تحلیل تماس با هوش مصنوعی به تیم‌ها کمک می‌کند از میان تعداد زیادی مکالمه، اطلاعات قابل استفاده‌تری به دست آورند؛ اما ارزش آن فقط در تبدیل صدا به متن خلاصه نمی‌شود. نتیجه زمانی مفید است که یک سؤال کاری روشن داشته باشیم، خروجی موردنیاز را از قبل تعریف کنیم و موارد مهم یا مبهم را به بازبینی انسانی بسپاریم.
برای مثال، مدیر پشتیبانی ممکن است بخواهد بداند موضوع پرتکرار تماس‌ها چیست، تیم فروش به دنبال تشخیص تماس‌های نیازمند پیگیری باشد و واحد کنترل کیفیت بخواهد نمونه‌های پرریسک را زودتر بررسی کند. هر سه تیم از یک فایل صوتی استفاده می‌کنند، ولی سؤال، معیار و اقدام بعدی آنها متفاوت است. بنابراین تحلیل خوب از فناوری شروع نمی‌شود؛ از تصمیمی شروع می‌شود که قرار است با نتیجه تحلیل گرفته شود.
تحلیل تماس با هوش مصنوعی چیست؟
تحلیل تماس فرایندی است که محتوای صوتی یک مکالمه را به داده قابل جست‌وجو، دسته‌بندی یا ارزیابی تبدیل می‌کند. این داده می‌تواند خلاصه تماس، موضوع گفتگو، نتیجه یک معیار مشخص، دسته موضوعی یا مقدار عددی تعریف‌شده باشد. هدف این نیست که تمام جزئیات انسانی مکالمه در یک امتیاز فشرده شوند؛ هدف این است که بخش موردنیاز کسب‌وکار با ساختاری یکسان از تماس‌ها استخراج شود.
این فرایند معمولاً پس از پایان تماس انجام می‌شود. فایل یا داده مجاز تماس وارد جریان تحلیل می‌شود، گفتار به متن تبدیل می‌شود و سپس معیارهای از پیش تعیین‌شده روی محتوای مکالمه اعمال می‌شوند. صفحه تحلیل پس از تماس اپرا نیز این موضوع را در مسیر کنترل کیفیت و تحلیل مکالمات قرار می‌دهد.
تحلیل تماس چگونه انجام می‌شود؟
یک جریان ساده تحلیل تماس را می‌توان در پنج مرحله دید. ابتدا تماس‌هایی انتخاب می‌شوند که مجاز و مرتبط با هدف بررسی هستند. سپس صدای مکالمه به متن تبدیل می‌شود. در مرحله سوم، متن و در صورت نیاز نشانه‌های ساختاری تماس با دستورها و معیارهای تعریف‌شده بررسی می‌شوند. مرحله چهارم تولید خروجی ساختاریافته است و در مرحله پنجم، نتیجه در داشبورد دیده می‌شود یا در صورت پیکربندی به سامانه دیگری فرستاده می‌شود.
- انتخاب داده: تعیین کنید کدام تماس‌ها، از چه بازه‌ای و با چه مجوزی بررسی می‌شوند.
- تبدیل گفتار به متن: مکالمه به متنی تبدیل می‌شود که ماشین بتواند آن را پردازش کند.
- تعریف معیار: سؤال دقیق و شکل پاسخ مطلوب نوشته می‌شود.
- تولید خروجی: نتیجه در قالبی ثابت مانند بله/خیر، خلاصه، عدد یا دسته ارائه می‌شود.
- بازبینی و اقدام: نمونه‌های لازم کنترل و نتیجه به اقدام مشخص متصل می‌شود.
در هر مرحله احتمال خطا وجود دارد. صدای نامناسب می‌تواند متن را مخدوش کند، معیار مبهم باعث تفسیرهای متفاوت شود و اتصال نادرست خروجی به فرایند کاری ممکن است داده مفید را بدون استفاده رها کند. به همین دلیل ارزیابی باید کل زنجیره را بسنجد، نه فقط کیفیت ظاهری یک خلاصه.
خروجی‌های تحلیل تماس چیست؟
خروجی تحلیل تماس باید با نوع تصمیم متناسب باشد. اگر هدف تشخیص انجام یک اقدام مشخص است، پاسخ بله یا خیر می‌تواند کافی باشد. اگر مدیر می‌خواهد تصویر کوتاهی از مکالمه داشته باشد، خلاصه متنی مناسب‌تر است. برای اندازه‌گیری یک معیار تعریف‌شده می‌توان از مقدار عددی استفاده کرد و برای مسیریابی تماس‌ها، دسته‌بندی موضوعی کاربرد دارد.
- نتیجه بله یا خیر: آیا اطلاعات ضروری دریافت شد؟ آیا تماس نیازمند پیگیری است؟
- خلاصه متنی: دلیل تماس، نکات اصلی و اقدام بعدی را فشرده می‌کند.
- مقدار عددی: یک معیار از پیش تعریف‌شده را در مقیاسی ثابت ثبت می‌کند.
- دسته مشخص: تماس را در یکی از موضوعات یا نتایج مجاز قرار می‌دهد.
ترکیب چند خروجی نیز ممکن است مفید باشد؛ مثلاً دسته تماس، یک خلاصه کوتاه و وضعیت نیاز به پیگیری. با این حال افزودن فیلدهای بیشتر همیشه نتیجه بهتری نمی‌سازد. هر خروجی باید مصرف‌کننده، تعریف و اقدام بعدی مشخص داشته باشد. فیلدی که هیچ تیمی از آن استفاده نمی‌کند فقط پیچیدگی و هزینه بازبینی را افزایش می‌دهد.
کاربرد تحلیل تماس در مرکز تماس
در مرکز تماس، حجم مکالمه معمولاً بیشتر از ظرفیت شنیدن دستی همه تماس‌هاست. تحلیل تماس می‌تواند برای مرتب‌کردن نمونه‌ها، یافتن موضوعات پرتکرار و ساختن نمایی یکدست از خروجی مکالمات استفاده شود. این کار به مدیر کمک می‌کند به‌جای تکیه بر چند تماس تصادفی، نمونه‌های مرتبط با یک سؤال مشخص را پیدا کند.
برای مثال، می‌توان تماس‌ها را بر اساس موضوع تعریف‌شده دسته‌بندی کرد، موارد نیازمند پیگیری را جدا کرد یا تماس‌هایی را که نتیجه تحلیل آنها با انتظار تیم متفاوت است برای بررسی انسانی در اولویت گذاشت. این کاربردها زمانی ارزشمندند که به یک فرایند روشن مانند اصلاح راهنما، بازطراحی سناریو، آموزش تیم یا پیگیری مشتری متصل شوند.
تحلیل نباید به ابزاری برای تولید یک رتبه مبهم و بدون زمینه تبدیل شود. مدیر باید بداند هر برچسب یا امتیاز از چه تعریف عملی آمده، چه خطاهایی ممکن است داشته باشد و چه کسی مسئول بررسی موارد استثنایی است.
کاربرد برای تیم پشتیبانی
تیم پشتیبانی می‌تواند از تحلیل مکالمات مشتری برای شناخت دلایل تماس، ایرادهای پرتکرار و نقاطی استفاده کند که توضیح فعلی برای مشتری کافی نیست. اگر تماس‌های مربوط به یک مرحله خاص از خدمت افزایش یابد، تیم می‌تواند راهنما، پیام داخل محصول یا روش پاسخ‌گویی را بازبینی کند.
کاربرد دیگر، استخراج اقدام بعدی است. خلاصه‌ای که مشکل، کاری که انجام شده و وضعیت پیگیری را جدا می‌کند، تحویل موضوع میان اعضای تیم را آسان‌تر می‌سازد. البته خلاصه نباید جای ثبت رسمی یا کنترل انسانی در موضوعات حساس را بگیرد. اگر مشتری درباره شکایت جدی، خسارت یا تصمیمی با اثر بالا صحبت کرده است، متن و صدای اصلی باید در دسترس فرد مسئول باقی بماند.
برای استفاده مؤثر، دسته‌های پشتیبانی را محدود و قابل تمایز تعریف کنید. برچسب‌هایی مانند «مشکل»، «درخواست» و «سؤال» بیش از حد کلی‌اند و اقدام مشخصی نمی‌سازند. دسته باید به مسیری واقعی مانند آموزش، اصلاح محتوا یا ارجاع به واحد فنی وصل شود.
کاربرد برای تیم فروش
در فروش، تحلیل تماس می‌تواند اطلاعاتی مانند موضوع موردعلاقه، مانع تصمیم، درخواست پیگیری و مرحله تقریبی گفتگو را به شکلی ساختاریافته استخراج کند. مدیر فروش با این داده می‌تواند تماس‌های نیازمند اقدام را سریع‌تر پیدا کند و الگوهای رایج اعتراض یا پرسش مشتری را ببیند.
اما تحلیل نباید قصد خرید را از چند واژه ساده قطعی فرض کند. مشتری ممکن است برای مقایسه، تحقیق یا حل یک مسئله قدیمی تماس گرفته باشد. بهتر است معیارها به رفتارهای قابل مشاهده تکیه کنند؛ مثلاً «درخواست زمان برای جلسه بعدی مطرح شد» یا «قیمت و شرایط اجرا پرسیده شد»، نه برچسب‌های مبهمی مانند «مشتری بسیار مشتاق است».
اگر خروجی به سامانه پیگیری فروش منتقل می‌شود، فیلدها باید با جریان واقعی تیم هماهنگ باشند. ثبت خودکار یک برچسب بدون تعیین مسئول و موعد پیگیری، صرفاً داده بیشتری می‌سازد و احتمال فراموش‌شدن تماس را کم نمی‌کند.
کاربرد برای تیم کنترل کیفیت
کنترل کیفیت سنتی معمولاً بر شنیدن نمونه‌ای از تماس‌ها متکی است. تحلیل تماس می‌تواند در انتخاب نمونه و اجرای معیارهای تکرارشونده کمک کند؛ برای مثال مشخص کند کدام تماس‌ها احتمالاً از سناریوی تعریف‌شده خارج شده‌اند یا کجا یک نتیجه ضروری ثبت نشده است. سپس ارزیاب انسانی وقت خود را روی موارد مهم‌تر می‌گذارد.
در محصولات اپرا، صفحه کنترل کیفیت و تحلیل مکالمات ایجنت صوتی بر تماس‌هایی تمرکز دارد که ایجنت صوتی هوش مصنوعی اپرا برقرار کرده یا پاسخ داده است. این دامنه با ارزیابی عملکرد اپراتور انسانی یکی نیست؛ برای اپراتورهای انسانی، اپرابین مسیر محصولی جداگانه‌ای دارد. این تفکیک کمک می‌کند مقاله حاضر تعریف و کاربرد تحلیل را توضیح دهد، در حالی که صفحه محصول درباره اجرای آن در دامنه مشخص صحبت می‌کند.
خروجی کنترل کیفیت باید قابل توضیح باشد. ارزیاب لازم است بداند معیار دقیق چه بوده و در صورت اختلاف، چگونه نتیجه را اصلاح یا برای بهبود معیار ثبت کند. هدف، حذف قضاوت انسانی نیست؛ هدف، هدایت توجه انسان به نمونه‌هایی است که ارزش بررسی بیشتری دارند.
تحلیل احساسات چه محدودیتی دارد؟
لحن و احساس در مکالمه به زمینه، زبان، فرهنگ، کیفیت صدا و رابطه طرفین وابسته است. سکوت، کنایه، خستگی یا گفتار مؤدبانه ممکن است به‌اشتباه تفسیر شوند. بنابراین برچسب‌هایی مانند مثبت، منفی یا خنثی نباید به‌تنهایی مبنای تصمیم حساس درباره مشتری یا کارمند قرار گیرند.
اگر تحلیل احساسات استفاده می‌شود، بهتر است نقش آن محدود و کم‌ریسک باشد؛ مثلاً انتخاب نمونه برای بازبینی یا مشاهده روند کلی در کنار داده‌های دیگر. تعریف نمونه‌های واقعی فارسی و بررسی خطاها در لهجه‌ها، سرعت گفتار و شرایط صوتی مختلف ضروری است. همچنین باید روشن باشد که سیستم چه چیزی را اندازه می‌گیرد: واژگان، الگوی مکالمه یا برداشت کلی از لحن.
در بسیاری از موارد، سؤال عینی بهتر از احساس کلی است. «آیا مشتری درخواست صحبت با مدیر کرد؟» یا «آیا مشکل در پایان تماس حل‌نشده باقی ماند؟» خروجی روشن‌تری از «مشتری ناراضی بود؟» می‌دهد.
ملاحظات داده و حریم خصوصی
پیش از تحلیل تماس باید مشخص شود چه تماس‌هایی مجاز به ضبط و پردازش هستند، داده کجا نگهداری می‌شود، چه کسانی به آن دسترسی دارند و چه زمانی حذف می‌شود. الزامات قانونی و قراردادی به نوع کسب‌وکار، محل فعالیت و ماهیت داده وابسته‌اند و باید توسط مسئولان حقوقی و امنیتی همان سازمان تعیین شوند.
اصل حداقل‌گرایی راهنمای خوبی است: فقط داده‌ای را پردازش کنید که برای هدف اعلام‌شده لازم است. اگر برای دسته‌بندی موضوع تماس به اطلاعات هویتی نیاز ندارید، نگهداری یا نمایش آنها باید محدود شود. همچنین دسترسی به فایل صوتی، متن و خروجی تحلیل می‌تواند سطوح متفاوتی داشته باشد.
در طراحی اتصال‌ها نیز باید مسیر داده مستند باشد. مستندات اپرا نقطه شروع آشنایی با API، وب‌هوک، تحلیل و خروجی گرفتن است؛ اما تنظیم دسترسی، نگهداری و مقصد داده باید متناسب با سیاست داخلی سازمان انجام شود.
بازبینی انسانی چه زمانی لازم است؟
بازبینی انسانی برای همه تماس‌ها لازم نیست، اما حذف کامل آن نیز تصمیم امنی نیست. موارد با اثر بالا، تماس‌های حساس، خروجی‌های مبهم، کیفیت صوتی پایین و سناریوهای تازه باید در اولویت بررسی باشند. همچنین بخشی از تماس‌های عادی باید به‌صورت نمونه‌ای کنترل شوند تا خطاهای پنهان دیده شوند.
- نتیجه تحلیل به تصمیم مالی، حقوقی یا رابطه مهم با مشتری منجر می‌شود.
- متن تماس ناقص است یا چند نفر هم‌زمان صحبت کرده‌اند.
- خروجی با داده ثبت‌شده در سامانه دیگر تعارض دارد.
- تماس شامل شکایت جدی، تهدید، آسیب یا درخواست استثنایی است.
- یک معیار تازه اضافه شده و هنوز روی نمونه‌های واقعی سنجیده نشده است.
- مدل نتیجه‌ای با اطمینان پایین یا دسته نامشخص تولید کرده است.
بازبین باید بتواند علت اختلاف را ثبت کند: مشکل از کیفیت صدا بوده، تعریف معیار مبهم بوده یا تحلیل اشتباه کرده است. این بازخورد برای اصلاح فرایند ارزشمندتر از تغییر دستی یک برچسب بدون ثبت دلیل است.
چگونه تحلیل تماس را شروع کنیم؟
شروع مناسب، انتخاب یک مسئله محدود و پرتکرار است. برای نمونه، به‌جای «همه تماس‌ها را تحلیل کنیم»، سؤال را به «کدام تماس‌های پشتیبانی امروز نیازمند پیگیری دوباره‌اند؟» تبدیل کنید. سپس تعریف کنید پاسخ درست چه شکلی دارد و چه کسی نتیجه را مصرف می‌کند.
در گام بعد، مجموعه کوچکی از تماس‌های واقعی و مجاز را انتخاب کنید که حالت‌های عادی و استثنایی را پوشش دهند. پاسخ مرجع را با نظر افراد باتجربه بنویسید و خروجی سیستم را با آن مقایسه کنید. اختلاف‌ها باید به سه دسته جدا شوند: خطای متن‌سازی، ابهام معیار و خطای تحلیل. این جداسازی نشان می‌دهد چه چیزی باید اصلاح شود.
پس از رسیدن به نتیجه قابل قبول برای همان مسئله، می‌توان دامنه را تدریجی افزایش داد. افزودن هم‌زمان چند تیم، ده‌ها معیار و همه کانال‌ها تشخیص علت خطا را دشوار می‌کند.
جمع‌بندی
تحلیل تماس با هوش مصنوعی پلی میان صدای خام و تصمیم عملی است. این فرایند می‌تواند تماس‌ها را خلاصه و دسته‌بندی کند، معیارهای مشخص را بسنجد و نمونه‌های نیازمند توجه را جلوتر بیاورد. با این حال نتیجه خوب به صدای مناسب، تعریف دقیق، داده مجاز، بازبینی انسانی و اتصال روشن به اقدام بعدی وابسته است.
بهترین شروع، یک ارزیابی محدود با سؤال قابل سنجش و نمونه‌های واقعی است. پس از شناخت خطاها و تثبیت معیار می‌توان دامنه را افزایش داد. اگر هدف شما بررسی خروجی تماس‌های ایجنت صوتی اپراست، جزئیات اجرایی و شکل خروجی‌ها را در صفحه کنترل کیفیت و تحلیل پس از تماس اپرا ببینید.