在當今競爭激烈的商業環境中，理解客戶的聲音是關鍵所在，培養以客戶為中心的管理風格，專注于理解和保持對客戶有吸引力的、積極的高質量體驗。

互聯網和內部網通信允許企業與他們服務的人進行持續的對話。這讓他們獲得了大量潛在的有價值的信息。自然語言理解和深度學習是挖掘這些信息和揭示如何更好地為他們的客戶服務的關鍵。

在這個博客中，我將討論深度學習的不同方式，讓你了解客戶的聲音，包括：定性數據的重要性（非結構化反饋）；分析在定性數據分析中對客戶的聲音（VoC）的作用；以及應用程序的深度學習的作用和承諾（包括人工智能助手）。

定性數據（非結構化反饋）對提高客戶的聲音的重要性

今天，調查仍然是收集客戶反饋的最常用的方式之一，僅僅是因為它在結構化信息方面很適合。封閉式問題、評級得分和NPS都是對客戶滿意度進行量化分析的方法。統計、平均數和趨勢可以很容易地從定量調查的答案中被計算，從而得出報告。

不幸的是，調查在客戶中越來越不受歡迎。調查的回應率正在下降，部分原因是客戶被要求回答冗長的、復雜的調查，而這些調查可能根本沒有關注對他們來說最重要的事情。

我們也看到了不請自來的反饋，比如社交媒體上分享的客戶反饋，以及評論平臺作為商業信息的來源變得更有價值，因為它提供了不帶偏見的、自由格式的文本，在這些文本中，用戶的意見可以被分享。

與結構化反饋不同，非結構化客戶反饋很難被編譯成數字。自由格式文本可以混亂和可以提供不符合語法的表達意見和情緒，這些很難被翻譯成數字或“一個模子”的形式，適合所有的規模，很難轉換為結構化表示，而結構化數據很容易聚集成數字和統計業務關鍵性能指標。

為什么自然語言理解是一項復雜的任務？

自然語言理解是人工智能中最具挑戰性的領域之一，因為它涉及到以文本格式或語言表達的語言信息來重新生成認知任務。

文本是一種具有挑戰性的交流媒介，因為信息可以用不同的詞語、不同的語法形式來傳達，單詞和句子的意思是會受語境影響的。

文本分析在客戶的聲音（VoC）定性數據分析中的作用

第一條原則：并非所有的文本分析都是平等的。

文本分析在將非結構化數據轉換為結構化數據方面起著中心作用。這是自上世紀90年代以來在商業應用中使用的一種技術。應對自然語言固有的復雜性可以以各種方式解決，如基于關鍵字的方法或機器學習（包括深度學習）方法。

關鍵字基本方法

最常用的方法是依賴關鍵詞查找來查找可能相關的語句。在句子中發現的積極的關鍵詞和消極的關鍵字被用來量化客戶反饋的滿意程度和不滿意程度。

本體和詞匯是這些方法的基石。他們定義了特定行業或企業的詞匯。然而，關鍵字提供了有限的洞察力，不能涵蓋諸如“如果房間更大，我將給酒店評為5星級”之類的復雜句子。匹配關鍵詞“5星”會產生錯誤的情緒評分，因為客戶實際上并沒有給出“5星”評級。

構建語言資源來支持這些方法往往是一項耗時的任務，并且定義一個完整的模型領域知識詞匯表是很難實現的。這些方法有三個問題：

他們不考慮句子的上下文，這影響了分析的準確性。

首字母縮略詞“LoL”、符號“:-)”和其他特殊符號定義了一套全新的詞匯表，這些詞匯隨時代變化而變化（千禧一代、年輕人、老年人）。使用詞匯表來處理這些變化是很困難的。

在表達問題時，很難預測客戶會使用什么類型的詞匯。

機器學習方法

為了應對這些挑戰，統計機器學習算法似乎給出了一些答案，因為它們在語言資源（詞匯表）方面往往更加健壯，要求也更低。這是在編碼語言資源時克服大量認知工作和潛在人為錯誤的一種方法。

統計模型是基于在文本中觀察到的模式綁定數據點（如單詞）的數學模型。這些模式可以是語法關系，也可以是其他類型的關系，如語義關系或討論關系。超過15年的統計模型，如馬爾可夫（Markov）模型和條件隨機字段等，被用來執行文本分析。這些算法往往能很好地捕捉“簡單”的模式。

文本分析的深入學習

對于統計模型而言，定義文本的預期意義的建模語言水平具有挑戰性。一些模型在簡單的語言關系建模中表現良好，但為了考慮所有影響文本意義的語言現象，需要考慮豐富的統計模型。深度學習算法是一種多層次的神經網絡，是一組能夠模擬不同模式的統計模型，以及它們之間可能存在的關系。此功能允許模型學習文本中觀察到的復雜模式。

由于多層次的表達能力，在語義層次和領域知識的處理上可以更好地進行深度學習。

用于客戶聲音（VoC）的深度學習的承諾

復雜的統計模型，例如深度學習，能夠捕捉語言的細微之處，并提供高準確度的細粒度洞察力。這意味著文本分析技術將能夠從一種淺薄的NLU（自然語言理解），集中于廣泛的分類，如快樂和不快樂的客戶，以更細粒度的和更深入的理解客戶動機，支持忠誠和流失。

捕捉語言的微妙之處，以及提供高精確度的細粒度洞察力，對于允許文本分析技術從報告能力轉向預測它們，并提出改進客戶體驗（CX）的建議至關重要。

在不久的將來，我們將會看到CX-AI助手的大量增加，這些助手使用的是說明性分析模型，不僅能夠理解客戶的反饋，還能通過基準測試和比較來生成建議和評估業務性能。