In gesprek met: Erna Gerritsen, director transformation & technology Webhelp, sinds 2016 verantwoordelijk voor de afdeling Business Intelligence en vanaf 2020 ook voor de IT change en innovatie projecten. Met data en slimme technologie levert de afdeling van Erna een positieve bijdrage aan de prestaties van klantcontact-medewerkers, adviseurs, experts en de klanten van Webhelp.
De meeste contact centers maken gebruik van recording voor spraakanalyse, het waarborgen van de kwaliteit, compliance, het vastleggen van afspraken en coaching van medewerkers voor het verbeteren van processen. Zo ook Webhelp: Door het opnemen en transcriberen van gesprekken komt er waardevolle informatie beschikbaar. De output van de spraakoplossing wordt gestructureerd opgeslagen, voor een eenvoudige export van de data naar onze BI systemen. Naast de standaard contact center rapportages geeft spraakherkenning inzicht over de afhandeling van het klantcontact per onderwerp:
- Is er veel herhaalverkeer?
- Wordt er veel doorverbonden?
- Welke onderwerpen hebben een hoge AHT en lage NPS?
Waarborgen kwaliteit
Deze informatie kan worden gebruik voor analyse, het trainen van medewerkers, het verbeteren van processen, waarborgen van de kwaliteit en het verhogen van de klanttevredenheid. Een aantal praktische toepassingen van tekstanalyse in het contact center zijn het automatisch labelen van gespreksonderwerpen, een sentiment analyse van het gesprek en het analyseren van succesfactoren in een gesprek.
Contact reasons klantcontact
Op basis van de gesprekstranscripties kunnen we goed achterhalen wat het gespreksonderwerp was. Normaliter laten we een medewerker het gespreksonderwerp loggen. Dit kost tijd en wordt niet altijd correct gedaan. Ook zijn de loggingsbomen vaak beperkt om het overzicht niet te verliezen. Met behulp van automatisch labelen op basis van tekstanalyse zijn we in staat om fijnmaziger de gespreksonderwerpen te achterhalen en kunnen we direct een nieuw gespreksonderwerp detecteren.
Sentiment in het gesprek
Behalve het analyseren van het gespreksonderwerp kunnen we ook gericht zoeken naar positief of negatief taalgebruik. Dit zegt iets over het sentiment in een gesprek. Worden er bijvoorbeeld veel negatieve woorden als ‘klacht’, ‘ontevreden’, ‘probleem’, ‘nee kan niet’, of ‘geen’ in een gesprek gebruikt kan dit een trigger zijn om juist deze gesprekken eens extra na te luisteren. Om vervolgens de klantenservice medewerker te coachen op positief taalgebruik.
Succesfactoren van het klantcontact
Een andere praktische toepassing is het analyseren van ‘succesfactoren’ in een gesprek. Daarbij combineren we de tekstanalyse met de gespreksresultaten. Wil je bijvoorbeeld weten wat het geheim is van jouw meest succesvolle medewerker? Waarom heeft zij altijd een hoge NPS score? Of uitstekende verkoopresultaten? Door de gesprekken met een hoge NPS of een sales resultaat te analyseren komen we er vanzelf achter welke woorden en zinnen je juist wel, of juist niet moet gebruiken voor het gewenste resultaat.
De spraaktechnologie van Telecats
Voor de optimale verwerking van spraak naar tekst nemen we de gesprekken altijd in de hoogst mogelijke kwaliteit en stereo op. Na de verwerking kunnen de opnamen alsnog worden gecomprimeerd voor opslag. De huidige spraaktechnologie is gebaseerd op “deep neural nets” die tegenwoordig in een geconditioneerde omgeving tot 95% herkenning komt; dat is gemiddeld beter dan de menselijke herkenning. In de toepassing van spraakherkenning in contact centers hebben we uiteraard niet te maken met deze laboratorium condities. Mensen denken terwijl ze praten en spreken grammaticaal niet correct, bellen via een 8 kHz telefoonlijn en vaak niet vanuit een stille omgeving.
Taalmodellen en context
Om de gesprekken toch met een goede kwaliteit om te zetten van spraak naar tekst, zijn taalmodellen en de juiste context nodig. In de spraakherkenning gebruiken we daarvoor sector- of klant-specifieke taalmodellen. Daarnaast is het mogelijk om de spraakherkenning te trainen met handmatig getranscribeerde opnamen met specifiek taalgebruik van klanten en medewerkers. Hierdoor is de kwaliteit van de spraakherkenning en gegenereerde transcripties zo hoog mogelijk. Dit is de optimale basis voor verdere verwerking van de klantcontact data, denk aan het automatisch genereren van een gesproken samenvatting of spraakanalyse.
