- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Champs généraux (anciennement entités)
- Libellés (prédictions, niveaux de confiance, hiérarchie, etc.)
- Modèles
- Flux
- Évaluation du modèle
- Projets
- Précision
- Rappel
- Messages examinés et non examinés
- Sources
- Taxonomies
- Apprentissage
- Prédictions positives et négatives vraies et fausses
- Validation
- Messages
- Administration
- Gérer les sources et les jeux de données
- Comprendre la structure des données et les autorisations
- Créer une source de données dans l'interface graphique
- Téléchargement d’un fichier CSV dans une source
- Créer un nouveau jeu de données
- Sources et jeux de données multilingues
- Activation des sentiments sur un ensemble de données
- Modifier les paramètres d’un jeu de données
- Supprimer des messages via l'interface utilisateur
- Supprimer un jeu de données
- Supprimer une source
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement du fichier .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les champs généraux et les métadonnées
- Hiérarchie des libellés et bonnes pratiques
- Définition de vos objectifs de taxonomie
- Cas d'utilisation d'analyse vs d'automatisation
- Transformer vos objectifs en libellés
- Construire votre structure de taxonomie
- Meilleures pratiques de conception de taxonomie
- Importation de votre taxonomie
- Présentation du processus d'entraînement du modèle
- Annotation générative (New)
- Statut du jeu de données
- Entraînement des modèles et annotation des meilleures pratiques
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de la classification par glisser-déposer
- Entraînement à l'aide de l'option Enseigner le libellé (Explore)
- Entraînement à l'aide d'une confiance faible
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à affiner
- Précision et rappel expliqués
- Précision et rappel
- Comment fonctionne la validation ?
- Comprendre et améliorer les performances du modèle
- Pourquoi un libellé peut-il avoir une précision moyenne faible ?
- Entraînement à l'aide du libellé Vérifier (Check label) et du libellé Manqué (Missed Label)
- Entraînement à l'aide du libellé En savoir plus (Affiner)
- Entraînement à l'aide de la recherche (affiner)
- Comprendre et augmenter la couverture
- Amélioration de l'équilibre et utilisation du rééquilibrage
- Quand arrêter l'entraînement de votre modèle
- Utilisation de champs généraux
- Extraction générative
- Utilisation des analyses et de la surveillance
- Automatisations et Communications Mining
- Informations de licence
- FAQ et plus encore
Cas d'utilisation d'analyse vs d'automatisation
Chaque cas d'utilisation est généralement classé dans l'une des deux catégories suivantes, en fonction des résultats attendus (c'est-à-dire objectifs) : analyse et surveillance ou automatisation (mais parfois les deux peuvent être les deux).
Ces résultats attendus dictent la manière dont nous annotons nos données et structurons nos taxonomies.
Si votre objectif est d'obtenir des analyses détaillées pour un canal de communication, cela peut influencer considérablement la façon dont vous structurez et entraînez votre modèle, par rapport à si votre objectif était d'automatiser les requêtes entrantes dans différentes files d'attente de workflow.
Avant de créer une taxonomie pour répondre à des objectifs axés sur l'analyse ou l'automatisation, il est utile de comprendre un peu les différences entre les deux types :
Objectifs
- L'objectif d'un ensemble de données d'analyse et de surveillance est généralement d'avoir une compréhension détaillée des différents processus, problèmes et sentiments au sein d'un ou plusieurs canaux de communication.
- Ces ensembles de données fournissent des informations initiales une fois le modèle entraîné, et une capacité continue à surveiller les modifications et les tendances de l’ensemble de données au fil du temps.
- Ils aident en permanence à identifier, quantifier et hiérarchiser les opportunités d'amélioration du canal de communication, que ce soit pour améliorer l'efficacité, l'expérience client ou le contrôle.
- Elles réduisent également le risque de ne pas fournir le retour sur investissement attendu de l'investissement de modification en quantifiant efficacement les opportunités.
Exemples
- Identifier avec précision les opportunités de changement les plus intéressantes, optimiser le retour sur investissement pour des initiatives spécifiques et réduire le risque de ne pas générer les avantages attendus.
- Améliore la satisfaction des clients/clients et la qualité du service en identifiant et en générant des améliorations percutantes des produits et services.
- Réduit les problèmes ayant un impact sur les clients et le coût interne de service.
- Ciblez mieux les clients potentiels et activez la fidélisation active des clients en mesurent les pilotes CLIV.
- Augmentez la visibilité et le contrôle des risques masqués dans les canaux de communication grâce à la surveillance et aux alertes, en veillant à ce que les participants reçoivent les données nécessaires au moment où ils en ont besoin, et permettent une correction active.
- Fournissez une garantie de qualité à vos équipes d'assistance à la clientèle, en surveillant la résolution efficace des agents.
- Permettez aux Managers de résoudre les problèmes de performances de manière active.
Labellisation
- Compte tenu de leur objectif, elles ont généralement des taxonomies détaillées et étendues.
- Malgré un nombre plus élevé de libellés, ils ont généralement moins d'exemples épinglés par libellé que les ensembles de données axés sur l'automatisation.
- Comme ils sont destinés à capturer des libellés plus spécifiques dans un ensemble de données complet, ils sachent généralement un peu de précision dans leurs prédictions afin d'obtenir une couverture détaillée sur un large éventail de sujets.
Objectifs
- Les objectifs communs et les mesures de réussite visent à réaliser des gains d’efficacité, à libérer de la capacité ETP pour le travail à valeur ajoutée et à améliorer l’expérience client en réduisant les temps de traitement et les taux d’erreur.
- Des objectifs et des avantages supplémentaires peuvent consister à apporter du contrôle, de la visibilité et de la standardisation aux processus.
Exemples
- Réduit l'effort d'ETP de 5 à 10 % grâce au triage automatique.
- Réduisez de 100 % le temps d'exécution des tâches automatisées.
- Éliminez les problèmes de processus dus à une classification incorrecte, à la hiérarchisation et aux erreurs de routage.
- Éliminez les contraintes de capacité et la sensibilité au volume.
- Permet l’extension à l’automatisation de bout en bout des processus/requêtes.
- Réduit le risque lié aux processus métier grâce à des contrôles accrus.
- Améliorez la satisfaction des clients (CPAT ou NPS) et la qualité du service grâce à une latence des processus réduite.
Labellisation
- Ceux-ci ont généralement de petites taxonomies avec un nombre plus élevé d'exemples épinglés pour chaque libellé.
- Davantage d'exemples sont nécessaires par libellé pour garantir une précision et un rappel élevés, ainsi que pour détecter divers cas de marge dans l'ensemble de données.
- Chaque libellé impliqué dans une automatisation doit chercher à maximiser la précision et le rappel (selon le cas d'utilisation, vous pouvez optimiser l'un légèrement par rapport à l'autre), bien qu'il ne soit généralement pas possible que la précision et le rappel atteignent 100 %. Il y aura presque toujours des exceptions et il est important d'avoir un processus d'exception approprié en place pour tout cas d'utilisation d'automatisation.
C'est important de le retenir : les ensembles de données entraînés pour répondre aux objectifs d'automatisation peuvent toujours fournir de nombreuses informations analytiques ! Ils peuvent simplement ne pas être aussi précis que les ensembles de données entraînés pour se concentrer sur la réponse à des questions plus détaillées.
Pour voir comment transformer vos objectifs, que ce soit à des fins d'analyse ou d'automatisation, en libellés et en une taxonomie appropriée, consultez les articles suivants.