分析と自動化のユース ケースを比較する

概要

各ユース ケースは、意図する結果、つまり目的に基づいて、次のいずれかのカテゴリに分類されます。

• 分析と監視。
• 自動化
• 時には、その両方でさえある。

これらの意図する結果によって、データに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。

モデルを構築およびトレーニングする方法は、目的によって大きく異なります。たとえば、コミュニケーション チャネルの詳細な分析を取得する場合と、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場合を比較した場合などです。

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、これらの違いについて理解しておいてください。

分析のユース ケース

• ラベルの数が多い広範なタクソノミー (通常は 50 から 150 個)
• 子ラベルあたりのピン留めされた例の数を減らします (通常は 25 から 75 個)。
• 主な目的は、幅広いトピックを詳細にカバーして改善点を特定することです。
• ユース ケースの例: 営業案件、発見、顧客の声

自動化のユース ケース

• ラベルの数が少ない小さいタクソノミー (通常は 20 から 60 個)
• 子ラベルあたりのピン留めされた例の数が多い (通常は 50 から 100 個以上)
• 主な目的は、すべてのオートメーションのラベルで高い適合率と再現率を実現し、精度を最大化し例外を最小限に抑えることです。
• ユース ケースの例: 自動ルーティングとクエリ管理

分析と監視に重点を置いたデータセット

目的

• 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に重点を置きます。
• 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。
• 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。
• 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が軽減されます。

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、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。

自動化に重点を置いたデータセット

目的

• 効率を向上させ、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し、処理時間とエラー率を減らして CX を向上させます。
• プロセスを制御、可視化、標準化します。

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や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 や NPS など) 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、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。ユース ケースに応じて、一方を他方よりもわずかに優先して最適化できます。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ようにしてください。

注:

自動化の目的に合わせてトレーニングされたデータセットは、引き続き貴重な分析洞察を提供できますが、より詳細な質問に回答するように設計されたデータセットほどきめ細かい洞察が得られ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詳しくは、「 目的をラベルに変換する」をご覧ください。