L’analisi delle telefonate nei call center è una vera e propria necessità per tutte le aziende che gestiscono ampi volumi di conversazioni telefoniche con i propri prospect e clienti, vogliono aumentare la qualità delle interazioni e ottenere risultati brillanti in termini di customer satisfaction. A 2021 inoltrato, cioè in piena era di chatbot, social e digitalizzazione dei canali di contatto, la telefonata al call center rappresenta ancora un approccio preferenziale per una buona fetta di persone/clienti, da cui l’esigenza di accoglierli con un servizio efficace, rapido e che non imponga attese eccessive e fastidiose.
Analisi delle telefonate nei call center: un’infinità di informazioni preziose
Esattamente come per gli altri canali, l’interazione vocale tra azienda e cliente (potenziale o effettivo) nasconde un’infinità di informazioni utili che vanno oltre le tradizionali metriche della durata della conversazione e della survey sul gradimento dell’interazione stessa (un’attività adottata di frequente). Una telefonata ben gestita è fondamentale per accompagnare il prospect lungo il funnel di vendita, ma soprattutto per la retention di chi è già cliente, che com’è noto è un’attività meno onerosa rispetto all’acquisizione di uno nuovo.
Inoltre, l’analisi delle telefonate dei call center è utile anche per comprendere ed evidenziare le performance delle strutture stesse, eventuali strategie poco efficaci, sacche di inefficienza e opportunità di miglioramento, da cui ottenere più qualità, clienti soddisfatti e opportunità di cross-sell e up-sell in quantità maggiore.
Speech Analytics e NLP, le tecnologie vincenti
Il problema, se così lo si può definire, dell’analisi delle telefonate dei call center è che l’attività non può essere svolta in forma manuale, poiché troppo dispendiosa in termini di tempo e antieconomica, ma anche molto complessa da automatizzare con brillanti risultati. In altri termini, le conversazioni vocali vanno trasformate in testo/dati e analizzate al fine di estrarre informazioni e costruire valore, il tutto possibilmente in tempo reale. Qui intervengono le tecniche di Speech Analysis, anche dette di Audio Mining.
La complessità concettuale della Speech Analysis sta non tanto in una trascrizione speech-to-text, che rappresenta comunque il primo passo del processo, ma è quella di comprendere il linguaggio naturale usato dal cliente, che oltretutto potrebbe usare espressioni dialettali, gergali e sintatticamente non impeccabili. Si entra, in pratica, nel mondo dell’AI, e in particolare del Natural Language Processing (NLP), uno dei settori più promettenti in assoluto: secondo l’Osservatorio Artificial Intelligence di PoliMI, il 18% di tutti gli investimenti in AI in Italia, che nel 2020 hanno totalizzato 300 milioni di euro, è stato indirizzato in progetti NLP.
Natural Language Processing per conoscere meglio il cliente
NLP è un ulteriore raccoglitore di varie tecniche finalizzate a “comprendere” il linguaggio naturale, andando oltre l’analisi grammaticale, sintattica e spingendosi nel mare magnum della semantica, del significato delle frasi, delle espressioni, anche dei modi di dire. Solo in questo modo è possibile capire le intenzioni (intent) del cliente, scoprire a che livello è del funnel di vendita e proporre all’operatore l’esecuzione di una mossa immediata o di una strategia a breve-medio periodo per non perderlo e aumentarne il valore.
Certamente, le soluzioni di Speech Analysis non sono tutte uguali. Il punto di partenza è quello che si definisce keyword spotting, ovvero la rilevazione di apposite parole (keyword) usate nel contesto della conversazione che possono indicare in modo chiaro l’intent del cliente, da cui una reazione rapida ed efficace che abbatta il tasso di abbandono. Ma non sempre ciò è sufficiente, perché le parole hanno svariati sinonimi, i modi di dire sono moltissimi e i concetti possono essere espressi in infiniti modi diversi: per questo le tecniche di NLP, come il semantic text indexing e, soprattutto, la sentiment analysis diventano estremamente efficaci.
Quest’ultima permette di estrarre e identificare opinioni da un testo (e quindi da una conversazione) e dal contesto della conversazione (silenzi, tono di voce…), sempre al solito fine di conoscere meglio il cliente, comprendere le esigenze, scoprire cosa vuole, il suo approccio emotivo alla conversazione, come servirlo meglio ed eventualmente valutare le performance del servizio clienti a livello di qualità del servizio e di performance dell’operatore. Soprattutto, gli Speech Analytics aprono alle aziende il mondo della iper-personalizzazione del rapporto col cliente, che oggi è un fondamento stabile della customer satisfaction in tutti i settori e mercati.
