Bedrijven nemen vaak een reactieve houding aan bij belangrijke beslissingen over hun klanten omdat “achteraf altijd 20/20 is”. Het probleem met achteraf is dat het merken niet altijd helpt om problemen op te lossen totdat het te laat is.
Om problemen voor te blijven, maken veel bedrijven gebruik van spraakanalyse in hun contactcentra om naar de gespreksgegevens van hun klanten te kijken voordat ze actie ondernemen. Maar te midden van enorme hoeveelheden informatie kunnen veel verbale signalen soms verloren gaan of onopgemerkt blijven, waardoor bedrijven het grotere geheel niet zien. Wat als merken zelfs schijnbaar onvoorspelbare trends zouden kunnen vaststellen voordat klanten ooit specifiek een probleem hebben aangegeven?
Met onderwerpmodellering is het mogelijk, en dat is een van de dingen waar we hier bij Calabrio aan werken.
Hoe topicmodellering werkt
Met spraakanalyse worden gesprekken met klanten opgenomen, de spraak wordt vertaald naar tekst en merken ontvangen waarschuwingen wanneer vooraf bepaalde trefwoorden of zinnen worden uitgesproken. Van daaruit kunnen ze de juiste wijzigingen aanbrengen in een product, service of marketingcampagne. Het is echter onmogelijk om elk zoekwoord of elke zin die nuttig kan zijn vooraf te classificeren. Dit betekent dat er altijd hiaten zullen zijn, waardoor het moeilijk kan zijn om bepaalde problemen te identificeren tot het te laat is.
Bijvoorbeeld, verschillende klanten van een restaurantketen kunnen bellen om het restaurant te laten weten dat ze zich niet goed voelen. Ze kunnen bepaalde woorden zeggen zoals “krampachtig”, maar totdat ze specifieke woorden en zinnen gaan zeggen zoals “misselijkheid” of “voedselvergiftiging”, kan het bedrijf al te ver achterlopen om het probleem onder controle te krijgen.
Topic modeling maakt gebruik van machine learning en natuurlijke taalverwerking om abstracte onderwerpen te vinden in grote hoeveelheden gegevens, zodat merken de grotere trends in het midden van conversaties kunnen identificeren, inclusief onderwerpen die niet eens op de radar verschijnen.
Bij onderwerpmodellering analyseren algoritmen getranscribeerde gesprekken, e-mails, chats en andere tekstgebaseerde communicatiegegevens, vinden ze verwante woorden en extraheren ze thema’s. Deze statistische modellen bepalen de verbanden tussen deze thema’s en hoe ze in de loop van de tijd veranderen. Naarmate de dataset groter wordt, groeien de algoritmes, veranderen ze en leren ze om informatie beter te verwerken, zodat de thema’s nauwkeuriger worden.
Met deze modellen kunnen merken conversatiegegevens categoriseren op concept in plaats van op trefwoorden of zinnen, zodat ze eerder actie kunnen ondernemen in plaats van in de achteruitkijkspiegel te kijken.
In het voorbeeld van de restaurantketen is de uitbraak van voedselvergiftiging al bezig tegen de tijd dat klanten beginnen te bellen. Als het bedrijf echter onderwerpmodellering gebruikt om onderwerpen met betrekking tot voedsel te identificeren, zullen de algoritmen een verandering in patronen opmerken wanneer dingen als “misselijk”, “niet lekker” of “niet zeker wat ik heb gegeten” beginnen te verschijnen in relatie tot voedsel.
Zodra dit is gebeurd, kunnen ze die informatie gebruiken om andere thema’s te vinden, zoals het isoleren van het specifieke voorwerp dat werd geconsumeerd en dat uiteindelijk de ziekte veroorzaakte. Het restaurant kan dan proactief stoppen met het serveren van dat item en kanalen zoals loyaliteitsprogramma-informatie gebruiken om klanten te bereiken die dat gerecht op die specifieke avond hebben gegeten en een voucher of incentive aanbieden voor de klant om er opnieuw te dineren. Deze acties kunnen al worden ondernomen voordat veel klanten het volledige effect van de ziekte voelen.
Om succesvolle strategieën voor klantenbetrokkenheid en klantenbinding te ontwikkelen, moeten merken voortdurend op zoek gaan naar manieren om beter naar hun klanten te luisteren. Topic modeling stelt merken in staat om het grotere plaatje te zien door gebruik te maken van enkele van de subtielere verbale signalen die tijdens klantgesprekken naar voren komen, en het geeft contactcentra de mogelijkheid om sneller diepere inzichten te krijgen door onderwerpen en trends veel sneller te identificeren. Met deze kritieke informatie kunnen bedrijven strategieën implementeren om te voorkomen dat problemen zich verspreiden, proactiever met klanten omgaan wanneer een probleem is herkend en de algehele klantervaring verbeteren.
Bij Calabrio geloven we dat het moderne contactcenter voortdurend in ontwikkeling is en verandert om aan de behoeften van klanten te voldoen. Topic modeling is slechts een van de dingen waar we aan werken om ervoor te zorgen dat contactcenters problemen, trends en de wensen en behoeften van klanten voor kunnen blijven.
Lees meer over de uitdagingen waarmee contactcenters worden geconfronteerd en de technologie die hen sterker maakt in onze definitieve gids voor het moderne contactcenter.
