比较分析和自动化用例

概述

根据预期结果（目标），每个用例都可以归为以下类别之一：

• 分析和监控。
• 自动化。
• 有时，甚至两者兼而有之。

这些预期结果决定了您如何注释数据和构建分类。

您构建和训练模型的方式可能因目标而有很大差异。例如，获取通信渠道的详细分析，与将入站请求自动路由到不同的工作流队列进行比较。

在构建分类以满足以分析或自动化为重点的目标之前，请确保您了解它们之间的区别：

分析用例

• 具有更多标签（通常在 50 到 150 个之间）的更广泛的分类。
• 每个子标签的固定示例较少，通常在 25 到 75 个之间。
• 主要目标是在广泛的主题中实现详细介绍，以确定需要改进的领域。
• 示例用例：商机、发现和客户的心声。

自动化用例

• 标签数量较少的较小分类，通常在 20 到 60 之间。
• 每个子标签的固定示例数量通常在 50 到 100 个之间，或更多。
• 主要目标是实现所有自动化标签的高精度和召回率，从而最大限度地提高准确性并最大限度地减少异常。
• 示例用例：自动路由和查询管理

专注于分析和监控的数据集

目标

• 专注于详细了解一个或多个沟通渠道中的各种流程、问题和情感。
• 在训练模型后提供初始见解，并能够持续监控数据集中随时间变化的变化和趋势。
• 持续帮助识别、量化沟通渠道内的改进机会并对其进行优先级排序，无论是为了提高效率、客户体验还是控制。
• 通过有效量化机会，降低未实现预期变革投资投资回报率的风险。

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。
• 通过识别并推动对产品和服务进行有影响力的改进，提高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，它们具有详细、广泛的分类。
• 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，因此它们会在预测中做出一定的准确性放弃，以便获得广泛主题的详细覆盖。

以自动化为重点的数据集

目标

• 提高效率，释放 FTE 容量用于增值工作，并通过减少处理时间和降低错误率来改善 CX。
• 实现流程的控制、可见性和标准化。

示例

• 通过自动分类将 FTE 工作量减少 5% 到 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。
• 启用流程或查询的端到端自动化扩展。
• 通过增强控制来降低业务流程中的风险。
• 通过缩短流程延迟来提高客户满意度（例如 CSAT 或 NPS）和服务质量。

标签

• 这些容器的分类较小，每个标签都有更多数量的固定示例。
• More examples are needed per label to ensure high precision and recall, and to catch various edge cases in the dataset.
• 自动化中涉及的每个标签都应寻求最大限度地提高精度和召回率，尽管精度和召回率通常不可能同时达到 100％。根据用例的不同，您可以稍微优化其中一个。几乎总是会出现一些异常，因此请确保为任何自动化用例制定适当的异常处理流程。

备注：

为自动化目标训练的数据集仍可以提供宝贵的分析见解，但可能缺少用于回答更详细问题的数据集的精细程度。

For more details on how to turn your objectives into labels and an appropriate taxonomy, whether for analytical or automation purposes, check Turning your objectives into labels.