Аналіз неструктурованих даних контакт-центру для підтримки прийняття рішень

UKR: Мета – розроблення методу аналізу неструктурованих даних контакт-центру, який забезпечує інтеграцію й ефективне оброблення запитів клієнтів із різних каналів комунікації, зокрема аудіо- і текстових даних. Методи. У дослідженні запропоновано схему оброблення неструктурованих даних в інформаційних системах контакт-центру, яка включає можливості аналізу інформації в аудіо- (Voice Data) та текстовому (Text Data) форматах. Система забезпечує обслуговування запитів, отриманих через різні канали, як-от телефонний зв’язок, системи VoIP, аудіо-конференц-зв’язок, а також текстові повідомлення з онлайн-чатів, месенджерів та вбудованих чатів. Для подальшого оброблення голосові дані конвертуються в текст за допомогою модуля Speech To Text. Інформацію про емоційний фон розмови виділяють та зберігають за допомогою модулів Speech Emotion Recognition та Sentiment Analysis. Для реалізації повнотекстового пошуку, а також пошуку даних за емоціями і тональністю використовуються модулі Full Text Search та Emotion Sentiment Search. Модуль Text Classification дозволяє створювати класифікатори та організовувати пошук відповідно до отриманих моделей. Результати. Дослідження показало, що середній час розмови становив 15 хвилин, з яких 65% часу було активним мовленням, а 35% – часом тиші. Мовлення оператора становило приблизно 60% від загального часу активного мовлення, тоді як мовлення клієнта – 40%. Середня швидкість мовлення оператора становила 150 слів на хвилину, водночас швидкість мовлення клієнта була 130 слів на хвилину. Також визначено кількість перебивань: у середньому фіксувалося 8 перебивань за розмову, з яких 5 належало оператору, а 3 – клієнту. Ці результати дозволяють зробити висновки щодо якості взаємодії під час дзвінків і дотримання стандартів комунікації. Аналіз тональності та емоцій в аудіо– і текстових даних виявив, що 70% розмов мали нейтральний тон, 20% – позитивний, а 10% – негативний. У 30% випадків у мовленні клієнтів спостерігалися ознаки роздратування, тоді як емоційна нейтральність у мовленні операторів відзначалася у 80% випадків. Новизна. У роботі запропоновано новий метод оброблення неструктурованих даних контакт-центру, що дозволяє аналізувати інформацію як в аудіо, так і в текстовому форматах та забезпечує інтеграцію запитів із різних каналів зв’язку. Використання модуля перетворення голосових даних на текст, а також модулів для емоційного аналізу сприяє отриманню більш детальної інформації про психоемоційний стан учасників розмови. Аугментація аудіоданих розширює параметри аналізу взаємодії між операторами та клієнтами, що відкриває нові можливості для підвищення ефективності бізнес-процесів контакт-центрів та вдосконалення клієнтського обслуговування. Цінність. Результати дослідження мають практичну цінність для компаній, що працюють у сфері обслуговування клієнтів, оскільки дозволяють покращити якість обслуговування, швидкість реагування на запити, а також підвищити рівень задоволеності клієнтів. Запропоновані рішення можуть бути адаптовані до різних інформаційних систем контакт-центру, що робить їх універсальними для впровадження в різні організації.

ENG: Purpose. To develop a method for analyzing unstructured contact center data that enables the integration and efficient processing of customer inquiries from various communication channels, including both audio and text data. Methods. The study proposes a data processing framework for contact center information systems that can analyze audio (Voice Data) and text (Text Data) formats. The system processes inquiries from multiple channels, such as phone calls, VoIP systems, audio conferencing, and text messages from online chats, messaging apps, and embedded chats. Voice data is converted into text using a Speech-to-Text module for further processing. Emotional tone in conversations is identified and stored using Speech Emotion Recognition and Sentiment Analysis modules. Full-text and emotion sentiment searches are implemented to retrieve data based on keywords or emotions. The Text Classification module allows the creation of classifiers to organize search results according to the generated models. Results. The study found that the average conversation lasted 15 minutes, with 65% of the time involving active speech and 35% being periods of silence. The operator accounted for approximately 60% of the active speaking time, while the customer accounted for 40%. The operator’s average speech rate was 150 words per minute, whereas the customer’s was 130 words per minute. Additionally, there was an average of 8 interruptions per conversation, 5 by the operator and 3 by the customer. These results provide insights into the quality of interactions during calls and adherence to communication standards. Sentiment and emotion analysis of audio and text data revealed that 70% of conversations had a neutral tone, 20% were positive, and 10% were negative. Signs of frustration were observed in 30% of customer speech, while operator speech was emotionally neutral in 80% of cases. Originality. The study introduces a new method for processing unstructured contact center data, enabling the analysis of audio and text formats and integrating inquiries from different communication channels. Speech-totext conversion and emotion analysis modules provide deeper insights into conversation participants’ psychological and emotional states. The augmentation of audio data expands the parameters for analyzing interactions between operators and customers, opening up new opportunities for enhancing the efficiency of contact center business processes and improving customer service. Practicality. The research findings have practical value for companies in the customer service industry, as they offer ways to improve service quality, response time, and overall customer satisfaction. The proposed solutions can be adapted to various contact center information systems, making them versatile for implementation across different organizations.