กำไร:
- ความสามารถในการอ่านแนวโน้มส่วนบุคคลและสรุปรวมด้วยการวิเคราะห์ความรู้สึกและการวิเคราะห์คำพูด และใช้คะแนนเป็นสัญญาณแทนที่จะเป็นข้อเท็จจริงที่แน่นอน
- ความสามารถในการสแกนการสนทนาได้ 100% ด้วยบัตรคะแนนวัตถุประสงค์ และสร้างการประเมินเบื้องต้นตามหลักฐานเชิงประจักษ์ ในขณะที่ปล่อยให้การตัดสินใจขั้นสุดท้ายเป็นหน้าที่ของมนุษย์
- ความสามารถในการสร้างระบบคุณภาพด้วยความโปร่งใสและห่างไกลจากวัฒนธรรมการลงโทษเพื่อวัตถุประสงค์ในการพัฒนาและปรับปรุงประสบการณ์
มีการสนทนาหลายพันรายการทุกวันในศูนย์บริการทางโทรศัพท์ แต่ด้วยวิธีดั้งเดิม ทีมคุณภาพสามารถรับฟังและประเมินได้เพียงส่วนเล็กๆ เท่านั้น (1-2% ในสถานที่ส่วนใหญ่) นั่นหมายความว่า 98% ของการสนทนาหายไปโดยไม่ได้รับการตรวจสอบ แม้ว่าลูกค้าจะได้รับการปฏิบัติอย่างไม่เหมาะสมหรือตัวแทนให้ข้อมูลอันเป็นเท็จซ้ำแล้วซ้ำเล่า ก็ไม่มีใครสังเกตเห็นได้ ปัญญาประดิษฐ์เปลี่ยนแปลงภาพนี้ไปอย่างสิ้นเชิง โดยสามารถอ่านและประเมินทุกบทสนทนาได้ ในหน่วยนี้ เราจะครอบคลุมสองหัวข้อที่เกี่ยวข้อง: การวิเคราะห์ความรู้สึก (การวัดระดับอารมณ์ของลูกค้าและตัวแทน) และการจัดการคุณภาพ (QA - การประกันคุณภาพ การประเมินการปฏิบัติตามการสนทนาด้วยมาตรฐาน)
สองเงื่อนไขแรก การวิเคราะห์ความรู้สึกคือน้ำเสียงทางอารมณ์เชิงบวก ลบ หรือเป็นกลางของข้อความหรือคำพูด คือการตรวจจับสถานการณ์ต่างๆ เช่น ความโกรธ ความพึงพอใจ และความวิตกกังวลโดยอัตโนมัติ การวิเคราะห์คำพูด (การวิเคราะห์ปฏิสัมพันธ์) คือการวิเคราะห์การสนทนาทั้งหมดโดยรวมและแยกแนวโน้ม หัวข้อที่พบบ่อย ความเสี่ยงและโอกาส พวกเขาร่วมกันมอบ "หูการได้ยิน" แก่ศูนย์บริการทางโทรศัพท์: สร้างความหมายจากบทสนทนานับพันที่ผู้จัดการไม่สามารถฟังเป็นรายบุคคลได้
การวิเคราะห์ความรู้สึก: การรักษาชีพจร
การวิเคราะห์ความรู้สึกทำงานในสองระดับ ระดับเอกพจน์: แสดงน้ำเสียงทั่วไปของการสนทนา ("ลูกค้าเริ่มโกรธ และสงบลงในที่สุด") และจุดเปลี่ยน ระดับรวม: แยกแนวโน้ม เช่น “ความรู้สึกเชิงลบเพิ่มขึ้น 18% ในสัปดาห์นี้ ซึ่งส่วนใหญ่เกี่ยวกับ 'ใบเสร็จรับเงิน'” จากการสนทนาหลายพันรายการ ข้อมูลนี้ถือเป็นทองคำ: ตรวจพบกระแสความโกรธที่เพิ่มขึ้น ปัญหาเกี่ยวกับผลิตภัณฑ์ หรือความสับสนเกี่ยวกับแคมเปญใหม่ตั้งแต่เนิ่นๆ
อย่างไรก็ตาม การวิเคราะห์ความรู้สึกยังไม่สมบูรณ์แบบ ในภาษาตุรกี การเสียดสี การประชด และสำนวนอาจทำให้แบบจำลองนี้เข้าใจผิดได้ (ประโยค "ขอบคุณมาก บริการดีเยี่ยม!" อาจเป็นคำพูดด้วยความโกรธ) นอกจากนี้ คะแนนความเชื่อมั่นยังเป็นสัญญาณ ไม่ใช่ความจริงขั้นสุดท้าย ดังนั้นใช้การวิเคราะห์ความรู้สึกไม่ใช่เพื่อลงโทษตัวแทนแต่ละคน แต่เพื่อดูแนวโน้มและเน้นการสนทนาที่ต้องการความสนใจ
เคล็ดลับ: ใช้การวิเคราะห์ความรู้สึกเป็น “การแจ้งเตือน” ไม่ใช่ “การตัดสิน” คะแนนติดลบเพียงคะแนนเดียวไม่ได้ประณามตัวแทน แต่แนวโน้มเชิงลบที่เพิ่มขึ้นบ่งชี้ถึงประเด็นที่ต้องตรวจสอบ ตรวจสอบสัญญาณกับมนุษย์
การจัดการคุณภาพ: การประเมิน 100% แทนที่จะเป็น 1%
ใน QA แบบคลาสสิก ผู้เชี่ยวชาญด้านคุณภาพจะให้คะแนนการโทรที่เลือกแบบสุ่มสองสามรายการด้วยแบบฟอร์มการประเมิน (ดัชนีชี้วัด—รายการต่างๆ เช่น “ได้รับคำทักทาย มีการยืนยันตัวตน เป็นวิธีแก้ปัญหาที่นำเสนอ และเหมาะสมในการปิดการขาย”) วิธีการนี้ประสบปัญหาเรื่องขนาดตัวอย่างที่น้อย ความเป็นตัวของตัวเอง และปัญหาความล่าช้า ใน QA ที่สนับสนุนปัญญาประดิษฐ์ โมเดลจะประเมินการสนทนาทั้งหมดโดยอัตโนมัติตามรายการดัชนีชี้วัด บทความไหนหายไป คำปราศรัยไหนมีความเสี่ยง ตัวแทนคนไหนควรได้รับการสนับสนุน - แสดงให้เห็นทั้งหมด
จุดวิกฤติ: คะแนน QA ของ AI เป็นการคัดกรองและบ่งชี้เบื้องต้น ไม่ใช่การประเมินขั้นสุดท้าย AI บอกว่า “การสนทนานี้ดูเหมือนจะข้ามขั้นตอนการรับรองความถูกต้อง”; ผู้เชี่ยวชาญด้านคุณภาพจะตรวจสอบการสนทนาที่ทำเครื่องหมายไว้เหล่านี้และทำการตัดสินใจขั้นสุดท้าย ดังนั้น แทนที่จะฟังบทสนทนานับพัน ผู้เชี่ยวชาญมุ่งเน้นไปที่การสนทนาที่มีความเสี่ยง/เป็นแบบอย่างซึ่ง AI ทำเครื่องหมาย — ทั้งยุติธรรมและครอบคลุมมากขึ้น
ตารางต่อไปนี้เปรียบเทียบทั้งสองวิธี:
ขนาด
คลาสสิค QA
QA ที่ขับเคลื่อนด้วย AI
ขอบเขต
1-2% ของการสนทนา
สแกน 100%
ระยะเวลา
ช้าๆ ฟังด้วยมือ
สแกนทันที
ความสม่ำเสมอ
แตกต่างกันไปขึ้นอยู่กับผู้เชี่ยวชาญ
นำไปประยุกต์ใช้ตามหลักเกณฑ์อย่างต่อเนื่อง
ความเป็นส่วนตัว
สูง
เกณฑ์ชัดเจน สัญญาณ + มนุษย์
การตัดสินใจขั้นสุดท้าย
ผู้เชี่ยวชาญ
ผู้เชี่ยวชาญ (เน้น AI)
ความเสี่ยง
หนีปัญหา.
สัญญาณเท็จ (ต้องได้รับการตรวจสอบ)
ทีละขั้นตอน: โปรแกรมคุณภาพที่ขับเคลื่อนด้วย AI
- ชี้แจงดัชนีชี้วัด: เขียนรายการประเมินผลอย่างเป็นกลางและวัดผลได้ (ไม่คลุมเครือ เช่น "ปฏิบัติตนอย่างสุภาพ" แต่ชัดเจน เช่น "ทักทายลูกค้าด้วยชื่อ/ที่อยู่ที่เหมาะสม")
- ให้เกณฑ์แก่ AI: ให้คะแนนแต่ละบทสนทนาว่า "เสร็จสิ้น/ไม่เสร็จ/ไม่ชัดเจน" ตามรายการเหล่านี้ คุณแสดงประโยคพิสูจน์
- เน้นประเด็นที่มีความเสี่ยง: นำการสนทนาที่ได้คะแนนต่ำ โกรธเคือง หรือมีความเสี่ยงต่อการปฏิบัติตามกฎระเบียบมาสู่ผู้เชี่ยวชาญ
- ผู้เชี่ยวชาญยืนยันว่า: คะแนนสุดท้ายและผลตอบรับเป็นของมนุษย์ สถานที่ที่ AI เรียกว่า "ไม่แน่นอน" นั้นมีไว้สำหรับมนุษย์อย่างแน่นอน
- เปลี่ยนให้เป็นการฝึกสอน: ใช้สิ่งที่ค้นพบเพื่อการพัฒนาตัวแทน โดยเน้นไปที่การปรับปรุง ไม่ใช่การลงโทษ
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) การให้คะแนนดัชนีชี้วัด:
ประเมินการสนทนาที่ไม่ระบุชื่อต่อไปนี้ตามรายการต่อไปนี้ สำหรับแต่ละรายการ: ให้สถานะ=[เสร็จสิ้น/ไม่เสร็จสิ้น/ไม่ชัดเจน] และประโยค EVIDENCE (คำพูดจากการสนทนา) หากไม่มีหลักฐานให้พูดว่า "ไม่ชัดเจน"; การเดารายการ: 1) คำทักทายที่เหมาะสม 2) การรับรองความถูกต้อง 3) ความเข้าใจปัญหา4) ข้อมูล/แนวทางแก้ไขที่ถูกต้อง 5) ข้อมูลบังคับ 6) การปิดท้ายอย่างสุภาพ คำพูด: <<ถอดรหัส>>
2) การวิเคราะห์ความรู้สึกและจุดเปลี่ยน:
วาดเส้นทางอารมณ์ของการสนทนาโดยไม่ระบุชื่อด้านล่างนี้ - น้ำเสียงเริ่มต้น น้ำเสียงตอนจบ (สงบ/โกรธ/วิตกกังวล/พึงพอใจ)- ช่วงเวลาที่อารมณ์เปลี่ยนไป และเหตุใด (พร้อมคำพูด)- มีสัญญาณของความโกรธ/วิกฤตหรือไม่ เจ้าหน้าที่จัดการกับมันอย่างไร โปรดสังเกตการประชด/เสียดสีที่เป็นไปได้ หากไม่แน่ใจ ให้พูดว่า "ไม่ชัดเจน" คำพูด: <<การถอดเสียง>>
3) รายงานแนวโน้มโดยรวม:
ด้านล่างนี้คือแท็กการสนทนาที่ไม่ระบุชื่อและคะแนนความคิดเห็นของสัปดาห์นี้ (1) หัวข้ออารมณ์เชิงลบที่เพิ่มขึ้นมากที่สุด (2) สมมติฐานสาเหตุที่เป็นไปได้ (พิสูจน์) (3) แนะนำให้ตรวจสอบ 3 หัวข้อ นำตัวเลขมาจากข้อมูล ไม่ต้องประกอบขึ้นมา ทำเครื่องหมายสมมติฐานว่า "ต้องได้รับการยืนยัน" ข้อมูล: <<ตารางสรุป>>
4) สรุปการฝึกสอน (การพัฒนาตัวแทน):
จัดทำบันทึกการฝึกสอนที่เน้นการพัฒนาและไม่มีการลงโทษสำหรับตัวแทน 1 ราย โดยอิงตามการสนทนาที่ได้รับการประเมินต่อไปนี้ - จุดแข็ง (2) - พื้นที่สำหรับการปรับปรุง (2 พร้อมตัวอย่างที่เป็นรูปธรรม) - เป้าหมายย่อยที่แนะนำ 1 รายการ วิจารณญาณส่วนบุคคล/การใช้ป้ายกำกับ ข้อมูล: <<การให้คะแนนคำพูด>>
พรอมต์อ่อน / พรอมต์แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ให้คะแนนว่าตัวแทนรายนี้ดีหรือไม่ดี
อัตนัย, ไม่มีเกณฑ์, ไม่มีหลักฐาน, การลงโทษ; มันก่อให้เกิด "การตัดสิน" ที่ไม่ยุติธรรมและไม่อาจป้องกันได้
พรอมต์อันทรงพลัง:
ประเมินการสนทนาที่ไม่ระบุชื่อนี้ตามดัชนีชี้วัด 6 รายการ สำหรับแต่ละรายการ ให้อ้างอิงคำพูดที่ทำเสร็จแล้ว/ยังไม่เสร็จ/ไม่ชัดเจน + หลักฐานจากสุนทรพจน์ หากไม่มีหลักฐานให้พูดว่า "ไม่ชัดเจน" ฉัน (ผู้เชี่ยวชาญด้านคุณภาพ) จะเป็นผู้ตัดสินใจขั้นสุดท้าย คุณเพียงแค่ทำการประเมินเบื้องต้นพร้อมหลักฐาน
ความแตกต่าง: เกณฑ์ชัดเจน หลักฐานเป็นสิ่งที่จำเป็น ความไม่แน่นอนคือความซื่อสัตย์ การตัดสินใจขั้นสุดท้ายขึ้นอยู่กับบุคคลนั้น
มินิเคสสามอัน
กรณีที่ 1 — พลังของความคุ้มครอง 100% ที่ธนาคารแห่งหนึ่ง ทีม QA สามารถฟังการสนทนาประมาณ 1,200 รายการต่อเดือน (1.5% ของทั้งหมด) สแกนการสนทนาทั้งหมด 80,000 รายการด้วย AI ปรากฎว่าขั้นตอนการรับรองความถูกต้องถูกข้ามไป 6% ซึ่งเป็นความเสี่ยงด้านการปฏิบัติตามข้อกำหนดที่ไม่เคยพบเห็นได้ในการสุ่มตัวอย่างแบบคลาสสิก ด้วยการฝึกสอนแบบกำหนดเป้าหมาย อัตราลดลงเหลือน้อยกว่า 1% ใน 2 เดือน
กรณีที่ 2 — กับดักประชด ในศูนย์อีคอมเมิร์ซ โมเดลอารมณ์ถือเป็นประโยคที่น่าขันเช่น "คุณเยี่ยมมาก ฉันรอมา 3 วันแล้ว" เป็น "แง่บวก"; ลูกค้าที่โกรธแค้นบางคนจึงดูเหมือน "พอใจ" เมื่อแบบจำลองไม่ได้เป็นผู้มีอำนาจตัดสินใจแต่เพียงผู้เดียว และคะแนนได้รับการตรวจสอบโดยการสุ่มตัวอย่างด้วยสายตามนุษย์ ทีมงานได้แยกกรณีของการประชดแยกกัน และความน่าเชื่อถือของรายงานก็เพิ่มขึ้น บทเรียน: คะแนนความเชื่อมั่นเป็นเพียงสัญญาณ ไม่ใช่ความจริงที่แน่นอน
กรณีที่ 3 — การเตือนภัยล่วงหน้า การวิเคราะห์คำพูดที่โทรคมนาคมแห่งหนึ่งแสดงให้เห็นว่าความรู้สึกเชิงลบเกี่ยวกับ "บิล" เพิ่มขึ้น 40% ใน 3 วัน เริ่มตั้งแต่วันอังคาร การสอบสวนพบว่าใบแจ้งหนี้แสดงให้เห็นอย่างไม่ถูกต้องในการเปลี่ยนไปใช้อัตราภาษีใหม่ ปัญหาได้รับการแก้ไขและส่งสัญญาณทางอารมณ์ตั้งแต่เนิ่นๆ ก่อนที่ข้อร้องเรียนหลายพันรายการจะสะสม การวิเคราะห์ได้กลายเป็นระบบเตือนภัยล่วงหน้าและเป็นเครื่องมือที่มีคุณภาพ
ข้อผิดพลาดทั่วไป
- ถือว่าคะแนนอารมณ์เป็นความจริงล้วนๆ การประชด สำนวน และบริบททำให้โมเดลเข้าใจผิด ใช้คะแนนเป็นสัญญาณตรวจสอบกับมนุษย์
- ทำให้คะแนน AI ถือเป็นการตัดสินใจขั้นสุดท้าย ใน QA การประเมินขั้นสุดท้ายและการตอบรับเป็นของมนุษย์ เอไอก้าวหน้า
- รายการดัชนีชี้วัดคลุมเครือ "เขาประพฤติตัวดี" ไม่สามารถวัดได้ เขียนวัตถุประสงค์ รายการที่ตรวจสอบได้
- เปลี่ยน QA เป็นเครื่องมือในการลงโทษ จุดมุ่งหมายคือการพัฒนาและประสบการณ์ของลูกค้า วัฒนธรรมการลงโทษทำให้เจ้าหน้าที่เงียบลงและทำให้ข้อมูลเสียหาย
- การประเมินโดยไม่มีหลักฐาน การค้นพบแต่ละครั้งควรได้รับการสนับสนุนโดยคำพูดจากสุนทรพจน์ ไม่เช่นนั้นก็ควรเรียกว่า "ไม่ชัดเจน"
ข้อควรระวัง: การวัดการสนทนาทั้งหมดด้วย AI นั้นมีประสิทธิภาพแต่มีความละเอียดอ่อน การนำสิ่งนี้มาเป็นระบบที่คอยติดตามและลงโทษพนักงานอย่างต่อเนื่อง ถือเป็นการผิดจรรยาบรรณและทำลายความไว้วางใจของทีม เป้าหมายคือการปรับปรุงประสบการณ์ของลูกค้าและการพัฒนาตัวแทน การมุ่งเน้นความโปร่งใสและการพัฒนาถือเป็นสิ่งสำคัญ
โดยสรุป
การวิเคราะห์ความรู้สึกและการจัดการคุณภาพที่ขับเคลื่อนด้วย AI ช่วยให้ศูนย์บริการทางโทรศัพท์รับฟังการสนทนาหลายพันรายการ โดยสแกนตัวอย่าง 100% แทนที่จะเป็น 1% ติดตามแนวโน้มตั้งแต่เนิ่นๆ และทำให้การประเมินคุณภาพมีความสม่ำเสมอ แต่คะแนนความเชื่อมั่นเป็นเพียงสัญญาณ ไม่ใช่ความจริงสัมบูรณ์ ใน QA การตัดสินใจขั้นสุดท้ายเป็นของมนุษย์ เขียนดัชนีชี้วัดอย่างเป็นกลาง ระบุทุกการค้นพบว่าเป็นหลักฐาน ทิ้งความไม่แน่นอนไว้เป็นหน้าที่ของมนุษย์ และสร้างระบบทั้งหมดด้วยความโปร่งใส โดยมีจุดมุ่งหมายเพื่อการพัฒนาและปรับปรุงประสบการณ์ ไม่ใช่การลงโทษ
งานสมัคร
ออกแบบดัชนีชี้วัดวัตถุประสงค์ที่มี 6 ข้อ (แต่ละรายการควรวัดได้และพิสูจน์ได้) ถอดเสียงจากเรื่องสมมติ/ไม่ระบุชื่อ และใช้เทมเพลต "1) การประเมินบัตรคะแนน" และ "2) การวิเคราะห์ความรู้สึก" เน้นส่วนที่แบบจำลองระบุว่า "คลุมเครือ" หรือส่วนที่อาจมีการประชด และเขียนว่าผู้เชี่ยวชาญที่เป็นมนุษย์ควรตรวจสอบสิ่งเหล่านั้นอย่างไร สุดท้าย ให้จัดทำบันทึกช่วยจำที่เน้นการพัฒนาด้วย “4) สรุปการฝึกสอน”
รายการตรวจสอบ
- [ ] รายการดัชนีชี้วัดของฉันมีวัตถุประสงค์ วัดผลได้ และตรวจสอบได้
- [ ] การคัดกรองเบื้องต้นการประเมิน AI; การตัดสินใจและการตอบรับขั้นสุดท้ายของ QA จะขึ้นอยู่กับมนุษย์
- [ ] ฉันใช้คะแนนความรู้สึกเป็นสัญญาณ ไม่ใช่เป็นความจริงสัมบูรณ์
- [ ] การค้นพบแต่ละครั้งได้รับการสนับสนุนโดยการอ้างอิงหลักฐานจากการสนทนา มิฉะนั้น "ไม่ชัดเจน"
- [ ] ฉันตั้งค่าระบบเพื่อจุดประสงค์ในการพัฒนาและปรับปรุงประสบการณ์ ไม่ใช่การลงโทษ
- [ ] มีการอธิบายวัตถุประสงค์และขอบเขตของการวิเคราะห์ให้พนักงานทราบอย่างโปร่งใส