((( ON AIR ))) In deze podcast: Erik de Gier interviewt Sander Hesselink van Telecats over de ins en outs van spraaktechnologie bij contact centers. Het gaat van smartspeakers tot AI en weer terug naar praktische tips en tricks voor het hier en nu.
Wat is spraaktechnologie en wat kun je ermee?
Simpel gezegd is spraaktechnologie: praten met een computer. Spraaktechnologie bestaat eigenlijk al best lang, maar de laatste tijd neemt het echt een vlucht door de bekende voorbeelden van spraakgestuurde assistenten zoals Siri van Apple, Google Home en Alexa van Amazon. We gaan een tijdperk in waarin we er langzaam aan gaan wennen dat we praten tegen machines en dat machines tegen ons praten.
Zo kun je deze assistenten bijvoorbeeld inzetten om eenvoudig door middel van je stem informatie te zoeken op het Internet, een WhatsApp te dicteren en versturen, thuis het licht aan te doen, de TV te besturen en muziek te selecteren.
Spraaktechnologie wordt dus steeds beter en vaker toegepast, waarom is dat?
Dat komt vooral omdat de bekende Tech-reuzen die ik net noemde enorm veel investeren in voice. Door het toepassen van kunstmatige intelligentie is de spraaktechnologie de afgelopen jaren ook echt sterk verbeterd.
Het is daarbij belangrijk om wel onderscheid te maken tussen ‘verstaan’ en ‘begrijpen’. Wat betreft het eerste is de technologie al ver gevorderd. Zo heeft Microsoft een Engelstalige spraakherkenner gemaakt die gesproken teksten (weliswaar in een gecontroleerde omgeving, dus zonder al te veel achtergrondgeluid) al beter ‘verstaat’ (en kan omzetten in geschreven tekst) dan de mens. Ook de Nederlandstalige spraakherkenning is al ver gevorderd.
Maar het ‘begrijpen’ van vragen en verzoeken is heel sterk afhankelijk van de context. Zo heeft Siri vaak nog moeite met de zeer brede set aan vragen die ze op zich afgevuurd krijgt. Google Home heeft de beschikking over meer data dus doet het wat beter. Maar in sterk afgebakende contexten zoals het klantcontactcenter van een specifiek bedrijf kunnen vragen antwoorden al heel goed gematcht worden. Bij Telecats hebben we daarom zeker op dit moment nog een grote voorsprong met onze Nederlandse spraaktechnologie vanwege de reeds verzamelde data op basis van onze jarenlange ervaring met spraaktechnologie in klantcontact.
Hoe kan spraaktechnologie dan in klantcontact worden toegepast?
Doordat de spraaktechnologie zeker in een specifieke context steeds beter wordt, is het ook steeds vanzelfsprekender en breder geaccepteerd dat deze technologie wordt ingezet bij telefonisch klantcontact. We zijn ook echt in staat om de klantreis hiermee te verbeteren. Grofweg doen we dat op 3 manieren:
- Door snellere identificatie van wie er belt.
- Door snellere classificatie van de vraag en het op basis daarvan slim routeren van gesprekken.
- Door gesprekken op te nemen, te analyseren en de learnings in te zetten voor optimalisatie tijdens en na het gesprek.
We beginnen bij identificatie
Als een klant contact opneemt, wil je als eerste graag weten wie de klant is. Dat zien we vaak aan het telefoonnummer waarmee ze bellen, maar soms is het telefoonnummer afgeschermd of niet bekend. Dan kunnen we de klant ook identificeren door het laten inspreken van een postcode en huisnummer.
En werkt dat goed?
Jazeker, de computer kan een ingesproken postcode-huisnummer-combinatie in 1 keer zelfs beter herkennen dan de mens. Dat komt omdat de computer in een split second kan kijken of de combinatie wel bestaat, waar een mens nog zal verifiëren: “zei u nu Pieter of Bernard?” Omdat de B en P qua klank veel op elkaar lijken. Als we weten wie de klant is, kunnen we de klant op basis van de klant status veel beter en sneller helpen.
Dit wordt al veel gebruikt door grote dienstverleners zoals verzekeraars en banken, maar bijvoorbeeld ook vrijwel alle grote uitgevers zetten spraaktechnologie in voor snelle identificatie.
Dan, gesprekken routeren doordat mensen inspreken waarvoor ze bellen?
Ja, veel klanten vinden de toets-gestuurde keuzemenu’s helemaal niet prettig. Dus stellen we hen steeds vaker de vraag: “Spreek in waarvoor u belt”. Klanten kunnen dan met eigen woorden aangeven waarvoor ze bellen en bij doorverbinden krijgt een medewerker direct alle informatie om de desbetreffende vraag goed te beantwoorden. Zo ziet hij automatisch op het scherm alle klantgegevens, maar ook de ingesproken vraag, het onderwerp én eventuele relevante informatie voor het beantwoorden van de vraag. Bij Aegon krijgt een medewerker bijvoorbeeld meteen de voor de betreffende klant geldende polisvoorwaarden te zien. En wanneer je aan KPN een vraag inspreekt over een factuur, ziet de medewerker die het gesprek aanneemt ook direct jouw laatste factuur op het scherm.
Dus het systeem geeft ook meteen antwoord?
Ja, een koppeling met een kennisdatabase geeft de medewerker met 1 klik extra informatie over het onderwerp of wellicht zelfs het antwoord op de vraag. De gesprekstijd is hierdoor significant korter en de klant wordt sneller geholpen. Dit heeft een positieve invloed op zowel de medewerker- als de klanttevredenheid.
En inderdaad, soms is het antwoord op een vraag zo duidelijk dat we de computer de vraag van de klant kunnen laten beantwoorden. Daar zijn overigens allerlei creatieve invullingen voor te bedenken. Zo had KPN bijvoorbeeld een tijd lang een actie gratis Spotify bij een abonnement. Veel mensen belden toen met vragen over het activeren van Spotify. Samen met KPN hebben we het zo georganiseerd dat deze mensen direct een pushlink op hun mobiel kregen waarmee ze Spotify met 1 druk op de knop konden activeren.
En hoe zit het met het opnemen en analyseren van gesprekken?
Nou, je kunt dit op twee manieren inzetten. Ten eerste door geaggregeerde informatie over een groot aantal gesprekken in te zetten voor het optimaliseren van processen. Dan gebruik je de verzamelde data dus achteraf. Alleen al het inspreken van de eerste vraag gecombineerd met alle gegevens van het gesprek zoals de wachttijd, de duur van het gesprek en het contact moment geeft ons al heel veel extra inzicht in de klantcontacten.
Zo hebben we bijvoorbeeld voor KPN alle gesprekken geanalyseerd die langer duurden dan 10 minuten. De analyse liet duidelijk zien welke onderwerpen lange gesprekken opleverden en dit gaf KPN waardevolle haakjes om procesverbeteringen door te voeren. Stel dat gesprekken over het resetten van het modem bijvoorbeeld heel lang duren omdat het een paar minuten duurt om het modem uit te lezen. Dan zou je bij het herkennen van een dergelijke vraag automatisch een trigger kunnen sturen voor het uitlezen van het systeem. Terwijl de agent in gesprek gaat met de klant loopt de analyse al op de achtergrond, waardoor zowel voor de klant als voor de agent kostbare tijd bespaard wordt!
Kunnen jullie dan ook iets zeggen over bijvoorbeeld klanttevredenheid?
Dat soort vragen krijgen we steeds vaker. Zijn onze klanten tevreden na afloop van het gesprek of niet? En kunnen jullie aangeven of het tijdens het gesprek tussen klant en contact center medewerker goed gaat of dat iemand moet ingrijpen?
Tot op zekere hoogte kan dat ja. De basisemoties angst, woede, blijdschap zijn ongeveer hetzelfde in alle culturen en daarom goed te detecteren. Stiltes in een gesprek, crosstalk (door elkaar heen praten) en stemverheffing zijn ‘emotie’ markers die we heel goed kunnen vastleggen. Doordat we ‘wat’ iemand zegt combineren met ‘hoe’ iemand het zegt kunnen we vrij nauwkeurig aangeven of bellers tevreden waren of juist niet. Op basis daarvan kan veel gerichter worden getraind en kunnen specifieke processen worden geoptimaliseerd.
Wat is het voordeel van opnemen en analyseren van klantgesprekken?
Dat is real-time gespreksanalyse. Naast het verwerken van geaggregeerde data achteraf, ku je ook tijdens een gesprek al automatisch antwoordsuggesties tonen op het scherm van de medewerker. Daarnaast kunnen we ook een “Next Best Action” aanbieden op basis van signalen in het gesprek in combinatie met data en productbezit.
We zijn bijvoorbeeld voor 112 aan het onderzoeken of we op basis van deze technologie medewerkers real-time kunnen ondersteunen. Denk daarbij aan het automatisch herkennen van een straatnaam en hiervoor op een 2e scherm alvast Google Maps te openen. Of relevante informatie over een auto op basis van een genoemd kenteken.
Oke helder. En wat levert dit alles nu uiteindelijk concreet op voor de klant en voor het bedrijf dat spraaktechnologie inzet?
Een goed voorbeeld met aantoonbare resultaten is KPN. De eerder genoemde toepassingen van spraaktechnologie worden daar succesvol toegepast, en om de service van KPN naar de klant toe continu te verbeteren, zijn we bovendien voortdurend op zoek naar nieuwe slimme manieren om de klant te verrassen. Op technologisch vlak heeft KPN daarvoor een duidelijke visie. KPN is op weg naar zo genoemde ‘conversational service’ waarbij we zoveel mogelijk intelligentie en oplossend vermogen willen toepassen.
Een mooie toepassing van spraaktechnologie was bijvoorbeeld het routeren met spraakherkenning waarbij we niet langer enkel en alleen een klantcontact direct naar een beschikbare medewerker routeerden, maar juist naar de beste oplossing. Dit kon een medewerker zijn, maar ook een spraakgestuurde selfservice tool, een verwijzing naar een specifieke online pagina of een live chat indien het heel druk is in het callcenter.
Dit heeft al mooie resultaten opgeleverd:
- De gesprekstijd is korter, de klant wordt sneller geholpen. Denk aan 30 seconden per gesprek;
- Het aantal keer dat een klant naar een andere medewerker moet worden doorverbonden is met 20% is verminderd omdat we veel nauwkeuriger kunnen routeren met spraakherkenning;
- Het zelfoplossend vermogen is gestegen naar meer dan 14%;
- Ook aan de doelstelling om de NPS niet aan te tasten hebben we voldaan; deze steeg in de afgelopen periode naar +17; en
- Door het routeren van gesprekken met spraakherkenning is er real-time informatie beschikbaar over mogelijke trends en de TOP 5 veel gestelde vragen.
Wat is nodig om de implementatie van spraaktechnologie tot een succes te maken?
Het belangrijkste is geloof en commitment, bij het projectteam en het management. Maar vergeet vooral ook niet de contactcentermedewerkers die met deze nieuwe technologie gaan werken. De technologie is gebaseerd op machine learning. En de beste kennisbron hiervoor zijn de medewerkers die al jarenlang zeer succesvol het klantcontact afhandelen.
Maak het project overzichtelijk en voer de oplossingen gefaseerd in. We werken steeds vaker Agile samen met onze klanten, hierdoor profiteer je veel sneller van het laaghangende fruit en de toegevoegde waarde per onderdeel is beter meetbaar.
Blijf na de implementatie het proces en de spraaktechnologie monitoren en tunen. Net zoals medewerkers zal je de technologie af en toe nieuwe dingen moeten leren.
Wanneer is dit rendabel?
Er zijn meerdere factoren die bepalen of een oplossing rendabel is. Om spraakrouteren toe te kunnen passen is er wel een minimaal call volume van zo’n 20.000 calls per maand nodig. Een meetbare Return On Investment ontstaat bij grotere volumes vaak al binnen 1 jaar.
Wat is de ‘next step’ waar jullie mee bezig zijn?
Wij zien een grote kans in het nog slimmer routeren van gesprekken. Veel organisaties proberen hun medewerkers zoveel mogelijk multi-skilled in te zetten, maar dat is lang niet altijd even efficiënt door de grote spreiding van de mogelijke onderwerpen. De skills die nodig zijn om een klacht af te handelen, een retentiegesprek te voeren of een technisch probleem op te lossen zijn gewoon te verschillend. Daarom hebben wij een tool ontwikkeld die gesprekken routeert op basis van machine learning. Door verregaande analyse van gesprekken is het systeem steeds beter in staat om gesprekken gericht te routeren naar de meest geschikte medewerker.
Is dat al live?
Jazeker, het is door Webhelp net in gebruik genomen voor een specifieke klant. Op onze website kun je alle informatie vinden onder de naam ‘Telios IQ’.
Welke rol gaat AI volgens jullie vervullen in klantcontact, waar gaat het naartoe?
De toekomst voorspellen blijft lastig, maar je zult zien dat AI een steeds grotere rol zal gaan spelen. En in eerste instantie zal dat gebeuren als assistent van de medewerker: de vraag herkennen, mogelijke antwoorden snel opzoeken en aan de medewerker presenteren die dan, gegeven de context van het gesprek, het juiste antwoord zal selecteren.
De slimme systemen zullen van ons leren en vervolgens met ons zullen interacteren. Allemaal zaken die nu gedaan worden door mensen met ervaring zal door AI-systemen geleerd worden waarna ze in eerste instantie ons zullen helpen bij onze werkzaamheden, maar uiteindelijk een deel van onze taken zullen overnemen.
Toch blijft de mens onderscheidend als het gaat om het empathische vermogen en de creativiteit. We moeten in mijn ogen dus altijd blijven zorgen voor de juiste match van mens en technologie voor het leveren van de optimale klantreis.
