LA IA en el análisis de conversaciones de clientes

¿Cuál es el papel de la inteligencia artificial en el análisis de conversaciones de clientes? ¿Cómo usamos la inteligencia artificial para obtener información valiosa de las conversaciones con clientes?  

Estas dos preguntas, si trabajas en Customer Experience y tienes interes en la tecnología, seguro que te las has hecho. Sin embargo, la gran pregunta cuando se trata de obtener información valiosa de las conversaciones con los clientes es otra: ¿cómo la tecnología le da sentido a una conversación grabada? 

Todas las tecnologías de procesamiento del habla, como la transcripción, el reconocimiento automático del habla, el procesamiento del lenguaje natural y otras, forman parte de la respuesta. La adecuada, que, además, es muy técnica. 

Y es que hablamos de algo que no es nada sencillo. ¿Cómo tomamos una gran cantidad de datos no estructurados y le damos sentido? Muchas grandes empresas y Call Center, han estado grabando sus llamadas durante años y no tienen forma de utilizar esa información u obtener datos relevantes de ella. 

Porque resulta que es muy difícil automatizar el proceso de entendimiento de contexto de una conversación grabada. De forma clara el primer desafío para la inteligencia artificial en el análisis de conversaciones de clientes es aplicar una estructura a los datos no estructurados. 

Usar inteligencia artificial en el análisis de conversaciones de clientes para estructurar datos no estructurados 

Supongamos que comenzamos con una llamada telefónica. Y la grabamos, lógicamente. ¿Qué ocurre? 

• Paso 1: Precisión de grabación 

Primero, cogemos la grabación (audio no estructurado) y ejecutamos una serie de procesos de inteligencia artificial y aprendizaje automático con esa grabación de audio. Esto limpia la grabación para hacerla más precisa. 

• Paso 2: Transcripción 

A continuación, ejecutamos la llamada limpia a través de un motor de transcripción. Esto nos permite convertir ese audio no estructurado en texto no estructurado. 

• Paso 3: Extraer las ideas 

Finalmente, ahora que tenemos una transcripción precisa de esa llamada, podemos utilizar muchos tipos de tecnología para obtener conocimientos de ese conjunto de información no estructurado y obtener significado de él. 

Una vez que llegamos al paso tres y obtenemos esa transcripción precisa, en ese punto, comenzamos a ver que suceden muchas cosas en esa conversación. Podemos ver qué texto pertenece al agente, cuál al cliente, etc. Podemos entender los silencios, por ejemplo. Muchas cosas y detalles. Determinar qué significa esa información es la próxima gran pregunta. Y ahí es donde realmente ocurre la magia.

Ahora que hemos cubierto los conceptos básicos de cómo se puede aplicar la inteligencia artificial en el análisis de conversaciones de clientes y cómo la usamos, hablemos de algunos desafíos comunes. 

Compartiremos algunos obstáculos que muchas personas experimentan con este tipo de tecnología y cómo nos hemos adaptado para superarlos.  

Desafío n. ° 1: Transcripciones defectuosas 

Un problema común cuando se trata de análisis de conversaciones son las transcripciones defectuosas. Todos hemos visto transcripciones fonéticas, que solían ser muy frecuentes, y parecen diccionarios. Esas transcripciones están llenas de palabras parciales y no reflejan la forma en que hablarían las personas. 

Puede captar la esencia de lo que está sucediendo, pero es casi indescifrable como conversación. Lo mejor que puede hacer es detectar palabras clave, lo que no ayuda con el contexto. No es muy útil en términos de ayudarlo a comprender los contornos generales de lo que va bien y lo que está mal en la experiencia del cliente.  

Solución: tecnología ASR 

Cuando nos enfrentamos al problema de las tecnologías de transcripción defectuosas, el mercado se ha adaptado. En estos días, la transcripción ASR es el estándar para la transcripción, y por una buena razón. 

Esta tecnología transmite toda la conversación en palabras completas, llenando los vacíos que deja la transcripción fonética utilizando la tecnología de inteligencia artificial. Esto no solo nos brinda la capacidad de descubrir el problema en esa conversación; también se presta a conocimientos más amplios. 

Sobre esto, es importante que si tu contexto es el del Call Center… ¡utilices un motor de transcripción desarrollado para ese entorno! El de Upbe está desarrollado para entender la complejidad de las llamadas de un Call Center. 

Desafío n. ° 2: el tono 

Otro método analítico común en nuestra industria es el tono. Muchas herramientas utilizan inteligencia artificial para rastrear el tono del cliente mediante la modulación del audio. Intentan evaluar si el cliente parece molesto. 

Esto es útil en determinadas circunstancias, y definitivamente hay elementos de tono que nos ayudan a entender cómo el cliente percibe una información o interacción. Pero, en última instancia, el tono no es muy específico. No proporciona contexto, solo te dice cómo se siente alguien en ese momento. 

Solución: utilizar el contexto para generar información 

El problema de confiar en el tono es que no da contexto. Solo sabes que alguien está molesto, no por qué está molesto. Es por eso que los modelos tienen como objetivo detectar el contexto oculto en las emociones subyacentes articuladas a lo largo de la conversación. Esto es algo que podemos hacer con Upbe. Podemos colocar esas percepciones de tono en un contexto más amplio, junto con el quién, qué, cómo y por qué. Podemos decirle que el cliente está molesto, por qué está molesto y qué está haciendo (o no haciendo) el agente para solucionarlo. Cuando se trata de tomar decisiones comerciales reales, ese tipo de conocimiento es absolutamente fundamental. 

Desafío n. ° 3: falsos positivos y negativos 

Otra lucha en la inteligencia artificial y el análisis de conversaciones de clientes es el problema de los falsos positivos y los falsos negativos. Estos son resultados que cuando detecta palabras clave, pueden dañar mucho sus resultados, ya sabes. 

Solución: categorías basadas en aprendizaje automático 

Abordamos este problema con categorías basadas en el aprendizaje automático. Una categoría es un bloque de frases y enunciados que significan el mismo concepto. Agregar constantemente elementos a esos blqoues es importantísmo. Enriqueciendo los análisis de la herramienta con más información de calidad. 

Dedicar tiempo a auditar esas categorías para asegurarnos de que eliminan los falsos positivos y los falsos negativos, de modo que tengan un nivel de precisión muy alto, es fundamental. 

La inteligencia artificial en análisis de conversaciones de clientes es el futuro 

Este es solo el comienzo del papel de la inteligencia artificial en el análisis de conversaciones. A medida que la tecnología avanza y la investigación se profundiza, sabemos que llegará cosas nuevas. Estamos ansiosos por profundizar y obtener más información sobre la voz del cliente. Así que estad atentos: definitivamente hay más por venir.