Manuální kontrola kvality a compliance hovorů není škálovatelná a tým kontroly kvality byl schopen zkontrolovat pouze 2 % hovorů. Tento omezený rozsah ztěžoval identifikaci problémů a poskytování praktické zpětné vazby. Používání taglish (kombinace tagalogu a angličtiny) navíc přidávalo složitost, snižovalo přesnost přepisu a komplikovalo hodnocení kvality.
Automatizace sledování kvality hovorů v call centru
Jméno klientaHome Credit
Země klientaFilipíny
- Typ klientaVelký podnik
- OdvětvíFinanční služby, trhy a pojišťovnictví
- Oblast nasazeníAutomatizace provozu a procesů, Data a analytika / Business Intelligence, Zákaznická podpora a zkušenost
- AI technologieGenerativní AI, Rozpoznávání a syntéza řeči, Strojové učení, Velké jazykové modely (LLMs), Zpracování přirozeného jazyka (NLP)
- Přínos pro byznysEfektivita provozu a úspory nákladů, Řízení rizik a compliance
- Typ datAudio Data, Dokumenty / semistrukturovaná data, Textová data
- Model dodáníZakázkový vývoj
- NasazeníCloudové řešení
- Klíčové schopnostiDoporučování a personalizace, Podpora rozhodování a rozšířená analytika
- Fáze projektuŠkálování / rozšířená implementace
- Formy řešeníAnalýza, doporučení nebo report, Automatizovaný backend proces
Popis řešení
Obchodní problém
Řešení
Vyvinuli jsme řešení založené na AI, které automaticky vyhodnocuje všechny relevantní hovory a zajišťuje plnou shodu s více kritérii kvality. Nahrávky hovorů jsou předzpracovány a přepsány pomocí špičkových open-source modelů pro transkripci, technologií potlačení šumu a detekce hlasové aktivity, aby se odstranily chyby přepisu a halucinace. Následně je použita GenAI k opravě zbývajících nepřesností. Všechny parametry kvality jsou pak vyhodnoceny pomocí LLM, které poskytuje nejen skóre výkonu, ale také vysvětlení a návrhy pro zlepšení výkonu operátorů. Nakonec přehledný dashboard nabízí praktické poznatky o výkonu agentů, včetně dodržování skriptů hovorů, komunikačních dovedností a regulatorní shody.
Hlavní uživatelé řešení
Manažeři call center, supervizoři a operátoři.
Časový rámec projektu (měsíce)
18
Použité technologie
Databricks, Microsoft Azure, Python
Dodatečné služby
- AI strategie a roadmapa
- Identifikace a prioritizace vhodných use-casů
- Sběr a předběžné zpracování dat
- Anotace / syntetická data / rozšíření datové sady
- Správa a kvalita dat
- Výběr a přizpůsobení modelu AI
- Řízení změn a školení uživatelů
- Podpora dodržování předpisů / regulační podpora
- Poskytování infrastruktury MLOps
- Průběžná údržba a přeškolování modelů
Použití osobních údajů / regulovaných dat
Ano
Implementace
Vlastník projektu na straně klienta
Vrcholové vedení (C-level)
Participace na straně klienta
- Business / Product Owner
- Doménoví / procesní odborníci
- Data & ML specialisté
- Softwarové & datové inženýrství / IT Ops
- Řízení projektů a změn
- Kvalita, bezpečnost, compliance
- Koncoví uživatelé
Forma zapojení dodavatele
Společná realizace se zákazníkem.
Provoz a údržba
Provozní model
Interní tým s podporou L3 od dodavatele
Potřebné kompetence na straně klienta
ML inženýr, DevOps inženýr
Další zdroje nebo infrastruktura
Řešení je flexibilní, lze jej nasadit v cloudu i v lokálním prostředí s GPU.
Dopad a výsledky
Kvalitativní přínosy
Kompletní vyhodnocení – 100 % relevantních hovorů je monitorováno. Rozšířená zpětná vazba – operátoři dostávají komplexní a praktickou zpětnou vazbu podporující jejich další rozvoj. Komplexní analýza – dashboard v Power BI poskytuje detailní vhled do výkonu.
Kvantitativní výsledky
Počet monitorovaných hovorů se zvýšil z 2 % na 100 % a je nyní plně automatizován.
Zpětná vazba klienta
„Díky našemu automatizovanému QA řešení může náš tým nyní vyhodnocovat výrazně vyšší objem relevantních hovorů, což nám umožňuje poskytovat podrobnější a praktičtější zpětnou vazbu agentům. Toto zlepšení nám umožnilo získat cenné poznatky z větší části konverzací s klienty a zajistit, že klíčové parametry kvality jsou důsledně plněny.“ Wojciech Antoni Krotoszynski Head of Collections.
Poučení a doporučení
Klíčové faktory úspěchu
Úzká spolupráce s interními týmy klienta, agilní iterativní přístup
Největší výzvy
Taglish – ladění specializovaného modelu. Kvalita dat – odstranění šumu a zvýšení kvality zvukových záznamů. Proces nevhodný pro automatizaci – změna procesu a zlepšení kvality dokumentace.
Doporučení pro ostatní
Kvalitní speech-to-text je klíčový a stojí za investici, protože následně umožňuje četné další use-casy.
Propagace
- SpolečnostDataSentics
- KontaktLukáš Soukup
- Emaillukas.soukup@datasentics.com
- Webhttps://www.datasentics.com
- AdresaWashingtonova 1599/17, 110 00 Praha