תחזית מבוססת AI וניתוח בזמן אמת בקונטקט סנטר: מדוע שניהם תלויים בנתונים מאוחדים

נקודות מרכזיות

• תחזית מבוססת AI בקונטקט סנטר מוגבלת על ידי הנתונים שהיא רואה, לא על ידי המודל שמבצע את החיזוי
• דיוק התחזית תלוי בכיסוי הערוצים, בפירוט ברמת האינטרוול, ובשקיפות לתוכן האמיתי של השיחות
• רוב הקונטקט סנטרים מחזיקים קול, צ'אט, מסרים ופעילות נציגים במערכות נפרדות, מה שמייצר תחזיות נפרדות וחלקיות
• נתונים מאוחדים משמעם שכל אינטראקציה, אוטומטית או אנושית, נוחתת ברשומה מובנית אחת עם ההקשר שסביבה
• אותה רשומה מאוחדת תומכת גם בניתוח חי, כך שמנהלים מקבלים התראות על שיחות מתדרדרות ועל בעיות מתהוות תוך כדי התפתחותן, ולא בדוח של השבוע הבא
• תוכנת הקונטקט סנטר מבוססת ה-AI של וויספין משלבת קול, ערוצים דיגיטליים, סוכני AI וניהול נציגים אנושיים בפלטפורמה אחת

רוב מי שמדברים על תחזית AI בקונטקט סנטרים נוטים להתמקד במודל: איזה אלגוריתם שימש, איך הוא אומן, כמה רחוק קדימה הוא מסוגל לחזות.

אבל האמת היא שדיוק התחזית כמעט אף פעם אינו בעיה של המודל. הבעיה היא תמיד השקיפות שיש למודל אל תוך הפעילות.

אותו אילוץ חל על כל דבר אחר ששכבת AI עושה עם הנתונים האלה, כולל הניתוח שרץ בזמן אמת ולא מראש.

מה תחזית מבוססת AI עושה בקונטקט סנטר

לפני שמגיעים לשאלה מדוע מבנה הנתונים חשוב, כדאי לדייק מה תחזית בקונטקט סנטר מכסה, מפני שהמונח מקיף כמה משימות נבדלות.

תחזית נפח פניות צופה כמה אינטראקציות יגיעו, בפילוח לפי ערוץ, שעה, יום ותור. זה היסוד שהכל נשען עליו. גישות מסורתיות מבצעות אקסטרפולציה מדפוסים היסטוריים ומעונתיות מוכרת. מודלים של AI מוסיפים את היכולת לשקלל הרבה יותר משתנים בו-זמנית, כולל פעילות שיווקית, השקות מוצר, מחזורי חיוב ואירועים חיצוניים שהזיזו נפחים בעבר.

תחזית איוש ושיבוץ מתרגמת נפח חזוי לדרישת נציגים: כמה אנשים, באילו מיומנויות, באילו אינטרוולים. טעויות כאן יקרות בשני הכיוונים. חוסר בכוח אדם מייצר נטישות ותורים ארוכים, ועודף מייצר זמן סרק ששילמתם עליו. מכיוון שרמת השירות רגישה מאוד לפערי איוש קטנים באינטרוולים של שיא, דיוק ברמת האינטרוול חשוב יותר מדיוק בסך היומי.

תחזית תוצאות קמפיין צופה כיצד מהלך שיחות יוצאות יתפקד: שיעורי הגעה צפויים, שיעורי המרה, וכמה מקיבולת הנציגים הקמפיין יצרוך. כאן תחזית AI נבדלת במיוחד מהשיטות המסורתיות, מפני שתוצאות קמפיין תלויות במידה רבה במה שקורה בתוך השיחות, ולא בנפח בלבד.

תחזית פניות חוזרות צופה איזה חלק מהנפח של השבוע הבא ייווצר מהתיקים הלא פתורים של השבוע הנוכחי. זה אחד הדברים המועילים ביותר שמודל יכול לחשוף ואחד הקשים ביותר לביצוע בלי נתונים מלאים, מפני שהוא מחייב קישור בין פנייה מאוחרת לפנייה מוקדמת שנכשלה.

תחזית נטישה וחשבונות בסיכון צופה אילו לקוחות צפויים לעזוב. היא תלויה הכי פחות בנתוני נפח והכי הרבה בתוכן השיחות, מפני שהאותות שמקדימים נטישה הם דברים שאנשים אומרים, לא דברים שהם עושים. פניות חוזרות על אותה בעיה לא פתורה, תסכול גובר לאורך רצף שיחות ושאלות על תנאי ביטול, כולם מופיעים בתמלולים הרבה לפני שהם מופיעים בדוח חידושי המנויים.

תחזית עונתית ואירועים מטפלת בשיאים ששוברים את הדפוסים הרגילים. פעילות קמעונאית רואה זאת סביב תקופות חגים והשקות קמפיינים. שאלת התחזית אינה רק כמה גבוה השיא יגיע, אלא במה ההרכב שלו שונה משבוע רגיל, מפני שתעבורת שיא נוטה להתרכז בסוגי פניות שונים מהתעבורה הבסיסית.

מה קובע את דיוק התחזית בקונטקט סנטר?

שלושה גורמים קובעים את דיוק התחזית בקונטקט סנטר יותר מבחירת המודל: כיסוי ערוצים, פירוט ברמת האינטרוול ושקיפות סיבתית לתוכן השיחות.

כיסוי. תחזית שנבנתה על הערוצים שהמודל רואה תפספס ביקוש שנע בערוצים שהוא אינו רואה. בפעילויות שבהן חלק הולך וגדל מהפניות מגיע במסרים, תחזית קולית בלבד מתארת חלק מצטמצם מהעסק, בעודה נראית שלמה.

פירוט. סיכומים יומיים כמעט חסרי תועלת לצורכי איוש. רמת השירות נקבעת אינטרוול אחר אינטרוול, ולכן תחזית שמדויקת ברמה היומית ושגויה ברמת האינטרוול עדיין תייצר יעדים מוחמצים ונציגים בזמן סרק באותה משמרת.

שקיפות סיבתית. מודל שעובד מספירות מסוגל לבצע אקסטרפולציה של מגמות, אך אינו מסוגל להסביר אותן. משמעות הדבר שהוא ממשיך להיות מופתע משינויים שהיו גלויים בתוכן השיחות הרבה לפני שהופיעו בנפח. בעיית מוצר שמייצרת שיחות מופיעה בתמלולים ימים לפני שהיא מופיעה כזינוק בגרף.

הגורם השלישי הוא המקום שבו רוב תוכניות התחזית מפגרות בשקט, וזו אינה בעיית מידול. זו בעיית נתונים.

בעיית הפרגמנטציה

קונטקט סנטר טיפוסי מריץ את הקול במערכת אחת, את הצ'אט החי בשנייה, את הוואטסאפ והמסרים בשלישית, ואת שיבוץ הנציגים והביצועים ברביעית. כל אחת מפיקה דוחות משלה, וכל אחת מדווחת במדויק על מה שהיא רואה.

הצרה היא שאף אחת מהן אינה רואה את התמונה המלאה, ולקוח אינו חווה את הפעילות בפרגמנטים. מישהו מתחיל בוואטסאפ, לא מקבל פתרון ומתקשר. בנתונים אלה שני אירועים לא קשורים בשתי מערכות לא קשורות. במציאות זה לקוח אחד עם בעיה אחת, והאינטראקציה השנייה קיימת מפני שהראשונה לא סיימה את העבודה.

תחזית מהמערכות האלה בנפרד מניבה מספרים סבירים למראה שמפספסים את הקשר ביניהם. נפח הקול נראה כאילו הוא עולה בלי סיבה. ההסטה הדיגיטלית נראית מוצלחת מפני שמערכת הצ'אט "פתרה" את השיחה, במובן זה שהשיחה הסתיימה. אבל איש אינו רואה שהיא הסתיימה כי הלקוח ויתר והרים טלפון.

מהם נתונים מאוחדים בקונטקט סנטר?

נתונים מאוחדים בקונטקט סנטר אינם דשבורד ששואב מכמה מקורות. הם רשומה תפעולית אחת שבה כל אינטראקציה נוחתת באותו מקום ובאותו מבנה.

זה כולל כמה שכבות שבדרך כלל מופרדות:

כל הערוצים. קול, שיחות צ'אטבוט AI, וואטסאפ, SMS, מייל וצ'אט חי, מוחזקים כזרם אחד ולא כזרמים מקבילים.

הטיפול האוטומטי והאנושי כאחד. מה הסוכן הקולי מבוסס ה-AI פתר, מה הוא העביר באסקלציה, מה הנציג האנושי עשה אחר כך, וכיצד התיק נסגר. מערכות שממכנות שכבה אחת ומדווחות עליה בנפרד מהשכבה האנושית מייצרות שני סיפורים חלקיים.

ההקשר המבני סביב האינטראקציה. איזה נציג טיפל, לאיזה קמפיין היא השתייכה, מאיזה תור הגיעה, באיזו שעה התרחשה ומה היסטוריית הלקוח. המטא-דאטה היא לרוב מה שהופך תמלול למשהו שמודל יכול ללמוד ממנו.

תוכן השיחה, לא רק המדדים שלה. זה החלק שרוב הפעילויות חסרות לחלוטין. הידיעה ששיחה ארכה שש דקות והסתיימה בהעברה אומרת כמעט כלום על השאלה מדוע.

מדוע התוכן משנה את מה ש-AI מסוגל לחזות

תחזית מסורתית בקונטקט סנטר עובדת מספירות: נפח לפי שעה, זמן טיפול ממוצע, שיעור נטישה, רמת שירות. אלה נתונים מועילים, והם גם דלים. הם מתארים את הצורה של הפעילות בלי לתאר מה קרה בתוכה.

כשהשיחה המלאה זמינה למודל שפה, הקלט משנה קטגוריה. במקום לחזות מהעובדה שנפח השיחות עלה ביום שלישי שעבר, המודל יכול לעבוד ממה שאנשים באמת התקשרו לגביו, כיצד השיחות האלה התנהלו, היכן הן קרסו, ואילו מהן הסתיימו עם לקוח לא פתור שסביר שיתקשר שוב.

כך מתקבלות תחזיות שעונות על שאלות מועילות יותר: לא רק כמה פניות לצפות, אלא מאיזה סוג, מונעות על ידי מה, ואילו מהן פניות חוזרות שנוצרו מכשל מוקדם יותר.

שכבת התובנות שמנהלים באמת צריכים

מנהלי קונטקט סנטר כמעט אף פעם לא סובלים ממחסור בדוחות. הם סובלים ממחסור בהקשר.

דוח יגיד לכם שהפתרון במגע ראשון ירד בשלוש נקודות. הוא לא יגיד לכם אם הסיבה היא מוצר חדש, שינוי מדיניות שאיש לא העביר לנציגים, או כלל ניתוב ששולח שיחות למקום הלא נכון. כדי לברר, בדרך כלל צריך להאזין לשיחות ולשאול אנשים.

שכבת AI שיושבת על נתונים מאוחדים יכולה לעשות את העבודה הזו בקנה מידה ששום מנהל אינו יכול להשתוות אליו ידנית. היא קוראת כל אינטראקציה ולא מדגם, ומסוגלת לחבר את הירידה בפתרון לנושאים הספציפיים שמניעים אותה, לתורים שבהם היא מתרכזת ולנקודה בשיחות שבה הדברים משתבשים.

זה מה שמפריד בין בינה עסקית לדיווח. דיווח אומר מה היו המספרים. בינה עסקית אומרת מה ייצר אותם.

התחזית מסתכלת קדימה. הניטור קורה עכשיו.

תחזית אומרת לפעילות איך כנראה ייראה השבוע הבא. היא אינה עושה דבר בנוגע לשיחה שמשתבשת ממש עכשיו, וחלק גדול ממה ששכבת AI על נתונים מאוחדים מספקת הוא מתמשך ולא חיזויי.

סנטימנט שמתדרדר בתוך שיחה חיה יכול להפעיל התראה לסופרווייזר עוד לפני שהמתקשר מסלים. נושא שצץ בשיחות רבות בתוך שעה אחת, כמו טעות חיוב, יכול להיות מסומן כבעיה מתהווה לפני שהוא נרשם כזינוק בנפח. עלייה בשיעור האסקלציות מסוכני ה-AI לנציגים מצביעה על בעיית קונפיגורציה שכדאי לתפוס עוד באותו יום. ותור שמתקרב להפרת רמת השירות יכול להיות מסומן בעוד אפשר להזיז איוש.

ומכיוון שהניתוח רץ על כל אינטראקציה ולא על מדגם, ביצועי הנציגים, ביצועי סוכני ה-AI ושביעות רצון הלקוחות נמדדים על כיסוי מלא. זה חשוב במיוחד למדידת שביעות הרצון, מפני שציוני סקרים משקפים רק את הלקוחות שבחרו לענות.

מדוע פלטפורמה מקצה לקצה חשובה יותר מכל פיצ'ר בודד

פלטפורמת קונטקט סנטר שממכנת את הקול אך משאירה את הערוצים הדיגיטליים במקום אחר פתרה בעיית תהליך עבודה ויצרה בעיית נתונים. אותו דבר נכון גם בכיוון ההפוך.

הערך של פלטפורמה מקצה לקצה אינו בכך שהיא חוסכת רכישה של כמה כלים. הוא בכך שכל מה שהפעילות עושה מסתיים במקום מובנה אחד, וזה התנאי המקדים לכך ששכבת AI כלשהי תהיה מועילה.

וויספין מכסה את שני צדי הפעילות: בוטים קוליים מבוססי AI וצ'אטבוטים שמנהלים את השיחות האוטומטיות, והכלים שהנציגים האנושיים עובדים בהם, ניתוב שיחות, ניהול איכות וניהול ביצועים, כשהכל נכתב לאותה רשומה. אוטומציה בלי ניהול נציגים משאירה חצי מהפעילות בלתי נראית. ניהול נציגים בלי אוטומציה משאיר את החצי השני.

אינטגרציית CRM מלאה סוגרת את המעגל, כך שהיסטוריית הלקוח והיסטוריית האינטראקציות אינן שני מערכי נתונים נפרדים שצריך ליישב בדיעבד.

מה כדאי לשאול לפני שסומכים על תחזית AI?

אילו נתונים המודל באמת רואה? אם הוא חוזה ממדדי קול בלבד בפעילות שבה מחצית מהפניות מגיעות במסרים, התחזית מתארת שבריר מהעסק.

האם היא כוללת תוכן שיחות או רק ספירות? מדדים אומרים את הצורה. תוכן אומר את הסיבה. תחזיות שנבנו על ספירות בלבד ימשיכו להיות מופתעות מדברים שהתמלולים היו חוזים.

האם אינטראקציות אוטומטיות ואנושיות באותו מערך נתונים? אם שכבת ה-AI מדווחת בנפרד מפעילות הנציגים, איש אינו רואה את נקודת המסירה, ונקודת המסירה היא המקום שבו חיות רוב הבעיות התפעוליות.

האם ההקשר המבני מצורף? תמלול בלי לדעת מי הנציג, מה הקמפיין, מה התור ומה היסטוריית הלקוח מועיל הרבה פחות מאותו תמלול איתם.

באיזה פירוט התחזית עובדת? דיוק יומי אינו מספיק להחלטות איוש שמתקבלות ומורגשות אינטרוול אחר אינטרוול.

הנקודה שבבסיס

השאלה התחרותית ב-AI לקונטקט סנטרים מתרחקת מאיכות המודלים. מודלים חזקים זמינים יותר ויותר לכולם.

מה שאינו מחולק באופן שווה הוא הנתונים שהמודלים האלה מקבלים לעבוד איתם. פעילות שאיחדה קול, ערוצים דיגיטליים, אוטומציה ופעילות נציגים אנושיים לרשומה מובנית אחת יכולה לשאול שאלות שפעילות מפוצלת אינה יכולה לשאול בכלל, לא משנה כמה טובים המודלים שלה.

תחזית טובה יותר היא אחת מהשאלות האלה, והיא אינה העיקרית. הנקודה האמיתית היא ששכבת AI תוכל להסיק מסקנות רק ממה שגלוי לה. רוב הקונטקט סנטרים הפכו נתח גדול מהפעילות שלהם לבלתי נראה, וכנראה אפילו לא התכוונו לכך.

שאלות נפוצות

מהי תחזית מבוססת AI בקונטקט סנטר? זהו שימוש בלמידת מכונה לחיזוי נפח פניות, צורכי איוש ותוצאות קמפיינים, על בסיס נתונים תפעוליים היסטוריים וחיים. התחזית מכסה נפח, דרישות איוש, תוצאות קמפיינים, פניות חוזרות, סיכון נטישה ושיאים עונתיים, והדיוק שלה תלוי במידה רבה בשלמות ובמובנות של הנתונים שבבסיסה.

מדוע נתונים מאוחדים חשובים לתחזית בקונטקט סנטר? לקוחות נעים כל הזמן בין ערוצים, ומי שמסתכל על ערוץ אחד בלבד לעולם לא יראה את התמונה המלאה. כשלקוח מתקשר מפני ששירות הצ'אט לא עזר לו, זה נראה כמו אירוע נפרד לחלוטין אם המערכות אינן מדברות זו עם זו.

מה הופך תחזית בקונטקט סנטר למדויקת? כמה דברים חשובים יותר מסוג מערכת למידת המכונה: ראשית, לכידת כל הנתונים מכל הערוצים. שנית, ירידה לפרטים של כל אינטראקציה בודדת, במקום הסתכלות על התמונה הגדולה ברמה יומית בלבד. ולבסוף, היכולת לראות בפועל מה אנשים אומרים, כדי לרדת לשורש של שינויים גדולים בנתונים.

מה ההבדל בין דיווח בקונטקט סנטר לבינה עסקית? דיווח מתאר מה קרה: נפח, זמני טיפול ושיעורי פתרון. בינה עסקית מסבירה מה ייצר את המספרים האלה, וזה מחייב גישה לתוכן האינטראקציות, ולא רק למדדים שלהן.

האם AI יכול לחזות ביצועי קמפיין שיחות יוצאות? כן, והתחזית משתפרת משמעותית כשכל שיחות הקמפיין זמינות, ולא רק ספירות תוצאה. תוכן השיחות חושף אילו התנגדויות תוקעות עסקאות ואילו גישות מחזיקות קשב, מה שמדדים מסכמים אינם יכולים להראות.

אילו נתונים כדאי לקונטקט סנטר לאחד קודם? התחילו מרשומת האינטראקציה עצמה: ודאו ששיחות קוליות ודיגיטליות נוחתות במקום אחד עם ההקשר המבני שלהן מצורף, כולל נציג, קמפיין, תור והיסטוריית לקוח. איחוד ערוצים בלי ההקשר הזה מייצר נפח שעדיין קשה להסיק ממנו מסקנות.