SentiSquare | Newsroom | Sztuczna inteligencja w wydaniu SentiSquare receptą na poprawę customer experience

Sztuczna inteligencja w wydaniu SentiSquare receptą na poprawę customer experience_

Published on 2|7|2019 by Aleksandra Adamczyk

Podczas kwietniowej konferencji Clientology Conference 2019 SentiSquare otrzymało nagrodę CX measurement Award za najskuteczniejsze rozwiązania w zakresie ulepszania customer experience. Clientology Conference to największe wydarzenie na rynku czeskim dotyczące Customer Experience. SentiSquare swój sukces zawdzięcza przekonaniu, że stawianie potrzeb użytkownika na pierwszym miejscu jest sposobem na osiągnięcie najlepszych efektów biznesowych.

Niedawno zostaliśmy poproszeni o przedstawienie case study, dzięki któremu wygraliśmy konkurs. Zapraszamy do lektury.

Projekt, który przyniósł nam zwycięstwo w konkursie, zakładał wdrożenie naszych rozwiązań z zakresu przetwarzania języka naturalnego u jednego z naszych klientów.

PROBLEM NASZEGO KLIENTA

Zadaniem, które mieliśmy zrealizować, było uporządkowanie zbioru kwestionariuszy Net Promoter Score (wskaźnik badający lojalność klientów firmy) naszego klienta za pomocą naszych narzędzi wykorzystujących sztuczną inteligencję. Kwestionariusz kierowany do otoczenia firmy zawierał pytania otwarte, takie jak np. „Jak powinniśmy usprawnić naszą pracę, abyś następnym razem ocenił ją na 10 na 10 punktów?”. Odpowiedzi z ankiet miały zostać zaklasyfikowane do odpowiednich kategorii, dzięki którym klient mógł monitorować i usprawniać pracę poszczególnych działów firmy.

Firma otrzymywała w ciągu kwartału 40 000 kwestionariuszy z informacją zwrotną na temat pracy poszczególnych działów. Opracowanie i skategoryzowanie 30% wszystkich odpowiedzi z tak dużego zbioru metodą manualną wymagałoby 3 tygodni pracy. W skali roku wiązało się z ponad 36 tygodniami żmudnej i monotonnej pracy.

NASZE ROZWIĄZANIE

Wyzwaniem było opracowanie całego zbioru opinii klientów na temat firmy z wykorzystaniem algorytmów NLP (przetwarzania języka naturalnego) oraz wyciągnięcie odpowiednich wniosków. Materiał obejmujący jeden kwartał udało się sfinalizować w ciągu 3 dni.

JAK TEGO DOKONALIŚMY?

Przy pomocy sztucznej inteligencji, bazując na opiniach klientów, stworzyliśmy model semantyczny.

I grupa danych wyjściowych: kategoryzacja

Stworzyliśmy 44 podkategorie (na podstawie 12 głównych kategorii) w celu uzyskania jasnego obrazu dotyczącego tematów poruszanych przez klientów.

II grupa danych wyjściowych: sentyment

Dzięki sztucznej inteligencji udało nam się ustalić z dokładnością do 94% czy opinie na temat firmy są pozytywne, neutralne czy też negatywne. Ta część wyników badania pozwoliła określić, co się podoba klientom, a co nie.

III grupa danych wyjściowych: wgląd

W sytuacjach, gdy pojawiał się nowy element oceny ze strony otoczenia firmy, nagrywaliśmy go i przedstawiliśmy nowe zachowanie klientowi do wglądu.

Wizualizacja danych

Wszystkie dane wprowadziliśmy do aplikacji pozwalającej na stworzenie wizualnej reprezentacji informacji w taki sposób, że każdy manager firmy mógł mieć wgląd do szczegółowych danych przedstawionych w formie wykresu.

POCZĄTKOWE WYZWANIA W PROJEKCIE

Niedokładne dane wejściowe. Jednym z problemów była trudność przyporządkowania odpowiedzi do konkretnej kategorii.

Początkowe warsztaty z działem analizy biznesowej w firmie klienta. Jednak wspólne kodowanie pozwoliło nam zwiększyć dokładność wyliczeń.

Działania prowadzone razem z klientem dały odpowiedź na pytanie, co jest istotne z jego perspektywy. Pozwoliło to skupić się na najistotniejszych informacjach, które powinniśmy dostarczyć. Cały proces pozwolił w znacznym stopniu zredukować koszty, które nasz klient musiałby ponieść w przyszłości.

CELE I EFEKTY

1. Kategoryzacja 100% kwestionariuszy przy użyciu naszych rozwiązań AI – cel zrealizowany.

Efekt: Klient zredukował potrzebny czas na wykonanie projektu. Co więcej, dzięki naszej pracy każdy z działów firmy miał jasny obraz odbioru swojej pracy i wiedział jak, jest postrzegany przez otoczenie firmy. Dzięki temu nasz klient dowiedział się dokładnie, jak zarządzać zasobami i pracą w taki sposób, aby działania były najskuteczniejsze.

2. Dostarczenie wyników w 3 dni po zakończeniu danego kwartału – cel zrealizowany

Efekt: Skrócenie czasu realizacji badań o 86%. Klient ma bieżący wgląd do danych dotyczących trendów i oczekiwań swoich interesariuszy.

3. Wyciągnięcie wniosków na podstawie zebranych danych – cel zrealizowany

Efekt: Wskazanie nowych wartości, istotnych z punktu widzenia klientów firmy.

Wartość dodana: W oparciu o wskaźniki NPS w połączeniu z odczuciami respondentów byliśmy w stanie precyzyjnie skoncentrować się na klientach na podstawie ich nastawienia do firmy.

Co więcej, w sytuacjach kiedy respondent poruszał więcej niż jedno zagadnienie w swojej wypowiedzi, mogliśmy taką opinię uwzględnić w więcej niż jednej kategorii.

Przyznana nam nagroda CX measurement Award to dla nas wielkie wyróżnienie, a realizacja zadania konkursowego to dowód potwierdzający skuteczność naszych rozwiązań z obszaru NLP w poprawie wskaźnika NPS.


  1. Źródło: Clientology Institute

SentiSquare_

SentiSquare is a technology company that deals with customer-generated text analysis. As one of the few companies uses artificial intelligence based on principles of distribution semantics, which provides many competitive advantages, such as linguistic independence. The company was founded in 2014 as a spin-off by team of researchers at the Faculty of Applied Sciences of the University of West Bohemia in Pilsen. SentiSquare currently supplies technology to the contact centers of large companies such as T-Mobile, E.ON or Albert. SentiSquare has a branch in Poland.

Polish media contact:
Aleksandra Adamczyk
adamczyk@sentisquare.com
+48 783 466 078

Czech media contact:
Lucie Kolářová
kolarova@sentisquare.com
+420 603 400 124