Deze truc helpt u trends te ontdekken uit uw ondersteuningsgegevens

Inmiddels hebben de meeste bedrijven een soort selfservice-tool voor klanten opgezet. Of het nu een chatbot is, een help-site, of gewoon een zoekmachine, zien de meeste bedrijven de waarde in om consumenten door hun site te laten navigeren en zelf antwoorden en producten te laten vinden. 

Het is duidelijk dat deze tools kunnen voorzien in de behoefte aan onmiddellijke ondersteuning, de werklast van uw klantenservicemedewerkers kunnen verminderen, CSAT kunnen verbeteren en uw activiteiten kunnen vereenvoudigen.

Is er echter iets? meer zelfbedieningstools voor u kunnen betekenen?

Een nieuwe bron van klantgegevens

Digitale ondersteuningskanalen, zoals we zojuist noemden, hebben een aanzienlijk voordeel in vergelijking met telefonische of persoonlijke assistentie: ze laten een spoor achter.

Ze stellen ons in staat om alle activiteiten te loggen en een grote hoeveelheid data te genereren waaruit we conclusies kunnen trekken en patronen en trends kunnen identificeren.

Natuurlijk zou je dat ook kunnen doen met persoonlijke assistentie, maar dan heb je een medewerker nodig om de reden op te schrijven voor het contact opnemen met de ondersteuning, het gedrag van de klant, wat er gebeurde nadat het verzoek was gesloten, hoe blij de klant was met de ontvangen hulp... 

Dit handmatig doen zou zeer tijdrovend zijn. 

Maar met de meeste digitale tools kunt u dat natuurlijk, automatisch en vrijwel zonder inspanning van uw kant doen. 

Het simpelweg verzamelen van gegevens heeft echter geen enkel voordeel. De vraag blijft:

• Hoe lezen we die gegevens?
• Hoe begrijpen we het?
• Wat kan het ons vertellen en wat is het voordeel ervan? 
• Hoe kunnen we daaruit verandering voortbrengen?

Wat vertellen de ondersteuningsgegevens ons?

Dat is een lastige vraag. Het hangt echt en echt af van de ondersteuningstool die u gebruikt, de gegevens die het voor u verzamelt en uw eigen zakelijke uitdagingen. 

Selfservice-ondersteuningstools worden meestal geleverd met: statistieken en KPI-dashboards om te begrijpen wat er aan de hand is. Deze kunnen zijn:

• Aantal oproepen/chatbotsessies/zoekopdrachten
• % tevredenheid over de antwoorden die u geeft
• Aantal onbeantwoorde vragen
• En een lange etcetera.

Desalniettemin hebben de meeste tools de neiging om slechts een klein deel van de gegevens die ze verzamelen te tonen en te begrijpen, waardoor ze niet het volledige potentieel ervan benutten. 

De lange staart van uw ondersteuningsverzoeken

Laten we eens nemen AI chatbot als voorbeeld.

Kennen we de bedoeling achter de meeste verzoeken? 

Zijn er trends in deze vragen?

Waar zijn klanten het meest in geïnteresseerd?

De meeste chatbotplatforms bieden datadashboards met de top 10, 50 of 100 verzoeken van uw klanten, maar hoe zit het met de rest? 

De top 10 of 50 verzoeken die door een ondersteuningstool worden ontvangen, zijn meestal kort - meestal hebben ze: niet meer dan 2 woorden. Een voorbeeld zou kunnen zijn een 'annuleer account' verzoek. 

Deze veelvoorkomende verzoeken vormen echter slechts 20% van het totale aantal zoekopdrachten. De overige 80% komt minder vaak voor, en ook langer (4 woorden of meer). Deze langere verzoeken zijn wat bekend staat als 'long-tail vragen. 

Het identificeren van trends bij de top 20% is meestal gemakkelijker. Query's hebben een of twee woorden, dus het is gemakkelijk om te zien waar ze allemaal over gaan. Wat gebeurt er echter als gebruikers lange zoekopdrachten invoeren om hun intentie kenbaar te maken? 

Laten we het voorbeeld van ' opnieuw gebruikenannuleer account'. Wat als de gebruiker zegt 'Ik wil deze service niet langer gebruiken' in plaats van?

De bedoeling kan precies hetzelfde zijn, maar het verzoek bevat niet dezelfde woorden en het zal moeilijk zijn voor uw team om het op grote schaal als hetzelfde type verzoek te identificeren.

De meeste zelfbedieningstools en Conversationele AI-platforms heb geen semantische motor krachtig genoeg om natuurlijke taal en echte betekenis te begrijpen. Daarom kunnen ze deze verzoeken niet identificeren als met dezelfde bedoeling. 

Dit zorgt voor een aantal problemen:

• het eerste nummer is dat de meeste long-tail-verzoeken niet worden begrepen en daarom onbeantwoord blijven. Als een gebruiker typt 'Ik ben teleurgesteld omdat de monteur niet is gekomen en ik wil geen gebruik meer maken van jullie diensten', 
• het tweede nummer is dat, als het systeem de betekenis achter alle verzoeken niet begrijpt, het moeilijk vragen met dezelfde intentie kan groeperen en trends kan identificeren.

Bij Inbenta gebruiken we een uniek soort AI die vragen echt begrijpt door naar de betekenis ervan te kijken. Bovendien hebben we de perfecte omgeving voor u en uw team gecreëerd om klantverzoeken op grote schaal te begrijpen.

Automatisch ondersteuningstrends identificeren met semantische clustering

Zoals we hebben gezien, de meeste Conversationele AI en selfservice-ondersteuningssoftware toont u alleen de top 100 van verzoeken. 

Wat als we zouden zeggen dat er een manier is om langere verzoeken te analyseren, samen met de kortere, en ze te groeperen op betekenis?

Inbenta's semantische clustering groepeert semantisch equivalente zoekopdrachten - woorden, woordgroepen en zinnen - in clusters op basis van betekenis. 

Met een visualisatietool kunt u de verschillende onderwerpen/onderwerpen van de gegroepeerde zoekopdrachten bekijken.

Hieronder ziet u een voorbeeld van een kleine steekproef van gegevens bij Inbenta:

1. In dit eerste scherm zien we de belangrijkste onderwerpen van alle zoekopdrachten (lang of kort). Inbenta analyseert niet de top 10, 50 of 100, maar de top 20,000 zoekopdrachten.

2. We kunnen dieper en dieper graven als dat nodig is. Een van de hoofdonderwerpen is bijvoorbeeld 'chatbot'. Als we willen zien wat voor soort vragen onze gebruikers stellen met betrekking tot chatbots, kunnen we gewoon op de 'chatbot'-cirkel klikken en we zien meer informatie:

3. Als we dichter bij de cirkel in het midden kijken, kunnen we relevante statistieken zien, zoals het aantal keren dat het is gevraagd, hoe vaak de chatbot een antwoord op de vraag heeft gevonden, enz.

Hoe komt dat ten goede aan mijn ondersteuningsstrategie?

Het analyseren van klantinteracties kan uw bedrijf veel voordelen opleveren. De belangrijkste die we echter willen benadrukken, zijn de volgende:

• Identificeer trends. Door de inhoud eenvoudig te analyseren met semantische clusters, kunt u trends en verzoeken van uw klanten identificeren, ongeacht hoe ze zich uiten. 
• Identificeer hiaten in de inhoud en onbeantwoorde onderwerpen. U kunt de clusters filteren om alleen onderwerpen zonder antwoord weer te geven, of u kunt eenvoudig het antwoordpercentage voor een cluster analyseren om te bepalen waar u geen antwoorden geeft en op welke inhoud u zich vervolgens moet concentreren om selfservice te maximaliseren.
• Begrijp wat het belangrijkst is voor klanten op schaal. Als u ziet hoe vaak gebruikers naar een specifiek onderwerp hebben gezocht, krijgt u een beter beeld van actuele onderwerpen voor uw klanten.

Ga aan de slag met conversatie- en chatbotanalyse

Probeer het platform van Inbenta 14 dagen gratis en krijg toegang tot onze chatbotmodule, waar u door de semantische clustering kunt navigeren.

Bekijk onze vergelijkbare artikelen