- 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)
- Der Status des 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
Konvertieren Ihrer Ziele in Bezeichnungen
Nachdem Sie Ihre Ziele definiert haben, können Sie damit beginnen, sie in Beschriftungen umzuwandeln. Beschriftungen sollten alle Konzepte und Absichten enthalten, die Sie im Dataset erfassen möchten, um Ihre spezifischen Ziele zu erreichen. Typische Gruppen von Beschriftungen, die Sie einschließen können, sind:
Dies sind typische Bezeichnungen, die von unseren Kunden verwendet werden, unabhängig von ihrem Anwendungsfall oder ihrer Branche. Möglicherweise sind nicht alle auf Ihr Modell anwendbar , und möglicherweise haben Sie andere Arten von Beschriftungen, die für das Erreichen Ihrer Ziele wichtig sind .
Jede dieser Beschriftungstypen, einschließlich was sie erfassen und was sie beantworten helfen, wird in diesem Abschnitt ausführlicher behandelt.
Beschriftungstyp | Was wird erfasst? | Welche Antwort gibt diese Antwort? |
---|---|---|
Prozesse/Anforderungstypen | Diese erfassen in der Regel die Kernprozesse oder eingehenden Anforderungen, die ein Team bearbeiten muss. Oft entspricht er direkt einem „Dienstkatalog“ von Aufgaben, die dem Team gehören, und ist in einer Hierarchie angeordnet, die zusätzliche Spezifitätsebenen für Unterprozesse/Anforderungen erfasst. |
Dies sind grundlegende Bezeichnungen für Ihr Modell, die Einblicke, Überwachung und Aktionen im gesamten Kanal ermöglichen. Um Möglichkeiten zur Prozessverbesserung zu identifizieren oder Prozesse durch Ermöglichung der Automatisierung effizienter zu gestalten, muss die Plattform in der Lage sein, die Prozesse selbst zu identifizieren. Bei der Analyse werden sie in der Regel mit allen anderen Bezeichnungstypen kombiniert, um Erkenntnisse zu generieren, die sich auf Ursachen, Stimmungen, Servicequalität usw. konzentrieren. Die weitere Segmentierung der Daten mithilfe von Metadaten hilft, die Art und Quelle dieser Anforderungen besser zu verstehen. Bei der Automatisierung sind sie entscheidend für die automatische Weiterleitung und Automatisierung von Prozessen durchgängig. |
Ursache und Ausnahmen | Diese Bezeichnungen sollen die Ursachen von Problemen oder Ausnahmetypen erfassen, die Teams oder Kunden dazu veranlassen, Kontakt aufzunehmen, z. B „Fehlende Geschäftsdetails“ für ein Finanzservice-Betriebsteam. | Diese sind von grundlegender Bedeutung für die Identifizierung von Prozessverbesserungsmöglichkeiten. Die Zuordnung von Ursachenbezeichnungen zu Prozess-/Anforderungstypbezeichnungen gibt ein klares Bild von Problemen , die im Kommunikationskanal vorhanden sind. |
Dienstgüte/Fehleranforderung | Diese erfassen Konzepte in Bezug auf das Service-Level innerhalb eines Kommunikationskanals oder den Bedarf, der durch Fehler im Prozess oder Dienst generiert wird, z. B „Chaser“ und „Eskalation“. |
Diese helfen bei der Beantwortung von Fragen wie z. B.: „Wo haben Kunden die größten Probleme?“ „Bei welchen Prozessen machen wir wiederholt Fehler oder vergessen SLAs ?“, „Welche Bereiche des Kanals erzeugen die negativste Kundenstimmung?“ Umgekehrt können sie auch Bereiche mit Stärke und Leistung identifizieren . Wichtig ist, dass sie auch im Rahmen der Überwachungsfunktion für die Servicequalität der Plattform verwendet werden können – ein leistungsstarkes Analysetool, das die Kanalleistung in einer einzigen QoS-Metrik zusammenfasst, sie im Laufe der Zeit nachverfolgt und es ermöglicht, sie mit anderen Kanälen/Teams zu vergleichen und zu vergleichen. |
Stimmungen | Wenn Sie ein Modell ohne aktivierte Stimmungsanalyse trainieren (die Empfehlung für B2B-Kommunikationskanäle), können Sie stattdessen Beschriftungen verwenden, die die in den Kommunikationen zum Ausdruck gebrachten Stimmungen erfassen, z. B „Kundenfrustration“ oder „Kundenzufriedenheit“. |
Diese zielen in der Regel darauf ab, Erkenntnisse in Bezug auf die Erfahrung von Klienten, Kunden und sogar Mitarbeitern zu gewinnen. Indem Sie die geäußerten Stimmungen den anderen vorhergesagten Konzepten zuordnen, können Sie die wichtigsten Probleme in Prozessen und Kundenbeziehungen mit den größten negativen (und positiven) Auswirkungen finden . |
Kundenerfahrungen | Diese beziehen sich auf bestimmte Erfahrungen von Klienten/Kunden und gehen oft mit Bezeichnungen einher, die eingehende Anforderungstypen erfassen, z. B „Element nie eingetroffen“ für ein B2C-Einzelhandelsunternehmen. |
Sie sind die wichtigsten Treiber für die Kontaktaufnahme von Klienten/Kunden mit einem Unternehmen und bieten daher wichtige Erkenntnisse. Sie können sich mit Bezeichnungen im Zusammenhang mit der Ursache überschneiden, obwohl sie sich auf die Erfahrung des Absenders und möglicherweise nicht auf die vorgelagerte Ursache konzentrieren. |
Produkte | Diese erfassen die verschiedenen Produkte, mit denen ein Team/ein Kanal zu tun hat, sei es als Kunde, Servicemitarbeiter oder Verkäufer, z. B 'ETFs' oder 'Property Insurance' | Diese Bezeichnungen können in der Analyse mit anderen Bezeichnungsarten kombiniert werden, um tiefere Einblicke darüber zu erhalten, welche Produkte sich auf welchen Prozess/Anforderungstyp oder Ursachen/Ausnahmen beziehen. |
Systeme und Daten | Jedes Team interagiert im Laufe seiner täglichen Arbeit mit einer Reihe von Systemen und Datenquellen, nicht nur mit Outlook. Diese Beschriftungen erfassen Verweise darauf, z. B „Salesforce“ oder „SAP“. | Wie die oben genannten Produkte können diese in der Regel mit anderen Bezeichnungen kombiniert werden, um detailliertere Einblicke zu erhalten. Die Kombination von system- und datenbezogenen Bezeichnungen mit Prozessen und Ausnahmetypen kann dazu beitragen , vorrangige Verbesserungsmöglichkeiten im Upstream zu identifizieren. |
Nachdem Sie Ihre Bezeichnungen und Ihre Zieltaxonomiestruktur definiert haben, ist es wichtig, die wichtigsten Datenpunkte zu definieren (d. h allgemeine Felder), die Sie aus Ihren Kommunikationsdaten extrahieren möchten. Diese werden in der Regel verwendet, um die nachgelagerte Automatisierung zu erleichtern, können aber auch für Analysen nützlich sein. Eine Anleitung zum korrekten Definieren und Einrichten Ihrer allgemeinen Felder finden Sie in unserem Trainingsguide hier.