Zpracování jazyka - Počítače, které čtou a interpretují

Systémy pro analýzu sentimentu obvykle produkují následující typické výstupy, když jsou jimi poskytovány textové vstupy, které dávají kategorickou interpretaci základního textu:

• Pozitivní - Textový obsah má pozitivní podtón a sentimentalitu
• Neutrální - Textový obsah má negativní podtón a sentimentální zabarvení
• Negativní - Textový obsah má negativní podtón a sentiment

Je důležité poznamenat, že lidé kurátorovali lexikony po mnoho let, což zdůrazňuje, že pro správné fungování systémů umělé inteligence a dosažení požadovaných cílů jsou vyžadována vysoce kvalitní data.

Přehled organizační výzvy

Vzhledem k mnoha komunikačním koncovým bodům a velikosti toho, co organizace provozují, je obtížné sledovat sentiment v rámci organizace. Zaměstnanci a zákazníci mohou být rozptýleni v různých regionech, oblastech nebo odděleních, kde zúčastněné strany a zákazníci vyjadřují pozitivní sentiment, zatímco jiní představují negativní sentiment. Určení sentimentu v rámci celého spektra provozu organizace je tedy obtížné.

Je nezbytné porozumět obecnému vnímání organizace jak internímu, tak externímu. Tradičně tuto funkci plnily průzkumy, ačkoli ty mohou být zkreslené na základě jedinců, kteří jsou motivováni je vyplnit. Využití sociálních médií a dalších zdrojů dat může přispět k pochopení sentimentu organizace. Jako příklad lze uvést nadnárodní a dobře známou značku oblečení, jako je Adidas, která působí v mnoha zemích a podniká v různých jazycích napříč mnoha různými kulturními prostředími. V různých regionech bude pravděpodobně pozorována různá úroveň sentimentu. Identifikace negativního sentimentu je dobrým způsobem, jak řešit jeho příčiny, což vede k vyšším prodejům a tím přispívá k provoznímu zisku.

Organizační data dostupná jako vstup pro AI

Následující seznamy potenciálních zdrojů dat, které lze využít jako prostředek analýzy sentimentu:

• Platformy sociálních médií včetně Facebook, Twitter, Instagram, TikTok
• Systémy pro správu vztahů se zákazníky včetně Salesforce, Microsoft CRM
• Organizační e-maily a dopisy zasílané mezi zaměstnanci a zákazníky
• Systémy call center, jako jsou Cisco a Google Voice, jsou schopny poskytovat přepisy konverzací
• Agregátory recenzí, jako jsou recenze na Google a Facebook, které hodnotí uvedené firmy mezi 1-5 hvězdičkami

Při kombinování informací z více zdrojů se objevují určité problémy s daty. Zjevným problémem je, jak přesně propojit zákazníky napříč různými datovými sadami. V této případové studii navrhujeme zacházet s nimi jako s nezávislými entitami, abychom zjistili agregovaný sentiment napříč celou organizací, a nikoli na úrovni jednotlivců. Vzhledem k délce textového vstupu musí být datové struktury pečlivě vybrány, a to jak ve schématu databáze, tak v rámci různých skriptů používaných ke zpracování samotných dat.

Metodologie integrace

Následuje přehled procesu, který bychom na vysoké úrovni provedli pro analýzu textových zdrojů v rámci organizace:

1. Identifikujte textové odkazy a systémy, které je zachycují, určete, který text je vhodným kandidátem pro analýzu
2. Extrahujte textové zdroje prostřednictvím REST API a předejte je poskytovateli cloud computingu pro analýzu v reálném čase.
3. Proveďte kanály přes Telemus AI™ a vraťte rozšířené video kanály zpět do systému monitorování bezpečnosti
4. Nastavte přizpůsobená upozornění pro bezpečnostní personál na základě toho, co je detekováno

Vzhledem k tomu, že Telemus AI™ se stará o většinu práce, se organizace může soustředit na obchodní logiku a interpretaci výsledků spíše než na technickou implementaci.

Organizační aplikace

Následující uvádí další potenciální aplikace pro vaši organizaci:

• Proskenujte koncové body online sociálních médií napříč organizací a určete celkové sentimenty.
• Sledování poznámek zákazníků v systémech CRM, jako je Salesforce, za účelem určení obsahu poznámek.
• Skenování e-mailů za účelem získání celkové agregované metriky sentimentu napříč organizací.
• Automaticky zpracovávat přepisy telefonických konverzací a identifikovat jak pozitivní, tak negativní zkušenosti zákazníků.
• Skenování zpětné vazby zanechané na webech agregátorů recenzí a také hodnocení.
• Automatická detekce asociálního chování projevujícího se prostřednictvím digitálních médií a jeho potírání před jeho eskalací, což vede ke zlepšení uživatelského zážitku.

Vzhledem k tomu, že organizace mají obvykle přístup k mnoha zdrojům dat, doporučujeme jejich předání do datového jezera před vložením do systému umělé inteligence; to pomůže zajistit opakovatelnost a auditovatelnost.

Potenciální a realizované přínosy

Podrobnější porozumění obecnému vnímání organizace uvnitř i v zahraničí přináší významné výhody při proaktivním řízení vztahů. Interpretování a zpracování zpětné vazby může poskytnout lepší produkt nebo službu akcionářům a zákazníkům. V čím dál digitálnějším světě se organizace musí rozumět tomu, co o nich říká jejich digitální stopa. Další porozumění demografickému složení míst, odkud taková zpětná vazba přichází, může také pomoci ke zlepšení zkušeností pro všechny.

Telemus AI™ je australská společnost zabývající se umělou inteligencí, která poskytuje pokročilá řešení pro vládu a podniky. Kontaktujte nás ještě dnes pro bezplatnou konzultaci o tom, jak může být Telemus AI™ integrována do vaší organizace.