Как NAB использует машинное обучение, чтобы слушать клиентов

Приложите ухо к земле. Представьте, что вы слушаете сразу 9 миллионов клиентов. Все их потребности, их жалобы, их желания и желания - какие невероятные возможности и вызовы это открывает.

В NAB мы отвечаем на этот вызов. У нас есть доступ к сотням различных каналов, по которым клиенты общаются с нами ежедневно - чат, социальные сети, электронная почта, текст, голос - и каждый дает нам возможность ответить и предложить либо исключительный, либо неадекватный опыт.

Независимо от того, в какой отрасли вы работаете, клиент - это королева, и лучший способ служить королеве или королю - это слушать то, что они хотят. Но с чего начать? Так много данных, и сегодня большая часть этого анализа выполняется вручную. Команды людей получают задание читать разговоры с клиентами, категоризировать и разделять эти данные на подкатегории для дальнейшего анализа. В зависимости от объема анализируемого текста это может быть чрезвычайно трудоемким и дорогостоящим мероприятием, которое часто приводит к предвзятым результатам и действиям.

Не у многих организаций есть ресурсы для выполнения этой работы, в том числе и у более крупных.

Проблема слишком большого шума

В NAB мы исторически анализировали разговоры клиентов вручную в рамках разрозненных бизнес-единиц, каждое из которых имеет целенаправленные взгляды на оптимизацию обслуживания клиентов в своем бизнесе. Это делается командами, которые вручную читают разговоры с клиентами, чтобы получить представление о темах, о которых нам говорят клиенты, и о настроении разговора.

Из-за того, что объем разговора анализируется вручную, по текстовым данным можно сделать лишь небольшую выборку. Это может привести к предвзятости, поскольку темы, относящиеся к конкретным бизнес-подразделениям, обычно фильтруются, что потенциально может вызвать более системные проблемы из-за того, что их не заметят. Наряду с предвзятостью из-за небольшой выборки разговоров, отдельные темы могут оказаться искаженными, что приведет к формированию стратегических планов на основе неточного анализа разговоров с клиентами.

Это не так уж и плохо - многие подразделения банка начали использовать уровень автоматизации для обработки больших объемов текста. Это позволяет автоматически анализировать весь корпус разговоров и распределять их по заранее определенным темам, устраняя проблемы перекоса выборки. Однако этот метод ограничивает появление новых тем, поскольку правила очень жесткие.

Лучшее прослушивание с помощью обработки естественного языка

В конце туннеля есть свет, поскольку мы начинаем использовать обработку естественного языка (NLP) во всей организации. NLP использует машинное обучение для автоматизации анализа текста в масштабе, обеспечивая большую широту анализа по сравнению с ручными методами и большую глубину, чем автоматическая категоризация на основе правил. Используя НЛП во всех беседах, мы можем анализировать текстовые данные, чтобы лучше понимать соответствующие темы, намерения и действия, рассматриваемые продукты и настроения - независимо от отделов.

Обучение моделей НЛП

Но пока не лопайте шампанское. Еще есть над чем поработать.

НЛП - отличное решение, чтобы преодолеть шум, но для того, чтобы сделать любой анализ значимым, вы должны сконцентрироваться и обучить систему.

Модели НЛП обучаются на больших общедоступных наборах данных, однако они часто не учитывают отраслевой язык. Например, «бумажные рулоны» относятся к бумажным квитанциям для торгового терминала в банковской сфере. Это может означать что-то совершенно иное, чем супермаркет.

Хотя это положение по умолчанию для большинства моделей НЛП, мы можем обучить модели понимать отраслевые особенности, тем самым повышая точность и переносимость модели и позволяя ее более широко использовать для получения последовательного и полного представления о клиенте, чтобы действительно понять их потребности.

Вот три моих главных совета, которые помогут вам начать обучение ваших данных:

1. Будьте целеустремленными
При обучении модели важно четко понимать, кто будет использовать результаты и для каких целей. Благодаря этому ваши команды будут целенаправленными, а результаты - целенаправленными.

2. Создайте центр передового опыта
Рассмотрите возможность создания центра передового опыта НЛП, чтобы объединить усилия по анализу разговоров. Это обеспечивает удовлетворение всех потребностей при обучении модели, особенно в крупной организации, и устраняет напрасные усилия.

3. Тщательно продуманная тема
При создании онтологии терминов для определения тем необходимо внимательно рассмотреть вопрос. Чтобы обеспечить точность модели НЛП, необходимо приложить кропотливые усилия при разметке обучающих данных. При маркировке обучающих данных соответствующими темами важно убедиться, что в терминах есть существенные различия, чтобы избежать коллизий и переобучения, что снизит качество классификации тем. Следует использовать методологии стекирования или пакетирования, чтобы сгруппировать подобную терминологию в онтологии, чтобы обеспечить лучшее обнаружение.

Внезапно информационный шум этих 8 миллионов клиентов перестает быть таким ошеломляющим. Некогда выполнявшаяся вручную задача чтения разговоров с клиентами построчно для выполнения ручного и в некоторой степени элементарного анализа теперь может быть расширена и автоматизирована с помощью НЛП, что позволяет творческим и талантливым сотрудникам сосредоточиться на более стратегических задачах для улучшения качества обслуживания клиентов. Это, в свою очередь, может повысить вовлеченность сотрудников.

Это только начало того, что НЛП может привнести в NAB - мы расскажем вам больше о нашем пути в следующих статьях.

Если вы хотите узнать больше и о работе в сфере технологий в NAB, нажмите здесь.

Об авторе: Адам Гулд - руководитель отдела цифровой аналитики и аналитики NAB. Обладая более чем 12-летним опытом работы в сфере цифровых технологий, он последние 5 лет возглавлял команду, специализирующуюся на данных; управление, курирование, моделирование, аналитика, отчетность и наука при создании первой платформы больших данных AWS от NAB, чтобы продвигать цифровые возможности NAB для своих клиентов.