هوش مصنوعی AI در مراکز تماس، بهعنوان یکی از روشهای کارآمد برای بهبود خدمات مشتریان و افزایش بهرهوری کاربرد دارد. استفاده از هوش مصنوعی در مراکز تماس میتواند منجر به افزایش دقت تحلیل گفتار و متن شود؛ با استفاده از الگوریتمها و مدلهای هوش مصنوعی، میتوان بهصورت خودکار و دقیق، گفتار و متنهای دریافتی از مشتریان را تحلیل کرد.
مرکز تماس اصلیترین نقطه تماس شرکت و مشتریان شما است؛ نحوه برخورد کارشناسان مرکز تماس شما، بهطور مستقیم با نحوه برداشت مشتریان از شرکت شما ارتباط دارد. در این دوران ترکیب هوش مصنوعی در مراکز تماس، اهمیت بیشتری به خود یافته و به کسبوکارها کمک میکند تا بهبود کارایی و خدمت به مشتریان را تجربه کنند.
در ادامه مقاله، از چگونگی قدرت هوش مصنوعی (AI) برای «تحلیل گفتار و متن» در مراکز تماس اطلاعات بیشتری به دست میآورید. موضوعات مهمی مانند مدلهای صوتی، تجزیهوتحلیل احساسات، مدلسازی رفتار، تجزیهوتحلیل سفر مشتری (Journey Customer) و مسیریابی رفتاری پیشبینیشده را برای شخصیسازی تعاملات مشتری با کارشناسان اطلاعات ارزشمندی به دست میآورید.
توسعه مدلهای صوتی و زبانی
سیستمهای مدرن تشخیص گفتار، از هر دو مدل صوتی و یک مدل زبانی برای نمایش خصوصیات آماری گفتار استفاده میکنند. یک مدل صوتی، رابطه بین سیگنال صوتی و واحدهای آوایی آواها را در یکزبان توصیف میکند. مدل زبان، توالی کلمات را در زبان توصیف میکند. ترکیبی از این دو مدل دنبالههای کلمه را در بالاترین رتبه مربوط به یک بخش صوتی نمایش میدهد.
سیستمهای تشخیص صدا از تکنولوژیهای هوش مصنوعی برای تشخیص و تفسیر صداهای مختلف استفاده میکنند؛ این سیستمها میتوانند صداها را تحلیل کنند و از الگوریتمهای یادگیری ماشین برای تشخیص الگوهای صوتی استفاده کنند.
سیستمهای تشخیص گفتار از تکنولوژیهای پیشرفته هوش مصنوعی برای تشخیص و تفسیر گفتار انسانی استفاده میکنند؛ این سیستمها میتوانند گفتار را تبدیل به متن کنند. موتورهای تشخیص گفتار وقتی بهترین عملکرد را دارند که مدلهای صوتی آنها با صدای گفتاری ضبط شده طبق همان سرعت نمونهگیری از گفتار در حال تحلیل، آموزش ببینند.
تجزیه و تحلیل احساسات
تجزیهوتحلیل کلمات گفته شده یا نوشته شده در تعامل، برای بهدستآوردن نکتههایی از پیرامون گفتوگوهای مثبت یا منفی با مشتریان ارزشمند است. حتی مهمتر از آن تجزیهوتحلیل احساسات بین کارشناسان و مشتری است. این موضوع در مورد آنچه بین آنها گفته شده نیست، بلکه در مورد چگونگی گفته شدن و انتقال احساسات است.
در مراکز خدمات مشتری و ارتباط با مشتری، احساسات بهعنوان رویکردی برای سنجش حس و حال میان مشتری و کارشناس شناخته میشود. چگونگی اندازهگیری احساسات برای اینکه واقعاً مؤثر واقع شود، باید بهاندازه کافی ابزار پیشرفته باشد تا بتواند احساسات نسبی کارشناسان و مشتریان را جداگانه برای نتایج دقیقتر شناسایی کند. تجزیهوتحلیل احساسات از مدلهای زبانی جهت یافتن کلمات و عبارات مثبت و منفی، گفتاری یا نوشتاری و همچنین یادگیری ماشین هوش مصنوعی برای پیشبینی نتیجه تعامل استفاده میکند.
معناشناختی این مدلهای زبان، بسیار مهم و کلیدی است، زیرا عبارتهای مثبت میتوانند عبارات منفی را پوشش دهند. مدلها باید آموزش داده شوند تا بادقت کلمات و عبارات را در متن تشخیص دهند؛ برخی از کلمات که به طور معمول به طور مثبت استفاده میشوند نیز میتوانند نشاندهنده کنایه یا ناامیدی مشتری باشند.
بخش نهایی آموزش مدل احساس، مدتزمان تعامل است. هرچه تعامل طولانیتر باشد، فرصتهای بیشتری برای ایجاد نمرهدهی احساسات فراهم میشود؛ بنابراین مهم است که تعاملات طولانیتر با کوتاهترها نرمال شوند تا در مقیاس مشابه نمره بگیرند.
راهحل تجزیهوتحلیل شما باید از قدرت گفتار و تجزیهوتحلیل پیشبینیشده، با استفاده از قابلیتهای Ai برای جذب احساسات مشتری استفاده کند. سپس میتوانید رفتارهای کارشناسانی را که باعث ایجاد سطح رضایت میشوند، شناسایی کرده و در راستای آن برنامههای آموزشی را برنامهریزی کرد.
مدلسازی رفتار باهوش مصنوعی
یادگیری ماشین هوش مصنوعی از دادههای تولید شده در یک مرکز تماس، برای یافتن الگوهای مربوط به دادههای رفتاری غیرساختاریافته استفاده میکند. مدلها با این الگوهای رفتاری آموزش میبینند تا همه تعاملات را کنترل کنند و پیشبینی کنند که کدام تعاملات برای ارزیابی شاخصهای عملکرد اصلی KPI مرکز تماس نیاز به ارزیابی و مربیگری دارند.
مدلهای دادههای رفتاری هنگام تجزیهوتحلیل مکالمه بین یک کارشناس و مشتری در مقایسه با گوشدادن ذهنی انسان، از یک ارزیابیکننده که ممکن است هنگام ارزیابی عملکرد کارشناس مرکز تماس، سوگیری ناخودآگاه داشته باشد، دقت بیشتری را ارائه میدهند.
ازآنجاکه ارزیابی “مهارتهای نرم” مانند گوشدادن و ایجاد رابطه، با این مدلهای رفتار هوش مصنوعی سازگار است، عملکرد کارشناس به طرز چشمگیری بهبود مییابد، بهگونهای که حتی با افزودن تعداد کارمندان برای انجام ارزیابی دستی هم امکانپذیر نیست.
مشتریان شما انتظار دارند که داستان آنها را متوجه شوید؛ داستانهای آنها فقط زمانی میتواند آشکار شود که سازمان شما سفرهای مشتری در کانالها را بررسی کند و باگذشت زمان آنها را ترکیب کرده و درک کند. شکلدادن به سفر مشتری و تجربههای اصلی مشتری، نیاز به یک رویکرد جامع برای تجزیهوتحلیل پیشرفته هوش مصنوعی دارد.
شنیدن از اکثریت ساکت
این مفهوم به معنای گروه بزرگی از افراد نامشخص است که نظرات خود را با پاسخدادن به نظرسنجیها یا مشارکت در جمع، علنی ابراز نمیکنند. سازمان شما همچنین دارای گروهی از مشتریان است که در مورد سازمان شما بازخورد انتقادی میدهند؛ اما نمیخواهند در این باره با شما صحبت کنند.
اینها مشتریان، ساکت شما هستند سازمانها با شناخت مشتریان خود در طول سفر، تجربههای شگفتانگیزی برای آنان ایجاد میکنند. وقتی از تاریخچه مشتریان خودآگاهی داشته باشید، توانایی شما در ارائه خدمات سریع و مؤثر به آنها به میزان قابلتوجهی افزایش مییابد.
سفرهای مشتری گامهایی را که مشتریان برمیدارند و میزان تلاشی که خوب یا بد انجام میدهند، برای انجام یک کار بیان میکنند. اگر از کیفیت سفرهای مشتری خود اطمینان ندارید، نمیتوانید از مشتریان ساکت خود چیزی بشنوید و باید سعی کنید برای بهبود تجربه آنها، بازیها را حدس بزنید. هنگامی که مشتریان خود را از طریق مدل ارتباطی و شخصیت آنها بشناسید، میتوانید تجارب شخصی برای مشتری در مقیاس خوبی ارائه دهید.
یکی از مزایای استفاده از هوش مصنوعی در مراکز تماس، کاهش زمان انتظار مشتریان است؛ با استفاده از الگوریتمها و هوش مصنوعی میتوان به طور خودکار و هوشمندانه، افرادی که ساکت هستند را شناسایی کرد و از این روش زمان انتظار مشتریان را کاهش داد.
تاثیر هوش مصنوعی در بهبود خدمات مشتری
باتوجهبه مزایای استفاده از هوش مصنوعی در مراکز تماس و ابزارهای موجود برای پیادهسازی هوش مصنوعی، مشخص است که تأثیر این فناوری بر بهبود خدمات مشتریان بسیار مثبت است. با افزایش دقت در تحلیل گفتار و متن توسط هوش مصنوعی، ارتقای کیفیت خدمات و افزایش رضایت مشتریان انجامپذیر است؛ همچنین تحلیل دادههای مشتریان توسط هوش مصنوعی میتواند به شناخت الگوهای رفتاری و احساسات مشتریان کمک کرده و امکان بهبود پاسخدهی به مشکلات را فراهم خواهد کرد.
این دومین قسمت از مقاله «کاربرد هوش مصنوعی در مرکز تماس» است. تمام این محتوا برگرفته از کتاب Artificial Intelligence in Contact Center نوشته Andrew Moore و ترجمه آقای علی قنادیان است.