了解客户反馈，在更大规模和更多样的通道，通过它可以为客户提供反馈的越来越难。寻求更好地把握客户的情绪企业可能要通过数以千计的邮件，以获得在说他们的产品或服务是客户的感觉进行筛选。
为了节省时间和资源，企业可能会采用自动化技术，通过聊天消息、电子邮件、呼叫中心录音和社交媒体评论等渠道实时量化客户反馈。自然语言处理(NLP)可以帮助一些拥有大量客户反馈的企业以可量化的趋势的形式收集信息，或者换句话说，增加或减少特定客户投诉的频率。
拨入量化的客户反馈可以让企业做出与营销和改善客户体验相关的决策。它还可以让企业更好地了解最近一批货是否附带有缺陷产品，产品开发团队是否在最近的功能上打了或没有打上标记，或者市场营销团队是否产生了一个成功的广告。量化的客户反馈还可以告知消费品公司是否与他们的送货公司保持联系或分道扬镳，或者最近实施的改善客户服务响应时间的计划是否达到了目标。
企业还可以了解客户对其产品和服务的反应，以及客户文化和技术环境的变化对其需求的影响。
在本系列的这一部分，道路联合创始人凯瑟琳Havasi提供了深入了解如何以及为什么客户服务相关的趋势是至关重要的业务和企业如何决定哪些这些趋势进行对焦。Havasi讨论所处行业的发展趋势已经在公司内部推动价值的关键不同个体的例子。她探索区及了解客户服务相关的趋势都为公司驱动显著价值的应用。
Havasi认为，消费者满意度是企业变革的主要驱动力，既然消费者在市场上有如此多的选择，那么主动地让他们的体验尽可能的顺畅和愉快是很重要的。然而，挑战在于发现这些举措是否产生了预期的结果。
这的的确确是在客户的旅程寻找最大的摩擦点，看怎么样，当你解决这些摩擦点，他们走动[和]如何可以保持眼睛真的很难斑点。而这不只是等式的客户服务方面。你也可以运用一些的，当你把船上新客户，当你与潜在客户合作。
为了做到这一点，公司需要通过许多沟通渠道进行大量的对话。客户服务代表可能很难实时组织这些对话的内容，同时也很难全面了解这些对话中可能存在的趋势。下面是一些使用自然语言处理发现客户体验趋势的用例，自然语言处理是一种机器学习技术，在某种程度上可以使过程自动化。
使用案例：酒店服务
可量化的客户支持趋势可以帮助企业衡量流程改进。例如，如果一家连锁酒店发现某一地区客房服务速度相关的投诉增加，它可能会实施一项计划，以改善该地区的客房服务交付时间。它将通过跟踪客房服务相关投诉的趋势来衡量该计划的成功与否。如果该地区与客房服务相关的投诉数量呈下降趋势，则可能表明该计划正在努力提高客房服务交付速度。
显然，这种分析不是一门精确的科学。没有真正的方法可以知道这个计划是什么导致客房服务速度相关的投诉呈下降趋势，它需要做出推论来确定为什么他们一开始就呈上升趋势。也就是说，用情绪分析和NLP量化客户投诉可能有助于提高这些推断的准确性。
例如：
If the hotel sees a spike in room service-related complaints that don’t specify the issue with the room service, the hotel would likely benefit from changing one aspect of the way room service is done at a time and then checking to see if the trend in room service-complaints goes down with each of those changes.
请注意，如果在此场景中同时执行太多更改，则酒店将很难确定与客房服务相关的投诉呈上升趋势的原因，以及它们最终呈下降趋势的原因(假设其中一个更改有效)。
(tecarousel)
使用案例：消费品
哈瓦西博士描述了其中之一消费品site split测试他们的销售人员在交谈中所说的话的类型，并使用NLP跟踪客户行为的趋势，这些趋势可能是所说的话之间差异的结果。他们利用趋势信息来确定吸引客户的最佳方式，以鼓励他们进行大额购买。
每个星期，员工将讨论类型的东西，是在谈话中说，他们利用从NLP节目囊括作为起跳点的趋势信息。他们发现，谈论他们的产品之一的一个特征似乎增加潜在客户会购买该产品的可能性。同时，他们发现，在谈论不同的功能似乎减少了该可能性。
然后，工作人员被鼓励分裂测试过程中与客户的谈话说其他的事情，看看是否有可能在客户行为产生积极或消极的趋势。
凯瑟琳其描述如下：
所以，这一切都......一个反馈回路，和它成为你的商业思维的一部分;它成为你的过程的一部分。
公司可以使用NLP软件来发现销售人员和潜在客户的交流方式是如何影响销售的。由此产生的销售增加或减少的趋势可以帮助指导公司如何最有效地关闭销售。
销售完成后，消费品公司可能会使用情绪分析和NLP来处理与送货相关的客户投诉的增加。该软件可能会显示出一种词汇和短语的趋势，比如“我的产品在哪里?”或者“it’s been”，然后是好几天。如果公司有历史数据，他们可能会发现，在一年中的这个时候，与交付相关的投诉的增加是不寻常的，他们可能会让客户支持代表深入研究这些问题。
然后，公司可能会考虑投诉增加的原因，以便解决交付过程中的任何问题。或许他们会考虑以下几点：
- 顾客们正在比较亚马逊的送货速度，他们已经习惯了第二天送货，并期望从其他公司订购的产品也能同样快地出现。
- 购买到船时间是非常低的，表明与仓库的一个问题。
- 包裹从仓库提货后，要花很长时间才能送到客户的地址。这可能表明快递公司有问题。
- 天气中投递路线上影响交货时间
创建了一个可能的问题列表之后，公司可以更改或更正交付流程的一个组件，以将与交付相关的投诉恢复到通常的发生率水平。例如，公司可能会查看他们的快递公司最近是否改变了路线。他们可能会要求公司返回到原来的路线，然后检查是否减少了与送货相关的投诉数量。如果没有，那么公司就知道送货公司不是问题所在。
在检查了其他可能的原因后，公司可能会发现，与送货相关的投诉的增加实际上最有可能是由于亚马逊为消费品公司创造的预期。然后，他们可能会试图改变营销策略，让他们承诺的3天送达听起来像一个卖点，即使这不是亚马逊承诺的第二天送达。如果与交付相关的投诉数量因此减少，则可能会追溯确认高期望是导致数量上升的原因。
用例:直接响应营销
另一个例子可能是直接反应公司。该公司可能会发送一封电子邮件，目的是让人们进入销售页面，以折扣购买商品。也许该软件会发现“折扣”、“欺诈”或“虚假广告”等词汇和短语的增加。“如果他们上升的趋势对于发送的邮件类型来说是不寻常的，公司可能会考虑以下几点:
- 邮件正文与销售页不一致;前者与后者没有任何关系
- 电子邮件正文副本提供的商品价格与销售或结帐页面上的价格不同
- 销售页面没有向客户明确说明，当他们转到结帐页面时，折扣是自动应用的。
- 电子邮件正文没有提到产品所附带的订阅服务
未来与可能的原因列表后，公司可能委托给包括检查，看看是否在电子邮件正文确实与销售网页的副本不一致雇员的任务。如果是这样的话，他们可能会发现有人已经犯了一个错误，他们应该发送一封电子邮件道歉不一致。
类似地，可能在后台设置结帐页面的人在输入产品价格时意外地输入了一个额外的“0”。同样，该公司可能会发送一封道歉电子邮件，并链接到更正后的付款页面。
如果情况不是这样，公司可能会考虑更清楚地说明，他们在电子邮件中提供的折扣是自动应用的，或者产品附带了订阅服务。
在任何情况下，该公司将监测“欺诈”投诉的趋势，看看在实施上述改变之一后，投诉是否减少。
用例：SaaS
SaaS公司可能每两周更新一次软件。因此，它可以处理大量与这些更新相关的客户服务票证。NLP程序可能会发现与更新的某个特定方面相关的票证出现上升趋势。然后，它可以确定在更新过程中遇到问题的客户应该被引导到自助指令，而不是路由到chatbot或人工代理。
NLP程序的关键在于它能够了解，在这种情况下，哪些客户服务查询需要代理响应，哪些需要链接到包含有关更新的详细信息的自助站点。
NLP计划也可以了解到一些趋势，这些趋势可能会影响门票的价格。换句话说，它可能会找到常见票证类型的类别。因此，SaaS公司可能能够减少处理日常客户服务票证（如与密码相关的票证）所花费的资源。
在了解到密码问题是常见的客户投诉后，它可以学习将客户发送到适当的密码重置网页，而不是将其路由到代理。然后，如果客户与聊天机器人交互，他们可能就不会那么困惑了。
该NLP软件还可以提供关于上升趋势提的是，从每两周一次的软件更新导致一些错误的度量。这种洞察力可以帮助预防这些错误在将来的软件更新SaaS的公司集中，从而减少与这些错误，一般投诉，提高客户体验质量的数量。
Havasi详细介绍了NLP融入常规业务流程时的潜在威力：
当AI真的成功就是当AI成为工作流程的一部分，成为某事的作品......这成为一些部分结构的一部分。它不喜欢，呵呵，这个公司已经AI-启用的客户服务。这只是这家公司对良好的客户服务。
以下是Luminoso的NLP流程，详细说明了文本数据如何成为可操作的洞察力：
幸运的是，对于小公司来说，NLP可能比其他人工智能系统更容易使用。实际上，一些人工智能系统可能不再需要访问大量的私有数据和数据科学家团队。
哈瓦西反映了这种情绪，她说:
有这种恐惧和…你认为要花几个月的时间,并需要好几个月的时间设置在培训系统中,这并不是发生了什么了……一个市场发展这个伟大的所谓转移学习,这是我们使用,基本上允许您移动模型转换为一个域没有那么多数据,在某种程度上,不需要专家。因此，这真的为在不同的地方使用打开了大门。
简而言之，一些人工智能模型使用“常识”人工智能，这涉及到将知识构建到模型中，这样用户就不需要向模型提供大量数据以保证其准确性。这一想法是为了让小型公司(或数据较少的公司)的人工智能“民主化”，因为大多数公司永远不会拥有像谷歌这样的企业拥有的数据量。
这种“常识” AI与NLP，不需要专有的数据，工作效果很好。字母“L”是字母“L”，并在“浴室”的意思是“卫生间”，无论在哪个它写的字体。
虽然环境当然很重要(飞机上的“厕所”和酒店房间里的“厕所”有不同的特点和内涵)，但假设可以训练NLP引擎来理解通用术语。这意味着，拥有相对有限的文本数据量的企业仍然可以从已经用英语培训过的NLP引擎中获得见解。
从理论上讲，企业可以受益于以往，大量用户的数据运行的AI系统。Havasi其描述如下：
你可以了解语言是如何作为一个整体工作的……人们学习的方式，人们思考的方式，很多都是基于我们的日常理解。
然而，NLP和“常识”人工智能系统仍然有其局限性。他们需要一个数字数据源来检测模式和趋势。尽管如此，一些行业可能会发现，为了保持领先地位，有必要在未来5年内整合人工智能技术。Havasi阐述:
移动或数字(零售)领域的任何东西……任何技术、媒体、娱乐、软件和硬件领域的任何东西。这些领域真的必须要注意这一点，因为它们垂直领域的一切都发展得非常快。”
这些行业包括保险、医疗、制药和金融-涉及大量数字化数据的。例如，尽管有用途重工业的人工智能在美国，员工不太可能在日常工作中使用它。而不是an保险代理，谁可以使用机器学习应用程序，以提出索赔和检测欺诈。
尽管人们应该对人工智能持怀疑态度，永远不要急于使用它，但即使是拥有大量基于文本的数据的小企业，也可能希望弄清楚NLP软件是否适合他们。
这篇文章是由路，并与我们的《透明》杂志保持一致Emerj赞助内容指南。了解更多关于到达我们的ai集中执行观众的信息Emerj广告页面。
标题图像信用：旅行者保险
