روایت طراحی یک مدل اختصاصی برای کسب رضایت مشتری

به گزارش شمانیوز؛ جالب است بدانید بر اساس آخرین نظرسنجی که از مدیران اجرایی شرکت‌های بزرگ انجام شده، علت اصلی استفاده از هوش مصنوعی، کسب رضایت مشتریان است نه افزایش درآمد یا سهولت کار برای کسب و کارها.

اولین مساله‌ای که در کارگزاری مفید با آن مواجه بودیم، کی‌وای‌سی یا ثبت نام مشتریان و احراز هویت آن‌ها بود که استفاده از هوش مصنوعی کم‌خطا را ناگزیر می‌کرد. بر همین اساس در پایان سال ۹۹ از نسخه اولیه هوش مصنوعی مفید، رونمایی کردیم. در این فرآیند، اصلی‌ترین مساله تشخیص زنده بودن تصویر بود که برای آن یک ماژول طراحی شده است که به خوبی می‌تواند این مساله را حل کند. در واقع تلاش ما در کارگزاری مفید در این مسیر پیش می‌رفت که نرخ پذیرش اشتباه به صفر برسد؛ نرخی که در آن مقطع روی تستر خودمان حدود دو درصد بود.

هدف اصلی در مرکز خدمات مشتریان مفید این است که همه تماس‌ها پایش شود نه اینکه صرفا مثل مدل‌های سنتی چند تماس به طور رندوم مورد بررسی قرار بگیرد. می‌دانیم که هر تماس دو سمت دارد؛ یک سوی تماس مشتری‌ها و سوی دیگر کارشناس‌های ما قرار گرفته‌اند و در چنین بستری بسیار مهم است که میزان رضایت مشتری‌ها تحلیل و تا حد امکان اندازه‌گیری شود. همچنین به شکل مستمر باید این پایش صورت بگیرد که آیا اپراتورها کار خود را به درستی انجام می‌دهند؟

ای‌آی تکنولوژی یا هوش مصنوعی همه تماس‌ها را پایش می‌کند و تماس‌های دارای مشکل‌ را به شما برمی‌گرداند. در این فرمول، با توجه به ظرفیت واحد پایش‌، روز به روز کیفیت خدمات سرویس‌دهی بالاتر خواهد رفت.

در همین راستا تصمیم گرفتیم که فردی مثل مسئول پایش کارگزاری مفید به کمک ابزار هوش مصنوعی و با در نظرگرفتن فاکتورهای مختلفی مثل میانگین زمان پاسخ‌گویی، صدای افراد، میزان سکوت آن‌ها در صوت و … به میزان رضایت هر مشتری دست پیدا کرده و بتواند وضعیت رضایت کلی مشتریان را تحلیل کند. در اینجا چالش دیگری اما به وجود آمد. بررسی ویژگی‌های کمی صوت قرار است چگونه انجام شود؟ میزان عصبانیت و رضایت مشتری را چطور می‌توان به درستی درک کرد؟

ناچار بودیم که صوت‌ها را به متن مکتوب تبدیل کنیم تا بررسی آن‌ها آسان‌تر شود. همه می‌دانیم دستیار صوتی گوگل این امکان را فراهم کرده و استفاده از آن می‌توانست برای ما یک مزیت باشد اما تبدیل گفتار به متن توسط گوگل به ما نشان داد که این ابزار گوگل با درصد خطای ۸۰ درصد، ابزار قابل اتکایی به شمار نمی‌آید.

اینجا بود که فهمیدیم باید خودمان دست به کار شویم و در همان ابتدای کار با تخمینی که زدیم متوجه شدیم نیاز به شش ماه زمان داریم. اما کار عملیاتی شدن این ایده برای ما از کجا شروع شد؟

مثل طراحی هر مدل دیگری مرحله اول جمع آوری دیتاها بود. این مرحله شاید ساده‌ترین بخش به نظر برسد اما چالشی‌ترین بخش هم بی‌شک همین بخش است. در کارگزاری مفید روزانه چند هزار ساعت تماس داشتیم و همین باعث شد که دوباره با مساله تازه‌ای مواجه شویم. انتخاب کردن دیتای مورد نیاز از بین اینهمه داده باید چکونه باشد که تنوع لهجه، جنسیت، سن و … درآن لحاظ شود؟

در نهایت تصمیم گرفتیم با طراحی چند قانون به فیلتر هوشمند داده‌ها دست بزنیم. و در نهایت مرحله بعدی مرحله طراحی مدلینگ بود. این مرحله مورد علاقه تعداد بسیاری از افراد است که تنوع و پیچیدگی بسیاری هم دارد اما در نهایت فرآیند کار در مفید به گونه‌ای پیش رفت که لیستی از خطاهای آنالیز و …تهیه شد که بر اساس تعدد و تجمع آن‌ها در بخش‌های مختلف باید به تصمیم نهایی می‌رسیدیم: کدام مساله در اولویت حل کردن گذاشته شود تا بیشترین سود را به مشتری برساند؟

در این روند بارها و بارها دست به اصلاح قانون‌هایی که خودمان طراحی کرده بودیم زدیم و بعضی ساز و کارها را به طور کلی بازنویسی کردیم و در نهایت به مدل اختصاصی خودمان رسیدیم: درصد خطا را از ۸۰ درصد به ۲۰ درصد کاهش دادیم و تعداد خطاها را در یک صوت مشخص از ۸۴ خطای موجود در دستیار صوتی گوگول به ۴ خطا در دستیار صوتی مفید رساندیم و این مسیر برای ما تا همیشه ادامه دارد