- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Allgemeine Felder (früher Entitäten)
- Bezeichnungen (Vorhersagen, Konfidenzniveaus, Hierarchie usw.)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Überprüfte und nicht überprüfte Nachrichten
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Verwaltung
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen Sie eine Datenquelle in der GUI
- Hochladen einer CSV-Datei in eine Quelle
- Ein neues Dataset erstellen
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern Sie die Einstellungen eines Datasets
- Löschen Sie Nachrichten über die Benutzeroberfläche
- Löschen Sie ein Dataset
- Löschen Sie eine Quelle
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Vorbereiten von Daten für den CSV-Upload
- Modelltraining und -wartung
- Verstehen von Beschriftungen, allgemeinen Feldern und Metadaten
- Bezeichnungshierarchie und bewährte Methode
- Definieren Ihrer Taxonomieziele
- Analyse- vs. Automatisierungsanwendungsfälle
- Konvertieren Ihrer Ziele in Bezeichnungen
- Erstellen Ihrer Taxonomiestruktur
- Best Practices für den Taxonomieentwurf
- Ihre Taxonomie wird importiert
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung (NEU)
- Verstehen des Status Ihres Datasets
- Best Practice für Modelltraining und Anmerkungen
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Trainieren
- Einführung in Verfeinerung
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- Wie funktioniert die Validierung?
- Verstehen und Verbessern der Modellleistung
- Warum kann eine Bezeichnung eine geringe durchschnittliche Genauigkeit haben?
- Training mit Beschriftung „Überprüfen“ und Beschriftung „Verpasst“.
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Abgleichs und Verwendung des Abgleichs
- Wann das Training Ihres Modells beendet werden soll
- Verwenden von allgemeinen Feldern
- Generative Extraktion
- Verwenden von Analyse und Überwachung
- Automatisierungs- und Communications Mining
- Lizenzierungsinformationen
- Häufige Fragen und mehr
Analyse- vs. Automatisierungsanwendungsfälle
Jeder Anwendungsfall fällt in der Regel in eine von zwei Kategorien, basierend auf den beabsichtigten Ergebnissen (d. h Ziele): Analyse und Überwachung oder Automatisierung (manchmal kann es jedoch beides sein).
Diese beabsichtigten Ergebnisse bestimmen, wie wir unsere Daten mit Anmerkungen versehen und unsere Taxonomien strukturieren.
Wenn Ihr Ziel es ist, eine detaillierte Analyse für einen Kommunikationskanal zu erhalten, kann dies die Art und Weise, wie Sie Ihr Modell strukturieren und trainieren, erheblich beeinflussen, wenn Ihr Ziel darin besteht, eingehende Anforderungen automatisch in verschiedene Workflow-Warteschlangen weiterzuleiten.
Bevor Sie eine Taxonomie erstellen, um entweder analytische oder automatisierungsbezogene Ziele zu erreichen, sollten Sie die Unterschiede zwischen den beiden Arten etwas verstehen:
Ziele
- Das Ziel eines Analyse- und Überwachungs-Datasets besteht normalerweise darin, ein detailliertes Verständnis der verschiedenen Prozesse, Probleme und Stimmungen in einem oder mehreren Kommunikationskanälen zu erhalten.
- Diese Datasets bieten erste Einblicke, nachdem das Modell trainiert wurde, und eine kontinuierliche Möglichkeit, Änderungen und Trends innerhalb des Datasets im Laufe der Zeit zu überwachen.
- Sie helfen kontinuierlich dabei, Möglichkeiten für Verbesserungen innerhalb des Kommunikationskanals zu identifizieren, zu quantifizieren und zu priorisieren – sei es zur Verbesserung der Effizienz, der Kundenerfahrung oder der Kontrolle.
- Sie reduzieren auch das Risiko, dass der erwartete ROI von Änderungsinvestitionen nicht erreicht wird, indem die Möglichkeiten effektiv quantifiziert werden.
Beispiele
- Erkennen Sie genau die hilfreichsten Änderungsmöglichkeiten, um den ROI für bestimmte Initiativen zu steigern und das Risiko zu reduzieren, dass der erwartete Nutzen nicht geliefert wird.
- Verbessert die Kundenzufriedenheit und Servicequalität, indem wirksame Verbesserungen bei Produkten und Dienstleistungen identifiziert und vorangetrieben werden.
- Reduziert Probleme mit Auswirkungen auf den Client und interne Service-to-Serve-Kosten.
- Bessere Ansprache potenzieller Kunden und Ermöglichung einer proaktiven Kundenbindung durch Messung von CLV-Treibern.
- Erhöhen Sie die Sichtbarkeit und Kontrolle von Risiken, die in Kommunikationskanälen durch Überwachung und Warnungen verborgen sind, um sicherzustellen, dass die Teilnehmer die benötigten Daten dann erhalten, wenn sie diese benötigen, und um eine proaktive Behebung zu ermöglichen.
- Stellen Sie Qualitätssicherung in allen Kundensupport-Teams bereit und überwachen Sie die effektive Lösung von Agenten.
- Ermöglichen Sie Vorgesetzten, Leistungsprobleme proaktiv anzugehen.
Beschriftung
- Angesichts ihres Zwecks verfügen sie in der Regel über detaillierte, umfangreiche Taxonomien.
- Trotz einer höheren Anzahl von Beschriftungen haben sie in der Regel weniger angeheftete Beispiele pro Beschriftung als Datasets mit Automatisierungsfokus.
- Da sie dazu gedacht sind, spezifischere Beschriftungen in einem gesamten Dataset zu erfassen, geben sie in der Regel Abstriche bei der Genauigkeit ihrer Vorhersagen, um eine detaillierte Abdeckung eines breiten Spektrums von Themen zu erreichen.
Ziele
- Gemeinsame Ziele und Erfolgsmaßnahmen sind Effizienzsteigerungen, die Freigabe von VZÄ-Kapazitäten für Wertschöpfungsarbeit und die Verbesserung der Kundenerfahrung durch Reduzierung von Bearbeitungszeiten und Fehlerquote.
- Zusätzliche Ziele und Vorteile können sein, dass Prozesse Kontrolle, Transparenz und Standardisierung erhalten.
Beispiele
- Reduziert den VZÄ-Aufwand um 5–10 % durch automatische Testung.
- Verringern Sie die Durchlaufzeit für automatisierte Aufgaben um 100 %.
- Beseitigen Sie Prozessprobleme aufgrund falscher Klassifizierung, Priorisierung und Fehlleitung.
- Beseitigen Sie Kapazitätsbeschränkungen und Volumenabhängigkeiten.
- Aktivieren Sie die Erweiterung zur End-to-End-Automatisierung von Prozessen/Abfragen.
- Reduziert das Risiko von Geschäftsprozessen durch erhöhte Kontrollen.
- Verbessern Sie die Kundenzufriedenheit (CSAT oder NPS) und die Servicequalität durch reduzierte Prozesslatenz.
Beschriftung
- Diese haben in der Regel kleine Taxonomien mit einer höheren Anzahl von angehefteten Beispielen für jede Bezeichnung.
- Pro Bezeichnung sind mehr Beispiele erforderlich, um eine hohe Genauigkeit und Wiedererkennung sicherzustellen und verschiedene Randfälle im Dataset zu erfassen.
- Jede Bezeichnung, die an einer Automatisierung beteiligt ist, sollte versuchen, die Genauigkeit und den Wiedererkennungswert zu maximieren (je nach Anwendungsfall können Sie eine Bezeichnung leicht optimieren), obwohl es in der Regel nicht möglich ist, sowohl die Genauigkeit als auch die Wiedererkennung zu 100 % zu erreichen. Es wird fast immer einige Ausnahmen geben und es ist wichtig, für jeden Automatisierungsanwendungsfall über einen geeigneten Ausnahmeprozess zu verfügen.
Nicht vergessen: Datasets, die darauf trainiert werden, Automatisierungsziele zu erreichen, können immer noch viele analytische Erkenntnisse liefern! Sie sind möglicherweise nicht so detailliert wie Datasets, die darauf trainiert wurden, sich auf die Beantwortung von detaillierteren Fragen zu konzentrieren.
In den folgenden Artikeln erfahren Sie, wie Sie Ihre Ziele, sei es zu Analyse- oder Automatisierungszwecken, in Beschriftungen und eine geeignete Taxonomie umwandeln.