Casos de uso de análise versus automação

Visão geral

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:

Conjuntos de dados focados em análise e monitoramento

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.

Conjuntos de dados focados em automação

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.