Diferencias entre Upbe y speech analytics

Speech Analytics

El pasado jueves, 7 de mayo, hicimos un webinar en el que mostramos una demo de Upbe. La idea era mostrar cómo de fácil y sencillo es hacer una prueba de concepto in situ con audios de llamadas reales. Ver qué podemos hacer con la herramienta y cómo darle contexto a toda esa información. También qué conclusiones podemos sacar gracias a las métricas que ofrece la plataforma.

Y al final de la demo, pusimos blanco sobre negro las diferencias entre Upbe y las soluciones de Speech Analytics estándar del mercado. En un sector con una capacidad de generar información de valor tan abrumadora como los call center, que actualmente solo se pueda exprimir el 1% de esa información es un problema. Tanto para las empresas del sector como para las grandes corporates que contratan sus servicios.

En todas esas conversaciones los clientes cuentan sus incidencias y expresan emociones que la tecnología de Speech Analytics no identifica. Esto ocurre por dos motivos. El primero, Upbe utiliza aprendizaje automático y procesamiento de lenguaje natural para la identificación de conceptos e ideas, y no el de palabras previamente especificadas.  El segundo, Upbe dispone de un motor que evalúa el sentimiento de los interlocutores basado en más de 100 características de la señal de audio.

Es una tecnología incapaz de procesar esta información de forma masiva y escalable. La forma de proceder para entender esa información es realizar escuchas manuales, que cubren menos del 1% de llamadas, y que ofrecen una información no relevante estadísticamente, subjetiva y muy costosa.

Speech Analytics

Las soluciones de SA tienen la capacidad de transcribir una grabación de audio en texto. Pero tienen limitaciones para conseguir el objetivo de un buen análisis y entendimiento de lo que sucede en todas esas llamadas, en definitiva.

Para los profesionales responsables de equipos y negocio es complicado basar su toma de decisiones en datos no estructurados e incompletos. No tienen la capacidad de evaluar la calidad de las llamadas o la vinculación que generan los clientes o cuánto se ajustan al discurso comercial. Y mucho menos entender la empatía con la que gestionan los agentes un problema, por ejemplo.

Entonces, ¿dónde funciona mejor Speech Analytics? En conversaciones muy literales. Para evaluar ítems de compliance (datos personales, consentimientos, etc.) donde los términos utilizados no varían. Las soluciones de SA tienen, al fin y al cabo, muchas limitaciones. El mercado necesita evolucionar hacia soluciones que consigan superar estas barreras:

Ausencia de contexto

Las palabras pueden tener diversos significados dependiendo del contexto en el que se ubiquen. El Speech Analytics no tiene la capacidad de identificar el contexto asociado a una palabra o expresión. Como decíamos más arriba, en entornos muy concretos sí se encuentra su utilidad. Más allá, donde se necesita el contexto para mejorar toma de decisiones sobre la calidad de una llamada o un agente, no.

Enorme esfuerzo de categorización

Construir categorías mediante SA requiere pensar y anticipar multitud de posibles combinaciones y escenarios de palabras que reflejen la categoría o ítem de lenguaje que se quiere identificar. Este enfoque dificulta la escalabilidad porque es difícil de reproducir en múltiples campañas. Este esfuerzo supone que personas con experiencia dediquen mucha parte del tiempo a labores de bajo valor. En vez de analizar y proponer mejoras a los agentes o los clientes, dedican su tiempo a labores con un ratio coste/beneficio cuestionable.

Revisión humana

Los resultados derivados de las categorías definidas deben ser revisados de forma manual. Se tiene que comprobar la incidencia de falsos positivos o negativos que pueden llevar a tomar decisiones erróneas. Y esta labor también exige una cantidad de esfuerzo y tiempo que pone a los profesionales cercanos a la toma de decisiones en tareas de valor más bajo. En lugar de analizar y tomar decisiones, están revisando llamadas sin significancia estadística. Puntuando a agentes. Es una gestión ineficaz.

Limitaciones Speech Analytics

Pero hay formas de mejorar este problema en el sector.  La inteligencia artificial y, en concreto, el procesamiento de lenguaje natural, supone un cambio de paradigma tecnológico. Con un software como Upbe puedes interpretar el contenido de estas conversaciones y aumentar el análisis abarcando el 100% de las llamadas. De poder analizar incluso menos del 1% de las llamadas al 100% hay una diferencia en la muestra como para entender que, si no lo hacemos, nos estaremos quedando muy atrás.

Y es que la comunicación entre humanos es compleja. Nuestras interacciones tienen mucha ambigüedad y jerga. Están determinadas por patrones culturales y geográficos y, a menudo, hay un uso incorrecto de la gramática. Si pierdes estos contextos, pierdes información. Tus análisis de los datos se vuelven incompletos o inexactos. Y surgen las ineficiencias.

Como veíamos antes, el Speech Analytics funciona cuando el lenguaje no está condicionado por la ambigüedad o el contexto, algo que ocurre muy pocas veces. Esta es una de las razones por las que surge una nueva categoría denominada Inteligencia Conversacional, que utiliza machine learning para superar estas limitaciones y erigirse como la evolución tecnológica del SA.

Digamos que si en tu contact center estás con tecnología Speech Analytics y no inicias proyectos que introduzcan la Inteligencia Conversacional, te estarás quedando atrás. ¿En qué se basa la IC para mejorar la capacidad tecnológica a la hora de entender contextos en llamadas en un contact center?

En dos conceptos. NLP (natural language processing) y NLU (natural language understanding). NLP es una rama de la Inteligencia Artificial que ayuda a las máquinas a procesar el lenguaje humano (en texto). El audio se transcribe y se convierte a texto y se procesa con NLP. Y con NLU, una subrama de la anterior, se sucede la comprensión humana del significado de un texto. NLU profundiza en la compresión de las palabras ya que trata de identificar el sentido del lenguaje cuando este incorpora jerga o errores gramaticales reproducidos por personas de forma habitual.

¿Cuáles son, en definitiva, las diferencias entre soluciones de Inteligencia Conversacional, como Upbe, y Speech Analytics?

Tecnología

Upbe se apoya en inteligencia artificial y aprendizaje continuo (machine learning) para desarrollar algoritmos con rangos de precisión altos. Uno de los inconvenientes de SA son los esfuerzos de categorización, que además tienen limitaciones para ser luego replicables en otros entornos. Upbe, gracias a la IA, propone otra innovación mediante lo que denominamos el Aprendizaje No Supervisado.

Este sistema identifica tópicos de expresiones que se repiten bajo determinados patrones en una tipología de llamadas. De esta forma, es posible identificar categorías de lenguaje sugeridas por la máquina de forma automática. Es decir, la generación de este conocimiento no surge de la reflexión humana sino de la categorización automática del software.

Es un sistema muy robusto para identificar, por ejemplo, llamadas con alta probabilidad de derivar en bajas de clientes. Lo que se le exige a la operación es que sea capaz de actuar sobre la información que hay en Upbe para que la herramienta aprenda de forma continua.

Diferencias tecnología entre Upbe y Speech Analytics

Análisis del contexto de las llamadas

Entender el contexto y poder tomar decisiones en base a ello es una realidad en Upbe. Somos capaces de decirte cómo se sienten tus clientes, cómo reaccionan en relación a cómo gestiona la llamada el agente. No te pierdes nada.

Los mensajes que las herramientas tienen que analizar e interpretar no son solo los elementos de textos. La comunicación paraverbal (lo que deriva del tono de la llamada o el énfasis que damos a determinadas cosas) es parte del mensaje y las soluciones de SA se pierden toda esa información.

Otra de las innovaciones que ha incorporado la Inteligencia Artificial es la capacidad de extraer información relevante de la señal de audio. Parámetros relacionados con el tono, la frecuencia, la amplitud que, con el adecuado entrenamiento, pueden inferir el estado emocional del interlocutor de manera objetiva. De esta forma es posible identificar si un agente ha sido agresivo o rudo. O si, en cambio, ha generado un sentimiento positivo en el cliente con su discurso.

Esta combinación de NLP, NLU y Voice Analytics ofrece una solidez a la hora de interpretar la comunicación en llamadas telefónicas no vista hasta ahora. Te da una dimensión adicional para tomar decisiones, para hacer más eficientes tus operaciones. Es un paso que tienes que dar con tecnologías como Upbe porque SA no te lo da.

Flexibilidad y autonomía en la gestión

Upbe es una plataforma self-service en la que no hace falta conocimientos técnicos para poder funcionar. Está pensada para que seas gestor de operaciones, director de innovación o responsable de customer experience, no necesites conocimientos técnicos para ponerte a funcionar. Sin cuellos de botella habituales, la operación es capaz de gestionar sus campañas y realizar cambios sin problemas.

En Upbe, además, pagas por lo que usas. Sin licencias perpetuas ni compromisos ad aeternum. Nuestro modelo de negocio (SaaS – software as a service) es un compromiso con aportar valor a nuestros clientes de forma continua.

Diferencias tecnología entre Upbe y Speech Analytics

Puesta en marcha

Podemos poner en marcha un proyecto en unas 3-4 semanas. En el webinar construimos una prueba de concepto en tan solo 20 minutos como muestra de lo que nuestra plataforma permite. Agilidad y rapidez para poner al servicio de la operación las mayores capacidades de análisis lo antes posible.

Una de las cosas que agilizan este proceso es que, combinando tecnología y conocimiento del sector, ofrecemos una plantilla de calidad adaptada a tus necesidades. Hay muchos elementos comunes transversales a los distintos servicios que se pueden utilizar. No tienes que empezar de cero integrando tu plantilla.

Nuestro compromiso con ayudar a conseguir clientes más felices, de dar la herramienta tecnológica que transforme y evolucione el sector no queda ahí. Estamos trabajando en muchas mejoras que mejorarán nuestro producto. Por ejemplo, queremos darle la capacidad de realizar el análisis de las conversaciones mientras ocurren. En tiempo real y disponible, tanto sobre el análisis de señal de audio (Voice Analytics), como del texto (NLU).

2 comments
  1. Félix
    Félix
    May 14, 2020 at 2:35 pm

    Tenéis la grabación del webinar en algún lugar para verla?

    Reply
    • Javier
      Javier • Post Author •
      May 18, 2020 at 3:05 pm

      Hola Felix. Te escribimos para ver qué podemos hacer. Un saludo y gracias por escribir. 🙂 Esperamos que te haya gustado el artículo.

      Reply
Leave a Reply

Your email address will not be published. Required fields are marked *