Por qué el NLP o procesamiento de lenguaje natural es importante en el análisis de las interacciones con los clientes
El procesamiento del lenguaje natural es una rama de la inteligencia artificial que busca ayudar a comprender el lenguaje humano a través de la utilización de algoritmos computacionales, lingüística, estadística y modelos matemáticos. La principal ventaja de esta disciplina es su capacidad de procesar enormes cantidades de información en períodos cortos, lo que simplifica esta tarea cuando se la compara con los esfuerzos humanos necesarios para realizarla.
En palabras más técnicas, el text analytics o la analítica de texto recolecta grandes cantidades de documentos y datos, utiliza modelos de aprendizaje automático o machine learning para analizarlos, y luego los presenta visualmente a través de gráficos o tablas para ilustrar los hechos y las tendencias que humanamente hubieran sido imposibles de interpretar.
En el mundo de la atención al cliente, un gran porcentaje de las interacciones entre agentes y clientes que antes sucedía telefónicamente, ha migrado hacia canales alternativos, tales como Whatsapp, chats en la web, bases de conocimiento para la autoasistencia y bots de atención, entre otros. Todos estos canales ofrecen una fuente interminable de información presentada en texto que, combinada con las transcripciones de las llamadas del centro de contacto, son nuestro universo de análisis para el procesamiento del lenguaje natural en nuestro dominio.
En un próximo artículo, desarrollaremos el proceso paso a paso sobre cómo tratar el texto. Ahora enfoquémonos en lo que podemos obtener si aplicamos el procesamiento del lenguaje natural en nuestra organización:
Identificación de palabras y frases claves
Si bien el word spotting y sentence spotting no son aplicaciones de inteligencia artificial, si son muy útiles para analizar el cumplimiento de protocolos, frases de compliance y adherencia de los agentes a las pautas de atención. Dentro de estas aplicaciones se utilizan también algoritmos de text similarity que analizan la ocurrencia de párrafos similares a lo que se esperaba que se diga.
Análisis de sentimiento
El análisis de sentimiento puede realizarse a través de los llamados algoritmos de clasificación, que permiten entrenar a un modelo de inteligencia artificial para que detecte cuando un cliente se encuentra satisfecho o insatisfecho, cuando un cliente está enojado o cuando existe maltrato en una interacción. Esta aplicación es especialmente valiosa cuando se combina con la identificación de la marca y los temas de disconformidad que se presentan en las conversaciones.
Análisis de tópicos o temas de conversación
En base a la información de entrada, miles o millones de palabras provenientes de los textos de audios y otras interacciones, podemos entrenar un algoritmo de tópicos que detecte y agrupe los temas de conversación de las diferentes interacciones. Esto nos permitirá identificar claramente qué es importante y qué no lo es desde la perspectiva del cliente. Es esencial mencionar que, tanto esta aplicación como las demás, no son procesos estáticos y deben implementarse automatizaciones que permitan una permanente retroalimentación de los datos de entrada y un reentrenamiento de los modelos.
Análisis predictivos
Podemos decir que existen dos tipos de datos a analizar en las organizaciones: los datos estructurados y los datos no estructurados. El análisis sobre los primeros, se relaciona más con el tratamiento de información cuantificable y discreta, mientras que el análisis de los segundos es precisamente el que se realiza sobre los textos, en este caso, las conversaciones entre clientes y agentes. Para predecir si una conversación en el centro de contacto entre el cliente y el agente especializado en retención va a culminar en una baja del cliente, podríamos entrenar un modelo que se alimente de las conversaciones previas y realice esta predicción. Otro ejemplo de predicción en el centro de contacto podría ser la de determinar si una conversación de ventas va a concluir en una venta efectiva o no.
En el caso de los modelos de predicción como los presentados en el párrafo anterior, se necesitan más que los textos para lograr precisiones aceptables. Debemos valernos tanto del análisis de datos estructurados como de los no estructurados, para armar un modelo de predicción eficiente. En efecto, esto requiere un nivel mayor de madurez en los flujos automatizados de la organización.
Como gerentes o directores no especializados en tecnología, es importante conocer qué es lo que podemos obtener de estas técnicas o disciplinas de la inteligencia artificial relacionadas al análisis de texto. Asimismo, debemos comprender que la aplicación de estos modelos requiere un esfuerzo de implementación, automatización y mantenimiento de los desarrollos para que permanezcan vigentes y sean útiles como apoyo al proceso general de toma de decisiones en la organización.
Análisis de sentimiento
El análisis de sentimiento puede realizarse a través de los llamados algoritmos de clasificación, que permiten entrenar a un modelo de inteligencia artificial para que detecte cuando un cliente se encuentra satisfecho o insatisfecho, cuando un cliente está enojado o cuando existe maltrato en una interacción. Esta aplicación es especialmente valiosa cuando se combina con la identificación de la marca y los temas de disconformidad que se presentan en las conversaciones.
Análisis de tópicos o temas de conversación
En base a la información de entrada, miles o millones de palabras provenientes de los textos de audios y otras interacciones, podemos entrenar un algoritmo de tópicos que detecte y agrupe los temas de conversación de las diferentes interacciones. Esto nos permitirá identificar claramente qué es importante y qué no lo es desde la perspectiva del cliente. Es esencial mencionar que, tanto esta aplicación como las demás, no son procesos estáticos y deben implementarse automatizaciones que permitan una permanente retroalimentación de los datos de entrada y un reentrenamiento de los modelos.
Análisis predictivos
Podemos decir que existen dos tipos de datos a analizar en las organizaciones: los datos estructurados y los datos no estructurados. El análisis sobre los primeros, se relaciona más con el tratamiento de información cuantificable y discreta, mientras que el análisis de los segundos es precisamente el que se realiza sobre los textos, en este caso, las conversaciones entre clientes y agentes. Para predecir si una conversación en el centro de contacto entre el cliente y el agente especializado en retención va a culminar en una baja del cliente, podríamos entrenar un modelo que se alimente de las conversaciones previas y realice esta predicción. Otro ejemplo de predicción en el centro de contacto podría ser la de determinar si una conversación de ventas va a concluir en una venta efectiva o no.
En el caso de los modelos de predicción como los presentados en el párrafo anterior, se necesitan más que los textos para lograr precisiones aceptables. Debemos valernos tanto del análisis de datos estructurados como de los no estructurados, para armar un modelo de predicción eficiente. En efecto, esto requiere un nivel mayor de madurez en los flujos automatizados de la organización.
Como gerentes o directores no especializados en tecnología, es importante conocer qué es lo que podemos obtener de estas técnicas o disciplinas de la inteligencia artificial relacionadas al análisis de texto. Asimismo, debemos comprender que la aplicación de estos modelos requiere un esfuerzo de implementación, automatización y mantenimiento de los desarrollos para que permanezcan vigentes y sean útiles como apoyo al proceso general de toma de decisiones en la organización.
¿Realiza tu empresa investigaciones y analítica de texto y datos?
Comentarios
Publicar un comentario