Ręczne katalogi tematów rozmów
Ręczny katalog tematów rozmów ma zwykle postać hierarchicznego drzewa o trzech lub czterech poziomach.
Cel: agenci contact center muszą stopniowo zawężać wybór, aby nie musieli wybierać od razu z listy 400–700 tematów.
Powód: drzewo jest praktycznym kompromisem wynikającym z ograniczeń ludzkiej uwagi i tempa wymaganego podczas pracy ręcznej.
Koszt ręcznej klasyfikacji tematów
Agent poświęca średnio około 10 sekund na ręczny wybór tematu połączenia. Contact center zatrudniające 100 agentów obsługuje około 210 000 połączeń miesięcznie. Oznacza to około 583 godzin pracy miesięcznie przeznaczonych wyłącznie na wybór jednego tematu połączenia. AI może całkowicie uwolnić ten czas.
Przejście na klasyfikację zaprojektowaną dla AI
Wyobraź sobie tradycyjną bibliotekę. Książka może znajdować się tylko na jednej półce. Książkę „Historia lotnictwa wojskowego” trzeba umieścić w dziale Historia albo Transport. Niezależnie od wyboru trudno będzie ją znaleźć poprzez drugą kategorię. Na tym polega klasyfikacja hierarchiczna.
AI korzysta z cyfrowych etykiet, czyli macierzy semantycznej. Nie ograniczają jej fizyczne półki. Ten sam element może otrzymać jednocześnie etykiety #historia, #lotnictwo i #technologia.
AI interpretuje rozmowę w taki sam sposób: jako wielowymiarowy obiekt zawierający kilka niezależnych warstw znaczeniowych.
Problem: dlaczego drzewa hierarchiczne powodują utratę danych
Drzewo utworzone do ręcznego wprowadzania danych może zacząć zniekształcać statystyki biznesowe, gdy zostanie wykorzystane do automatyzacji. Dzieje się tak z trzech głównych powodów:
Utrata nawet 40% powiązanego kontekstu. Rzeczywiste rozmowy z klientami zwykle dotyczą wielu tematów. Jeśli klient zgłasza nieudaną płatność, prosi o zwrot produktu i skarży się na kuriera, agent korzystający z drzewa musi wybrać tylko jedną gałąź. Do statystyk trafia tylko jeden problem, a pozostałe zostają utracone.
Nienaturalny wzrost kategorii Inne do 20–30% połączeń. Ręczny katalog jest statyczny, ale tematy poruszane przez klientów się zmieniają. Jeśli nowy mikrotemat nie istnieje jeszcze w drzewie, rozmowy trafiają do kategorii Inne, a kierownictwo traci ich widoczność.
Duży nakład czasu. Agenci poświęcają średnio 5–15 sekund na wybieranie kategorii i przeklikiwanie gałęzi dla każdego połączenia. W skali contact center oznacza to setki opłacanych godzin, które nie tworzą wartości dla klienta.
Rozwiązanie: przejście od hierarchii do klasyfikacji wektorowej
AI nie potrzebuje folderów ani zagnieżdżonych poziomów. Może analizować całą rozmowę i przekształcać ją w płaską macierz etykiet semantycznych. Jednemu połączeniu można przypisać jednocześnie kilka etykiet o różnych wagach.
Porównanie podejść
Zasada klasyfikacji
Obecne podejście — drzewo hierarchiczne: jedno połączenie oznacza jeden temat, dlatego powiązane problemy zostają utracone.
Nowe podejście — macierz wektorowa AI: jedno połączenie może zawierać kilka tematów, co umożliwia wielowymiarową analitykę i pełniejszy obraz zgłoszeń klientów.
Elastyczność danych
Obecne podejście — drzewo hierarchiczne: struktura jest statyczna, a zmiany wymagają dodatkowego szkolenia pracowników.
Nowe podejście — macierz wektorowa AI: oprócz zdefiniowanej listy tematów system może dostarczać dodatkowych informacji o wcześniej nieznanym kontekście rozmowy.
Obsługa
Obecne podejście — drzewo hierarchiczne: agenci poświęcają czas na ręczne wybieranie gałęzi.
Nowe podejście — macierz wektorowa AI: AI automatycznie klasyfikuje 100% rozmów i może generować dodatkowe szczegółowe opisy.
Bariery automatyzacji: dlaczego AI ma trudności z ręcznym katalogiem
Główną barierą wdrożenia AI jest przeniesienie starego katalogu hierarchicznego bez zmian. Ręczny katalog zaprojektowano tak, aby ograniczać wysiłek agenta, a nie wspierać pogłębioną analitykę biznesową.
Ograniczenia istniejącej struktury
Niewystarczające informacje kontekstowe. Nazwy tematów często składają się tylko z jednego lub dwóch słów, takich jak Awaria czy Błąd. To za mało, aby AI mogła dokładnie dopasować naturalny język klienta do właściwego tematu.
Powielone tematy. To samo znaczenie może występować w różnych gałęziach. Na przykład Zwrot środków może istnieć zarówno w dziale Produkty, jak i Finanse. Agenci kierują się wyuczonymi regułami, ale AI widzi dwie podobne wartości, jeśli pełny kontekst nie wyjaśnia, jak między nimi wybierać.
Nieaktualne kategorie. Ręczne katalogi mogą zachowywać tematy dotyczące zakończonych kampanii, wycofanych produktów lub dawnych problemów, podczas gdy nowe tematy są dodawane zbyt wolno.
Długi ogon rzadko występujących tematów. Wąskie kategorie pojawiające się w mniej niż 1% połączeń tworzą szum. Utrudniają uczenie AI, nie dostarczając istotnej wartości analitycznej.
Skupienie na nawigacji agenta zamiast na logice biznesowej. Stare drzewo jest zoptymalizowane tak, aby agent mógł szybko wykonać kilka kliknięć. Odzwierciedla wygodę interfejsu, a nie rzeczywiste procesy biznesowe, produkty czy potrzeby klientów.
Etap transformacji: przygotowanie katalogu do AI
Przed uruchomieniem klasyfikacji AI należy przeprowadzić obowiązkowy etap przygotowania technologicznego, składający się z trzech kroków:
Przeprowadź audyt i uporządkuj katalog: usuń długi ogon rzadko występujących tematów, usuń nieaktualne kategorie i połącz duplikaty.
Przejdź na macierzową logikę biznesową: uporządkuj tematy w płaskiej strukturze, w której każdy temat jest powiązany z konkretnym procesem od początku do końca, produktem, zespołem wewnętrznym, potrzebą klienta lub innym kontekstem biznesowym. Na przykład: Zespół produktowy → Proces operacyjny → Konkretny problem.
Utwórz macierz semantyczną dla AI: napisz szczegółowe opisy kontekstowe każdego tematu. Wyjaśnij nie tylko nazwę tematu, ale także powiązany z nim kontekst, słowa charakterystyczne i znaczenia wyrażane przez klientów.
Podsumowanie
Takie przygotowanie przekształca ograniczone drzewo tematów, utworzone do ręcznego wyboru, w uporządkowany katalog kontekstów biznesowych. AI może następnie wykorzystywać ten katalog do tworzenia wielowymiarowej analityki biznesowej.