MyQM – ENKELE PRAKTISCHE SITUATIES
Hieronder vindt u tien concrete voorbeelden van het gebruik van onze oplossing in verschillende contexten.
Case 1
VIND SLEUTELWOORDEN MET DE GRAFIEK “MEEST GEBRUIKTE WOORDEN” EN HET VERSCHILFILTER
Bank
Een IQM-analist die voor de werking van een bank werkte, analyseerde de grafiek van “meest gebruikte woorden” en realiseerde zich dat het woord “probleem” vaak werd gebruikt door klanten van de bank. Dit trok uiteraard de aandacht van de operaties en het verzoek om dit specifieke woord “probleem” in meer detail te analyseren. In een gedetailleerde analyse met behulp van het tabblad “Filter – 1 verschil”, ontdekte en realiseerde de IQM-analist dat het woord “probleem” onlangs vaak werd gebruikt in combinatie met het woord “ATM”. Na een interne audit bevestigde de Bank inderdaad een ATM-probleem. Na nader onderzoek was er sprake van een softwareprobleem dat klanten ertoe aanzette het callcenter te bellen vanwege het probleem met geldautomaten. De bank heeft direct actie ondernomen om het probleem op te lossen.
Een IQM-gebruiker voor spraakanalyse wilde oproepen vinden en analyseren waarbij de klant om annuleringsproblemen vroeg. Dus paste ze de data aan voor de juiste periode. Vervolgens schreef ze het woord “annuleren *” (“*” is het jokerteken om een reeks tekens te vervangen) in de snelzoekbalk en koos het klantkanaal om woorden of delen van zinnen te detecteren, zoals geannuleerd, annuleringsverzoek enz … wat de klanten hadden kunnen zeggen. Nadat de oproepen waren geselecteerd, creëerde ze een MyQM-campagne en injecteerde ze de geselecteerde oproepen om de reden voor deze annuleringsproblemen te onderzoeken.
Case 2
WOORDDETECTIE MET GENERIEKE KARAKTERS EN HET KLANTENKANAAL – MYQM-CAMPAGNE.
Touroperator
Case 3
GEBRUIK VAN VRAGEN EN VERSCHILLENDE MENINGEN – CAMPAGNE VAN NIEUWE KLANTENPRODUCTEN
Touroperator
Een IQM-analist voor stemanalyse wilde de verboden woorden van agenten die tijdens gesprekken de afgelopen weken waren uitgesproken, controleren. Om toegang te krijgen tot deze informatie, opende hij het menu “Oproepen zoeken” en koos hij de vraag “verboden woorden” die hij vorige maand had gemaakt. Vervolgens overwoog hij de “dagelijkse weergave” in plaats van de “algemene weergave” en inspecteerde hij de oproepen op de dagelijkse lijst. Wat hem opviel was het feit dat de eerste twee dagen van de afgelopen week de dagen waren met het hoogste aantal oproepen met verboden woorden. De analist concentreerde zich vervolgens op deze 2 specifieke dagen met behulp van de selectie van de periode en gebruikte deze keer de “agentweergave”. Hij kon dan bepalen wie de meest verboden woorden gebruikte.
Dankzij IQM merkte hij op dat een groep agenten bovenaan de lijst van “verboden woorden” gebruikers stond. Bij verdere analyse ontdekte hij dat deze agenten te maken hadden met een nieuwe productcampagne. Wanneer klanten via deze specifieke agenten informatie belden en verkregen, werden woorden als “Ik weet het niet”, “Laat het me weten” enz. Heel vaak gebruikt. Om deze ontdekking op te volgen, was er een onmiddellijk trainingsprogramma gepland om dit probleem snel te verhelpen.
Site in geval 3 hierboven beschreven, heeft de klant een MyQM-auditcampagne gemaakt met de oproepen geselecteerd uit de lijst met “verboden woorden”. Na het auditproces realiseerden de coaches zich dat klanten moeilijk te managen waren en dat de agent bij dit soort telefoontjes onder hoge druk stond. Agenten werd vervolgens om feedback gevraagd met behulp van de feedbackfuncties van MyQM.
Case 4
GEBRUIK VAN VRAGEN EN EEN QM-CAMPAGNE (FEEDBACK) CAMPAGNE VAN NIEUWE KLANTENPRODUCTEN
Touroperator
Case 5
GEBRUIK VAN FILTER-1, FILTER-2 EN VERSCHIL VAN FILTERS, TRENDS-ANALYSE
Kredietmaatschappij
Een IQM-analist wilde de fundamentele redenen voor het annuleren van een creditcard voor een kredietmaatschappij analyseren. Ze gebruikte een vraag met de woorden “annuleer mijn kaart” en volgde de veranderingen in de trendanalysemodule. Hierna realiseerde ze zich dat de trend van productannulering sinds vorige week dramatisch was gestegen in vergelijking met het maandgemiddelde. Dus probeerde ze de belangrijkste oorzaak te begrijpen met behulp van de IQM-statistiekenvergelijkingsmodule.
Daarom kiest ze vorige week als datumbereik en het verzoek “kaart annuleren” als het hoofdverzoek in filter-1 en hetzelfde verzoek, maar met 2 voorgaande weken als het datumbereik voor filter-2. Vervolgens vergeleek ze de statistieken met ‘alleen klant’ als spraakkanaal om zich alleen op de klant te concentreren. Ze behaalde de volgende vondsten:
- Het woord “reclame” is aanzienlijk toegenomen in de kolom “Filter 1 verschil” in vergelijking met de annuleringsoproepen van vorige week.
- Toen ze op het woord ‘reclame’ klikte, ontdekte ze dat uitdrukkingen als ‘winkelen’, ‘gekocht’, ‘geen bonus’ en ‘niet laden’ het vaakst en vaak werden gebruikt met het woord ‘reclame’.
Door op een van deze gemarkeerde woorden op het tekstanalysescherm te klikken, selecteerde de IQM-analist en luisterde naar een paar telefoontjes. Wat ze ontdekte, was dat klanten het contactcentrum belden vanwege een creditcardadvertentie die een extra bonus beloofde voor aankopen in bepaalde winkelcentra. De beloofde bonussen werden echter niet toegekend na het winkelen. Als gevolg van frustratie bij klanten zijn de annuleringsoproepen dramatisch toegenomen. Op basis van deze IQM-studie heeft de kredietmaatschappij onmiddellijk actie ondernomen om het probleem op te lossen.
In een contactcenter waar bepaalde levensverzekeringsproducten worden verkocht door de telemarketingdienst, worden agenten beoordeeld op basis van hun verkoopprestaties. Om de verkoopprestaties van alle agenten te verbeteren, besloten de supervisors spraakanalyse te gebruiken om het verschil te zien tussen de best presterende agenten en de rest van het callcenter.
Met behulp van de IQM-module voor statistische vergelijking wordt de vergelijking van akoestische gegevens en woordvergelijking uitgevoerd voor beide sets agents gedurende dezelfde periode. Wat werd ontdekt in het “agents only” -kanaal was erg interessant:
- Succesvolle agenten gebruikten meer kwantitatieve verklaringen in vergelijking met de rest van het callcenter, zoals aangegeven in het filter-1 verschilrapport.
- Het zwijgingspercentage van de performance-agenten was hoger dan die van de anderen.
- Het onderbrekingspercentage van de prestatieagenten was lager dan de rest.
- De eentonigheid en snelheid van de uitvoerende agenten was lager dan de andere.
Op basis van deze informatie creëerden de supervisors een MyQM-campagne en begonnen ze een aantal van de oproepen opnieuw te beluisteren en te controleren en ontdekten ze het volgende:
- Succesvolle agenten gebruiken vaker exacte cijfers om de verdiensten / besparingen van klanten aan te geven op basis van klantspecifieke profielen.
- Door langzaam maar effectiever te spreken, pauzeerden succesvolle agenten kort nadat ze hun aanbiedingen of omzetkansen aan klanten hadden gepresenteerd en hen de tijd hadden gegeven om na te denken. Als gevolg hiervan namen klanten het aanbod zichtbaar meer aan.
- Met deze methode verkochten succesvolle agenten 40% meer dan andere collega’s.
Met behulp van deze waardevolle informatie vroegen de supervisors de trainingsafdeling om trainingen voor alle agenten te organiseren om deze methodologie te gebruiken bij verkoopactiviteiten.
Case 6
VERGELIJKING VAN AGENTEN DIE STEMANALYSE GEBRUIKEN
Levensverzekeringsmaatschappij
Case 7
VIND OPROEPEN MET SPANNING EN Woede
Telecomoperator
Een IQM-analist voor stemanalyse besloot om gesprekken te selecteren waar beide partijen ruzie maakten en waar de spanning zichtbaar hoog was. Eerst heeft hij een verzoek ingediend met daarin de woorden die vaak worden gebruikt bij dit soort telefoontjes. Dus creëerde hij een nieuw IQM-verzoek en voegde specifieke woorden toe zoals “zwijg”, “praat niet zo” enz. … voor de twee agent- en klantspraakkanalen. Daarna kreeg hij telefoontjes die waarschijnlijk conflictoproepen waren.
Een telecomoperator bracht een nieuw product uit met gratis spreektijd maar zonder gratis sms. Om de kennis op het niveau van zijn agenten te meten met betrekking tot dit nieuwe aanbod, hebben de supervisors van het callcenter een IQM-query gemaakt die inspecteerde of de agenten klanten de juiste informatie gaven of niet. Er is een verzoek aangemaakt met de volgende woorden: “Gratis spreektijd” EN (“Gratis sms” OF “Gratis berichten” OF “Onbeperkt sms”)
Dit bood de mogelijkheid om agenten te vinden die foutieve informatie over dit product gaven. De parameter voor de frequentie van het gebruik van woorden is toegevoegd om het aantal keren dat woorden voorkomen met de min – max – waarden te regelen. Alleen het agentkanaal is geselecteerd.
Met de succesvolle telefoontjes creëerden ze een MyQM-campagne en realiseerden ze zich dat sommige agenten inderdaad de verkeerde informatie gaven. Van deze agenten werd een trainingsactie gevraagd met behulp van de actiefunctie van de MyQM-oplossing.
Case 8
DE KENNIS VAN DE AGENT CONTROLEREN – GEAVANCEERD WOORDVERZOEK
Telecomoperator
Case 9
Query met woordfrequentie
Financiëel bedrijf
De IQM-analist deed een verzoek waarbij de houding van de agent ten opzichte van de cliënt werd gevolgd door te proberen het buitensporige gebruik van woorden als “meneer”, “nee” en “mevrouw” op te sporen. Het aantal toepassingen is gedefinieerd met minimaal 2 en maximaal 3 keer. Met behulp van deze parameters kon hij agenten lokaliseren die deze woorden meer dan eens gebruikten en een voorbeeld van de volgende resultaten werd gevonden:
- Ja meneer … Het is waar dat uw account is geblokkeerd meneer … nee, ik heb geen informatie … nee meneer, u kunt contact opnemen met …
- Nee mevrouw, u moet naar de bank gaan en … Nee, maar de bank is open tot …. Bedankt mevrouw …
- Heb je het geprobeerd meneer…. nee, nee meneer, u moet verbinding maken met de webpagina die wordt geopend … als u wacht op het signaal meneer … nee, de groene …
- Hallo mevrouw hoe kan ik u helpen … nee mevrouw, wacht even … nee, maar het is nog steeds mogelijk om geld te sturen mevrouw omdat … nee mevrouw, helaas is dit niet het geval …
De IQM-analist gebruikte ook “woordherkenningsvertrouwen”, een waarde tussen 0 en 100 in de secties betrouwbaarheid van de agent / klant. Hij gebruikte de waarden 80 en 100, wat betekent dat de zoekopdracht wordt uitgevoerd tussen de woorden met een herkenningswaarde van ten minste 80%. Hij bepaalde ook in welk deel van het gesprek de zoekwoorden zich bevonden door een percentage tussen 0 – 100 te selecteren in het gedeelte “Bereik”. Bijvoorbeeld, een procentuele waarde tussen 80 en 100 gezocht binnen 20% van het einde van gesprekken en een procentuele waarde tussen 0 en 10 binnen 10% gezocht vanaf het begin van de gesprekken.
Een IQM-analist wilde de agenten vinden die ruzie met een klant hadden gehad en heeft hiervoor een passend verzoek ingediend. Ten eerste nam hij telefoontjes aan waarvan hij wist dat het ‘echte’ argumenten waren. Met behulp van de statistische vergelijkingsmodule bepaalde hij het karakteristieke akoestische profiel van deze oproepen.
Wat hij zich realiseerde was dat agenten klanten minstens 5 keer onderbraken in ruzieoproepen, dat de duur van de overlappingen van de client en de agent gemiddeld 15 seconden was en dat de woede-verhouding van de agent was meer dan 40%.
Ten tweede onderzocht hij welke woorden vaak werden gebruikt in ruzieoproepen. De resultaten toonden aan dat “luisteren”, “absurd”, “anders”, “als je het zegt” vaak werden gebruikt bij dit soort oproepen.
Ten slotte voerde hij de vragen uit en onderzocht hij de resultaten met behulp van een auditcampagne van MyQM. De eerste resultaten gaven 20 echte ruzieoproepen van de 25 oproepen die het verzoek had geïdentificeerd.
Case 10
ZOEK AGENTEN MET DE STATISTISCHE VERGELIJKINGSMODULEe
Financiëel bedrijf
Case 11
SAMENVATTING VAN VERZOEKEN – SCHADE AAN BEROEP
Internetprovider
Een internetprovider had klanten die het contactcenter belden om fouten op hun internetservices te melden. Om de redenen / kosten van deze gesprekken te analyseren en de noodzakelijke maatregelen te vinden, heeft het management van de contactcenters de IQM-analist gevraagd spraakanalyse te gebruiken.
Ten eerste voegde de IQM-analist de bestaande vraag “Internetverbindingsprobleem” samen met de vragen “opgelost probleem” en “gerapporteerd probleem” en creëerde zo twee samengevoegde vragen. In de twee samengevoegde verzoeken werden daarom de klanten vermeld met het internetprobleem opgelost en anderzijds de klanten wiens probleem niet was opgelost tijdens het gesprek met de agent.
Vervolgens gebruikte hij de IQM-module voor statistische vergelijking om de sleutelwoorden voor deze twee zoekopdrachten te bepalen. Hij ontdekte dat oproepen van klanten van wie het probleem telefonisch was opgelost langer duurden dan oproepen van klanten van wie het probleem telefonisch was opgelost. Ook ontdekte hij dat klanten agenten meer dankbaar waren toen hun probleem onmiddellijk werd opgelost. Hij merkte ook op dat het herstarten van de modem klanten vaak hielp hun probleem op te lossen. Aan de andere kant liet hij ook zien dat deze onopgeloste problemen vaak voorkomen door regionale infrastructuurdiensten. Al deze aftrekkingen werden gedaan door de woordverschillen die door het systeem werden opgemerkt.
Met behulp van deze gegevens zag het management van de internetprovider de mogelijkheid om de bedrijfskosten te verlagen door het opzetten van een IVR ‘selfservice’-service voor klanten. Toen dit eenmaal was gebeurd, merkten ze dat ze via IQM gebruikten dat telefoontjes van klanten (waarvan het probleem gemakkelijk kon worden opgelost) volledig werden afgehandeld door de IVR-service en daarom de agent niet meer bereikten. meer. De operationele kosten zijn daardoor aanzienlijk verlaagd.
Het management meldde ook regionale vraagstukken aan de infrastructuurafdeling om de nodige aandacht te geven.
Een contactcentermanager wilde zijn klanten proactief benaderen door herhaalde telefoontjes van klanten te analyseren. Allereerst merkte hij met behulp van de “Non-FCR” -grafiek (instellingen met minimaal 3 oproepen binnen 48 uur) dat een aantal oproepen en daardoor een enorme kostprijs door de “niet-FCR”. Hij had een meer gedetailleerde analyse nodig. Nadat hij de redenen voor de ‘niet-FCR’-oproepen had onderzocht, ontdekte hij dat de meeste van deze herhaalde oproepen verband hielden met klanten die onlangs hun mobiele telefoon hadden gewijzigd in hun abonnement en ze belden om erachter te komen of de wijziging was goedgekeurd. Op basis van deze informatie heeft het management van het contactcenter besloten om dit soort klanten regelmatig een sms te sturen. Door deze maatregel slaagden ze erin hun ‘niet-FCR’-oproepen met meer dan 55% te verminderen.
Case 12
NON FCR: HERHAALDE OPROEPEN
Internetprovider
Case 1
VIND SLEUTELWOORDEN MET DE GRAFIEK "MEEST GEBRUIKTE WOORDEN" EN HET VERSCHILFILTER
Een IQM-analist die voor de werking van een bank werkte, analyseerde de grafiek van “meest gebruikte woorden” en realiseerde zich dat het woord “probleem” vaak werd gebruikt door klanten van de bank. Dit trok uiteraard de aandacht van de operaties en het verzoek om dit specifieke woord “probleem” in meer detail te analyseren. In een gedetailleerde analyse met behulp van het tabblad “Filter – 1 verschil”, ontdekte en realiseerde de IQM-analist dat het woord “probleem” onlangs vaak werd gebruikt in combinatie met het woord “ATM”. Na een interne audit bevestigde de Bank inderdaad een ATM-probleem. Na nader onderzoek was er sprake van een softwareprobleem dat klanten ertoe aanzette het callcenter te bellen vanwege het probleem met geldautomaten. De bank heeft direct actie ondernomen om het probleem op te lossen.
Bank
Case 2
WOORDDETECTIE MET GENERIEKE KARAKTERS EN HET KLANTENKANAAL - MYQM-CAMPAGNE.
Een IQM-gebruiker voor spraakanalyse wilde oproepen vinden en analyseren waarbij de klant om annuleringsproblemen vroeg. Dus paste ze de data aan voor de juiste periode. Vervolgens schreef ze het woord “annuleren *” (“*” is het jokerteken om een reeks tekens te vervangen) in de snelzoekbalk en koos het klantkanaal om woorden of delen van zinnen te detecteren, zoals geannuleerd, annuleringsverzoek enz … wat de klanten hadden kunnen zeggen. Nadat de oproepen waren geselecteerd, creëerde ze een MyQM-campagne en injecteerde ze de geselecteerde oproepen om de reden voor deze annuleringsproblemen te onderzoeken.
Touroperator
Case 3
GEBRUIK VAN VRAGEN EN VERSCHILLENDE MENINGEN - CAMPAGNE VAN NIEUWE KLANTENPRODUCTEN
Een IQM-analist voor stemanalyse wilde de verboden woorden van agenten die tijdens gesprekken de afgelopen weken waren uitgesproken, controleren. Om toegang te krijgen tot deze informatie, opende hij het menu “Oproepen zoeken” en koos hij de vraag “verboden woorden” die hij vorige maand had gemaakt. Vervolgens overwoog hij de “dagelijkse weergave” in plaats van de “algemene weergave” en inspecteerde hij de oproepen op de dagelijkse lijst. Wat hem opviel was het feit dat de eerste twee dagen van de afgelopen week de dagen waren met het hoogste aantal oproepen met verboden woorden. De analist concentreerde zich vervolgens op deze 2 specifieke dagen met behulp van de selectie van de periode en gebruikte deze keer de “agentweergave”. Hij kon dan bepalen wie de meest verboden woorden gebruikte.
Dankzij IQM merkte hij op dat een groep agenten bovenaan de lijst van “verboden woorden” gebruikers stond. Bij verdere analyse ontdekte hij dat deze agenten te maken hadden met een nieuwe productcampagne. Wanneer klanten via deze specifieke agenten informatie belden en verkregen, werden woorden als “Ik weet het niet”, “Laat het me weten” enz. Heel vaak gebruikt. Om deze ontdekking op te volgen, was er een onmiddellijk trainingsprogramma gepland om dit probleem snel te verhelpen.
Touroperator
Case 4
GEBRUIK VAN VRAGEN EN EEN QM-CAMPAGNE (FEEDBACK) CAMPAGNE VAN NIEUWE KLANTENPRODUCTEN
Site in geval 3 hierboven beschreven, heeft de klant een MyQM-auditcampagne gemaakt met de oproepen geselecteerd uit de lijst met “verboden woorden”. Na het auditproces realiseerden de coaches zich dat klanten moeilijk te managen waren en dat de agent bij dit soort telefoontjes onder hoge druk stond. Agenten werd vervolgens om feedback gevraagd met behulp van de feedbackfuncties van MyQM.
Touroperator
Case 5
GEBRUIK VAN FILTER-1, FILTER-2 EN VERSCHIL VAN FILTERS, TRENDS-ANALYSE
Een IQM-analist wilde de fundamentele redenen voor het annuleren van een creditcard voor een kredietmaatschappij analyseren. Ze gebruikte een vraag met de woorden “annuleer mijn kaart” en volgde de veranderingen in de trendanalysemodule. Hierna realiseerde ze zich dat de trend van productannulering sinds vorige week dramatisch was gestegen in vergelijking met het maandgemiddelde. Dus probeerde ze de belangrijkste oorzaak te begrijpen met behulp van de IQM-statistiekenvergelijkingsmodule.
Daarom kiest ze vorige week als datumbereik en het verzoek “kaart annuleren” als het hoofdverzoek in filter-1 en hetzelfde verzoek, maar met 2 voorgaande weken als het datumbereik voor filter-2. Vervolgens vergeleek ze de statistieken met ‘alleen klant’ als spraakkanaal om zich alleen op de klant te concentreren. Ze behaalde de volgende vondsten:
- Het woord “reclame” is aanzienlijk toegenomen in de kolom “Filter 1 verschil” in vergelijking met de annuleringsoproepen van vorige week.
- Toen ze op het woord ‘reclame’ klikte, ontdekte ze dat uitdrukkingen als ‘winkelen’, ‘gekocht’, ‘geen bonus’ en ‘niet laden’ het vaakst en vaak werden gebruikt met het woord ‘reclame’.
Door op een van deze gemarkeerde woorden op het tekstanalysescherm te klikken, selecteerde de IQM-analist en luisterde naar een paar telefoontjes. Wat ze ontdekte, was dat klanten het contactcentrum belden vanwege een creditcardadvertentie die een extra bonus beloofde voor aankopen in bepaalde winkelcentra. De beloofde bonussen werden echter niet toegekend na het winkelen. Als gevolg van frustratie bij klanten zijn de annuleringsoproepen dramatisch toegenomen. Op basis van deze IQM-studie heeft de kredietmaatschappij onmiddellijk actie ondernomen om het probleem op te lossen.
Kredietmaatschappij
Case 6
VERGELIJKING VAN AGENTEN DIE STEMANALYSE GEBRUIKEN
In een contactcenter waar bepaalde levensverzekeringsproducten worden verkocht door de telemarketingdienst, worden agenten beoordeeld op basis van hun verkoopprestaties. Om de verkoopprestaties van alle agenten te verbeteren, besloten de supervisors spraakanalyse te gebruiken om het verschil te zien tussen de best presterende agenten en de rest van het callcenter.
Met behulp van de IQM-module voor statistische vergelijking wordt de vergelijking van akoestische gegevens en woordvergelijking uitgevoerd voor beide sets agents gedurende dezelfde periode. Wat werd ontdekt in het “agents only” -kanaal was erg interessant:
- Succesvolle agenten gebruikten meer kwantitatieve verklaringen in vergelijking met de rest van het callcenter, zoals aangegeven in het filter-1 verschilrapport.
- Het zwijgingspercentage van de performance-agenten was hoger dan die van de anderen.
- Het onderbrekingspercentage van de prestatieagenten was lager dan de rest.
- De eentonigheid en snelheid van de uitvoerende agenten was lager dan de andere.
Op basis van deze informatie creëerden de supervisors een MyQM-campagne en begonnen ze een aantal van de oproepen opnieuw te beluisteren en te controleren en ontdekten ze het volgende:
- Succesvolle agenten gebruiken vaker exacte cijfers om de verdiensten / besparingen van klanten aan te geven op basis van klantspecifieke profielen.
- Door langzaam maar effectiever te spreken, pauzeerden succesvolle agenten kort nadat ze hun aanbiedingen of omzetkansen aan klanten hadden gepresenteerd en hen de tijd hadden gegeven om na te denken. Als gevolg hiervan namen klanten het aanbod zichtbaar meer aan.
- Met deze methode verkochten succesvolle agenten 40% meer dan andere collega’s.
Met behulp van deze waardevolle informatie vroegen de supervisors de trainingsafdeling om trainingen voor alle agenten te organiseren om deze methodologie te gebruiken bij verkoopactiviteiten.
Levensverzekeringsmaatschappij
Case 7
VIND OPROEPEN MET SPANNING EN Woede
Een IQM-analist voor stemanalyse besloot om gesprekken te selecteren waar beide partijen ruzie maakten en waar de spanning zichtbaar hoog was. Eerst heeft hij een verzoek ingediend met daarin de woorden die vaak worden gebruikt bij dit soort telefoontjes. Dus creëerde hij een nieuw IQM-verzoek en voegde specifieke woorden toe zoals “zwijg”, “praat niet zo” enz. … voor de twee agent- en klantspraakkanalen. Daarna kreeg hij telefoontjes die waarschijnlijk conflictoproepen waren.
Telecomoperator
Case 8
DE KENNIS VAN DE AGENT CONTROLEREN - GEAVANCEERD WOORDVERZOEK
Een telecomoperator bracht een nieuw product uit met gratis spreektijd maar zonder gratis sms. Om de kennis op het niveau van zijn agenten te meten met betrekking tot dit nieuwe aanbod, hebben de supervisors van het callcenter een IQM-query gemaakt die inspecteerde of de agenten klanten de juiste informatie gaven of niet. Er is een verzoek aangemaakt met de volgende woorden: “Gratis spreektijd” EN (“Gratis sms” OF “Gratis berichten” OF “Onbeperkt sms”)
Dit bood de mogelijkheid om agenten te vinden die foutieve informatie over dit product gaven. De parameter voor de frequentie van het gebruik van woorden is toegevoegd om het aantal keren dat woorden voorkomen met de min – max – waarden te regelen. Alleen het agentkanaal is geselecteerd.
Met de succesvolle telefoontjes creëerden ze een MyQM-campagne en realiseerden ze zich dat sommige agenten inderdaad de verkeerde informatie gaven. Van deze agenten werd een trainingsactie gevraagd met behulp van de actiefunctie van de MyQM-oplossing.
Telecomoperator
Case 9
Query met woordfrequentie
De IQM-analist deed een verzoek waarbij de houding van de agent ten opzichte van de cliënt werd gevolgd door te proberen het buitensporige gebruik van woorden als “meneer”, “nee” en “mevrouw” op te sporen. Het aantal toepassingen is gedefinieerd met minimaal 2 en maximaal 3 keer. Met behulp van deze parameters kon hij agenten lokaliseren die deze woorden meer dan eens gebruikten en een voorbeeld van de volgende resultaten werd gevonden:
- Ja meneer … Het is waar dat uw account is geblokkeerd meneer … nee, ik heb geen informatie … nee meneer, u kunt contact opnemen met …
- Nee mevrouw, u moet naar de bank gaan en … Nee, maar de bank is open tot …. Bedankt mevrouw …
- Heb je het geprobeerd meneer…. nee, nee meneer, u moet verbinding maken met de webpagina die wordt geopend … als u wacht op het signaal meneer … nee, de groene …
- Hallo mevrouw hoe kan ik u helpen … nee mevrouw, wacht even … nee, maar het is nog steeds mogelijk om geld te sturen mevrouw omdat … nee mevrouw, helaas is dit niet het geval …
De IQM-analist gebruikte ook “woordherkenningsvertrouwen”, een waarde tussen 0 en 100 in de secties betrouwbaarheid van de agent / klant. Hij gebruikte de waarden 80 en 100, wat betekent dat de zoekopdracht wordt uitgevoerd tussen de woorden met een herkenningswaarde van ten minste 80%. Hij bepaalde ook in welk deel van het gesprek de zoekwoorden zich bevonden door een percentage tussen 0 – 100 te selecteren in het gedeelte “Bereik”. Bijvoorbeeld, een procentuele waarde tussen 80 en 100 gezocht binnen 20% van het einde van gesprekken en een procentuele waarde tussen 0 en 10 binnen 10% gezocht vanaf het begin van de gesprekken.
Financiëel bedrijf
Case 10
ZOEK AGENTEN MET DE STATISTISCHE VERGELIJKINGSMODULE
Een IQM-analist wilde de agenten vinden die ruzie met een klant hadden gehad en heeft hiervoor een passend verzoek ingediend. Ten eerste nam hij telefoontjes aan waarvan hij wist dat het ‘echte’ argumenten waren. Met behulp van de statistische vergelijkingsmodule bepaalde hij het karakteristieke akoestische profiel van deze oproepen.
Wat hij zich realiseerde was dat agenten klanten minstens 5 keer onderbraken in ruzieoproepen, dat de duur van de overlappingen van de client en de agent gemiddeld 15 seconden was en dat de woede-verhouding van de agent was meer dan 40%.
Ten tweede onderzocht hij welke woorden vaak werden gebruikt in ruzieoproepen. De resultaten toonden aan dat “luisteren”, “absurd”, “anders”, “als je het zegt” vaak werden gebruikt bij dit soort oproepen.
Ten slotte voerde hij de vragen uit en onderzocht hij de resultaten met behulp van een auditcampagne van MyQM. De eerste resultaten gaven 20 echte ruzieoproepen van de 25 oproepen die het verzoek had geïdentificeerd.
Financiëel bedrijf
Case 11
SAMENVATTING VAN VERZOEKEN - SCHADE AAN BEROEP
Een internetprovider had klanten die het contactcenter belden om fouten op hun internetservices te melden. Om de redenen / kosten van deze gesprekken te analyseren en de noodzakelijke maatregelen te vinden, heeft het management van de contactcenters de IQM-analist gevraagd spraakanalyse te gebruiken.
Ten eerste voegde de IQM-analist de bestaande vraag “Internetverbindingsprobleem” samen met de vragen “opgelost probleem” en “gerapporteerd probleem” en creëerde zo twee samengevoegde vragen. In de twee samengevoegde verzoeken werden daarom de klanten vermeld met het internetprobleem opgelost en anderzijds de klanten wiens probleem niet was opgelost tijdens het gesprek met de agent.
Vervolgens gebruikte hij de IQM-module voor statistische vergelijking om de sleutelwoorden voor deze twee zoekopdrachten te bepalen. Hij ontdekte dat oproepen van klanten van wie het probleem telefonisch was opgelost langer duurden dan oproepen van klanten van wie het probleem telefonisch was opgelost. Ook ontdekte hij dat klanten agenten meer dankbaar waren toen hun probleem onmiddellijk werd opgelost. Hij merkte ook op dat het herstarten van de modem klanten vaak hielp hun probleem op te lossen. Aan de andere kant liet hij ook zien dat deze onopgeloste problemen vaak voorkomen door regionale infrastructuurdiensten. Al deze aftrekkingen werden gedaan door de woordverschillen die door het systeem werden opgemerkt.
Met behulp van deze gegevens zag het management van de internetprovider de mogelijkheid om de bedrijfskosten te verlagen door het opzetten van een IVR ‘selfservice’-service voor klanten. Toen dit eenmaal was gebeurd, merkten ze dat ze via IQM gebruikten dat telefoontjes van klanten (waarvan het probleem gemakkelijk kon worden opgelost) volledig werden afgehandeld door de IVR-service en daarom de agent niet meer bereikten. meer. De operationele kosten zijn daardoor aanzienlijk verlaagd.
Het management meldde ook regionale vraagstukken aan de infrastructuurafdeling om de nodige aandacht te geven.
Internetprovider
Case 12
NON FCR: HERHAALDE OPROEPEN
Een contactcentermanager wilde zijn klanten proactief benaderen door herhaalde telefoontjes van klanten te analyseren. Allereerst merkte hij met behulp van de “Non-FCR” -grafiek (instellingen met minimaal 3 oproepen binnen 48 uur) dat een aantal oproepen en daardoor een enorme kostprijs door de “niet-FCR”. Hij had een meer gedetailleerde analyse nodig. Nadat hij de redenen voor de ‘niet-FCR’-oproepen had onderzocht, ontdekte hij dat de meeste van deze herhaalde oproepen verband hielden met klanten die onlangs hun mobiele telefoon hadden gewijzigd in hun abonnement en ze belden om erachter te komen of de wijziging was goedgekeurd. Op basis van deze informatie heeft het management van het contactcenter besloten om dit soort klanten regelmatig een sms te sturen. Door deze maatregel slaagden ze erin hun ‘niet-FCR’-oproepen met meer dan 55% te verminderen.
Internetprovider