互聯(lián)網(wǎng)和內(nèi)部網(wǎng)通信允許企業(yè)與他們服務(wù)的人進(jìn)行持續(xù)的對(duì)話。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(xí)是挖掘這些信息和揭示如何更好地為他們的客戶服務(wù)的關(guān)鍵。
在這個(gè)博客中，我將討論深度學(xué)習(xí)的不同方式，讓你了解客戶的聲音，包括：定性數(shù)據(jù)的重要性（非結(jié)構(gòu)化反饋）；分析在定性數(shù)據(jù)分析中對(duì)客戶的聲音（VoC）的作用；以及應(yīng)用程序的深度學(xué)習(xí)的作用和承諾（包括人工智能助手）。
定性數(shù)據(jù)（非結(jié)構(gòu)化反饋）對(duì)提高客戶的聲音的重要性
今天，調(diào)查仍然是收集客戶反饋的最常用的方式之一，僅僅是因?yàn)樗诮Y(jié)構(gòu)化信息方面很適合。封閉式問(wèn)題、評(píng)級(jí)得分和NPS都是對(duì)客戶滿意度進(jìn)行量化分析的方法。統(tǒng)計(jì)、平均數(shù)和趨勢(shì)可以很容易地從定量調(diào)查的答案中被計(jì)算，從而得出報(bào)告。
不幸的是，調(diào)查在客戶中越來(lái)越不受歡迎。調(diào)查的回應(yīng)率正在下降，部分原因是客戶被要求回答冗長(zhǎng)的、復(fù)雜的調(diào)查，而這些調(diào)查可能根本沒(méi)有關(guān)注對(duì)他們來(lái)說(shuō)最重要的事情。
我們也看到了不請(qǐng)自來(lái)的反饋，比如社交媒體上分享的客戶反饋，以及評(píng)論平臺(tái)作為商業(yè)信息的來(lái)源變得更有價(jià)值，因?yàn)樗峁┝瞬粠?jiàn)的、自由格式的文本，在這些文本中，用戶的意見(jiàn)可以被分享。
與結(jié)構(gòu)化反饋不同，非結(jié)構(gòu)化客戶反饋很難被編譯成數(shù)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(dá)意見(jiàn)和情緒，這些很難被翻譯成數(shù)字或“一個(gè)模子”的形式，適合所有的規(guī)模，很難轉(zhuǎn)換為結(jié)構(gòu)化表示，而結(jié)構(gòu)化數(shù)據(jù)很容易聚集成數(shù)字和統(tǒng)計(jì)業(yè)務(wù)關(guān)鍵性能指標(biāo)。
為什么自然語(yǔ)言理解是一項(xiàng)復(fù)雜的任務(wù)？
自然語(yǔ)言理解是人工智能中最具挑戰(zhàn)性的領(lǐng)域之一，因?yàn)樗婕暗揭晕谋靖袷交蛘Z(yǔ)言表達(dá)的語(yǔ)言信息來(lái)重新生成認(rèn)知任務(wù)。
文本是一種具有挑戰(zhàn)性的交流媒介，因?yàn)樾畔⒖梢杂貌煌脑~語(yǔ)、不同的語(yǔ)法形式來(lái)傳達(dá)，單詞和句子的意思是會(huì)受語(yǔ)境影響的。
文本分析在客戶的聲音（VoC）定性數(shù)據(jù)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(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)方面起著中心作用。這是自上世紀(jì)90年代以來(lái)在商業(yè)應(yīng)用中使用的一種技術(shù)。應(yīng)對(duì)自然語(yǔ)言固有的復(fù)雜性可以以各種方式解決，如基于關(guān)鍵字的方法或機(jī)器學(xué)習(xí)（包括深度學(xué)習(xí)）方法。
關(guān)鍵字基本方法
最常用的方法是依賴關(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(xiàn)的積極的關(guān)鍵詞和消極的關(guān)鍵字被用來(lái)量化客戶反饋的滿意程度和不滿意程度。
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(píng)為5星級(jí)”之類(lèi)的復(fù)雜句子。匹配關(guān)鍵詞“5星”會(huì)產(chǎn)生錯(cuò)誤的情緒評(píng)分，因?yàn)榭蛻魧?shí)際上并沒(méi)有給出“5星”評(píng)級(jí)。
構(gòu)建語(yǔ)言資源來(lái)支持這些方法往往是一項(xiàng)耗時(shí)的任務(wù)，并且定義一個(gè)完整的模型領(lǐng)域知識(shí)詞匯表是很難實(shí)現(xiàn)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(zhǔn)確性。
- 首字母縮略詞“LoL”、符號(hào)“:-)”和其他特殊符號(hào)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(dá)問(wèn)題時(shí)，很難預(yù)測(cè)客戶會(huì)使用什么類(lèi)型的詞匯。
機(jī)器學(xué)習(xí)方法
為了應(yīng)對(duì)這些挑戰(zhàn)，統(tǒng)計(jì)機(jī)器學(xué)習(xí)算法似乎給出了一些答案，因?yàn)樗鼈冊(cè)谡Z(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(rèn)知工作和潛在人為錯(cuò)誤的一種方法。
統(tǒng)計(jì)模型是基于在文本中觀察到的模式綁定數(shù)據(jù)點(diǎn)（如單詞）的數(shù)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(tǒng)計(jì)模型，如馬爾可夫（Markov）模型和條件隨機(jī)字段等，被用來(lái)執(zhí)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(xí)
對(duì)于統(tǒng)計(jì)模型而言，定義文本的預(yù)期意義的建模語(yǔ)言水平具有挑戰(zhàn)性。一些模型在簡(jiǎn)單的語(yǔ)言關(guān)系建模中表現(xiàn)良好，但為了考慮所有影響文本意義的語(yǔ)言現(xiàn)象，需要考慮豐富的統(tǒng)計(jì)模型。深度學(xué)習(xí)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(tǒng)計(jì)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(xí)文本中觀察到的復(fù)雜模式。
由于多層次的表達(dá)能力，在語(yǔ)義層次和領(lǐng)域知識(shí)的處理上可以更好地進(jìn)行深度學(xué)習(xí)。
用于客戶聲音（VoC）的深度學(xué)習(xí)的承諾
復(fù)雜的統(tǒng)計(jì)模型，例如深度學(xué)習(xí)，能夠捕捉語(yǔ)言的細(xì)微之處，并提供高準(zhǔn)確度的細(xì)粒度洞察力。這意味著文本分析技術(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，以更細(xì)粒度的和更深入的理解客戶動(dòng)機(jī)，支持忠誠(chéng)和流失。
捕捉語(yǔ)言的微妙之處，以及提供高精確度的細(xì)粒度洞察力，對(duì)于允許文本分析技術(shù)從報(bào)告能力轉(zhuǎn)向預(yù)測(cè)它們，并提出改進(jìn)客戶體驗(yàn)（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，不僅能夠理解客戶的反饋，還能通過(guò)基準(zhǔn)測(cè)試和比較來(lái)生成建議和評(píng)估業(yè)務(wù)性能。
Narjes Boufaden博士
Narjes Boufaden是Keatext公司的首席執(zhí)行官和創(chuàng)始人，該平臺(tái)是一個(gè)人工智能平臺(tái)，可以解釋客戶的自然表達(dá)意見(jiàn)，都是主動(dòng)征求和主動(dòng)提出的。在計(jì)算機(jī)科學(xué)專業(yè)畢業(yè)后，她專攻自然語(yǔ)言處理，并于2005年完成了博士學(xué)位。她的專長(zhǎng)開(kāi)發(fā)新的算法來(lái)分析和挖掘人類(lèi)對(duì)話。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(jī)器學(xué)習(xí)和文本挖掘的文章。
聲明:版權(quán)所有 非合作媒體謝絕轉(zhuǎn)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/
