Vergleichen von Anwendungsfällen für Analyse und Automatisierung

Überblick

Jeder Anwendungsfall wird basierend auf den beabsichtigten Ergebnissen, d. h. den Zielen, in eine der folgenden Kategorien fallen:

• Analytik und Überwachung.
• Automatisierung.
• Manchmal sogar beides.

Diese beabsichtigten Ergebnisse bestimmen, wie Sie Ihre Daten mit Anmerkungen versehen und Ihre Taxonomien strukturieren.

Die Art und Weise, wie Sie Ihr Modell strukturieren und trainieren, kann je nach Ziel erheblich variieren. Zum Beispiel das Erhalten detaillierter Analysen für einen Kommunikationskanal im Vergleich zum automatischen Weiterleiten eingehender Anfragen in verschiedene Workflow-Warteschlangen.

Bevor Sie eine Taxonomie erstellen, um entweder analyse- oder automatisierungsorientierte Ziele zu erreichen, stellen Sie sicher, dass Sie die Unterschiede zwischen ihnen verstehen:

Anwendungsfälle für Analysen

• Umfangreichere Taxonomien mit höheren Anzahlen von Beschriftungen, in der Regel zwischen 50 und 150.
• Weniger angeheftete Beispiele pro untergeordneter Beschriftung, in der Regel zwischen 25 und 75.
• Das Hauptziel besteht darin, eine detaillierte Abdeckung über ein breites Spektrum an Themen zu erreichen, um Bereiche mit Verbesserungspotenzial zu identifizieren.
• Beispiele für Anwendungsfälle: Opportunity, Discovery und die Stimme des Kunden.

Anwendungsfälle für Automatisierung

• Kleinere Taxonomien mit geringeren Anzahlen von Beschriftungen, normalerweise zwischen 20 und 60.
• Höhere angeheftete Beispiele pro untergeordneter Beschriftung, in der Regel zwischen 50 und 100 oder mehr.
• Das Hauptziel besteht darin, eine hohe Genauigkeit und Erinnerung für alle Automatisierungsbeschriftungen zu erreichen, um die Genauigkeit zu maximieren und Ausnahmen zu minimieren.
• Beispielanwendungsfälle: automatisches Routing und Abfrageverwaltung

Datasets mit Schwerpunkt auf Analyse und Überwachung

Ziele

• Konzentrieren Sie sich darauf, ein detailliertes Verständnis der verschiedenen Prozesse, Probleme und Stimmungen innerhalb eines oder mehrerer Kommunikationskanäle zu gewinnen.
• Stellen Sie erste Einblicke bereit, sobald das Modell trainiert wurde, und bieten Sie eine laufende Möglichkeit, Änderungen und Trends innerhalb des Datasets im Laufe der Zeit zu überwachen.
• Kontinuierliche Unterstützung bei der Identifizierung, Quantifizierung und Priorisierung von Möglichkeiten zur Verbesserung des Kommunikationskanals, sei es zur Verbesserung der Effizienz, des Kundenerlebnisses oder der Kontrolle.
• Verringern Sie das Risiko, dass der erwartete ROI von Änderungsinvestitionen nicht erzielt wird, indem Sie Möglichkeiten effektiv quantifizieren.

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

• Für ihren Zweck verfügen sie 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 bestimmt sind, spezifische Beschriftungen in einem gesamten Dataset zu erfassen, zulassen sie ein wenig an Genauigkeit in ihren Vorhersagen, um eine detaillierte Abdeckung für ein breites Spektrum an Themen zu erreichen.

Automatisierungsorientierte Datasets

Ziele

• Erzielen Sie Effizienzsteigerungen, setzen Sie VZÄ für wertschöpfende Aufgaben frei und verbessern Sie die Kundenerfahrung, indem Sie Bearbeitungszeiten und Fehlerraten reduzieren.
• Bringen Sie Kontrolle, Transparenz und Standardisierung in Prozesse.

Beispiele

• Reduzieren Sie den VZÄ-Aufwand um 5–10 % durch automatische Selektierung.
• Verringern Sie die Durchlaufzeit für automatisierte Aufgaben um 100 %.
• Beseitigen Sie Prozessprobleme aufgrund falscher Klassifizierung, Priorisierung und Fehlleitung.
• Beseitigen Sie Kapazitätsbeschränkungen und Volumenabhängigkeiten.
• Ermöglichen der Erweiterung auf End-to-End-Automatisierung von Prozessen oder Abfragen.
• Verringern des Risikos im Zusammenhang mit Geschäftsprozessen durch bessere Kontrollen.
• Verbessern Sie die Kundenzufriedenheit, z. B. CSAT oder NPS, und die Servicequalität durch reduzierte Prozesslatenz.

Beschriftung

• Diese haben kleine Taxonomien mit einer höheren Anzahl von angehefteten Beispielen für jede Beschriftung.
• More examples are needed per label to ensure high precision and recall, and to catch various edge cases in the dataset.
• Jede Beschriftung, die an einer Automatisierung beteiligt ist, sollte die Genauigkeit und Erinnerung maximieren, obwohl es in der Regel nicht möglich ist, 100 % zu erreichen. Je nach Anwendungsfall können Sie einen leicht gegenüber dem anderen optimieren. Es wird fast immer einige Ausnahmen geben. Stellen Sie also sicher, dass Sie für jeden Anwendungsfall der Automatisierung über einen geeigneten Ausnahmeprozess verfügen.

Hinweis:

Datasets, die für Automatisierungsziele trainiert werden, können dennoch wertvolle analytische Erkenntnisse liefern, obwohl ihnen möglicherweise die Granularität von denen fehlt, die zur Beantwortung detaillierterer Fragen entwickelt wurden.

For more details on how to turn your objectives into labels and an appropriate taxonomy, whether for analytical or automation purposes, check Turning your objectives into labels.