Képzeljük el, hogy ügynökök vagyunk (ha Ön valóban az, akkor ne képzelődjön, hanem figyeljen)! Mondjuk, üdülési jogot szeretnénk értékesíteni, és előttünk fekszik egy több százas híváslista: azok telefonszámai, akikkel már beszéltünk erről a lehetőségről, de nem sikerült velük zöld ágra vergődni, azaz nem kaptunk tőlük egyértelmű választ. Az eddigi beszélgetéseket – előrelátóan – rögzítettük. Most hogyan tovább? Hallgassuk vissza az összes beszélgetést, és a megérzésünkre hagyatkozva hívjunk fel néhány embert? Nem, az rengeteg idő és nagy rizikó. Vagy újra hívjunk fel mindenkit? Ez sem jó, ez is rengeteg idő, és ráadásul rengeteg pénz is. Az előző kör is több hétig tartott, és a költség is tetemes volt. Jöhetne egy jó tündér, aki megsúgná, melyik számokat érdemes újra hívnunk, kiknek van hajlandósága a felkínált üzletre.

Forrás: iStockphoto

Nem mese!

Kutatás: Alkalmazott Intelligencia Kutató Nonprofit Közhasznú Kft. alkalmazásfejlesztés: Nextent Zrt.
gépi tanulás, mesterséges intelligencia: X-Droid Kft.

Egy magyar kutató-fejlesztő cégekből álló konzorcium a Nextent Informatika Zrt. vezetésével arra vállalkozott, hogy olyan eszközt fejleszt ki, mely hatékonyan helyettesíti a hiába várt jó tündért. A fejlesztés jelenleg is tart, a készülő rendszer neve pedig cseppet sem mesebeli, sőt komoly projekthez illően meglehetősen száraz: Cli-Fi, azaz Client-Filtering – Ügyfélszűrő Rendszer, alcíme pedig Ügyfelek szűrése és rangsorolása telefonbeszélgetések alapján az üzleti eredmények növelése érdekében.

A projekt fő célkitűzése olyan újszerű, nemzetközi piacra szánt technológia és eszköz kidolgozása, mely ügyfélszolgálati telefonbeszélgetések alapján az ügyfeleket rangsorba állítja.  A projektben részt vevő kutatók szerint az ügyfelekkel folytatott beszélgetések alapján nagy biztonsággal előre lehet jelezni, hogy melyek eredményezhetnek ügyfelet, üzletet. Más szavakkal: előre jelezhető, mely ügyfeleket éri meg újra felhívni, kik azok, akiknél a kitartás üzlettel kecsegtet.

Ennek érdekében a már lezárt, sikeres üzletkötéssel véget ért, illetve kudarcba fulladt telefonbeszélgetésekből adatbázist készítenek, a beszélgetések során megfigyelhető érzelmeket is feldolgozzák. Minél inkább hasonlítanak egy lezáratlan ügyben folytatott beszélgetések során megjelenő érzelmek a sikeresen zárult ügyekben megjelent érzelmekre, annál valószínűbb, hogy érdemes az ügyfélnél tovább próbálkozni. Ha azonban a hangmintában megjelenő érzelmek inkább a kudarccal zárult tárgyalásokban megjelenő érzelmekre emlékeztetnek, aligha érdemes folytatni a tárgyalásokat.

Forrás: iStockphoto

A rangsorolási lista optimalizálása során nem egyszerűen az a fontos, hogy végül hány ügyfelet nyer meg a cég, hanem az is, hogy a minimális szükséges befektetéssel (azaz hívásköltséggel) a lehető legtöbb ügyfelet nyerje meg. Éppen ezért a kifejlesztett rangsorolási rendszer nem csupán azt képes megmondani, hogy mely ügyfeleket érdemes először felkeresni, hanem azt is, hogy a rangsor egy adott helyén álló ügyfél mekkora eséllyel nyerhető meg. Ennek alapján a cég könnyebben meg tudja határozni, mekkora összeget érdemes befektetni, hány lehetséges ügyfelet érdemes felhívnia.

A beszédfeldolgozás igencsak számításigényes feladat. Éppen ezért az utóbbi években egyre inkább elterjedt megoldás, hogy a számítási feladatokat nem a számítógép központi egységével, hanem a grafikus kártya processzorával végeztetik el.  Ez a módszer lehetővé teszi, hogy a számításigényes feladatokhoz nem szükséges szuperszámítógépeket alkalmazni, a feladat az otthonokban vagy irodákban használt számítógépen is elvégezhető. Mindehhez még az adatbázis méretét sem szükséges csökkenteni, a modelleket sem kell egyszerűsíteni.

Forrás: iStockphoto

A hangadatbázist valós ügyfélszolgálati telefonos beszélgetések alkotják. Az adatbázisnak kellően nagy méretűnek és részletesen feldolgozottnak kell lennie, ez biztosíthatja csak a gépi tanulás pontosságát. Az adatbázisban található hanganyagot több szempont alapján dolgozzák fel. Azonosítják a beszélőket (nem mindegy, mikor beszél az ügyfél, mikor a cég képviselője), fel kell ismerniük a kulcsszavakat (nem mindegy, mikor beszélnek a termék jellemzőiről, mikor az áráról stb.), fel kell ismerni a beszélő érzelmi-hangulati állapotát. A beszédfeldolgozás, a kulcsszófelismerés és az érzelemdetektálás feladataira a Nextent által korábban kifejlesztett Voice Miner^TM érzelem- és kulcsszófelismerő technológia szolgál kiindulási alapként.

A beszélgetéseket ezek alapján – részben „kézzel”, azaz emberi erővel, részben automatikusan – feljegyzésekkel látják el, szakszóval annotálják. Ezeket a feljegyzéseket (annotációkat) statisztikai alapú gépi tanulási módszerekkel dolgozzák fel, azaz feltárják a bennük jelentkező rendszeres összefüggéseket. A tanulási folyamatot többször is meg kell ismételni, mire végül az algoritmusok a tanult információkat már önállóan is fel tudják ismerni számukra ismeretlen beszédtartalmakban. Egy-egy jellemző felismerése akkor válik hatékonnyá, ha a tanuló adatbázisban elegendően sok példa van rá. A feltárt rendszerességek és összefüggések alapján válik lehetővé a rangsoroló eljárás kifejlesztése. Ehhez természetesen a matematikai módszereket és tanulási mechanizmusokat folyamatosan fejleszteni kell.

Rugalmasság

Mivel a rendszer jelentős része független a beszélgetések során használt nyelvtől, a rendszer gyorsan átültethető különböző nyelvekre: ez jelentős részben segíti, hogy a rendszer a nemzetközi piacon is jól alkalmazható legyen.

A Cli-Fi segítségével nem csupán az ügyfelek viselkedése vizsgálható, hanem az ügyintézők beszéde is. Segítségével könnyebben megállapítható, mely ügyintézők végzik hatékonyabban munkájukat, kiket érdemes előtérbe helyezni.

Az új technológia hatékonyan támogathat bármilyen ügyfélkezelő rendszert, és növelheti annak működési sikerességét. A telefonos megkeresés útján értékesítő cégek használhatják a rendszert az ügyfélszerzés- és megtartás hatékonyabbá tételéhez, azaz az ügyfél-elvándorlási mutató optimalizálásához, vagy saját ügyintézőik munkájának ellenőrzéséhez.

Forrás: iStockphoto

A kutatás-fejlesztési projekt a tavalyi elején indult, az első prototípus várhatóan 2011. végén kerül az ügyfelekhez. A kutatás-fejlesztési projekt a Nextent Informatika Zrt. szegedi innovációs központjában valósul meg, a beruházást az Új Magyarország Fejlesztési Terv keretében az európai unió 151 millió forinttal támogatta.

(x)