Communications Mining
Más reciente
False
- Primeros pasos
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- General fields (previously Entities)
- Etiquetas (predicciones, niveles de confianza, jerarquía, etc.)
- Modelos
- Transmisiones
- Clasificación del modelo
- Proyectos
- Precisión
- Recordar
- Mensajes revisados y no revisados
- Fuentes
- Taxonomías
- Formación
- Predicciones positivas y negativas verdaderas y falsas
- Validación
- Mensajes
- Administración
- Gestionar fuentes y conjuntos de datos
- Comprender la estructura de datos y los permisos
- Crear un origen de datos en la GUI
- Cargar un archivo CSV en un origen
- Crear un nuevo conjunto de datos
- Fuentes y conjuntos de datos multilingües
- Habilitar sentimiento en un conjunto de datos
- Modificar la configuración de un conjunto de datos
- Eliminar mensajes a través de la IU
- Eliminar un conjunto de datos
- Exportar un conjunto de datos
- Uso de integraciones de Exchange
- Preparando datos para cargar archivos .CSV
- Entrenamiento y mantenimiento de modelos
- Understanding labels, general fields and metadata
- Jerarquía de etiquetas y mejores prácticas
- Definición de los objetivos de taxonomía
- Casos de uso de análisis frente a automatización
- Convertir tus objetivos en etiquetas
- Crear tu estructura de taxonomía
- Mejores prácticas de diseño de taxonomía
- Importar tu taxonomía
- Descripción general del proceso de entrenamiento del modelo
- Anotación generativa (NUEVO)
- Comprender el estado de tu conjunto de datos
- Entrenamiento de modelos y mejores prácticas de anotación
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Entrenamiento
- Introducción a Refinar
- Explicación de la precisión y la recuperación
- Precisión y recuperación
- ¿Cómo funciona la validación?
- Comprender y mejorar el rendimiento del modelo
- ¿Por qué una etiqueta puede tener una precisión media baja?
- Entrenamiento utilizando la etiqueta Comprobar y la etiqueta Perdida
- Entrenamiento mediante la etiqueta de aprendizaje (refinar)
- Entrenamiento mediante Buscar (Refinar)
- Comprender y aumentar la cobertura
- Mejorar el equilibrio y utilizar Reequilibrar
- Cuándo dejar de entrenar tu modelo
- Defining and setting up your general fields
- Understanding general fields
- Which pre-trained general fields are available?
- Enabling, disabling, updating and creating general fields
- General field filtering
- Reviewing and applying general fields
- Validation for general fields
- Improving general field performance
- Building custom regex general fields
- Extracción generativa
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Preguntas frecuentes y más
Guía de usuario de Communications Mining
Last updated 2 de jul. de 2024
Casos de uso de análisis frente a automatización
Cada caso de uso se clasificará normalmente en una de dos categorías, en función de los resultados previstos (es decir, objetivos): análisis y supervisión o automatización (aunque a veces pueden ser ambos).
Estos resultados previstos dictan cómo anotamos nuestros datos y estructuramos nuestras taxonomías.
Si tu objetivo es obtener análisis detallados para un canal de comunicación, esto puede influir significativamente en la forma de estructurar y entrenar tu modelo, en comparación con si tu objetivo fuera enrutar automáticamente las solicitudes entrantes en diferentes colas de flujo de trabajo.
Antes de crear una taxonomía para cumplir objetivos centrados en el análisis o en la automatización, vale la pena entender un poco las diferencias entre los dos tipos:
Objetivos
- El objetivo de un conjunto de datos de análisis y supervisión suele ser obtener una comprensión detallada de los diversos procesos, problemas y sentimientos dentro de uno o más canales de comunicación.
- Estos conjuntos de datos proporcionan información inicial una vez que se entrena el modelo, y una capacidad continua para supervisar los cambios y las tendencias dentro del conjunto de datos a lo largo del tiempo.
- Ayudan continuamente a identificar, cuantificar y priorizar oportunidades para realizar mejoras en el canal de comunicaciones, ya sea para mejorar la eficiencia, la experiencia del cliente o el control.
- También reducen el riesgo de no entregar el ROI esperado de la inversión en cambio al cuantificar las oportunidades de manera efectiva.
Ejemplos
- Identifique con precisión las oportunidades de cambio más valiosas, impulsando un ROI más ajustado para iniciativas específicas y reduciendo el riesgo de no entregar los beneficios esperados.
- Mejora la satisfacción del cliente/cliente y la calidad del servicio identificando e impulsando mejoras impactantes en productos y servicios.
- Reduce los problemas que afectan al cliente y el coste interno del servicio.
- Diríjase mejor a los clientes potenciales y permita la retención proactiva de clientes midiendo los controladores CLTV.
- Aumente la visibilidad y el control de los riesgos ocultos en los canales de comunicación a través de la supervisión y las alertas, garantizando que los participantes reciban los datos que necesitan cuando los necesiten y habilitando la corrección proactiva.
- Proporcione garantía de calidad a todos los equipos de atención al cliente, supervisando la resolución efectiva de los agentes.
- Capacita a los gestores para abordar los problemas de rendimiento de forma proactiva.
Etiquetado
- Dado su propósito, suelen tener taxonomías detalladas y extensas.
- A pesar de un mayor número de etiquetas, suelen tener menos ejemplos anclados por etiqueta que los conjuntos de datos centrados en la automatización.
- Como están destinados a capturar etiquetas más específicas en todo un conjunto de datos, suelen sacrificar un poco de precisión en sus predicciones para lograr una cobertura detallada en una amplia gama de temas.
Objetivos
- Los objetivos comunes y las medidas de éxito son aumentar la eficiencia, liberar la capacidad de ETC para el trabajo de valor añadido y mejorar la CX al reducir los tiempos de procesamiento y las tasas de error.
- Los objetivos y beneficios adicionales pueden ser aportar control, visibilidad y estandarización a los procesos.
Ejemplos
- Reduce el esfuerzo de ETC entre un 5 % y un 10 % mediante la clasificación automática.
- Reduzca el tiempo de respuesta de las tareas automatizadas en un 100 %.
- Elimine los problemas de proceso debidos a una clasificación, priorización y enrutamiento incorrectos.
- Elimine las limitaciones de capacidad y la sensibilidad al volumen.
- Habilite la expansión a la automatización de procesos/consultas de extremo a extremo.
- Reduce el riesgo en torno a los procesos empresariales mediante mayores controles.
- Mejore la satisfacción del cliente (CSAT o NPS) y la calidad del servicio mediante la reducción de la latencia del proceso.
Etiquetado
- Estos suelen tener taxonomías pequeñas con un mayor número de ejemplos anclados para cada etiqueta.
- Se necesitan más ejemplos por etiqueta para garantizar una alta precisión y recuperación y para capturar varios casos límite en el conjunto de datos.
- Cada etiqueta involucrada en una automatización debe intentar maximizar la precisión y la recuperación (dependiendo del caso de uso, puede optimizar una ligeramente sobre la otra), aunque normalmente no es posible que tanto la precisión como la recuperación alcancen el 100 %. Casi siempre habrá algunas excepciones y es importante contar con un proceso de excepción adecuado para cualquier caso de uso de automatización.
Es importante recordar que los conjuntos de datos que se entrenan para cumplir los objetivos de automatización pueden proporcionar una gran cantidad de información analítica. Es posible que no sean tan detallados como los conjuntos de datos entrenados para centrarse en responder preguntas más detalladas.
Para ver cómo convertir tus objetivos, ya sea con fines analíticos o de automatización, en etiquetas y una taxonomía adecuada, consulta los siguientes artículos.
