]. मजकुरात नसलेली कोणतीही माहिती जोडू नका; वचनबद्धता शब्दशः हस्तांतरित करा. मुलाखत: <<transscription>>

फरक: स्वरूप, वर्गीकरण, बनावटीवर बंदी आणि निनावीपणा स्पष्ट आहे.

तीन लहान प्रकरणे

केस 1 - वेळेची बचत. एका कार्गो कंपनीच्या 120 लोकांच्या कॉल टीमने प्रति कॉल सरासरी 110 सेकंद रॅप-अप केले. जेव्हा AI सारांश + लेबल मसुदा सक्रिय केला गेला तेव्हा ही वेळ 25 सेकंदांपर्यंत कमी केली गेली. दररोज 120 संपर्क × 60 कॉल × 85 सेकंद सेव्ह ≈ ~170 तास प्रतिदिन, म्हणजे ~21 पूर्ण शिफ्ट. ही क्षमता कमी प्रतीक्षा वेळ आणि अधिक कठीण कामांसाठी हलविण्यात आली.

केस 2 - काल्पनिक सारांश सापळा. एका विमा केंद्रावर, AI ने वचन लिहिले की "ग्राहकाला 3 व्यावसायिक दिवसांत परत देण्याचे वचन दिले होते", जरी संभाषणात त्याचा कधीही उल्लेख केला गेला नसला तरी (समान संभाषणांमधून मॉडेलने "अंदाज केला"). प्रतिनिधीने मंजुरीशिवाय पाठवले असता ग्राहकाने त्याला या वचनाची आठवण करून दिली. उपाय: "4) गुणवत्ता/विसंगती" पायरी अनिवार्य करा आणि त्यासाठी प्रतिनिधीची मंजुरी आवश्यक आहे. त्यानंतर, बनावट वचनबद्धतेचा दर शून्याच्या जवळपास घसरला.

प्रकरण 3 - लेबल अराजक. बँकेत टॅग रिलीझ झाल्यापासून, 6 महिन्यांत 340 वेगवेगळ्या विषयांचे टॅग तयार केले गेले ("कार्ड", "क्रेडिट कार्ड", "केके", "कार्ड समस्या"...). व्यवस्थापनाचा अहवाल निरर्थक होता. एकदा बंद 22-आयटम वर्गीकरण परिभाषित केले गेले आणि AI ला ते वापरण्यास भाग पाडले गेले, तेव्हा अहवाल अर्थपूर्ण झाले आणि "टॉप 5 विषय" प्रथमच विश्वासार्ह ठरले.

सामान्य चुका

• वर्गीकरणाशिवाय टॅग करणे. मोफत लेबलिंग विश्लेषण कचऱ्यात बदलते; नेहमी बंद यादी वापरा.
• प्रतिनिधी मंजुरी बायपास. सारांश आणि लेबल थेट सिस्टममध्ये मुद्रित केल्याने बनावट माहिती कायमस्वरूपी रेकॉर्डमध्ये बदलते.
• वैयक्तिक डेटा सारांशात हलवित आहे. नाव, आयडी, कार्ड आणि पत्ता सारांशात ठेवू नये; गोषवारा निनावी असणे आवश्यक आहे.
• खूप लांब सारांश. संभाषणाचे लिप्यंतरण केल्याने रॅप-अप वेगवान होत नाही; संक्षिप्त आणि टू-द-पॉइंट सारांशसाठी लक्ष्य ठेवा.
• वचनबद्धतेचा अर्थ लावणे. AI ने अभिवचन/प्रतिबद्धतेचा भाग शब्दशः टिप्पणी न करता व्यक्त केला पाहिजे; "कदाचित वचन दिले" सारखे निष्कर्ष धोकादायक आहेत.

खबरदारी: स्वयंचलित सारांश एजंटच्या दायित्वापासून मुक्त होत नाही; ते वेग वाढवते. सिस्टममध्ये जाणारे प्रत्येक रेकॉर्ड हे मंजूर करणाऱ्या प्रतिनिधीची जबाबदारी असते. मंजूरीशिवाय स्वयंचलित रेकॉर्डिंग = स्वाक्षरी न केलेले मिनिटे.

सारांशात

कॉल सारांश आणि ऑटोमॅटिक टॅगिंग हे सर्वाधिक नफा देणारे AI ऍप्लिकेशन्स आहेत जे एजंटचे सर्वाधिक वेळ घेणारे प्रशासकीय काम (रॅप-अप) सेकंदांपर्यंत कमी करतात. यश तीन गोष्टींवर अवलंबून असते: संरचित आणि संक्षिप्त सारांश स्वरूप, बंद टॅग वर्गीकरण आणि अनिवार्य प्रतिनिधी मान्यता. बनावट माहिती काढून टाकण्यासाठी AI द्वारे उत्पादित केलेल्या सारांशाची स्रोत मजकूरासह तुलना करा, सारांशांमध्ये वैयक्तिक डेटा समाविष्ट करू नका आणि टिप्पणीशिवाय वचनबद्धता हस्तांतरित करा. योग्यरित्या सेट केल्यावर, ते खूप वेळ वाचवते आणि रेकॉर्डिंग गुणवत्ता आणि अहवालक्षमता वाढवते.

अर्ज कार्य

तुमच्या उद्योगासाठी 15-20-आयटम क्लोजिंग वर्गीकरण (विषय + परिणाम + भावना) डिझाइन करा. नंतर एक काल्पनिक किंवा अनामित ग्राहक मुलाखत उतारा घ्या, “1) संरचित सारांश आणि “2) वर्गीकरण-आधारित टॅगिंग” टेम्पलेट्स लागू करा. शेवटी, "4) गुणवत्ता/विसंगती" टेम्प्लेटसह सारांश तपासा आणि बनावट/गहाळ माहितीसाठी अहवाल द्या.

चेकलिस्ट

• [ ] मी क्लोज टर्मिनेशन/विषय वर्गीकरण परिभाषित करतो आणि AI ला सक्ती करतो.
• [ ] माझे सारांश लहान, टू-द-पॉइंट (कारण/कृती/परिणाम/कमिटमेंट/फॉलो-अप) आणि सुसंगत आहेत.
• [] प्रत्येक सारांश आणि टॅग सिस्टमवर लिहिण्यापूर्वी प्रातिनिधिक मान्यता घेतात.
• सारांश आणि लेबल्समध्ये (अनामित) कोणताही वैयक्तिक/कार्ड डेटा ठेवला जात नाही.
• [] मी AI सारांशची तुलना स्त्रोत मजकूराशी करतो आणि खोटी माहिती काढून टाकतो.
• [ ] वचनबद्धता शब्दशः उद्धृत केल्या जातात, अर्थ न लावता.