В эпоху цифровых технологий живые голосовые контакты имеют еще большее значение для обеспечения высококачественного обслуживания клиентов. Новые технологии упрощают анализ голосовых данных и обеспечивают долгосрочные результаты.
Эволюция традиционного колл-центра в омниканальный контакт-центр позволила компаниям рассматривать эту функцию не как фактор затрат, а как возможность обеспечить стратегическое, ориентированное на опыт обслуживание клиентов. Поскольку клиенты взаимодействуют через SMS, веб-сайты, чаты и социальные сети, выявление причин, по которым клиенты инициируют контакт, стало основным вариантом использования аналитики практически для любой операции контакт-центра.
Повышенное внимание к обслуживанию клиентов требует от сегодняшних лидеров управления большим количеством данных, чем когда-либо прежде, а по мере того, как все больше транзакций мигрируют из личных каналов, управление данными становится еще более важным для качества обслуживания клиентов. Однако многие компании по-прежнему испытывают трудности с захватом и обработкой голосовых разговоров клиентов. В разных отраслях эти взаимодействия составляют большую часть всего входящего объема, и прогнозы показывают, что эти звонки не исчезнут в ближайшее время. Неспособность анализировать голосовые разговоры затрудняет раскрытие всего потенциала цифровых инвестиций и аналитики для значительного улучшения обслуживания клиентов.
Организации традиционно сталкиваются с тремя основными проблемами, пытаясь понять непосредственный голос клиента. Во-первых, они используют случайные методы ручной выборки звонков, которые фиксируют менее 2 процентов всех взаимодействий, создавая неполные (или нерепрезентативные) наборы необработанных данных. Во-вторых, организации работают с устаревшими системами обработки, которые преобразуют речь в текст, но низкая точность серьезно ограничивает объем полезной информации, которую можно извлечь. В-третьих, организации пытаются превратить точно расшифрованные разговоры в значимые идеи, которые слишком часто не приводят к измеримым инициативам с конечным эффектом.
Однако по мере того, как цифровые инструменты продолжают совершенствоваться, возможности обработки естественного языка в сочетании с отраслевым опытом помогают предприятиям повышать качество, эффективность и качество обслуживания клиентов. Речевые данные дают информацию о клиентах, которую просто невозможно получить из других источников, помогая выявить причины неудовлетворенности клиентов и открывая возможности для улучшения соответствия требованиям, операционной эффективности и производительности агентов.
Результаты включают экономию затрат на 20–30 процентов, повышение уровня удовлетворенности клиентов на 10 и более процентов, а также рост продаж. Компании, которые не могут использовать эту информацию, рискуют отстать от своих конкурентов, поскольку анализ речи становится фундаментальным ожиданием в контакт-центрах.
Повышение производительности колл-центра может стать источником разочарования для многих компаний из-за препятствий на пути к извлечению и пониманию голосовых данных. Эти осложнения принимают разные формы, но речевой анализ часто предлагает решение.
Например, специализированная транспортная компания зависела от голосовых звонков при бронировании, отмене и изменении заказов на услуги, но не знала, какая доля звонков приходится на каждый тип услуг. Это создало множество проблем: плохое прогнозирование, избыточное или недостаточное количество персонала, а также неточное обучение – последняя из которых заключалась в том, что компания не знала, какие навыки нуждаются в поддержке. Речевая аналитика помогла менеджерам понять причины звонков клиентов, а штатное расписание и обучение команды в компании значительно улучшились.
В другой компании клиенты жаловались на неоправданно долгое время обработки: более 60 процентов звонков включали более 20 секунд непрерывного молчания. Компания исторически обвиняла в проблеме ограниченность знаний агентов, но углубленные проверки звонков показали, что проблема в первую очередь связана с медленными системами, а также с отсутствием стандартных процедур и практик в колл-центре. Речевая аналитика помогла компании количественно оценить эти проблемы и подготовить экономическое обоснование обновления систем.
Среднее время обработки (AHT) третьей фирмы постоянно на 10 процентов превышало целевой показатель. Компания предоставила всем агентам одинаковое обучение, независимо от эффективности работы каждого агента, вместо того, чтобы предлагать целевое обучение индивидуальным потребностям в улучшении. Речевой анализ помог организации выявить сильные и слабые стороны каждого агента, что позволило компании снизить AHT, предоставив каждому агенту более конкретные рекомендации по обучению.
В некоторых случаях основные проблемы оказываются на удивление простыми. Одна сеть отелей обнаружила, что качество звука записей ее колл-центров слишком низкое для работы аналитических инструментов. Ограничения в алгоритмах обработки и качестве звука означали, что голоса агентов и клиентов записывались на одной линии, что затрудняло различение их голосов. Сочетание улучшенной диаризации и перехода от моно к стереозаписи помогло различать говорящих, эффективно раскрывая данные внутри записанных разговоров.
Теперь стало возможным решить эти и многие другие трудности, связанные с извлечением и использованием данных колл-центра, особенно неструктурированных голосовых данных. Учёные и другие исследователи продолжают продвигать изучение человеческой речи, используя передовые модели и технологии искусственного интеллекта и обработки естественного языка для развития передовой компьютерной лингвистики. Новейшие подходы к автоматическому распознаванию речи используют языковые модели нейронных сетей, которые учитывают больше данных, обеспечивая более точную транскрипцию. Многие поставщики аналитики усилили свои предложения дополнительными возможностями, включая функции безопасности, такие как автоматическое маскирование данных и защита паролем. Эти инструменты могут включать варианты развертывания локально или через облако.
Тем не менее, несколько подводных камней все еще сохраняются. Но благодаря осведомленности, тщательному планированию и разумному вмешательству компании могут преодолеть их с помощью нескольких широких стратегий.
Неясные или робкие варианты использования. Некоторые компании, не осознавая общей ценности речевого анализа, не могут себе представить, что они будут делать с данными, полученными в результате распознавания речи. Следовательно, аналитические группы могут генерировать базовую информацию о настроениях клиентов, не указывая, как лучше всего использовать результаты — например, стремиться ли к сокращению количества звонков, увеличению продаж или повышению удовлетворенности клиентов.
Плохое контекстуальное распознавание. Ручной подход с использованием словесных тегов для понимания того, что хотят клиенты и сотрудники в разговоре, часто приводит к плохой категоризации. Например, клиент может сказать: «Я не очень доволен вашим обслуживанием». Если словарь данных отразит в этом предложении только слова «очень рад», это неверно классифицирует намерения клиента. Или этот подход может распознавать только одно из множества намерений, присутствующих в одном и том же взаимодействии, как в предложении: «Я получил продукт с опозданием на две недели, и он был неисправен». Узнаваемость бренда также может быть сложной, особенно если продукт или компания известны под псевдонимом или аббревиатурой в дополнение к стандартной форме.
Ограниченные аналитические возможности. Распознавание речи менее ценно, если оно не интегрировано с другими источниками данных. Объединение речевых данных с другими данными о клиенте или телефонии показывает полный контекст звонка, который часто имеет решающее значение для его смысла. Например, если клиент звонил несколько раз по одной и той же проблеме, то основная причина разочарования клиента может быть связана с плохими процессами, а не со способностью конкретного агента решить проблему. Организация может узнать, что один и тот же клиент несколько раз звонил по одной и той же проблеме, только используя данные о клиентах.
Объединение речевых данных с другими данными о клиенте или телефонии показывает полный контекст звонка, который часто имеет решающее значение для его смысла.
Ограниченная масштабируемость. В некоторых организациях за реализацию вариантов использования отвечает только аналитическая группа. Однако без поддержки со стороны других бизнес- и функциональных подразделений прогресс может быстро замедлиться, особенно если изменения в голосовой аналитике будут конкурировать за ограниченные ресурсы среди многих технологических и стратегических приоритетов. Воздействие также может оказаться далеко не таким, как ожидалось, если подразделения не смогут использовать полученные знания, поскольку они не участвовали в их разработке.
Обработка и аналитика естественного языка
Применение возможностей речевого анализа может дать бесконечное количество вариантов использования, от продаж до повышения эффективности работы, и может быть адаптировано к конкретным отраслям. Ниже приведен наш список стандартных, неисчерпывающих вариантов межотраслевого использования.
Увеличение охвата данных. Традиционно организации проверяют качество входящих звонков в среднем два-четыре раза на одного агента в месяц. Изучение всех доступных неструктурированных голосовых данных, а не просто выборки, может улучшить полученную информацию.
Контролируйте KPI. Персонализированная информационная панель визуализации данных позволяет клиентам видеть любое количество моментов разговора: от эскалации начальника и нарушений нормативных требований до удовлетворенности клиентов и AHT. Это может помочь организациям увидеть, насколько хорошо прошло их внедрение, и измерить изменения с течением времени.
Ускорьте время получения идей. Автоматизированная транскрипция с помощью искусственного интеллекта ускоряет анализ и обеспечивает полное покрытие вызовов. Эти шаги могут ускорить время традиционной диагностики почти на 400 процентов, помогая организациям гораздо быстрее внедрять рекомендации.
Выявите скрытые недостатки. Мониторинг различных ключевых показателей эффективности контакт-центра позволяет организациям выявлять недостатки и коренные причины, слыша истинный голос клиента.
Персонализируйте обучение. Помимо отслеживания операционных ключевых показателей эффективности, еще одной важной задачей является встраивание организационных и культурных элементов в основу управления эффективностью. Агенты играют решающую роль в передаче того, что испытывает клиент во время звонков в службу поддержки. Благодаря глубокому анализу каждого звонка клиента, который обрабатывает агент, руководители могут создавать индивидуальные сеансы коучинга для отдельных агентов и руководителей, повышая уровень удовлетворенности клиентов.
Улучшите качество обслуживания клиентов. Анализ настроений позволяет командам рассмотреть факторы, способствующие положительному взаимодействию с клиентами, такие как заявления о сочувствии, и индикаторы негативного опыта клиентов, такие как обострение ситуации со стороны руководителя.
Улучшайте взаимодействие. Информация, основанная на действиях, полученная с помощью речевой аналитики, может создать более позитивную внешнюю среду для общения клиентов с брендом. Он также информирует руководство, какие технологические стратегические инициативы приведут к максимальной отдаче от инвестиций и как компании следует расставить приоритеты в этих инициативах.
Откройте для себя возможности автоматизации. Речевая аналитика может выявить возможности автоматизации. Например, длительные периоды молчания во время звонков часто являются индикатором возможностей автоматизации.
Улучшите возможности самообслуживания. Речевая аналитика может указать процент неудачных вызовов самообслуживания, разбить эти неудачные вызовы по категориям и определить процент вызовов, в которых агент информировал звонящего о вариантах самообслуживания. Компании могут использовать полученные данные для улучшения конкретных вариантов самообслуживания, которые многие звонящие сочли проблематичными.
Увеличьте количество дополнительных и перекрестных продаж. Информация, полученная в результате анализа речи, может указать, какие агенты часто преуспевают в дополнительных и перекрестных продажах. Агенты, которые не так часто добиваются успеха, могут пройти специальную подготовку по этим навыкам.
Сбор данных колл-центра
Компании, которые успешно собирают, извлекают, анализируют и обрабатывают голосовые данные колл-центра, лучше понимают, почему их клиенты звонят, получают представление о том, как они могут улучшить качество обслуживания как своих клиентов, так и сотрудников, а также измеряют удовлетворенность клиентов каждое взаимодействие. Обычно это значительное улучшение по сравнению с использованием нечастых и ненадежных данных опросов клиентов. Сбор данных колл-центра начинается с пяти шагов.
Создайте список вариантов использования. Они могут варьироваться от целевого обучения, автоматизированного обеспечения качества, понимания настроений клиентов, управления персоналом, сокращения мошенничества, сокращения сборов или увеличения продаж. Один внутренний поставщик службы поддержки определил десять вариантов использования, которые помогли ему сэкономить от 20 до 30 процентов затрат и улучшить качество обслуживания клиентов более чем на 10 процентов.
Думайте системно. Согласуйте варианты использования с отраслевыми и стратегическими целями. Метрики — это просто точки данных, но организации могут думать обо всей работе колл-центра, а не об одном показателе.
Сотрудничайте с подходящим поставщиком услуг по анализу речи. Многие поставщики могут проконсультировать по вопросам качества записи звука, предоставить необработанные транскрипции, предложить простой способ понять намерение по транскрипции, правильно определить эмоции и сгенерировать подробные метаданные для декомпозиции вызова.
Слушайте линию фронта. Одна компания создала межфункциональную команду, состоящую из специалистов по обеспечению качества, аналитиков и руководителей бизнес-подразделений, для активной проверки речевой информации среди сотрудников, работающих на переднем крае. Еще одно разложение рабочего времени на несколько мини-сегментов, что помогло супервайзерам эффективно обучать агентов (иллюстрация). Третий разбил объем интервальных вызовов на отдельные типы вызовов и подвызовов, что позволило центру гораздо лучше оценить свою реальную рабочую нагрузку.
Покажи мне деньги. Чтобы получить максимальную отдачу от любых аналитических возможностей, необходимо связать измерения и инициативы с финансовой ценностью. Эта связь может помочь бизнес-лидерам расставить приоритеты в отношении изменений, которые принесут наибольший результат и стимулируют улучшения на всех уровнях контакт-центра.
Получение действенной информации по-прежнему остается сложной задачей. Сложные инструменты прослушивания могут предоставить ценные данные, но организациям необходимы знания и понимание, чтобы понять значение этих данных и использовать их для реализации измеримых инициатив с конечным эффектом. Инвестирование в эффективные и комплексные аналитические возможности, которые интерпретируют результаты голосового анализа, измеряют опыт и быстро внедряют изменения, — это способ получить плоды.
