Om klantcontact goed te kunnen managen, is het belangrijk om real-time informatie te hebben. Hiervoor worden telefoongesprekken opgenomen en met spraaktechnologie verwerkt en geanalyseerd. Door de spraakherkenning is er informatie beschikbaar over de onderwerpen en mogelijke trends.
We kunnen met spraaktechnologie ook steeds beter emoties in spraak detecteren. De basisemoties angst, woede, blijdschap zijn ongeveer hetzelfde in alle culturen en daarom goed te detecteren. Het is lastiger om zaken als ironie en sarcasme te detecteren omdat deze subtieler zijn en verschillen per cultuur. Maar stiltes in een gesprek, crosstalk (door elkaar heen praten) en stemverheffing zijn ‘emotie’ markers die we heel goed kunnen vastleggen.
Naast het analyseren van het geluidsignaal, kunnen we ook herkennen wat er gezegd wordt met spraakherkenning. We weten op die manier wat er gezegd wordt en hoe het gezegd wordt. Zo kunnen we ook zien hoe lang mensen pauzeren voor ze het volgende woord uitspreken.
We kijken dus naar “wat” iemand zegt en “hoe” die dat zegt. Als het uit de hand dreigt te gaan lopen dan zien we dat mensen elkaar niet meer laten uitspreken en dus door elkaar heen gaan spreken. Ook gaan ze harder praten en gaan ze bepaalde woorden gebruiken.
Inzicht sentiment in klantcontact
Met de combinatie van al deze meetgegevens kunnen we vrij nauwkeurig aangeven dat het gesprek mogelijk dreigt te ontsporen. Dezelfde aanpak gebruiken we om te bepalen of bellers “tevreden” zijn of juist niet. Wat is het sentiment in het gesprek? Heel eenvoudig is dit niet, maar wat als blijkt dat het gemiddelde dat de computer berekent en dat wat mensen berekenen via KTO scores en NPS metingen dicht bij elkaar ligt? Gaan we klanten dan minder vaak bevragen met een KTO of NPS meting na een klantcontact? Door de sentiment score van het gesprek te combineren met de meta data, achterliggende klantcontactprocessen en informatie over producten, kan veel gerichter worden getraind en kunnen specifieke processen worden geoptimaliseerd.
Real-time ondersteuning
Door dat we met spraaktechnologie real-time spraak kunnen omzetten naar tekst, kunnen we deze tekst ook gebruiken om real-time een kennis database te raadplegen. Wat was het antwoord van ervaren agenten op dezelfde vraag? Deze informatie, met bijvoorbeeld antwoord suggesties, kan tijdens het gesprek automatisch worden getoond op het scherm van de medewerker. Heeft het real-time afbeelden van de sentimentscore op de desktop van medewerker invloed op het verloop van het gesprek? We kunnen in ieder geval eerder signaleren naar een supervisor wanneer een gesprek beweegt richting een negatief sentiment. Tevens kunnen we een “Next Best Action” aanbieden op basis van signalen in het gesprek in combinatie met data en productbezit.
