Casos de uso de análisis frente a automatización

Información general

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:

Conjuntos de datos centrados en el análisis y la supervisión

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.

Conjuntos de datos centrados en la automatización

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.