互聯(lián)網(wǎng)和內部網(wǎng)通信允許企業(yè)與他們服務(wù)的人進(jìn)行持續的對話(huà)。這讓他們獲得了大量潛在的有價(jià)值的信息。自然語(yǔ)言理解和深度學(xué)習是挖掘這些信息和揭示如何更好地為他們的客戶(hù)服務(wù)的關(guān)鍵。
在這個(gè)博客中，我將討論深度學(xué)習的不同方式，讓你了解客戶(hù)的聲音，包括：定性數據的重要性（非結構化反饋）；分析在定性數據分析中對客戶(hù)的聲音（VoC）的作用；以及應用程序的深度學(xué)習的作用和承諾（包括人工智能助手）。
定性數據（非結構化反饋）對提高客戶(hù)的聲音的重要性
今天，調查仍然是收集客戶(hù)反饋的最常用的方式之一，僅僅是因為它在結構化信息方面很適合。封閉式問(wèn)題、評級得分和NPS都是對客戶(hù)滿(mǎn)意度進(jìn)行量化分析的方法。統計、平均數和趨勢可以很容易地從定量調查的答案中被計算，從而得出報告。
不幸的是，調查在客戶(hù)中越來(lái)越不受歡迎。調查的回應率正在下降，部分原因是客戶(hù)被要求回答冗長(cháng)的、復雜的調查，而這些調查可能根本沒(méi)有關(guān)注對他們來(lái)說(shuō)最重要的事情。
我們也看到了不請自來(lái)的反饋，比如社交媒體上分享的客戶(hù)反饋，以及評論平臺作為商業(yè)信息的來(lái)源變得更有價(jià)值，因為它提供了不帶偏見(jiàn)的、自由格式的文本，在這些文本中，用戶(hù)的意見(jiàn)可以被分享。
與結構化反饋不同，非結構化客戶(hù)反饋很難被編譯成數字。自由格式文本可以混亂和可以提供不符合語(yǔ)法的表達意見(jiàn)和情緒，這些很難被翻譯成數字或“一個(gè)模子”的形式，適合所有的規模，很難轉換為結構化表示，而結構化數據很容易聚集成數字和統計業(yè)務(wù)關(guān)鍵性能指標。
為什么自然語(yǔ)言理解是一項復雜的任務(wù)？
自然語(yǔ)言理解是人工智能中最具挑戰性的領(lǐng)域之一，因為它涉及到以文本格式或語(yǔ)言表達的語(yǔ)言信息來(lái)重新生成認知任務(wù)。
文本是一種具有挑戰性的交流媒介，因為信息可以用不同的詞語(yǔ)、不同的語(yǔ)法形式來(lái)傳達，單詞和句子的意思是會(huì )受語(yǔ)境影響的。
文本分析在客戶(hù)的聲音（VoC）定性數據分析中的作用
第一條原則：并非所有的文本分析都是平等的。
文本分析在將非結構化數據轉換為結構化數據方面起著(zhù)中心作用。這是自上世紀90年代以來(lái)在商業(yè)應用中使用的一種技術(shù)。應對自然語(yǔ)言固有的復雜性可以以各種方式解決，如基于關(guān)鍵字的方法或機器學(xué)習（包括深度學(xué)習）方法。
關(guān)鍵字基本方法
最常用的方法是依賴(lài)關(guān)鍵詞查找來(lái)查找可能相關(guān)的語(yǔ)句。在句子中發(fā)現的積極的關(guān)鍵詞和消極的關(guān)鍵字被用來(lái)量化客戶(hù)反饋的滿(mǎn)意程度和不滿(mǎn)意程度。
本體和詞匯是這些方法的基石。他們定義了特定行業(yè)或企業(yè)的詞匯。然而，關(guān)鍵字提供了有限的洞察力，不能涵蓋諸如“如果房間更大，我將給酒店評為5星級”之類(lèi)的復雜句子。匹配關(guān)鍵詞“5星”會(huì )產(chǎn)生錯誤的情緒評分，因為客戶(hù)實(shí)際上并沒(méi)有給出“5星”評級。
構建語(yǔ)言資源來(lái)支持這些方法往往是一項耗時(shí)的任務(wù)，并且定義一個(gè)完整的模型領(lǐng)域知識詞匯表是很難實(shí)現的。這些方法有三個(gè)問(wèn)題：
- 他們不考慮句子的上下文，這影響了分析的準確性。
- 首字母縮略詞“LoL”、符號“:-)”和其他特殊符號定義了一套全新的詞匯表，這些詞匯隨時(shí)代變化而變化（千禧一代、年輕人、老年人）。使用詞匯表來(lái)處理這些變化是很困難的。
- 在表達問(wèn)題時(shí)，很難預測客戶(hù)會(huì )使用什么類(lèi)型的詞匯。
機器學(xué)習方法
為了應對這些挑戰，統計機器學(xué)習算法似乎給出了一些答案，因為它們在語(yǔ)言資源（詞匯表）方面往往更加健壯，要求也更低。這是在編碼語(yǔ)言資源時(shí)克服大量認知工作和潛在人為錯誤的一種方法。
統計模型是基于在文本中觀(guān)察到的模式綁定數據點(diǎn)（如單詞）的數學(xué)模型。這些模式可以是語(yǔ)法關(guān)系，也可以是其他類(lèi)型的關(guān)系，如語(yǔ)義關(guān)系或討論關(guān)系。超過(guò)15年的統計模型，如馬爾可夫（Markov）模型和條件隨機字段等，被用來(lái)執行文本分析。這些算法往往能很好地捕捉“簡(jiǎn)單”的模式。
文本分析的深入學(xué)習
對于統計模型而言，定義文本的預期意義的建模語(yǔ)言水平具有挑戰性。一些模型在簡(jiǎn)單的語(yǔ)言關(guān)系建模中表現良好，但為了考慮所有影響文本意義的語(yǔ)言現象，需要考慮豐富的統計模型。深度學(xué)習算法是一種多層次的神經(jīng)網(wǎng)絡(luò )，是一組能夠模擬不同模式的統計模型，以及它們之間可能存在的關(guān)系。此功能允許模型學(xué)習文本中觀(guān)察到的復雜模式。
由于多層次的表達能力，在語(yǔ)義層次和領(lǐng)域知識的處理上可以更好地進(jìn)行深度學(xué)習。
用于客戶(hù)聲音（VoC）的深度學(xué)習的承諾
復雜的統計模型，例如深度學(xué)習，能夠捕捉語(yǔ)言的細微之處，并提供高準確度的細粒度洞察力。這意味著(zhù)文本分析技術(shù)將能夠從一種淺薄的NLU（自然語(yǔ)言理解），集中于廣泛的分類(lèi)，如快樂(lè )和不快樂(lè )的客戶(hù)，以更細粒度的和更深入的理解客戶(hù)動(dòng)機，支持忠誠和流失。
捕捉語(yǔ)言的微妙之處，以及提供高精確度的細粒度洞察力，對于允許文本分析技術(shù)從報告能力轉向預測它們，并提出改進(jìn)客戶(hù)體驗（CX）的建議至關(guān)重要。
在不久的將來(lái)，我們將會(huì )看到CX-AI助手的大量增加，這些助手使用的是說(shuō)明性分析模型，不僅能夠理解客戶(hù)的反饋，還能通過(guò)基準測試和比較來(lái)生成建議和評估業(yè)務(wù)性能。
Narjes Boufaden博士
Narjes Boufaden是Keatext公司的首席執行官和創(chuàng )始人，該平臺是一個(gè)人工智能平臺，可以解釋客戶(hù)的自然表達意見(jiàn)，都是主動(dòng)征求和主動(dòng)提出的。在計算機科學(xué)專(zhuān)業(yè)畢業(yè)后，她專(zhuān)攻自然語(yǔ)言處理，并于2005年完成了博士學(xué)位。她的專(zhuān)長(cháng)開(kāi)發(fā)新的算法來(lái)分析和挖掘人類(lèi)對話(huà)。在這一新興領(lǐng)域的首批研究人員中，她發(fā)表了許多關(guān)于NLP、機器學(xué)習和文本挖掘的文章。
聲明:版權所有 非合作媒體謝絕轉載
作者：Narjes Boufaden博士
原文網(wǎng)址：http://customerthink.com/how-deep-learning-can-take-you-to-the-next-level-of-understanding-the-voice-of-your-customer/
