תמליל של שיחה הוא חומר גלם. הוא מאפשר לחפש ולקרוא, אבל הוא עדיין לא אומר למנהל מה לעשות. ניתוח תמלולי שיחות הוא השלב שבו הטקסט הופך לנתון: סיבת הפנייה, האם התהליך קרה, מה הלקוח הרגיש ומה הצעד הבא. המאמר מסביר את שלוש רמות הניתוח, מה אפשר לעשות ידנית, ומתי צריך מערכת שמנתחת כל שיחה אוטומטית.
התשובה הקצרה
ניתוח תמלולי שיחות עובד בשלוש רמות: חיפוש (איפה נאמר משהו), סיווג (מה קרה בכל שיחה, לפי קריטריונים קבועים) ומגמות (מה משתנה על פני אלפי שיחות). את הרמה הראשונה אפשר לעשות ידנית. השנייה והשלישית דורשות AI שמריץ את אותם קריטריונים על 100% מהשיחות ושומר את התוצאה כשדות שאפשר לספור.
רמה 1: חיפוש בתמלולים
הצעד הבסיסי ביותר: לחפש מילה או ביטוי על פני תמלולים. "ביטול", "מתחרה", "עורך דין", שם של מוצר. זה שימושי לבירור תלונה ספציפית או לבדיקה נקודתית, אבל יש לו שתי מגבלות:
- מילים הן לא כוונות. לקוח שאומר "אני חושב לעזוב" ולקוח שאומר "אני לא מתכוון לבטל" שניהם מכילים מילת מפתח, ומשמעותם הפוכה.
- אין סיכום. חיפוש מחזיר רשימת שיחות, לא תשובה לשאלה "כמה לקוחות איימו לעזוב החודש ולמה".
רמה 2: סיווג כל שיחה לפי קריטריונים
כאן הניתוח מתחיל לייצר ערך ניהולי. לכל סוג שיחה מגדירים שאלות קבועות, ו-AI עונה עליהן מתוך התמליל:
| שאלה | סוג תשובה | דוגמה |
|---|---|---|
| מה סיבת הפנייה? | קטגוריה | שינוי חבילה / תקלה / ביטול |
| האם הנציג הציג את תנאי העסקה? | כן / לא | אמירת חובה |
| אילו התנגדויות עלו? | רשימה | מחיר, תזמון, מתחרה |
| מה הסנטימנט בסוף השיחה? | סולם | חיובי / ניטרלי / שלילי |
| מה הצעד הבא שסוכם? | טקסט קצר | "שליחת הצעה עד יום חמישי" |
ההבדל המהותי מסיכום חופשי: התשובות נשמרות כשדות. אפשר לספור אותן, לסנן לפיהן ולהשוות בין נציגים. כך עובדים מסווגי שיחות - כל סוג שיחה מקבל את השדות וכללי הניקוד שלו.
איך מנסחים קריטריון טוב
- שאלה אחת, תשובה אחת. "האם הנציג הציע הנחה?" עדיף על "האם הנציג טיפל נכון במחיר?".
- מבוסס על מה שנאמר. AI מנתח טקסט, לא כוונות שלא נאמרו בקול.
- עם דוגמה. קריטריון שמלווה בדוגמה של שיחה שעומדת בו ושיחה שלא - מדויק יותר.
- מחובר לידע של החברה. שמות מוצרים, מסלולים ומונחים פנימיים צריכים להיות זמינים לניתוח, אחרת הם יפורשו לא נכון.
רמה 3: מגמות על פני אלפי שיחות
כשכל שיחה מסווגת, אפשר לשאול שאלות על המוקד כולו: אילו סיבות פנייה עלו השבוע, איזה נציג מדלג על אמירת החובה, באיזה מוצר הסנטימנט יורד, ומתי התחילו אזכורי המתחרה. זה המקום שבו ניתוח תמלולים הופך למדדי מוקד, לניקוד נציגים ולהתראות.
ניתוח ידני מול ניתוח AI
| ניתוח ידני | ניתוח AI | |
|---|---|---|
| כיסוי | מדגם קטן | 100% מהשיחות |
| עקביות | תלויה בבקר וביום | אותם קריטריונים בכל שיחה |
| זמן עד תובנה | ימים עד שבועות | דקות מסיום השיחה |
| מגמות | קשה לראות | דשבורד ודוחות |
| מה נשאר לאדם | הכול | שיפוט על חריגים ואימון |
ניתוח AI לא מחליף את שיקול הדעת של המנהל - הוא מחליף את ההאזנה. הבקר עדיין מחליט מה עושים, אבל מקשיב רק לשיחות שהמערכת סימנה.
למה הכול מתחיל בתמלול
כל רמת ניתוח יורשת את הטעויות של התמליל. אם המנוע שמע "פוליסה" כ"פוליטיקה", או לא הפריד בין הנציג ללקוח, השאלה "האם הנציג הציג את התנאים" תקבל תשובה שגויה. בעברית זה קריטי במיוחד - שפה עם קידומות, בלי ניקוד ועם הרבה מילים לועזיות בדיבור. לכן הצעד הראשון בכל פרויקט ניתוח הוא תמלול שיחות במנוע שבנוי לעברית מהיסוד, עם הפרדת דוברים. על הטכנולוגיה עצמה אפשר לקרוא באיך עובד מנוע תמלול AI.
איך מתחילים
- בחרו סוג שיחה אחד עם נפח גבוה.
- נסחו 5-7 שאלות קבועות לפי העקרונות למעלה.
- הריצו על שבוע של שיחות ובדקו ידנית מדגם של התשובות.
- חדדו את הקריטריונים, והרחיבו לסוג השיחה הבא.
ב-Nivision כל השלבים האלה קורים על אותה פלטפורמה: התמלול, הסיווג לפי הקריטריונים שלכם, צ'אט AI ששואל שאלות על כל השיחות, דשבורד והתראות. לסקירה רחבה של התחום, ראו מה זה בינת שיחות.
תקבלו תובנות על בינת שיחות
כתיבה מעשית על ביצועי מוקד, בקרת איכות ואימון - ישר לתיבה שלכם.
