Czym jest analityka tekstu (text analytics)? To automatyczna analiza tekstu pisanego, takiego jak zgłoszenia, czaty i e-maile, która na dużą skalę wyodrębnia tematy, sentyment i intencje. Pozwala zespołowi obsługi klienta zrozumieć każdą rozmowę pisemną zamiast małej próbki i stanowi pisemną część analityki rozmów.
W skrócie
- Analityka tekstu zamienia nieustrukturyzowany język w dane, które można mierzyć i przeszukiwać.
- Działa w czterech krokach: zbieranie, oczyszczanie, klasyfikacja i raportowanie.
- W kontroli jakości obsługi klienta wskazuje momenty istotne dla jakości i coachingu.
- W CX pokazuje, o co pytają klienci i jak się czują.
- Najlepsze narzędzia łączą każdy wynik z dokładnym sformułowaniem, które za nim stoi.
Jak działa analityka tekstu
Analityka tekstu zbiera rozmowy pisemne, oczyszcza tekst, klasyfikuje go za pomocą przetwarzania języka naturalnego i przedstawia wyniki jako pola, które zespół może filtrować i śledzić w czasie.
Krok 1: zebranie tekstu
Tekst pochodzi z miejsc, w których rozmowy już się znajdują: z helpdesku, narzędzia do czatu, skrzynki e-mail, komentarzy w ankietach lub serwisów z recenzjami. Ponieważ analityka tekstu działa w tych systemach automatycznie, może na bieżąco przetwarzać cały wolumen zgłoszeń i czatów, a nie tylko niewielki odsetek, który zespół mógłby przeczytać ręcznie.
Krok 2: oczyszczenie i uporządkowanie
Surowe rozmowy zawierają podpisy, cytowane odpowiedzi, automatyczne odpowiedzi i literówki. Tekst dzieli się na wiadomości, przy każdej oznacza się autora (klient lub konsultant) i usuwa szum, tak aby analiza czytała to, co faktycznie zostało powiedziane.
Krok 3: klasyfikacja za pomocą przetwarzania języka naturalnego
Modele językowe klasyfikują następnie każdą wiadomość lub rozmowę: przypisują ją do tematów, oceniają sentyment jako pozytywny, neutralny lub negatywny i rozpoznają intencję klienta, na przykład prośbę o zwrot pieniędzy, zgłoszenie błędu lub rezygnację. Starsze systemy opierały się na regułach słów kluczowych; obecne modele czytają kontekst, więc uprzejma wiadomość od niezadowolonego klienta rzadziej umyka uwadze.
Krok 4: raportowanie i działanie
Wynikiem są dane ustrukturyzowane: liczby dla poszczególnych tematów, trendy sentymentu i udziały intencji, które zespół może filtrować i analizować w szczegółach. Najważniejszy jest ostatni krok, w którym każdy wzorzec prowadzi do rozmów, które za nim stoją, i trafia do osoby, która może go naprawić.
Co wyodrębnia analityka tekstu
Analityka tekstu zamienia swobodnie pisany tekst w pięć rodzajów sygnałów: tematy, sentyment, intencje, jakość i trendy, a zespół może każdy z nich filtrować i wykorzystywać do działania.
| Sygnał | Co obejmuje | Przykład z obsługi klienta |
|---|---|---|
| Tematy | Sprawy, w których klienci piszą, grupowane automatycznie | „Płatności”, „logowanie”, „opóźniona dostawa” |
| Sentyment | Czy ton klienta jest pozytywny, neutralny czy negatywny | Rosnąca frustracja w zgłoszeniach dotyczących dostaw |
| Intencja | Czego chce klient: zwrotu pieniędzy, naprawy, rezygnacji i nie tylko | Więcej próśb o rezygnację po zmianie cen |
| Jakość | Na ile pisemna odpowiedź konsultanta spełnia Państwa kryteria | Brak kroku weryfikacji przy zmianach na koncie |
| Trendy | Jak tematy i sentyment zmieniają się w czasie | Nowy temat pojawiający się po wydaniu nowej wersji |
Analityka tekstu w obsłudze klienta
W obsłudze klienta analityka tekstu czyta każde zgłoszenie, czat i e-mail, aby pokazać, dlaczego klienci piszą, jak się czują i jak dobrze odpowiedzieli konsultanci, dzięki czemu zespoły QA i CX pracują na pełnym wolumenie.
W kontroli jakości obsługi klienta analityka tekstu umożliwia ocenę rozmów pisemnych na dużą skalę: ocenę zgłoszeń i czatów według karty oceny i wskazywanie momentów, które warto wykorzystać w coachingu. W obszarze doświadczenia klienta pokazuje głos klienta (po angielsku) w ujęciu zbiorczym: powtarzające się powody kontaktu, miejsca, w których sentyment się pogarsza, i problemy, które narastają.
Tak wygląda to w praktyce przy trzech pytaniach, które często zadaje lider zespołu obsługi klienta:
| Pytanie | Co pokazuje analityka tekstu | Kolejny krok |
|---|---|---|
| Dlaczego w zeszłym tygodniu wzrosła liczba zgłoszeń? | Jeden temat, „reset hasła”, podwoił się po wydaniu nowej wersji | Przesłać przykłady do zespołu produktu, opublikować artykuł pomocy |
| Którzy klienci są bliscy odejścia? | Intencja rezygnacji i negatywny sentyment na tych samych kontach | Przekierować te rozmowy do doświadczonego konsultanta |
| Gdzie konsultanci potrzebują coachingu? | Niskie wyniki jakości w jednym kryterium w czatach o płatnościach | Coaching z tego kryterium na prawdziwych przykładach |
Kaizo stosuje to do rozmów z obsługi klienta: ocenia każdą rozmowę telefoniczną, czat i e-mail według Państwa własnych kryteriów, śledzi sentyment i empatię w 100% wiadomości i pokazuje, czy spadek wynika z wadliwego procesu, problemu z produktem czy luki w umiejętnościach. O tym, jak przejść od ustaleń do poprawek, piszemy w przewodniku po wnioskach z obsługi klienta.
Analityka tekstu a text mining, analiza sentymentu i speech analytics
Analityka tekstu to pojęcie nadrzędne dla analizy języka pisanego; analiza sentymentu jest jednym z jej wyników, text mining to niemal synonim, a speech analytics wykonuje tę samą pracę dla rozmów telefonicznych.
| Pojęcie | Co robi | Związek z analityką tekstu |
|---|---|---|
| Text mining (eksploracja tekstu) | Znajduje wzorce w dużych zbiorach tekstu | Często używane jako synonim; niektórzy rezerwują je dla etapu wyszukiwania wzorców |
| Analiza sentymentu (po angielsku) | Ocenia ton wiadomości | Jeden z wyników analityki tekstu |
| Speech analytics | Analizuje nagrane rozmowy, zwykle po transkrypcji | Głosowy odpowiednik |
| Conversation intelligence (po angielsku) | Analizuje głos i tekst obok siebie i dodaje procesy pracy | Opiera się na analityce tekstu i speech analytics |
Powiązane pojęcia
- Interaction analytics
- Analiza sentymentu klientów
- Analityka obsługi klienta
- Analityka rozmów w szczegółach (po angielsku)
Na początek: jedno pytanie, na które powinny odpowiadać zgłoszenia
Proszę wybrać jedno pytanie z tabeli powyżej, na przykład dlaczego w zeszłym tygodniu wzrosła liczba zgłoszeń, i sprawdzić, czy obecne raporty potrafią na nie odpowiedzieć na podstawie samego tekstu. Jeśli nie, w demo na żywo na przykładowych danych pokażemy, jak Kaizo czyta każdą rozmowę pisemną i łączy każdą liczbę z wiadomościami, które za nią stoją.
Porozmawiajmy Poznaj analitykę Kaizo
Najczęściej zadawane pytania
Czy analityka tekstu to to samo co analiza sentymentu?
Nie. Analiza sentymentu to jedna z części analityki tekstu, która ocenia ton wiadomości jako pozytywny, neutralny lub negatywny. Analityka tekstu jest szersza: wyodrębnia z rozmów pisemnych także tematy, intencje i sygnały jakości oraz pokazuje, jak zmieniają się w czasie. Większość narzędzi do analityki tekstu traktuje sentyment jako jeden z kilku wyników.
Czym analityka tekstu różni się od speech analytics?
Analityka tekstu analizuje tekst pisany, taki jak zgłoszenia, czaty i e-maile. Speech analytics działa na głosie i przed analizą przepisuje rozmowy telefoniczne. Po transkrypcji do obu stosuje się te same techniki. Conversation intelligence łączy jedno i drugie, dzięki czemu zespół widzi jeden problem klienta we wszystkich kanałach, w których się pojawił.
Jakie sygnały wyodrębnia analityka tekstu?
Tematy, o których piszą klienci, sentyment (pozytywny, neutralny lub negatywny), intencję klienta, na przykład zwrot pieniędzy lub rezygnację, jakość pisemnej odpowiedzi konsultanta według Państwa kryteriów oraz trendy, czyli zmiany tematów i sentymentu w czasie.
Co analityka tekstu daje zespołom obsługi klienta?
Pozwala zespołowi mierzyć każdą rozmowę pisemną zamiast ręcznej próbki. Dostarcza wyniki jakości dla kontroli jakości, pokazuje tematy i intencje zgłaszane przez klientów oraz to, jak zmienia się sentyment w całej kolejce. Dzięki temu przeczucie w rodzaju „zgłoszenia o płatnościach wydają się bardziej nerwowe” staje się liczbą, którą można śledzić i na którą można zareagować.
Czy analityka tekstu radzi sobie z wieloma językami?
Nowoczesna analityka tekstu oparta na dużych modelach językowych potrafi klasyfikować tematy, sentyment i intencje w wielu językach, dzięki czemu globalny zespół obsługi klienta może w ten sam sposób analizować cały wolumen pisemny w każdym z nich. Na początku warto sprawdzić wyniki w każdym języku z native speakerem, bo dokładność zależy od języka i ilości danych.







