Как аспектный анализ коммуникаций помогает понять проблемы клиентов
Традиционный способ анализа фидбека и UGC-контента в соцсетях требует много времени и ресурсов: по нашим оценкам, сотрудники контакт-центра крупной компании вручную могут обработать только 10% клиентских отзывов. Из-за огромного количества такой информации бывает трудно оперативно определить, что сильнее всего влияет на удовлетворенность клиентов: скорость доставки, маленький ассортимент товаров, манера общения сотрудника и т. д.
Однако анализ всех отзывов по телефону, сообщений в соцсетях и в Интернете можно автоматизировать при помощи нейросетей. Наиболее современной технологией для этих целей считается аспектный анализ коммуникаций.
Аспектный анализ коммуникаций ABSA (Aspect Based sentiment analysis) — это модуль сервисов речевой аналитики, который оценивает тональность различных аспектов высказывания. Такая ИИ-модель разделяет высказывание на различные аспекты (темы) и анализирует тональность автора по отношению к каждому из них.
Например, в отзыве «суши вкусные, но доставка ужасно долгая» нейросеть выделит два аспекта («суши» и «доставка»), после чего определит, какие слова к ним относятся («вкусные», «ужасно долгая»), и по ним выявит позитивную оценку к первому аспекту и негативную ко второму.
Кстати, ABSA глубже, чем сентимент-анализ, — данная опция позволяет определить отношение человека ко всему сказанному, не учитывая отдельных аспектов. Из-за этого аналитические сервисы зачастую относят к нейтральным высказываниям вроде «у вас удобное приложение, а вот абонентская плата дорогая», несмотря на то что в них есть позитивное отношение к приложению и негативное к тарифам.
Глубокий автоматизированный анализ всей обратной связи помогает лучше понять потребности клиента и проблемы, которые могут его беспокоить.
1. Анализ негатива зрителей онлайн-кинотеатра
Крупный стриминговый сервис столкнулся с падением удовлетворенности своих пользователей. Чтобы найти причину, аналитики обработали несколько отзывов и обнаружили, что часть пользователей недовольна отсутствием субтитров на русском и английском к некоторым фильмам. Эти выводы они сделали по ограниченному количеству отзывов, поскольку изучить всю обратную связь вручную было физически невозможно.
Менеджеры сервиса уже были готовы отдать в работу эту трудоемкую задачу, но предварительно решили подтвердить выводы, использовав аспектный анализ коммуникаций. Его результаты показали, что отсутствием субтитров были недовольны лишь 5% аудитории. Реальной проблемой оказалось зависание картинки, о котором пользователи писали разными словами. Из-за этого система не смогла определить проблему автоматически и распределяла такие отзывы в разные категории жалоб: на качество связи, на скорость соединения, плохое изображение и т. д.
Нейросети смогли собрать все разнообразные жалобы на изображение в один аспект, тем самым показав настоящий массовый характер проблемы. Благодаря этому стриминговый сервис сосредоточился на решении этой задачи, а доработку субтитров отложили на потом.
2. Конкурентный анализ EdTech-рынка
Один из крупных EdTech-стартапов решил значительно скорректировать позиционирование продукта, чтобы дистанцироваться от конкурентов. Для этого требовалось проанализировать маркетинговую стратегию других компаний на рынке, выявить их слабые места и в своей коммуникации с пользователями подчеркнуть отсутствие подобных недостатков.
Изначально стартап нанял аналитиков, чтобы они проанализировали онлайн-отзывы клиентов о конкурирующих продуктах. Однако процесс оказался весьма трудоемким, а человеческий ресурс — ограниченным.
Аспекты в отзывах (например, качество работы учителей) аналитикам пришлось выделять вручную, и это также вызвало множество проблем. После того как было проверено несколько отзывов, выяснилось, что выделенная структура аспектов не пригодна для полноценного анализа, поскольку они слишком узкие или общие, и работу приходилось начинать сначала.
Автоматизировать исследование помогло агентство Hints, применив для анализа нейросеть ChatGPT. Она сформировала список из 12–15 аспектов на базе отзывов из Интернета, затем еще несколько параметров эксперты добавили вручную. ИИ-модель искала отзывы о качестве преподавания, расписании, сбоях в работе платформы и об отношении пользователей к этим аспектам.
На основе проанализированных данных нейросеть составила агрегированный результат положительных и негативных отзывов по каждому аспекту, подготовила удобные графики и отчеты, а также предоставила пояснение по каждому конкуренту и аспекту — например, что именно не нравится в техподдержке той или иной компании.
Такой инструмент не только помог проанализировать значительно больше отзывов, но и позволил узнать о слабых и сильных сторонах продуктов компании. К тому же ИИ сэкономил средства компании: автоматизированный анализ с помощью нейросетей оказался гораздо выгоднее, чем ручной труд аналитиков.
3. Умный поиск для гостиничного бизнеса
При выборе отеля опытным туристам важны детали каждого объекта размещения — чистота, звукоизоляция, удобство расположения и т. д. Субъективная оценка от прежних постояльцев вряд ли в этом поможет, потому что одни и те же условия можно оценить как на три звезды, так и на пять звезд. Получить подробную информацию об отеле можно из текстовых отзывов, однако обработать их вручную практически нереально.
Один из иностранных агрегаторов отелей автоматизировал этот процесс с помощью ABSA. Нейросеть выделила ключевые аспекты всех объектов размещения (кровать, душ, завтрак) в каждом отзыве и на основании замечаний туристов поставила оценку каждому из них.
Чтобы пользователи на основе этих данных смогли выбрать наиболее подходящий отель, агрегатор добавил на своем сайте поисковую форму: «Мне нужен отель с замечательным …». Если ввести в ней «бассейн», то сервис выберет все отели, в которых другие пользователи похвалили бассейн в своих отзывах, и покажет процент положительных отзывов по этому параметру.
Таким образом сервис предоставил клиентам возможность найти отель, подходящий именно по его индивидуальным запросам.
4. Снижение оттока телеком-клиентов
Зарубежная телеком-компания планировала снизить отток клиентов. У части ее абонентов уже был негативный опыт работы с компанией. Из-за этого возникали риски, что если не уделить такому клиенту должное внимание при очередной проблеме, он может перейти к другому оператору. Провайдер обратился к ИИ-специалистам для разработки решения, которое будет анализировать историю обращений в службу поддержки и предсказывать поведение клиента при каждом звонке в кол-центр.
Нейросеть преобразовала все записи разговоров с клиентами в тексты, затем с помощью ABSA проанализировала их, оценив отношение клиента ко всем аспектам разговора (качество связи, скорость обслуживания и т. д.).
На основе этой информации для каждого клиента отслеживается общая оценка его отношения к компании. И это гораздо более точный показатель, чем данные, полученные в рамках семантического анализа, который часто просто собирает общую «температуру по больнице».
Во время звонка на экране менеджера отображаются проблемы абонента, с которыми он уже обращался в кол-центр, и оценка его отношения к компании. Если она достигла критически низкого показателя, клиент автоматически получает текстовое сообщение с извинениями и предложением специальной акции — например, скидки на обслуживание в следующем месяце.
Нейросеть и ASBA помогают операторам кол-центра заранее подготовиться к разговору и напоминают им сделать выгодное предложение для клиентов с негативной историей обращений. Это поможет повысить лояльность абонентов и снизить их отток к другим операторам.
Метод ABSA более эффективен, чем опрос клиентов, потому что не все пользователи заполняют анкеты. Они скорее предпочтут выразить свое мнение в диалоге с ботом, оператором или сообществе в социальных сетях. Таким образом у B2C-компаний есть огромное количество информации о своих товарах и услугах — из нее можно выявить даже те проблемы, о которых бизнес и не догадывается. Рассказываем на примерах, как аспектный анализ помог бизнесу стать более эффективным и клиентоориентированным.
Опубликовано 08.11.2023
