AzoftR&DАвтоматический колл-скоринг как способ улучшить работу колл-центра

Автоматический колл-скоринг как способ улучшить работу колл-центра

Иван Ожиганов Март 7, 2018

Call scoring

90% довольных клиентов и 75% вопросов, решенных с первого звонка. Достичь таких показателей мечтает каждый руководитель колл-центра. Колл-скоринг помогает повысить результативность, но стоит дорого и отнимает много времени. Без автоматизации все звонки переходят в отдел оценки, а сотрудники тяжело вздыхают.

Мы разработали систему автоматического колл-скоринга, чтобы вы экономили на службе оценки качества сервиса, а ваш персонал меньше уставал от монотонной работы.

Что такое автоматический колл-скоринг

Алгоритм на основе нейронной сети обрабатывает все записи разговоров и делит их на подозрительные и нормальные. Дальше отдел качества обслуживания работает только с подозрительными записями и не тратит время на случаи, когда колл-центр сработал без ошибок.

Как нейронная сеть распознает звонки

Наш алгоритм считает звонок подозрительным, если находит в речи оператора грубость, повышение голоса, ненормативную лексику и переход на личности.

Параметры можно настраивать, как пожелаете. Все зависит от специфики бизнеса.

Звонки без заданных нарушений нейросеть автоматически причисляет к нормальным. В результате отдел качества обслуживания избавляется от ненужной работы.

Как мы обучали нейросеть

Чтобы научить сеть автоматическому колл-скорингу, мы использовали 1700 аудиофайлов. Исходные данные не были размечены. Нейросеть не знала, какие файлы считать нормальными, а какие — подозрительными. Поэтому мы вручную разбили их на 2 класса.

Нормальные файлы:

  • оператор разговаривает спокойно
  • клиент получает всю необходимую информацию
  • оператор не реагирует на ругань клиента

Подозрительные файлы:

  • оператор грубит и сквернословит
  • повышает голос на клиента
  • переходит на личности
  • отказывается консультировать

Когда алгоритм обработал все аудиофайлы, он выделил 200 недействительных записей. Они не подходили по параметрам ни к нормальным, ни к подозрительным. Это были звонки, где:

  • клиент звонил и сразу бросал трубку
  • клиент молчал
  • мешали помехи на стороне оператора или клиента

Из оставшихся полутора тысяч мы составили две выборки: обучающую и тестовую. Это наборы данных, на которых мы обучали и тестировали работу нейросети.

Что у нас получилось

Мы проверяли нейросеть на тестовой выборке из 205 файлов. Из них 177 аудиозаписей были нормальными, а 28 — подозрительными. Сети предстояло проверить все файлы и угадать принадлежность каждого файла к одному из двух классов. Вот, что получилось:

  • 170 нормальных файлов сеть определила как нормальные
  • 7 нормальных файлов сеть ошибочно назвала подозрительными
  • 13 подозрительных файлов сеть определила как подозрительные
  • 15 подозрительных файлов сеть ошибочно назвала нормальными

Чтобы оценить процентное соотношение истинных и ложных срабатываний, мы использовали матрицу ошибок. Данные представили в виде таблицы 2 на 2.

Матрица ошибок

После этого мы научили нейросеть искать конкретные фразы.

По правилам, в первые 20 секунд разговора оператор представляется и произносит название организации. Алгоритм проверяет записи и ищет случаи, когда оператор нарушил правила.

Для обучения сети мы подготовили 200 реплик, где разные голоса произносят название компании. Чтобы протестировать результаты, мы использовали 10-секундные отрезки из 300 других аудиофайлов.

На графике видно, как нейросеть обрабатывает одну из трехсот 10-секундных записей. Изначально сеть не в курсе, что название организации произносят на четвертой секунде. Она просчитывает вероятность, с которой фраза может быть произнесена на каждой секунде. В этот раз алгоритм определил для четвертой секунды самую высокую вероятность — 87%, и оказался прав.

Работа алгоритма

Как еще с помощью нейросетей и машинного обучения можно улучшить работу колл-центра

Автоматический колл-скоринг поможет выстроить для сотрудников kpi, выявить “правильное” поведение операторов и улучшить работу колл-центра. Кроме этого, используйте способность нейросетей распознавать речь для решения других задач бизнеса.

  • собирать данные для систем голосового набора
  • анализировать переговоры и искать взаимосвязи
  • распознавать человека по голосу
  • распознавать и анализировать эмоции клиента
  • решать проблему клиента при первом обращении с большей вероятностью, увеличивать удовлетворенность клиентов
  • анализировать обратную связь и улучшать дизайн сайта или голосового меню
  • увеличивать доход на один звонок (Revenue per Call)
  • уменьшать отток клиентов

Если вы тоже готовы автоматизировать рутинные задачи, правильно организовать работу колл-центра и повысить эффективность бизнеса — дайте знать.

Комментарии

комментарии