分析与自动化用例

概述

根据预期结果（即 目标）：分析和监控或自动化（尽管有时可以两者兼而有之）。

这些预期结果决定了我们如何标记数据和构建分类法。

如果您的目标是获取通信渠道的详细分析，则与您的目标是将入站请求自动路由到不同的工作流队列相比，这可能会显着影响您构建和训练模型的方式。

在构建分类以满足以分析或自动化为重点的目标之前，有必要了解一下这两种分类之间的区别：

以分析和监控为重点的数据集

目标

• 分析和监控数据集的目标通常是详细了解一个或多个通信渠道中的各种流程、问题和情感。
• 一旦模型训练完成，这些数据集即可提供初始见解，并能够持续监控数据集中随时间变化的变化和趋势。
• 他们不断帮助识别、量化沟通渠道中的改进机会并确定其优先级 - 无论是提高效率、客户体验还是控制。
• 通过有效地量化机会，它们还可以降低未实现预期的变革投资回报率的风险。

示例

• 准确识别最有价值的变革机会，从而提高特定计划的投资回报率，并降低未实现预期收益的风险。
• 通过识别和推动对产品和服务进行有影响力的改进，提高客户/客户满意度和服务质量。
• 减少影响客户端的问题和内部服务成本。
• 通过衡量 CLTV 驱动因素，更好地定位潜在客户，并主动保留客户。
• 通过监控和警示提高隐藏在通信渠道中的风险的可见性和控制，确保参与者在需要时收到所需的数据，并启用主动式修复。
• 为整个客户支持团队提供质量保证，监控有效的代理解决方案。
• 使经理能够主动解决绩效问题。

标签

• 鉴于其目的，它们通常具有详细、广泛的分类法。
• 与专注于自动化的数据集相比，尽管标签数量较多，但它们通常每个标签的固定示例较少。
• 由于它们的目的是捕获整个数据集中更具体的标签，因此它们通常会牺牲一点预测准确性，以实现对广泛主题的详细覆盖。

专注于自动化的数据集

目标

• 共同的目标和成功衡量标准是提高效率，释放 FTE 容量以执行增值工作，并通过减少处理时间和降低错误率来改善 CX。
• 其他目标和收益可能包括为流程带来控制、可见性和标准化。

示例

• 通过自动分类，将 FTE 工作量减少 5-10％。
• 将自动化任务的周转时间缩短 100％。
• 消除由于不正确的分类、优先级和错误路由而导致的流程问题。
• 消除容量限制和数量敏感性。
• 启用流程/查询的端到端自动化扩展。
• 通过加强控制来降低业务流程中的风险。
• 通过减少流程延迟来提高客户满意度（CSAM 或 NPS）和服务质量。

标签

• 这些分类通常较小，每个标签都有更多数量的固定示例。
• 每个标签需要更多示例，以确保较高的精度和召回率，并捕获数据集中的各种边缘用例。
• 自动化中涉及的每个标签都应寻求最大程度地提高精度和召回率（根据用例，您可以稍微优化其中一个标签），尽管精度和召回率通常不可能同时达到 100％。 几乎总是会出现一些异常，因此针对任何自动化用例制定适当的异常流程非常重要。

请务必记住，经过训练以实现自动化目标的数据集仍可以提供大量分析见解！ 只是它们可能不如经过训练而专注于回答更详细问题的数据集那么精细。

要了解如何将您的目标（无论是用于分析目的还是自动化目的）转变为标签和适当的分类，请参阅以下文章。