Si alguna vez se ha sentido atraído por las palabras "inteligencia artificial" en un discurso de ventas o se ha preguntado si el aprendizaje automático podría mejorar su negocio, es posible que también se haya cuestionado si su caso de uso se ajusta a lo que puede hacer un modelo de aprendizaje automático.
Una buena forma de abordar la respuesta a esta pregunta es considerar los datos que necesitas proporcionar a este sistema artificialmente inteligente para que produzca el resultado prometido en la experiencia del cliente. Parece un intercambio razonable, pero ¿estás seguro de que sabes lo que significan los datos en este contexto?
¿Qué son los datos?
Supongamos que usted está interesado en un modelo de aprendizaje automático que pueda predecir el motivo de contacto para los correos electrónicos de soporte entrantes (sorpresa: ¡esto es Kustomer IQ!). El modelo necesita ver ejemplos de conversaciones de asistencia anteriores y cómo se etiquetaron para aprender qué hacer cuando aparezcan nuevos correos electrónicos sin etiquetar en el futuro. Estos ejemplos son sus datos: una colección de entradas y salidas emparejadas de las que un modelo de aprendizaje automático extraerá patrones para hacer predicciones.
En este caso, es usted quien determina las entradas ("Correo electrónico de asistencia entrante") y las salidas ("Motivo de contacto") y qué combinaciones de entrada y salida representan mejor las predicciones que quiere que haga el modelo. Y en términos generales, cuantos más datos se exponen a la máquina, más inteligente se vuelve.
¿Tiene sentido? Se trata de datos. Sin datos, los modelos de aprendizaje automático no pueden funcionar. Y un modelo de aprendizaje automático sólo aprenderá de lo que está en los datos de entrenamiento: lo que no aparece explícitamente en el conjunto de datos seguirá siendo desconocido para el sistema.
Calidad de datos en el servicio de atención al cliente
Como dijimos antes, los modelos extraen patrones para aplicar salidas. Observará que en el diagrama anterior no le hemos dicho al modelo cómo hemos podido determinar el motivo del contacto. Sólo pretendemos mostrar ejemplos de entrada-salida y confiamos en que al final encuentre la forma de deducir "Motivo del contacto" a partir de un "Correo electrónico de soporte entrante". Aquí es donde la calidad de los datos se vuelve importante: si le damos al modelo datos de mala calidad, el modelo hará malos patrones y, en última instancia, predicciones incorrectas.
Los datos de mala calidad son ruidosos, contradictorios o tal vez constan de muy pocos ejemplos. En el diagrama anterior, el último correo electrónico de soporte entrante se ha clasificado como "Intercambio". Ya hemos mencionado que depende de usted determinar la salida en el conjunto de datos de entrenamiento, por lo que usted o uno de sus agentes decidió que el motivo del contacto era un intercambio. ¿Qué ocurre si otro agente decide que el motivo del contacto es una "Devolución"? Técnicamente, para que se produzca un intercambio es necesario que se produzca una devolución, por lo que el agente consideró que la categorización de devolución tenía sentido.
Ahora bien, ¿qué pasaría si sus agentes cometieran este error el 50% o el 25% de las veces? Esto significa que sus datos de entrenamiento resultantes no reflejan la verdad de lo que usted quiere que el modelo prediga: a veces la conversación se etiqueta como "Intercambio" y a veces el mismo tipo de conversación se etiqueta como "Devolución", pero siempre debería ser Intercambio. En este caso, el modelo extraerá un patrón que podría no llevarle a inferir de forma consistente el motivo de contacto preferido para futuros correos electrónicos de soporte entrantes.
Este es un ejemplo de una de las principales causas de la mala calidad de los datos: límites poco claros y conflictivos entre categorías o temas.
Estas son las características que deben tener sus datos para ser considerados de "alta calidad" por Kustomer los estándares de IQ:
- Heterogeneidad (esto se demuestra en el escenario anterior): Límites temáticos claros y distintos entre diferentes etiquetas y atributos
- Estabilidad: No hay grandes cambios de recategorización 60-90 días antes del entrenamiento del modelo
- Volumen: Entre 5.000 y 7.000 conversaciones de correo electrónico del mes anterior, o unas 500 conversaciones por tema
Recomendaciones para crear datos de alta calidad para Kustomer IQ
Kustomer IQ se basa en modelos de aprendizaje automático para predecir los motivos de contacto de los clientes y sugiere atajos de conversación a los agentes. Es importante que dispongas de datos de alta calidad para que estos modelos funcionen como se espera.
Hay una serie de medidas que puede tomar para garantizar la máxima calidad de sus datos y aprovechar la automatización desde el principio. Estas son nuestras recomendaciones:
- Diseñe las etiquetas y los campos personalizados que mejor se adapten a sus necesidades. Aunque es imposible cubrir todos los casos, intente centrarse en los más importantes en términos de volumen esperado. Por ejemplo, el estado de los pedidos, las devoluciones y los reembolsos, o los códigos promocionales.
- Crear nuevas etiquetas para cubrir la información no etiquetada en lugar de redefinir y reasignar todo desde cero.
- Añada granularidad de forma gradual. Cuando sea posible, comience con una categoría amplia, como mascotas, antes de intentar dividirla en varias categorías más específicas, como gatos, perros o aves.
- Intente utilizar etiquetas y categorías claramente definidas para organizar su información. Una buena regla general es probarlas con personas. Si tu equipo entiende correctamente sus límites y sabe cuándo aplicarlas, un algoritmo de aprendizaje automático será capaz de averiguar sus significados.
- Intente que su equipo trabaje con la mayor coherencia posible. De nuevo, esto es más fácil de conseguir cuando los límites de las etiquetas son claros.
- Intenta mantener los datos estables durante un tiempo para poder aumentar el número de ejemplos que utilizan tus etiquetas y campos personalizados. Aunque puedes iterar y redefinir tus etiquetas y campos personalizados en cualquier momento, cambiar regularmente esta información afectará a la cantidad de puntos de datos que obtengas. Además, ten en cuenta que cualquier redefinición de etiquetas y categorías requerirá que se vuelva a entrenar el modelo.
Mejore su CX general con Kustomer
El análisis de datos es sólo una de las muchas herramientas para ofrecer un excelente servicio de atención al cliente. Si necesita más ayuda sobre cómo crear la mejor experiencia de cliente para sus clientes con una solución de software de atención al cliente que incluya chat en directo, reserve una demostración hoy mismo.
