מוקדי שירות מודרניים מנהלים עשרות עד מאות שיחות ביום. עם זאת, לרוב רק מדגם קטן מהן נבדק ידנית. לכן המנהלים מקבלים מידע על משך השיחה, זמן המתנה ומספר הפניות אבל לא תמיד יודעים מה נאמר בשיחה, מה הלקוח הרגיש ולמה נתקלה השיחה בבעיה. מערכות QA מסורתיות לרוב מתבססות על מדגם קטן (פחות מ-2% מהאינטראקציות) ולכן ייתכן שהן מפספסות דפוסים משמעותיים. כאן נכנס השינוי הגדול של ניתוח קולי מבוסס בינה מלאכותית (Speech Analytics) מתמלל, מנתח וסווג שיחות באופן אוטומטי. כך מכל אלפי השיחות מתקבל מידע ניהולי מפורט, החל מסיבות הפנייה המרכזיות ועד לזיהוי רגשות בקול הלקוח. מערכת ניתוח כזו מאגדת את הנתונים ומשלבת את השיחה במידע מבוסס תוצאות. בניגוד להקלטה רגילה, שמאחסנת רק את הקול, ניתוח השיחה מייצר מידע מובנה שניתן לחפש, להשוות, למדוד ולזהות בו דפוסים.
כלומר, במקום לראות רק מדדים יבשים, תוכלו להבין את התוכן שמאחורי כל שיחת שירות.
מערכת ניתוח קולי (Speech Analytics) היא פלטפורמה מבוססת AI שמקבלת הקלטות שיחות ומעבדת אותן אוטומטית כדי לחלץ מידע עסקי. התהליך כולל למשל:
לסיכום, בעוד שתסריט ההקלטה שומר את מה שנאמר, ניתוח השיחה ממיר אותו לנתונים שימושיים. כך ניתן למצוא בקלות כל שיחה, למדוד תמות משותפות ולאתר דפוסים בתלונות ובצרכים. זהו היישום המתקדם שמעביר את מוקד השירות מכלי מדידה סטטיסטי לאנליזה עמוקה של חוויית הלקוח.
בקרת איכות מסורתית מבוססת על בחינה של מדגם קטן (בין 5% ל-10% מהשיחות). כך עלולות להישאר הרבה פניות בעייתיות לא מאותרות.
למשל:
למעשה, המדגם המוגבל יכול לחשוף רק את מה שנבדק בו. לעומת זאת, ניתוח קולי מבוסס AI סורק 100% מהשיחות ומאפשר הבנה מלאה של התמונה הכוללת. מידע זה מגלם ידע שנשמר בדיבור בין לקוחות לנציגים ואפשר כבר לראות אותו כמנוע חסכון בעלויות של 20-30% ושיפור שביעות רצון ב-10% לפחות. במילים אחרות, השגת אינטואיציה עסקית ויעילות על פני אירועי שירות של הכמויות הגדולות בחברה.
ניתוח שיחות חכם יכול לזהות סיבות הפנייה מרכזיות שאינן מתועדות ב-CRM. למשל, הוא יכול לחשוף שלקוחות מתקשרים בגלל בעיה טכנית חוזרת באתר או חוסר בהירות בתהליכים. מאמר של McKinsey מתאר חברת תחבורה מתמחה שניהלה בטלפון הזמנות, ביטולים ושינויים בשירות אך לא ידעה איזה חלק מהשיחות שייך לכל סוג פנייה. חוסר המידע הקשה על החברה לחזות עומסים, לתכנן את מצבת כוח האדם ולזהות אילו מיומנויות דורשות חיזוק אצל הנציגים. באמצעות אנליטיקה קולית הצליחו המנהלים להבין מדוע הלקוחות מתקשרים ובהתאם לשפר באופן משמעותי את תכנון כוח האדם ואת הדרכות הצוות. הדוגמה הזו ממחישה לנו כיצד ניתוח שיחות AI מספק למנהל המוקד מידע שלא ניתן לקבל ממדדים כמו משך שיחה בלבד.
באמצעות ניתוח סנטימנט בשיחות ניתן לקרוא את הטון והרגשות של הלקוח. המערכת מנתחת מילות מפתח, גוונים קוליים ומקצבים כדי לאתר רגעי תסכול, חוסר שביעות רצון, עליות ברגש או אפילו שינויים חיוביים בשיחה. למשל, היא עשויה להתריע אם לקוח משמיע סימני זעם ("חייב שיתנו לי תשובה מיד") או להפך מצב רוח שנרגע כתוצאה מפתרון. חשוב לציין שסנטימנט מהווה אינדיקציה ניהולית בלבד ואין זה תחליף להבנה מלאה של ההקשר. עם זאת, זיהוי מגמות סנטימנט מאפשר לפקח על חוויית הלקוח בזמן אמת כמו קבוצה תחתיות שמיעתן מזוהה כסקפטית תוכל לקבל מענה מהיר יותר. זיהוי תסכול מילולי יכול להדליק נורה אדומה למנהל ולאפשר לו לגלות מוקדם מבעוד מועד אם שירות אינו עומד בציפיות.
ניתוח שיחות חכם יכול לזהות סיבות הפנייה מרכזיות שאינן מתועדות ב-CRM. למשל, הוא יכול לחשוף שלקוחות מתקשרים בגלל בעיה טכנית חוזרת באתר או חוסר בהירות בתהליכים. קחו לדוגמא חברת לוגיסטיקה שהשתמשה באנליטיקה קולית כדי להבין מדוע לקוחות שלה יצרו קשר ולא ידעה זאת כלל בהתחלה. ברגע שמנהלי המוקד קיבלו תובנות כאלה, הם יכלו לכוונן את שירות הלקוחות כמו תעדוף נושאים דחופים, תיקון תהליכים חיצוניים שיוצרים עומס חוזר על המוקד וצמצום הצורך בפנייה חוזרת. כך מנהלי מוקד יכולים למשל לזהות שאחוז גדול מהשיחות נובע מסיבת יבוא המחוייבת בחוק או מטעויות בקריאת נתונים במערכות המשנה ולנקוט באמצעים לשיפור תהליכי לקוח – במקום לפקוח עין רק על זמני השיחה.
ניתוח קולי מאפשר לאתר מקורות זמן טיפול ארוך באופן מדויק. המערכת יכולה לנתח אילו נושאים גורמים להארכת השיחה, באיזה שלב השיחה "נתקעת" או מוחזרת לצורך בירור נוסף ובאילו מקרים הלקוח מוסט בין מחלקות שונות. כך אפשר לגלות למשל שזמן הטיפול הממוצע גבוה במיוחד בשל תקלות טכניות איטיות במערכות השירות ולא בזכות בעיה של חוסר מיומנות הנציגים. ניקח לדוגמה, ארגון בריאות זיהה מדיווחי השיחות באילו אזורים זמן ההמתנה גבוה במיוחד, וניתוח סיבות קצה עזר להם להקצות משאבים טוב יותר.
במוקדי מכירה ושימור, לניתוח שיחות AI יש ערך כפול. ראשית, הוא מסייע לזהות התנגדויות וחסמים חוזרים כמו לדוגמה, אם לקוח שואל שוב ושוב מדוע מתחרה זול יותר. כך אפשר לתעד את הפתרון לסירוב ולהכשיר נציגים כיצד להתמודדות טובה יותר. המערכת גם לוכדת אזכורים של מותגים מתחרים או שאלות שלא נענו במלואן, ומדגישה מתי נציג היה יכול להציע מוצר משלים או חבילת שירות נוספת. בנוסף, ניתוח טון השיחה יכול לזהות סימני נטישה מוקדמת כמו במקרים בהם הלקוח נזכר פעמים רבות שעבר משירות לשירות בטרם פנה אליכם או מציין אי שביעות רצון במפורש. ניתוח חכם מסוג זה כבר משמש בעסקים אחרים לשימור לקוחות כשהוא מאפשר להגיב לנטישה פוטנציאלית בזמן אמת (לדוגמה ע"י הטבה מיוחדת) ולייצר שיחת מכירה נוספת במקום לאבד לקוח. למעשה, השימוש בשירות Speech Analytics מאפשר לאתר הזדמנויות למכירה נוספת או cross-sell שלא נזקקו לצוות מכירה ייעודי.
במקום לבחון את הנציג בבקרה חולפת, ניתוח שיחות עוזר לו להשתפר בפועל. כך למשל ניתן:
למעשה, ניתוח שיחות מאפשר לעבור ממתן משובים כלליים לבדיקה ממוקדת. באחד המקרים שנבדקו אצל לקוח שלנו, מערכת אנליטיקה קולית גילו שכל הנציגים קיבלו את אותה ההדרכה מראש אך הייתה להם בעיית ביצוע ממוקדת בעמידה ביעדי זמן טיפול ממוצע. לאחר שחולקו אימונים לכל נציג לפי התחומים שבהם הבליט חולשה, זמן הטיפול הממוצע ירד ב-10%. בנוסף, מערכות Speech Analytics מתקדמות אף מסמנות למנהלים התנהגויות חיוביות לשליחה כחומר למידת עמיתים. כך, במקום סתם למדוד את כמות השיחות, מייצרים תהליך הדרכה דינמי שבו כל נציג נהיה טוב יותר במיומנויות הספציפיות שהוא זקוק להן.
הערך בקול הלקוח הוא שניתן להבין מה באמת מטריד אותו ולא רק למנות את מספר השיחות. באמצעות ניתוח כללי הבעיות אפשר לגלות, למשל:
כשארגון מבין למה לקוחות מתקשרים ומה מעכב אותם, הוא יכול לשפר את התהליך כולו ולצמצם את הפניות בהמשך. במילים אחרות, במקום ששלל השיחות ממשיך להעמיס על מוקד השירות, ניתן לטפל בשורש הבעיות המניעות אותן. כך, שיפור תהליכי השירות חוסך זמן גם לארגון וגם ללקוחות ומעלה את שביעות הרצון הכוללת של שני הצדדים.
מערכת ניתוח השיחות מספקת שליטה ובקרה ויכולה לתמוך בבקרת איכות ורגולציה בצורה אוטומטית. למשל, היא יכולה לזיהוי האם נאמרו משפטי חובה בהקלטה, האם הלקוח נתן אישור בהתאם לנדרש ואם הנציג פעל בהתאם להנחיות המחמירות. בניגוד לפיקוח הידני, כאן המערכות מפרישות בזמן אמת מקרים חריגים לצוות ומאפשרות תיקון מיידי. חשוב כמובן להגדיר מראש את החוקיות והכללים לכן יש לוודא שהתהליך עומד בדרישות הפרטיות ואבטחת המידע (למשל שמירת הרשאות וניטור אחרי הפעולות). עם זאת, התוצאה של ניתוח ממוחשב היא תמיד אינדיקטור והחלטות קריטיות (כמו פיטורים או קנסות) צריכות להתבסס על בדיקה אנושית במקרים חריגים.
ניתוח קולי מבוסס בינה מלאכותית מאפשר למוקד השירות לעבור מהאזנה נקודתית ושמיעת מדגם דל לזיהוי והבנה רחבה של כלל השיחות במוקד. בכל שיחה הוא מזהה סיבות פנייה, בעיות בשירות, פערי ידע של נציגים, הזדמנויות למכירה ומגמות בחוויית הלקוח וכך עוזר למנהלים לקבל החלטות מונחות נתונים. למעשה, הערך האמיתי אינו רק בתמלול עצמו אלא ביכולת להפוך כל מילה שנאמרה להחלטה שמביאה לשיפור המוקד. בשורה התחתונה, ניתוח שיחות AI מעניק לכם את העין והאוזן החדה שמאפשרת לשמוע את קול הלקוחות בזמן אמת ולהשתמש בו כדי לשפר תהליכים, להעצים את הנציגים ולשדרג את חוויית הלקוח.
מבטיחים שכל מה שתקבלו מאיתנו זה חדשות ועדכונים שישדרגו לכם את המוקד
