تحلیل تماس با هوش مصنوعی چگونه انجام می‌شود؟ از مکالمه تا بینش مدیریتی

تحلیل تماس با هوش مصنوعی فرایندی است که طی آن داده‌های حاصل از مکالمات تلفنی بررسی می‌شوند تا موضوع تماس‌ها، نیاز مشتریان، الگوهای تکرارشونده و فرصت‌های بهبود عملکرد مرکز تماس شناسایی شوند. هدف این فناوری صرفاً ضبط یا ذخیره مکالمه نیست؛ بلکه تبدیل اطلاعات پراکنده تماس‌ها به داده‌هایی قابل استفاده برای تصمیم‌گیری مدیریتی است.

مرکز تماس هوشمند · گزارش‌دهی و ارزیابی عملکرد مرکز تماس · تبدیل تماس به فرصت فروش · راهکار مرکز تماس آیساتل

در یک مرکز تماس، هر مکالمه می‌تواند اطلاعاتی درباره نیاز مشتری، مشکلات محصول، کیفیت پاسخ‌گویی، اعتراض‌های رایج یا موانع فروش در اختیار سازمان قرار دهد. با این حال، بررسی دستی تمام مکالمات زمان‌بر است و معمولاً تنها بخشی از تماس‌ها به‌صورت نمونه‌ای ارزیابی می‌شوند.

تحلیل مبتنی بر هوش مصنوعی می‌تواند به بررسی گسترده‌تر مکالمات کمک کند و موضوعاتی را آشکار سازد که در گزارش‌های معمول تماس، مانند تعداد تماس‌های ورودی، مدت مکالمه و تماس‌های ازدست‌رفته، به‌وضوح دیده نمی‌شوند.

در راهکارهای مرکز تماس و تلفن سازمانی ایساتل، تحلیل هوشمند مکالمات می‌تواند به‌عنوان بخشی از فرایند پایش کیفیت، شناخت رفتار مشتری و تهیه گزارش‌های مدیریتی مورد استفاده قرار گیرد؛ البته نوع خروجی‌ها به امکانات پیاده‌سازی‌شده، کیفیت داده‌ها و قابلیت‌های سامانه بستگی دارد.

فرایند تحلیل تماس با هوش مصنوعی معمولاً از چند مرحله تشکیل می‌شود. جزئیات پیاده‌سازی ممکن است در سامانه‌های مختلف متفاوت باشد، اما مسیر کلی از دسترسی به داده مکالمه آغاز می‌شود و به تولید گزارش و استخراج بینش مدیریتی می‌رسد.

نخستین مرحله، دسترسی مجاز به داده‌هایی است که برای تحلیل تماس مورد نیاز هستند. این داده‌ها می‌توانند شامل فایل صوتی مکالمه، زمان تماس، مدت مکالمه، شماره داخلی یا اپراتور، مسیر تماس و نتیجه ثبت‌شده در سامانه باشند.

در این مرحله باید مشخص شود کدام تماس‌ها برای تحلیل انتخاب می‌شوند، داده‌ها از چه منبعی دریافت می‌شوند و چه سطحی از دسترسی برای افراد و سامانه‌های پردازش در نظر گرفته شده است.

کیفیت و کامل بودن داده‌های اولیه اهمیت زیادی دارد. اگر فایل صوتی ناقص باشد یا اطلاعات مربوط به تماس به‌درستی ثبت نشده باشد، نتیجه تحلیل نیز ممکن است ناقص یا گمراه‌کننده باشد.

همچنین ضبط و پردازش مکالمات باید با رعایت الزامات قانونی، اطلاع‌رسانی‌های لازم و سیاست‌های حریم خصوصی سازمان انجام شود.

اگر تحلیل قرار است بر محتوای مکالمه انجام شود، یکی از مراحل احتمالی، تبدیل گفتار به متن یا Speech-to-Text است. در این فرایند، سامانه تلاش می‌کند گفتار مشتری و اپراتور را به متن قابل پردازش تبدیل کند.

متن حاصل می‌تواند مبنای بررسی موضوع مکالمه، شناسایی عبارت‌های پرتکرار، استخراج اطلاعات مشخص و دسته‌بندی تماس‌ها قرار گیرد.

با این حال، کیفیت تبدیل گفتار به متن به عوامل متعددی وابسته است، از جمله:

برای نمونه، اگر سامانه واژه تخصصی یک صنعت یا نام محصول را اشتباه تشخیص دهد، ممکن است در مراحل بعدی نیز موضوع تماس به‌درستی تعیین نشود. به همین دلیل، ارزیابی کیفیت متن تولیدشده، به‌ویژه در کاربردهای حساس، ضروری است.

نکته: همه روش‌های تحلیل تماس الزاماً به متن کامل مکالمه نیاز ندارند. برخی تحلیل‌ها می‌توانند بر داده‌های ساختاریافته تماس یا ویژگی‌های صوتی تکیه کنند؛ اما تحلیل دقیق محتوای گفته‌شده معمولاً به متن قابل اتکا یا فناوری مناسب پردازش گفتار نیاز دارد.

پس از آماده‌سازی داده‌ها، سامانه می‌تواند موضوع اصلی تماس را شناسایی کند یا مکالمه را در یکی از دسته‌بندی‌های تعریف‌شده قرار دهد.

برای مثال، تماس‌های یک شرکت ممکن است در گروه‌های زیر دسته‌بندی شوند:

دسته‌بندی می‌تواند بر اساس قواعد از پیش تعریف‌شده، مدل‌های یادگیری ماشین یا ترکیبی از این روش‌ها انجام شود. در پروژه‌های واقعی، تعریف درست دسته‌ها اهمیت زیادی دارد؛ زیرا دسته‌بندی‌های مبهم یا هم‌پوشان، ارزش گزارش نهایی را کاهش می‌دهند.

با استفاده از این اطلاعات، مدیر می‌تواند متوجه شود چه سهمی از تماس‌ها به پشتیبانی مربوط است، کدام درخواست‌ها بیشتر تکرار می‌شوند و چه موضوعاتی به زمان یا منابع بیشتری نیاز دارند.

پس از دسته‌بندی، می‌توان اطلاعات مهم‌تری را از مکالمات استخراج کرد. هدف این مرحله، عبور از بررسی تک‌تک تماس‌ها و شناسایی روندهایی است که در تعداد زیادی از مکالمات تکرار می‌شوند.

برخی از موارد قابل بررسی عبارت‌اند از:

برای مثال، فرض کنید در مکالمات یک شرکت، تعداد زیادی از مشتریان درباره مراحل فعال‌سازی خدمات سؤال می‌کنند. اگر این الگو در گزارش‌ها مشخص شود، مدیر می‌تواند محتوای راهنما را اصلاح کند، اطلاع‌رسانی پیش از خرید را بهبود دهد یا آموزش اپراتورها را هدفمندتر انجام دهد.

البته مشاهده هم‌زمان دو اتفاق، به‌تنهایی رابطه علت و معلولی را ثابت نمی‌کند. برای مثال، افزایش تماس‌های شکایت لزوماً به معنای عملکرد ضعیف اپراتورها نیست؛ ممکن است تغییر در محصول، اختلال فنی یا افزایش حجم مشتریان نیز در آن نقش داشته باشد.

یکی دیگر از کاربردهای تحلیل هوشمند تماس، کمک به ارزیابی کیفیت مکالمات است. در این بخش، تماس‌ها می‌توانند بر اساس معیارهای مشخص سازمان بررسی شوند؛ معیارهایی مانند رعایت مراحل پاسخ‌گویی، ارائه اطلاعات ضروری، ثبت نتیجه تماس و نحوه مدیریت درخواست مشتری.

بسته به فناوری مورد استفاده، برخی شاخص‌ها را می‌توان از متن یا داده‌های مکالمه استخراج کرد. برای نمونه، می‌توان بررسی کرد که آیا اپراتور به پرسش اصلی مشتری پاسخ داده است، آیا اطلاعات لازم درباره مراحل بعدی ارائه شده و آیا تماس به نتیجه مشخصی رسیده است.

با این حال، همه معیارهای کیفیت را نمی‌توان صرفاً با تحلیل خودکار متن ارزیابی کرد. قضاوت درباره پیچیدگی یک موقعیت، رعایت ظرافت‌های ارتباطی یا مناسب‌بودن یک پاسخ ممکن است به بررسی انسانی نیاز داشته باشد.

بهترین رویکرد این است که تحلیل هوش مصنوعی به‌عنوان ابزار پشتیبان ارزیابی کیفیت استفاده شود؛ ابزاری برای شناسایی تماس‌های نیازمند بررسی، نه جایگزینی کامل برای ارزیاب یا سرپرست مرکز تماس.

در مرحله پایانی، خروجی تحلیل باید به شکلی ارائه شود که مدیر بتواند بر اساس آن تصمیم بگیرد. حجم زیادی از متن، به‌تنهایی گزارش مدیریتی محسوب نمی‌شود؛ گزارش باید روندها، موارد قابل توجه و اقدامات احتمالی را مشخص کند.

برای مثال، یک گزارش تحلیلی می‌تواند به پرسش‌های زیر پاسخ دهد:

برای تبدیل گزارش به اقدام، بهتر است هر یافته به یک مسئول، یک اقدام پیشنهادی و یک شاخص ارزیابی مرتبط شود. در غیر این صورت، حتی تحلیل دقیق نیز ممکن است صرفاً به مجموعه‌ای از نمودارها و آمار تبدیل شود.

گزارش‌های سنتی مرکز تماس معمولاً بر شاخص‌های عملیاتی تمرکز دارند؛ برای مثال، تعداد تماس‌ها، مدت انتظار، میانگین زمان مکالمه، تماس‌های پاسخ‌داده‌شده و تماس‌های ازدست‌رفته. این اطلاعات برای مدیریت ظرفیت و بررسی وضعیت عملیات ضروری هستند.

تحلیل هوشمند مکالمات، در صورت دسترسی به داده مناسب، می‌تواند لایه دیگری از اطلاعات را اضافه کند: محتوای مکالمات و موضوعاتی که پشت آمار عملیاتی قرار دارند.

برای نمونه، افزایش میانگین مدت تماس به‌تنهایی مشخص نمی‌کند که اپراتورها با پرسش‌های پیچیده‌تری مواجه شده‌اند، مشتریان اطلاعات کافی دریافت نمی‌کنند یا یک فرایند داخلی مشکل دارد. بررسی محتوای مکالمات می‌تواند به شناسایی فرضیه‌های محتمل کمک کند تا مدیر آن‌ها را با داده‌های دیگر بررسی کند.

بنابراین، این دو روش رقیب یکدیگر نیستند. ترکیب گزارش‌های عملیاتی با تحلیل محتوای مکالمات، تصویر کامل‌تری از عملکرد مرکز تماس فراهم می‌کند.

برخی سامانه‌های تحلیل مکالمه تلاش می‌کنند نشانه‌هایی از احساسات یا لحن مشتری را شناسایی کنند. این قابلیت ممکن است برای پیدا کردن تماس‌هایی که نیازمند بررسی بیشتر هستند مفید باشد؛ اما نتایج آن باید با احتیاط تفسیر شوند.

تشخیص احساسات از روی صدا یا متن، معادل شناخت قطعی وضعیت روانی مشتری نیست. لحن، شدت صدا، سرعت صحبت‌کردن و انتخاب واژه‌ها ممکن است تحت تأثیر شرایط محیطی، ویژگی‌های فردی، زبان، فرهنگ و موضوع مکالمه قرار بگیرند.

برای مثال، صدای بلند مشتری لزوماً به معنای عصبانیت نیست و پاسخ کوتاه او نیز الزاماً نشان‌دهنده نارضایتی نیست. از سوی دیگر، مشتری ممکن است با لحنی آرام مسئله‌ای جدی را مطرح کند.

به همین دلیل، بهتر است خروجی‌های مرتبط با احساسات به‌عنوان نشانه‌های احتمالی برای بررسی بیشتر در نظر گرفته شوند، نه حقیقت قطعی یا مبنای مستقل تصمیم‌گیری درباره مشتری و اپراتور.

استفاده مؤثر از تحلیل هوشمند مکالمات به شناخت محدودیت‌های فناوری و تعریف فرایندهای کنترلی نیاز دارد.

صدای نامناسب، نویز، قطع‌شدن مکالمه و هم‌زمان صحبت‌کردن طرفین می‌تواند باعث خطا در تبدیل گفتار به متن شود. در نتیجه، دسته‌بندی موضوع و استخراج اطلاعات نیز ممکن است تحت تأثیر قرار گیرد.

عملکرد سامانه در زبان‌ها و گویش‌های مختلف یکسان نیست. همچنین نام برندها، واژه‌های تخصصی و اصطلاحات رایج در هر صنعت ممکن است به تنظیمات یا ارزیابی اختصاصی نیاز داشته باشند. برای تماس‌های فارسی، بررسی کیفیت خروجی روی نمونه‌های واقعی فارسی اهمیت ویژه‌ای دارد.

حتی اگر متن مکالمه به‌درستی تولید شده باشد، تشخیص موضوع یا تفسیر منظور گوینده ممکن است اشتباه باشد. کنایه، جمله‌های ناقص، پاسخ‌های کوتاه و وابستگی معنا به بخش‌های قبلی مکالمه از جمله عوامل دشوار هستند.

احساسات را نمی‌توان با قطعیت از یک عبارت یا ویژگی صوتی نتیجه گرفت. استفاده از این خروجی‌ها باید متناسب با میزان اعتبارسنجی سامانه و حساسیت کاربرد باشد.

مکالمات ممکن است حاوی اطلاعات شخصی، مالی یا محرمانه باشند. بنابراین، پیش از راه‌اندازی تحلیل هوشمند باید مشخص شود داده‌ها کجا پردازش و نگهداری می‌شوند، چه کسانی به آن‌ها دسترسی دارند، چه مدت حفظ می‌شوند و چه سازوکارهایی برای حذف یا محدودکردن دسترسی وجود دارد.

همچنین باید الزامات قانونی مرتبط با ضبط، پردازش و نگهداری مکالمات رعایت شوند. ارسال فایل‌های صوتی به سرویس‌های خارجی یا استفاده از مدل‌های شخص ثالث نیز باید از نظر محل پردازش، شرایط استفاده و حفاظت از داده‌ها بررسی شود.

خروجی هوش مصنوعی باید در برابر نمونه‌های واقعی بررسی شود. بازبینی انسانی به شناسایی خطاها، اصلاح دسته‌بندی‌ها و تعیین میزان قابل اتکا بودن نتایج کمک می‌کند.

به‌ویژه هنگامی که تحلیل بر ارزیابی عملکرد کارکنان، رسیدگی به شکایت‌ها یا تصمیم‌های مهم درباره مشتریان اثر می‌گذارد، نباید تصمیم نهایی صرفاً بر پایه یک امتیاز یا برچسب خودکار گرفته شود.

برای شروع، لازم نیست تمام مکالمات و همه قابلیت‌های هوش مصنوعی به‌صورت هم‌زمان وارد فرایند شوند. یک اجرای مرحله‌ای معمولاً امکان ارزیابی بهتر هزینه، کیفیت و ارزش عملیاتی را فراهم می‌کند.

۱. هدف را مشخص کنید. تعیین کنید مسئله اصلی، شناخت دلایل تماس، بهبود کیفیت پاسخ‌گویی، بررسی شکایت‌ها یا شناسایی فرصت‌های فروش است.

۲. داده‌های در دسترس را بررسی کنید. مشخص کنید آیا ضبط مکالمات، اطلاعات تماس و نتیجه پیگیری به‌صورت منظم ثبت می‌شوند یا خیر.

۳. دسته‌بندی‌های اولیه را تعریف کنید. موضوعات باید با نیاز واقعی سازمان هماهنگ باشند و دسته‌های مبهم یا بیش‌ازحد متعدد ایجاد نشوند.

۴. یک نمونه محدود را تحلیل کنید. گروهی از مکالمات با شرایط متفاوت انتخاب کنید تا کیفیت تبدیل گفتار به متن، دسته‌بندی و گزارش‌ها قابل ارزیابی باشد.

۵. نتایج را با ارزیابی انسانی مقایسه کنید. نمونه‌هایی از خروجی‌ها را با بررسی افراد آشنا به فرایند تماس تطبیق دهید و خطاهای مهم را ثبت کنید.

۶. گزارش را به اقدام مرتبط کنید. برای یافته‌های مهم، مسئول پیگیری و شاخص سنجش نتیجه تعیین کنید.

۷. به‌تدریج دامنه را گسترش دهید. پس از ارزیابی کیفیت، می‌توان دسته‌های بیشتر، گزارش‌های جدید یا اتصال به سامانه‌های دیگر را بررسی کرد.

در این فرایند، موفقیت فقط به انتخاب مدل هوش مصنوعی وابسته نیست؛ کیفیت داده‌ها، طراحی دسته‌بندی، فرایندهای سازمانی و استفاده واقعی مدیران از نتایج نیز نقش مهمی دارند.

ایساتل در حوزه تلفن سازمانی، مرکز تماس و راهکارهای مرتبط با مدیریت ارتباطات کسب‌وکار فعالیت می‌کند. در چنین زیرساختی، تحلیل هوشمند تماس می‌تواند در کنار داده‌های عملیاتی مرکز تماس قرار گیرد تا بررسی مکالمات و تصمیم‌گیری مدیریتی هدفمندتر شود.

بسته به امکانات فعال و نحوه پیاده‌سازی، کاربردهای مرتبط می‌توانند شامل موارد زیر باشند:

قابلیت‌های دقیق هر راهکار به امکانات واقعی محصول، زیرساخت صوتی، سرویس‌های پردازش هوش مصنوعی و نیازهای سازمان بستگی دارد. پیش از انتخاب یا پیاده‌سازی، بهتر است درباره زبان‌های پشتیبانی‌شده، نحوه پردازش و نگهداری داده‌ها، امکان اتصال به CRM، کیفیت خروجی‌ها و شیوه ارزیابی نتایج بررسی عملی انجام شود.

اگر هدف شما تبدیل داده‌های مرکز تماس به اطلاعات قابل استفاده برای مدیریت فروش، پشتیبانی و کیفیت خدمات است، بررسی زیرساخت فعلی تلفن سازمانی و نیازهای تحلیلی کسب‌وکار می‌تواند نقطه شروع مناسبی باشد.

تحلیل تماس با هوش مصنوعی، فرایند تبدیل داده‌های مکالمه به اطلاعاتی برای شناخت بهتر مشتریان و بهبود عملکرد مرکز تماس است. این فرایند می‌تواند از دسترسی به داده صوتی و تبدیل گفتار به متن آغاز شود، با شناسایی موضوع و استخراج الگوها ادامه پیدا کند و در نهایت به گزارش‌های قابل استفاده برای مدیران برسد.

ارزش واقعی این فناوری زمانی نمایان می‌شود که خروجی آن قابل ارزیابی باشد، محدودیت‌های تشخیص و تفسیر به‌درستی در نظر گرفته شوند و اطلاعات به اقدامات مشخصی برای بهبود خدمات، آموزش کارکنان یا اصلاح فرایندها منجر شوند.

برای بررسی کاربرد تحلیل هوشمند تماس در سازمان خود، می‌توانید نیازهای مرکز تماس، زیرساخت تلفنی و اهداف مدیریتی را مشخص کنید و سپس راهکار مناسب را بر اساس قابلیت‌های واقعی، کیفیت خروجی و الزامات امنیتی ارزیابی کنید.