communications-mining
latest
false
- 基本情報
- 管理
- ソースとデータセットを管理する
- モデルのトレーニングと保守
- 生成 AI による抽出
- 分析と監視を使用する
- オートメーションと Communications Mining
- ライセンス情報
- よくある質問など
分析のユース ケースと自動化のユース ケースの比較
重要 :
このコンテンツの一部は機械翻訳によって処理されており、完全な翻訳を保証するものではありません。
Communications Mining ガイド
Last updated 2024年11月19日
分析のユース ケースと自動化のユース ケースの比較
各ユース ケースは通常、意図する結果 (目的) に基づいて 2 つのカテゴリのいずれかに分類されます。分析と監視、または自動化です (ただし、その両方である場合もあります)。
これらの意図する結果によって、データをどのようにアノテーションを行いタクソノミーを構成するかが決まります。
コミュニケーション チャネルを詳しく分析することが目的である場合、これは、受信リクエストを別のワークフロー キューに自動ルーティングすることが目的である場合と比べ、モデルの構成およびトレーニングの方法に大きく影響する可能性があります。
分析または自動化に重点を置いた目的を達成するためのタクソノミーを構築する前に、この 2 種類の違いについて少し理解しておくと役に立ちます。
目的
- 分析と監視のデータセットの目的は通常、1 つ以上のコミュニケーション チャネル内のさまざまなプロセス、問題、感情を詳細に理解することです。
- これらのデータセットにより、モデルのトレーニング後に最初の洞察が得られるほか、データセット内の変化と傾向の経時的推移を継続的に監視できます。
- これらのデータセットは、効率、カスタマー エクスペリエンス、制御のいずれを改善するかを問わず、コミュニケーション チャネル内の改善の機会を特定、数値化、優先順位付けするのに継続的に役立ちます。
- また、機会が効果的に数値化されるので、投資の変更によって期待される ROI を達成できないリスクも軽減されます。
例
- 最も価値の高い変更の機会を正確に識別することで、特定のイニシアチブの ROI を厳密に達成できるよう促進するとともに、期待されるメリットを実現できないリスクを軽減します。
- 製品とサービスへの影響が大きい改善領域を特定して促進することにより、顧客/クライアントの満足度とサービス品質を向上させます。
- クライアントに影響を及ぼす問題と、内部のサービス提供コストを削減します。
- CLTV の推進要因を測定して潜在的な顧客をより正確に絞り込み、予防的に顧客維持を図ります。
- 監視とアラートによってコミュニケーション チャネルに潜むリスクの可視化と制御を強化することで、参加者が必要なときに必要なデータを受け取り、リスクを未然に修復できるようにします。
- カスタマー サポート チーム全体にわたる品質保証を実現し、エージェントによる効果的な解決を監視します。
- マネージャーがパフォーマンスの問題に未然に対処できるようにします。
ラベル付け
- データセットの目的を考えると、データセットのタクソノミーは通常、詳細で広範なものになります。
- ラベルの数は多くなりますが、通常、ラベルあたりのピン留めされた例の数は、自動化に重点を置いたデータセットよりも少なくなります。
- データセット全体で具体的なラベルをキャプチャすることを目的としているので、通常は予測の正解率を少し犠牲にして、幅広いトピックにわたる詳細なカバレッジを実現します。
目的
- 一般的な目的と成功の指標は、効率を向上させること、FTE の容量を解放して付加価値のある作業に取り組めるようにすること、そして処理時間とエラー率を減らして CX を向上させることです。
- そのほかの目的とメリットとして、プロセスを制御、可視化、標準化できます。
例
- 自動トリアージにより FTE の労力を 5 から 10% 削減します。
- 自動化されたタスクの所要時間を 100% 短縮します。
- 誤った分類、優先順位付け、ルーティング ミスによるプロセスの問題を解消します。
- 容量の制約と量の影響を受けやすい問題を解消します。
- 拡張によってプロセス/クエリをエンドツーエンドで自動化できるようにします。
- 制御の強化により、業務プロセスに関するリスクを軽減します。
- プロセスの遅延を短縮して、クライアントの満足度 (CSAT または NPS) とサービス品質を向上させます。
ラベル付け
- これらのデータセットでは通常、タクソノミーは小さく、すべてのラベルに対してピン留めされた例の数が多くなります。
- 高い適合率と再現率を確保し、データセット内のさまざまなエッジ ケースを捉えるために、ラベルごとに多くの例が必要です。
- 自動化に関係する各ラベルでは、適合率と再現率の最大化を目指す必要があります (ユース ケースによっては、一方を他方よりもわずかに優先して最適化できます) が、通常は、適合率と再現率を両方とも 100% にすることはできません。ほぼ必ず例外がいくつか存在するため、どのような自動化ユース ケースであっても適切な例外プロセスを用意することが重要です。
自動化の目的を達成するようにトレーニングされたデータセットであっても、分析のための洞察を大量に提供できます。ただし、より詳細な質問に回答することに重点を置いたデータセットほどきめ細かい洞察ではない場合があります。
分析または自動化のどちらが目的かを問わず、目的をラベルと適切なタクソノミーに変換する方法については、以降の説明をご覧ください。