Huis audio Hoe kunnen machine learning tools die emotie evalueren helpen bij callcenterproblemen?

Hoe kunnen machine learning tools die emotie evalueren helpen bij callcenterproblemen?

Anonim

Q:

Hoe kunnen machine learning tools die emotie evalueren helpen bij callcenterproblemen?

EEN:

In veel opzichten zijn de systemen voor virtuele assistentie en interactieve spraakrespons (IVR) in de huidige callcenters nog steeds behoorlijk primitief.

Er komen echter gloednieuwe technologieën die beloven het telefoongesprek echt te revolutioneren als een emotioneel communicatiemiddel. Dat kan grote gevolgen hebben voor allerlei klanten en andere bellers die via de telefoon met een bedrijf proberen te communiceren.

Gratis download: machine learning en waarom het ertoe doet

Het is moeilijk om een ​​aantal van deze nieuwe technologieën te combineren met het huidige systeem dat de overhand heeft, waarbij de robotstem op uw telefoon echt geen analyse van uw einde van het gesprek doet, afgezien van de verwerking van de basis natuurlijke taal die een doelzin onderscheidt een andere.

Als je kijkt naar wat er op de snoek komt, lijkt het erop dat we een snelle explosie van moderne kunstmatige intelligentiehulp nodig hebben die IVR-systemen veel responsiever maken.

Een artikel in Wired met de titel 'Deze oproep kan worden gecontroleerd op toon en emotie' beschrijft het ontstaan ​​van een programma met de naam Cogito, een uitstekend voorbeeld van hoe spraakanalysesoftware op het punt staat veel beter te worden.

Een van de grootste afhaalrestaurants voor diegenen die geïnteresseerd zijn in klantenservice is dat Cogito kan helpen om de gemoedstoestand en mentaliteit van een beller te onderscheiden. Dat kan bedrijven helpen om bellers die al gefrustreerd of geïrriteerd zijn, beter van dienst te zijn en die waarschijnlijk meer gefrustreerd en geïrriteerd raken bij het omgaan met spraakmenu's. Schrijver Tom Simonite spreekt bijvoorbeeld over het gebruik van evaluatie van uitdrukkingen als "dit is belachelijk" die duidelijk kunnen laten zien of een beller wordt verergerd door de interface die hij of zij gebruikt.

Bij een wat meer sinister gebruik kan de software ook de emotionele patronen van de werknemers detecteren. Dit kan ook de klantenservice verbeteren, hoewel het meestal ten koste gaat van de menselijke werker - met andere woorden, software die je dwingt rechtop te zitten en aangenamer te praten, is waarschijnlijk geen geweldige vakbondsverkoop.

Het potentieel hier is echter duidelijk: door te kijken naar de emotionele samenstelling van de stempatronen van de beller en niet alleen naar de natuurlijke taal, kunnen callcenters sneller reageren en werkelijk klanten bedienen die hun factuur willen weten, productontwikkeling beter willen begrijpen, of stel veiligheidsvragen.

Uiteindelijk gaat het allemaal om het nemen van een interface verstrikt in verborgen architecturen en het maken van iets dat mensen gemakkelijk kunnen gebruiken. Interface-desoriëntatie is een enorme uitdaging in de hedendaagse techwereld - uw klantervaring is slechts zo goed als uw interface. Wanneer deze nieuwe tools echt op de markt komen, zullen bedrijven racen om ze te gebruiken, omdat de betere gebruikerservaring hen een enorm concurrentievoordeel zal geven. We zullen waarschijnlijk een verandering in zee zien in de richting van deze nieuwe technologieën die veel sneller en beslissend is dan bijvoorbeeld cloudacceptatie, want uiteindelijk zijn nieuwe technologieën voor stemrespons heel logisch.

Hoe kunnen machine learning tools die emotie evalueren helpen bij callcenterproblemen?