Az ügyfél-lemorzsolódás lassítása, a call centerek minőségbiztosítása és a követelések behajtása csupán három terület azon szerteágazó lehetőségek közül, ahol a szövegértésből strukturált információk kinyerése, majd azok elemzése nyomán adható nagy biztonságú előrejelzésekre alkalmas szoftverek, az úgynevezett prediktív adatbányászati eszközök átrajzolhatják megszokott világunkat.
A gép nemcsak figyel, már ért is minket
Világszerte – így Magyarországon is – nagy lendülettel folynak az úgynevezett „speech to text” típusú kutatások, melyek során a hanganyagokból előállítható strukturált információ elérése a cél – magyarázza Körmendi György, az SPSS Hungary ügyvezető igazgatója. Állítása szerint az angol nyelvű hanganyagok esetében már egzakt beszédfelismerésről beszélhetünk, amely teljes körű leírást, teljesen automata call centert, illetve jól gépesíthető tartalomelemzést tesz lehetővé. A magyar nyelvű hanganyagok esetében – részben a nyelv egyedisége, részben az ezzel foglalkozók nagyságrenddel kisebb száma és az időben is később indult kutatások okán – egyelőre a kulcsszavas, szótáras megoldásokról beszélünk, amelyek csak 70–80 százalékos szövegfelismerést tesznek lehetővé.
Előre jelezhető a fluktuáció
Hogyan működik? A koncepció lényege, hogy egy modul a speciálisan összeállított iparági szótár alapján feldolgozza a hanganyagokat. Ez teremti meg a hanganyag értelmi alapú kategorizálásának lehetőségét.
Körmendi György szerint az egyik legismertebb alkalmazási terület az ügyfél-lemorzsolódás előrejelzése, illetőleg az ennek megakadályozására szolgáló egyedi ajánlatok kidolgozását támogató rendszer. A modern kiskereskedelem talán legfontosabb ügyfélkapcsolati pontjai a telefonos ügyfélszolgálatok. Ezekben elsősorban jogi, másodsorban minőségbiztosítási okok miatt általában folyamatosan rögzítik a beszélgetéseket. Egy ilyen tipikus, 30–80 fős call centerben több ezer beszélgetés kerül rögzítésre minden egyes nap, amelyek tartalma eleddig kiaknázatlan terep volt, pedig az ügyfélkapcsolat-menedzsment (CRM) szempontjából fontos információkat, szignálokat tartalmaznak.
Érzelmi reakciókat is azonosít a réteges hangelemzés
Az LVA™-
(réteges hangelemzés-) technológia egy innovatív eljárás, amely élő
vagy rögzített emberi beszéd érzelmi töltésének változását képes
felismerni. A beszélőben végbemenő kognitív folyamatok és
feszültségállapotok kialakulását és változását tárja fel és méri meg
szabadalmaztatott, jelfeldolgozó algoritmusok sorozatának
felhasználásával. Ezt az új technológiát ma már a világ sok országában
használják sikerrel, például a hr területén a kiválasztási
folyamatokban, a banki szférában a hitelkockázat előszűréséhez, a
biztosítási csalások megelőzéséhez, a call centerekben vagy a szociális
szférában a segélyek elbírálásához. Az LVA™ képes különböző szintű
feszültségek, megismerési-észlelési folyamatok és érzelmi reakciók
azonosítására – ezek kombinációjával az egyén „érzelmi struktúrájának”
feltérképezésére hanganyag alapján. Az eljárás az agyi tevékenység
nyomait deríti fel a hang mint médium használatával. Szélessávú
spektrumelemzés alkalmazásával deríti fel a beszédben előálló
pillanatnyi, önkéntelen elváltozásokat, és egy skálán osztályozni tudja
például a feszült, az izgalmi és a hasonló érzelmi állapotokat.
Az
LVA™-technológia nagy előnye, hogy bármely beszélt nyelv esetén
használható, azaz nem azt elemzi, hogy „mit” mondanak, hanem azt,
„hogyan” mondják.
A tesztek alapján egy ilyen elemző szoftver például a később ténylegesen lemorzsolódó ügyfelek 70 százaléka esetében képes figyelmeztető jelzést generálni a telefonbeszélgetések alapján, az ott elhangzó jellemző kifejezések, hangsúlyok felismerésével.
Emellett a szótáras elemzők a call centerek minőségbiztosításában is komoly szerepet játszhatnak, ugyanis napi szinten kiszűrhetik a nem megfelelő stílusban kommunikáló, esetleg trágár munkatársakat.
Tudd, ki lesz problémás!
Más országokhoz hasonlóan nálunk is ugrásszerűen nőtt a késedelmesen fizető, vagy fizetésképtelenné váló ügyfelek száma. Ráadásul a prognózisok szerint arra lehet számítani, hogy a fizetési fegyelem a válságból való kilábalás utáni időszakban is jó ideig rosszabb lesz a korábban megszokottnál. Éppen ezért a Data Research a hosszadalmas, költséges és kevéssé előre jelezhető behajtás helyett – ami általában az ügyfél elvesztésével is jár – a hatékony követeléskezelést javasolja. Ehhez azonban újra kell értékelni a még a válság kirobbanása előtt, stabil gazdasági környezetben kifejlesztett behajtási eljárásokat: az új helyzetben az ügyféllel kialakított párbeszéd lehet a kulcskérdés a késedelmes vagy elmaradó fizetés esetén. A hazai tapasztalatok azt mutatják, hogy a „magyar adósok” például a hitelállomány fedezetéül szolgáló és döntő többségben saját tulajdonban lévő vagyontárgyaikhoz, ingatlanjaikhoz a végsőkig ragaszkodnak, így a hitelező intézmény részéről érkező, proaktív kezdeményezéseket együttműködően fogadják. Az adatbázis-kezelés, a statisztika és a mesterségesintelligencia-kutatások eredményeit egyesítő szoftverek segítségével számos, az előrejelzést szolgáló kérdés válaszolható meg. Mint például, hogy milyenek az ügyfél törlesztési szokásai, hogy milyen az ügyfél törlesztési potenciálja, s hogy milyen viselkedésre számíthatunk az ügyfelektől a közeljövőben. Szintén fontos az egyedi és a standard kezelést igénylő ügyletek megfelelő szegmentálása, mert így az emberi erőforrások és egyéb kapacitások hatékonyabban allokálhatók, s kedvezőbb költségmutatók érhetők el. Ezek a megoldások természetesen nemcsak a klasszikus hitelezés területén alkalmazhatók, hiszen a szolgáltató és szolgáltatásaik ellenértékét rendszeresen számlázó cégek gyakorlatában is egyre növekvő arányúak a fizetési késedelmek.
