כל מוקד אומר שהוא עושה בקרת איכות. מה שזה אומר בדרך כלל הוא שראש צוות מאזין לכמה שיחות לכל נציג בחודש, ממלא טופס ניקוד ומתייק אותו. זו אינה בקרת איכות של המוקד - זו בקרת איכות של מדגם. המאמר הזה עוסק במה שמשתנה כשבינה מלאכותית מנתחת כל שיחה במקום זאת, ואיך נראה ניטור רגולציה ברגע שהוא מפסיק להיות בדיקה מדגמית.
בעיית ה-2%
בקרת איכות ידנית לא מתרחבת בקנה מידה, והחשבון אכזרי. בודק יכול לנקד אולי ארבע עד שש שיחות בשעה, אחרי שהאזין, שפט וכתב סיכום. מוקד שמטפל בעשרות אלפי שיחות בחודש, אפילו עם צוות בקרת איכות ייעודי, מגיע לבדיקה של אחוז או שניים מהן.
אז התיאור הכן של בקרת איכות מסורתית הוא זה: אתם לא מודדים את איכות המוקד שלכם. אתם מודדים את אותם שניים אחוזי שיחות שבמקרה נחתו במדגם. את 98% האחרים אף אחד לא שומע - והגילוי שפוספס, ההבטחה שמחוץ לתסריט והלקוח הזועם בשקט - כולם חיים ב-98% האלה.
מה בקרת איכות ב-AI באמת בודקת
בקרת איכות ב-AI לא זורקת את טופס הניקוד. היא מריצה את טופס הניקוד על כל שיחה. הצינור קצר:
- תמלול השיחה מקצה לקצה, עם דוברים וחותמות זמן.
- סיווג השיחה לסוג שיחה - שיחת מכירה, שיחת שימור, פנייה לשירות - כי שיחת מכירה ותלונה לא נשפטות מול אותם קריטריונים.
- הערכה של התמלול מול הקריטריונים שהגדרתם לסוג השיחה הזה: האם הפתיח בוצע, האם הגילוי הוקרא, האם ההתנגדות טופלה, האם נקבע צעד המשך.
הקריטריונים אינם גנריים. ב-Nivision כל סוג שיחה הוא מסווג מוגדר עם שדות מותאמים וכללי ניקוד משלו - כך ש"שיחה טובה" היא מה שהצוות שלכם החליט שהיא, לא מה שתבנית ברירת מחדל של ספק מניחה.
בקרת איכות ידנית מספרת לכם איך 2% מהשיחות שלכם נשמעו בחודש שעבר. בקרת איכות ב-AI מספרת לכם איך 100% מהן נשמעו אתמול.
ניטור רגולציה: מבדיקה מדגמית לרשומה קבועה
בשיחות מפוקחות - ביטוח, פנסיה, פיננסים, בריאות - בקרת איכות וניטור רגולציה הם אותה בעיה עם פנים מחמירות יותר. גילוי נדרש חייב להיקרא. זהות חייבת להיות מאומתת. הסכמה חייבת להיתפס. מוצר חייב להתאים ללקוח שלו מוכרים אותו.
כשזה נבדק על מדגם של 2%, הפרת רגולציה היא עניין של מזל: היא נתפסת רק אם השיחה הספציפית היא זו שבודק במקרה פתח. ניטור רגולציה ב-AI בודק כל מרכיב נדרש על כל שיחה, מסמן את השיחות שבהן משהו חסר או מסוכן, ומשאיר אחריו רשומה מוכנה לביקורת. השאלה מפסיקה להיות "האם תפסנו את זה" והופכת ל"הראו לי כל שיחה החודש שבה הגילוי לא הוקרא" - וזה עכשיו סינון, לא פרויקט. עבור מוקדים מפוקחים זה הלב של בינת שיחות לביטוח ופיננסים.
מה משתנה כשהכיסוי מגיע ל-100%
- הסיכון הופך נראה ביום שבו הוא מופיע, לא ברבעון שאחרי, כשדפוס כבר עלה לכם ביוקר.
- האימון הופך ספציפי. במקום "תעבוד על הסגירות", מנהל יכול לשלוף את אחת עשרה השיחות מהשבוע שבהן הנציג הגיע להתנגדות המחיר ונעצר.
- למחלוקות יש ראיה. שאלה של רגולטור או של לקוח נענית עם השיחה והניתוח שלה, לא עם זיכרון.
- הניקוד הופך הוגן. נציג נמדד על כל החודש שלו, לא על ארבע השיחות הכי פחות ממוזלות שבודק במקרה דגם.
החלק הכן
בקרת איכות ב-AI מנקדת ומסמנת באופן אמין כבר היום - זו שכבת ה"האזנה", והיא חיה בייצור. מה שהיא לא עושה זה לאמן עבורכם את הנציג. הפיכת שיחות מנוקדות לתובנת ביצועי נציג מצרפית נמצאת שם חלקית; הכוונה בזמן אמת תוך כדי השיחה עדיין במפת הדרכים.
אז המסגרת הכנה היא: בקרת איכות ב-AI נותנת לכם שכבת מדידה שלמה ואמינה - כל שיחה, מנוקדת מול הכללים שלכם, עם פערי רגולציה מסומנים. אדם עדיין מחליט מה לעשות עם זה. הוא פשוט עושה את זה כשכל השיחות מולו במקום שתיים מתוך מאה.
השורה התחתונה
בקרת איכות מסורתית מודדת מדגם ומקווה שהוא מייצג את השלם. בקרת איכות ב-AI מנקדת 100% מהשיחות מול הקריטריונים שהצוות שלכם הגדיר, וניטור רגולציה מפסיק להיות בדיקה מדגמית והופך לרשומה קבועה שאפשר לבקר לפי דרישה. שיקול הדעת של הבודק עדיין חשוב - הוא פשוט סוף סוף מקבל לפעול על התמונה המלאה.
קבלו תובנות על בינת שיחות
כתיבה מעשית על ביצועי מוקד, בקרת איכות ואימון - ישר לתיבה שלכם.
