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)的對話。這讓他們獲得了大量潛在的有價值的信息。自然語言理解和深度學(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，僅僅是因為它在結(jié)構(gòu)化信息方面很適合。封閉式問題、評級得分和NPS都是對客戶滿意度進(jìn)行量化分析的方法。統(tǒng)計、平均數(shù)和趨勢可以很容易地從定量調(diào)查的答案中被計算，從而得出報告。
不幸的是，調(diào)查在客戶中越來越不受歡迎。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的、復(fù)雜的調(diào)查，而這些調(diào)查可能根本沒有關(guān)注對他們來說最重要的事情。
我們也看到了不請自來的反饋，比如社交媒體上分享的客戶反饋，以及評論平臺作為商業(yè)信息的來源變得更有價值，因為它提供了不帶偏見的、自由格式的文本，在這些文本中，用戶的意見可以被分享。
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法的表達(dá)意見和情緒，這些很難被翻譯成數(shù)字或“一個模子”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)計業(yè)務(wù)關(guān)鍵性能指標(biāo)。
為什么自然語言理解是一項復(fù)雜的任務(wù)？
自然語言理解是人工智能中最具挑戰(zhàn)性的領(lǐng)域之一，因為它涉及到以文本格式或語言表達(dá)的語言信息來重新生成認(rèn)知任務(wù)。
文本是一種具有挑戰(zhàn)性的交流媒介，因為信息可以用不同的詞語、不同的語法形式來傳達(dá)，單詞和句子的意思是會受語境影響的。
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年代以來在商業(yè)應(yīng)用中使用的一種技術(shù)。應(yīng)對自然語言固有的復(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)鍵詞查找來查找可能相關(guān)的語句。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，我將給酒店評為5星級”之類的復(fù)雜句子。匹配關(guān)鍵詞“5星”會產(chǎn)生錯誤的情緒評分，因為客戶實際上并沒有給出“5星”評級。
構(gòu)建語言資源來支持這些方法往往是一項耗時的任務(wù)，并且定義一個完整的模型領(lǐng)域知識詞匯表是很難實現(xiàn)的。這些方法有三個問題：
- 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“:-)”和其他特殊符號定義了一套全新的詞匯表，這些詞匯隨時代變化而變化（千禧一代、年輕人、老年人）。使用詞匯表來處理這些變化是很困難的。
- 在表達(dá)問題時，很難預(yù)測客戶會使用什么類型的詞匯。
機器學(xué)習(xí)方法
為了應(yīng)對這些挑戰(zhàn)，統(tǒng)計機器學(xué)習(xí)算法似乎給出了一些答案，因為它們在語言資源（詞匯表）方面往往更加健壯，要求也更低。這是在編碼語言資源時克服大量認(rèn)知工作和潛在人為錯誤的一種方法。
統(tǒng)計模型是基于在文本中觀察到的模式綁定數(shù)據(jù)點（如單詞）的數(shù)學(xué)模型。這些模式可以是語法關(guān)系，也可以是其他類型的關(guān)系，如語義關(guān)系或討論關(guān)系。超過15年的統(tǒng)計模型，如馬爾可夫（Markov）模型和條件隨機字段等，被用來執(zhí)行文本分析。這些算法往往能很好地捕捉“簡單”的模式。
文本分析的深入學(xué)習(xí)
對于統(tǒng)計模型而言，定義文本的預(yù)期意義的建模語言水平具有挑戰(zhàn)性。一些模型在簡單的語言關(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言現(xiàn)象，需要考慮豐富的統(tǒng)計模型。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(xí)。
用于客戶聲音（VoC）的深度學(xué)習(xí)的承諾
復(fù)雜的統(tǒng)計模型，例如深度學(xué)習(xí)，能夠捕捉語言的細(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（自然語言理解），集中于廣泛的分類，如快樂和不快樂的客戶，以更細(xì)粒度的和更深入的理解客戶動機，支持忠誠和流失。
捕捉語言的微妙之處，以及提供高精確度的細(xì)粒度洞察力，對于允許文本分析技術(shù)從報告能力轉(zhuǎn)向預(yù)測它們，并提出改進(jìn)客戶體驗（CX）的建議至關(guān)重要。
在不久的將來，我們將會看到CX-AI助手的大量增加，這些助手使用的是說明性分析模型，不僅能夠理解客戶的反饋，還能通過基準(zhǔn)測試和比較來生成建議和評估業(yè)務(wù)性能。
Narjes Boufaden博士
Narjes Boufaden是Keatext公司的首席執(zhí)行官和創(chuàng)始人，該平臺是一個人工智能平臺，可以解釋客戶的自然表達(dá)意見，都是主動征求和主動提出的。在計算機科學(xué)專業(yè)畢業(yè)后，她專攻自然語言處理，并于2005年完成了博士學(xué)位。她的專長開發(fā)新的算法來分析和挖掘人類對話。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/
