Наряду с ростом популярности чат-ботов и простых диалоговых интерфейсов растет интерес к другим возможностям обработки естественного языка (NLP) в банковской, финансовой и страховой отраслях.

Чаще всего крупным компаниям сложно получать новые идеи от службы поддержки клиентов. Например, крупная страховая компания может получать миллионы текстовых сообщений каждый год в форме отзывов клиентов или взаимодействий во время работы службы поддержки клиентов.

Крупным фирмам может быть сложно заставить людей сканировать данные о клиентах для выявления ключевых проблем клиентов в масштабе. Огромный объем этих входящих сообщений мешает банкам последовательно использовать информацию, которая может быть получена из данных клиентов.

Для компаний, которые хотят получить представление о своих миллионах исторических взаимодействий с клиентами, методы обработки естественного языка и машинного обучения могут помочь автоматически определить, о чем могут говорить клиенты.

Мы поговорили с Питером Хупсом, вице-президентом по продажам в компании Gamalon, Inc., который рассказал о некоторых преимуществах НЛП для обслуживания клиентов в таких отраслях, как страхование и финансы.

По словам Хупса, машинное обучение и НЛП могут помочь извлечь информацию из того, о чем говорят клиенты, взаимодействуя с представителями службы поддержки, комментируя в социальных сетях или заполняя опросы об удовлетворенности клиентов. Мало того, машинное обучение может помочь представить эти данные в структурированном формате, что позволит предприятиям действовать. Как говорит Хупс:

Мы ищем данные, которые могут быть преобразованы в полезную информацию из двух основных областей бизнеса. (1) Взаимодействие со службой поддержки клиентов: во многих случаях единственное взаимодействие, которое компания может иметь с клиентом, — это когда у него возникает проблема, которую необходимо решить. (2) текстовые опросы: открытые опросы, в которых клиенты могут высказать свое мнение о продукте или услуге на естественном языке.

Обработка естественного языка в страховании — обзор

В страховой отрасли исторически доминировали крупные, медленно развивающиеся предприятия. Однако в последние годы случаи использования ИИ в страховании набирают популярность, вероятно, из-за доступа к большим объемам данных и ресурсов клиентов в отрасли.

Несколько перспективных страховых компаний, похоже, применяют ИИ для анализа клиентов. По словам Хупса, правильно идентифицировать и извлечь информацию о клиентах из этой горы данных сложнее, чем может показаться, особенно при обучении компьютерного программного обеспечения пониманию того, как люди общаются.

Для компании с большой базой страховых клиентов, которая взаимодействует с несколькими типами продуктов по каналам связи, сложность усугубляется.

НЛП и машинное обучение могут позволить страховым компаниям брать большие объемы текстовых данных о взаимодействии с клиентами и находить в них шаблоны для классификации и группировки этих сообщений. В большинстве случаев для этого по-прежнему требуется, чтобы люди считывали часть данных, чтобы пометить каждое сообщение, прежде чем его можно будет передать алгоритму машинного обучения.

Эти помеченные сообщения позволяют алгоритмам лучше «понимать» контекст в предложении. По словам Хупса, программное обеспечение NLP может анализировать шаблоны, такие как общие слова, используемые в начале предложения, или слова, используемые вместе в нескольких предложениях, чтобы автоматически классифицировать новые сообщения.

Некоторое программное обеспечение NLP, например, предлагаемое Gamalon, работает немного по-другому. Например, вместо того, чтобы люди помечали сообщения как «возврат» или «запрос на отмену», алгоритм, лежащий в основе программного обеспечения, работает посредством неконтролируемого обучения.

Неконтролируемое обучение не требует, чтобы люди маркировали сообщения до того, как они будут загружены в алгоритм машинного обучения. Вместо этого алгоритм обрабатывает необработанные текстовые данные и сам классифицирует сообщения. После этого эксперты-люди могут настроить категории, созданные алгоритмом, которые продолжают обучать алгоритм.

Хупс предполагает, что есть две области, в которых НЛП может обеспечить наибольшую рентабельность инвестиций для страховых компаний:

  • Служба поддержки
  • Аналитика опроса

Мы рассмотрим оба этих варианта использования более подробно ниже:

NLP для поддержки клиентов в страховании

По словам Хупса, важным фактором, объясняющим, почему страховые компании могут инвестировать в ИИ для обслуживания клиентов, является то, что клиенты чаще всего взаимодействуют со страховыми фирмами, когда у них возникают проблемы, когда что-то пошло не так.

Хупес считает, что компании с низким уровнем взаимодействия со своими клиентами сочтут наиболее привлекательным запуск инициатив НЛП для улучшения обслуживания клиентов.

Он объясняет трудности, связанные с получением информации из отзывов клиентов, на примере медицинского страхования. Если крупная страховая компания получила миллион сообщений от клиентов о заявлениях о возмещении или в качестве отзывов, перед ней стоит задача определить, какие фразы относятся к одним и тем же вещам. Хупс говорит, что клиенты страховых компаний могут говорить одно и то же по-разному:

Допустим, компания ежегодно получает миллион сообщений от клиентов по многим каналам. Если предположить, что 50% этих людей ищут врача, может быть 500 000 способов, которыми люди обращаются к врачу. Например, клиент может использовать термины "я ищу врача", "я ищу специалиста" или "я ищу медицинского эксперта", что означает, что клиент ищет врача.

Страховая компания, желающая прочитать большое количество обращений в службу поддержки клиентов, может использовать НЛП для автоматической классификации основных проблем, с которыми сталкиваются клиенты, и сопоставления действий с соответствующими отделами. Программное обеспечение AI может просматривать заявки в службу поддержки клиентов и перечислять вещи, о которых говорят больше всего, а также дополнительные сведения о каждой проблеме.

Например, алгоритмы НЛП могут определить, что несколько клиентов упомянули конкретный страховой продукт вместе с терминами, обозначающими негативное отношение. Кроме того, программное обеспечение может определить, что слово «цена» часто использовалось в жалобах на этот продукт. Затем страховая компания может определить продукт, который не нравится клиентам, что в данном случае может быть связано с его ценой, чтобы предупредить соответствующее подразделение.

Также может быть случай, когда клиент звонит для обратной связи и заявляет, что представитель службы поддержки был груб, но онлайн-опыт был хорошим. В таких случаях определение того, как сообщения, которые содержат как положительные, так и отрицательные настроения по поводу двух или более разных понятий, может быть сложной задачей для алгоритмов НЛП без значительного количества маркировки или настройки экспертами в предметной области в зависимости от подхода, принятого для обучения алгоритма. под присмотром или без присмотра).

Кроме того, NLP также может позволить страховым компаниям отслеживать входящие данные о клиентах в режиме реального времени, чтобы помочь выявить проблемы и принять меры до того, как они затронут большое количество клиентов.

Например, крупная страховая компания может использовать программное обеспечение НЛП для автоматической категоризации обращений в службу поддержки клиентов по корзинам. В результате менеджеры по обслуживанию клиентов могли заметить, что более 25% жалоб, отнесенных к категориям за последний месяц, касались, например, проблем с логином и паролем.

Затем компания могла бы принять упреждающие меры и предупредить свою ИТ-команду до того, как проблема затронет больше клиентов, что, по сути, дает страховым компаниям возможность предотвратить усугубление проблем.

НЛП для аналитики опросов в страховании

В страховом секторе предприятия могут не иметь регулярного взаимодействия со своими клиентами через каналы поддержки клиентов. Хупс объясняет это на примере:

Если вы используете подключение к Интернету и оно не работает, интернет-провайдеры знают, что клиент столкнулся с проблемой. Можно гораздо проще узнать о восприятии клиентов. В сфере страхования компании могут не располагать достаточной информацией о том, как клиенты говорят об их продуктах. Поставщики услуг автострахования могут видеть транзакции в сервисном аккаунте клиента, но им может потребоваться провести опрос клиента, чтобы узнать, как обычно клиенты относятся к брендам и продуктам.

Таким образом, многие страховые крупные страховые компании будут иметь накопившиеся данные опросов, из которых сотрудники вряд ли смогут извлечь полезную информацию; просто слишком много опросов, чтобы просеивать их.

По словам Хупса, страховые компании могли бы лучше понять свои ответы на опросы с помощью НЛП и машинного обучения.

Например, фирма автострахование может взаимодействовать со своими клиентами только тогда, когда они подают претензию или когда клиент обращается в службу поддержки. Чтобы исправить это, они могут собирать данные о том, что клиенты думают об их бренде и продукте, с помощью открытых текстовых опросов, которые они рассылают клиентам. Если они не смогут предугадать, сколько опросов они получат, они могут обнаружить, что затраты на просеивание всех их для получения какой-либо значимой информации слишком высоки.

Учитывая большое количество ответов на опросы, автостраховая фирма может использовать неконтролируемое НЛП для автоматической классификации этих ответов. Затем эксперты в предметной области могут просмотреть категории, чтобы получить общее представление о том, как клиенты относятся к их бренду и продуктам. Если у них есть штатные специалисты по данным или они работают с поставщиком, который допускает это, они также могут настроить алгоритм, чтобы он классифицировал ответы так, как они этого хотят.

Хупс утверждает, что Gamalon работала с крупным игроком в области медицинского страхования, чтобы определить основные проблемы клиентов из миллионов сообщений опроса клиентов.

По словам Гамалона, страховая компания столкнулась с трудностями при получении ценных сведений из своих ответов на опрос из-за большого объема данных опроса. Существующие инструменты анализа опросов, основанные на правилах, оказались не в состоянии предоставить информацию.

Поставщик работал со страховой фирмой над анализом отзывов клиентов, собранных фирмой. Данные были представлены в виде неструктурированных открытых ответов на опросы клиентов. Гамалон утверждает, что они помогли фирме медицинского страхования классифицировать ответы на опросы таким образом, чтобы получить полезную информацию для отдела продаж.

Подход НЛП с контролируемым обучением также может работать для такого сценария, но он потребует времени, потраченного заранее на маркировку ответов опроса как категории, по которым страховая компания хочет, чтобы алгоритм сортировал ответы.

Заключительные мысли о НЛП для понимания страховых клиентов

Подводя итог, основные ценностные предложения по инвестированию в NLP для поддержки клиентов и создания аналитики клиентов в страховании включают:

  • Категоризация обращений в службу поддержки клиентов
  • Классификация ответов на опрос
  • Направление обращений в службу поддержки в соответствующие отделы
  • Узнать, что клиенты думают о бренде или продуктах страховой компании

Чтобы узнать обо всех возможностях НЛП в страховании, бизнес-лидеры могут прочитать наш полный отчет по этой теме.

Страховые компании прямо сейчас применяют НЛП для улучшения обслуживания клиентов и разработки продуктов. Любая такая попытка по-прежнему может быть наиболее актуальной для средних и крупных предприятий с достаточным доступом к данным, капиталу и талантам в области обработки данных. Местным страховым компаниям придется немного подождать, прежде чем ИИ в целом станет для них более доступным.

Страховым компаниям, желающим внедрить NLP в свои рабочие процессы обслуживания клиентов, сначала необходимо выяснить, какую информацию они хотят получить из своих данных поддержки клиентов. Для этого им часто потребуются эксперты в данной области для работы с учеными по данным, либо те, кто работает в самой компании, либо те, кто работает в компании-поставщике ИИ.

Страховые компании могут работать с поставщиком, который предоставляет неконтролируемое программное обеспечение NLP, которое может начать классифицировать сообщения клиентов относительно быстро после покупки программного обеспечения, но такие поставщики довольно редки. В таких случаях, как в случае с Gamalon, экспертам в предметной области не нужно маркировать данные, а вместо этого настраивать категории, которые алгоритм создает самостоятельно.

По большей части поставщики НЛП предлагают обучение с учителем, которое требует процесса интеграции, в котором участвуют эксперты в предметной области (в данном случае, вероятно, сотрудники службы поддержки клиентов в страховой компании), чтобы маркировать сообщения клиентов как определенные категории. Это научит алгоритм программного обеспечения точно классифицировать сообщения.

Программное обеспечение NLP теперь может помочь крупным страховым компаниям лучше понять, о чем их клиенты чаще всего говорят или с чем у них возникают проблемы. Однако важно начинать инициативы в области ИИ с четкой целью. В этом случае страховые компании должны знать, какую информацию они хотят получить с помощью программного обеспечения НЛП, прежде чем они будут работать с поставщиком ИИ или нанимать команду специалистов по данным для создания алгоритма.

Эта статья была спонсирована Gamalon и была написана, отредактирована и опубликована в соответствии с нашими прозрачными правилами содержания, спонсируемыми Emerj. Узнайте больше о том, как обратиться к нашей исполнительной аудитории, ориентированной на ИИ, на нашей рекламной странице Emerj.

Изображение в шапке предоставлено Paradigm Life

Первоначально опубликовано на emerj.com.