- Introdução
- Balanceamento
- Clusters
- Desvio de conceito
- Cobertura
- Conjuntos de dados
- Campos gerais (anteriormente entidades)
- Rótulos (previsões, níveis de confiança, hierarquia etc.)
- Modelos
- Transmissões
- Classificação do Modelo
- Projetos
- Precisão
- Lembrar
- Mensagens revisadas e não revisadas
- Fontes
- Taxonomias
- Treinamento
- Previsões positivos e negativos verdadeiros e falsos
- Validação
- Mensagens
- Administração
- Gerencie origens e conjuntos de dados
- Entender a estrutura de dados e permissões
- Crie uma origem de dados na GUI
- Carregar um arquivo CSV para uma origem
- Criar um conjunto de dados
- Origens e conjuntos de dados multilíngues
- Habilitando o sentimento em um conjunto de dados
- Corrigir configurações de conjunto de dados
- Excluir mensagens por meio da interface do usuário
- Excluir um conjunto de dados
- Excluir uma origem
- Exportar um conjunto de dados
- Usando integrações do Exchange
- Preparando dados para carregamento de .CSV
- Treinamento e manutenção do modelo
- Noções Básicas sobre rótulos, campos gerais e metadados
- Hierarquia de rótulo e práticas recomendadas
- Definição dos seus objetivos de taxonomia
- Casos de uso de análise versus automação
- Transformando seus objetivos em rótulos
- Criação da sua estrutura taxonômica
- Práticas recomendadas de design de taxonomia
- Importando sua taxonomia
- Visão geral do processo de treinamento do modelo
- Anotação Generativa (Novo)
- Status do conjunto de dados
- Treinamento de modelos e práticas recomendadas de anotação
- Treinamento com análise de sentimento de rótulo habilitada
- Treinamento
- Introdução ao Refine
- Precisão e recall explicados
- Precisão e recall
- Como funciona a Validação?
- Compreender e melhorar o desempenho do modelo
- Por que um rótulo pode ter uma precisão média baixa?
- Treinamento usando Check label e Perda de rótulo
- Treinamento usando Ensinar rótulo (Refinar)
- Treinamento usando a Pesquisa (Refinamento)
- Noções Básicas e Aumentando a Cobertura
- Melhorando o balanceamento e usando o Rebalanceamento
- Quando parar de treinar seu modelo
- Uso dos campos gerais
- Extração generativa
- Uso de análise e monitoramento
- Automations e Communications Mining
- Informações de licenciamento
- Perguntas frequentes e mais
Casos de uso de análise versus automação
Cada caso de uso normalmente se enquadrará em uma de duas categorias, com base nos resultados pretendidos (ou seja, objetivos): análise e monitoramento ou automação (mas às vezes pode ser ambos).
Esses resultados pretendidos ditam como anotamos nossos dados e estruturamos nossas taxonomias.
Se seu objetivo for obter análises detalhadas para um canal de comunicação, isso pode influenciar significativamente como você estrutura e treina seu modelo, em comparação com se seu objetivo fosse rotear automaticamente solicitações de entrada para diferentes filas de fluxo de trabalho.
Antes de criar uma taxonomia para atender a objetivos focados em análise ou automação, vale a pena entender um pouco sobre as diferenças entre os dois tipos:
Objetivos
- O objetivo de um conjunto de dados de análise e monitoramento geralmente é obter uma compreensão detalhada dos vários processos, problemas e opiniões dentro de um ou mais canais de comunicação.
- Esses conjuntos de dados fornecem insights iniciais após o modelo ser treinado e uma capacidade contínua de monitorar alterações e tendências no conjunto de dados ao longo do tempo.
- Eles ajudam continuamente a identificar, quantificar e priorizar oportunidades para fazer melhorias no canal de comunicações, seja para melhorar a eficiência, a experiência do cliente ou o controle.
- Elas também reduzem o risco de não entregar o ROI esperado do investimento em mudança, quantificando efetivamente as oportunidades.
Exemplos
- Identifique com precisão as oportunidades de mudança mais valiosas, aumentando o ROI para iniciativas específicas e reduzindo o risco de não entregar os benefícios esperados.
- Aumenta a satisfação e a qualidade do serviço ao cliente/cliente, ao identificar e realizar melhorias impactantes em produtos e serviços.
- Reduz os problemas que afetam o cliente e o custo interno para servir.
- Segmente melhor os clientes em potencial e habilite a retenção proativa de clientes, medindo os drivers de STJ.
- Aumente a visibilidade e o controle dos riscos ocultos em canais de comunicação por meio de monitoramento e alertas, garantindo que os participantes recebam os dados de que precisam, quando precisam, e possibilitam uma ação de correção proativa.
- Forneça garantia de qualidade para as equipes de suporte ao cliente, monitorando a resolução efetiva dos agentes.
- Capacite os gerentes a resolver problemas de desempenho proativamente.
Rotulagem
- Dado seu propósito, eles normalmente têm taxonomias detalhadas e extensas.
- Apesar do maior número de rótulos, eles geralmente têm menos exemplos fixados por rótulo do que os conjuntos de dados focados na automação.
- Como são destinadas a capturar rótulos mais específicos em todo um conjunto de dados, elas normalmente abrem caminho para a precisão em suas previsões para obter uma cobertura detalhada de uma ampla gama de tópicos.
Objetivos
- Os objetivos comuns e medidas de sucesso são obter ganhos de eficiência, liberar a capacidade de FTE para trabalho de valor agregado e melhorar o CX, reduzindo os tempos de processamento e as taxas de erro.
- Objetivos e benefícios adicionais podem ser trazer controle, visibilidade e padronização aos processos.
Exemplos
- Reduz o esforço de FTE em 5 a 10% por meio da classificação automática.
- Reduza o tempo de resposta de tarefas automatizadas em 100%.
- Elimine problemas de processo devido a classificação, priorização e erro de roteamento.
- Elimine restrições de capacidade e sensibilidade a volume.
- Habilita a expansão para automação de processos/consultas de ponta a ponta.
- Reduz o risco de processos de negócios através de controles maiores.
- Melhore a satisfação do cliente (CSAT ou NPS) e a qualidade do serviço reduzindo a latência do processo.
Rotulagem
- Normalmente, têm pequenas taxonomias com um número maior de exemplos fixados para cada rótulo.
- Mais exemplos são necessários por rótulo para garantir alta precisão e recall e para capturar vários casos de borda no conjunto de dados.
- Cada rótulo envolvido em uma automação deve procurar maximizar a precisão e o recall (dependendo do caso de uso, é possível otimizar um pouco do outro), embora normalmente não seja possível que a precisão e o recall alcancem 100%. Quase sempre haverá exceções e é importante ter um processo de exceção adequado para qualquer caso de uso de automação.
É importante lembrar: conjuntos de dados treinados para atender aos objetivos de automação ainda podem fornecer muitos insights analíticos! Eles simplesmente podem não ser tão granulares quanto os conjuntos de dados treinados para se concentrar em responder perguntas mais detalhadas.
Para ver como transformar seus objetivos, seja para fins analíticos ou de automação, em rótulos e uma taxonomia adequada, consulte os seguintes artigos.