Anàlisi de trucades per a scoring i compliance
Introducció
Call Center encarregat de gestionar interaccions per a grans multinacionals, es trobava amb un procés manual i molt lent per revisar les trucades. Complir amb els estàndards regulatoris en els EUA i detectar oportunitats de venda era clau, però la manca d'automatització provocava retards, inconsistències i pèrdua d'ingressos.
Trucades entrants
Transcripció i revisió manual
Els agents dediquen temps a analitzar les trucades
Retards i possibles errors
Difícil d'escalar i assegurar el compliment
Informes inconsistents
Anàlisi tardana i no sistemàtica
El problema
El procés manual de revisió de trucades:
Revisió manual de trucades
Milers de trucades diàries eren revisades manualment, alentint la QA i creant inconsistències.
Compliment normatiu
Els call centers als EUA han de complir normatives estrictes (salutacions, consentiment, disclosures).
Oportunitats de venda perdudes
L'anàlisi tardana provocava pèrdua d'oportunitats d'upsell o venda creuada.
Problemes d'escalabilitat
El procés manual no podia escalar amb l'augment del volum de trucades.
Fase 1: Recollida i preparació de dades
Integració de dades del client
Històric de trucades, registres d'agents i regles de compliment integrats al pipeline.
Mapatge normatiu
Mapatge de regles de compliment per entrenar amb precisió la IA.
Anotació de dades
Etiquetatge d'esdeveniments clau per entrenar els models de ML.
Data Collection Overview
| Data Type | Format | Volume | Purpose |
|---|---|---|---|
Call Audio | WAV | 10,000 calls (~500 hours) | Train & fine-tune the Speech-to-Text model |
Agent Interaction Logs | JSON | 2GB of logs | Identify conversation patterns & keywords |
Compliance Guidelines | PDF/Docs | 200 pages | Define compliance triggers for ML model |
Fase 2: Entrenament dels models d'IA
Model Speech-to-Text
Ajustat amb dades d'àudio del client per millorar la precisió en terminologia i accents.
Model de scoring
Model supervisat que genera scores de compliment i venda a partir de:
Anàlisi de sentiment i empatia.
Detecció de paraules clau (compliment i vendes).
Anàlisi del flux conversacional i qualitat.
Entrada d'àudio
Les gravacions es pre-processen per estandarditzar la qualitat i el format.
Speech-to-Text
Transcripció mitjançant ASR ajustat al domini i vocabulari del client.
Extracció de features
S'extreuen: sentiment, marcadors d'empatia, frases de compliment, flux de la conversa.
Scoring
Models supervisats generen dos scores clau: Compliment normatiu i Potencial de venda (upselling / cross-selling).
Output
Els resultats s'integren al dashboard, facilitant la detecció de riscos i oportunitats.
Exemple de visualització de scores
Vista de dashboard amb scores per trucada, amb filtres i cerca.
| Call ID | Compliance Score (%) | Sales Potential (%) | Key Alerts |
|---|---|---|---|
| C-20231001-001 | 94 | 60 | Regulatory script followed; Potential upsell on warranty. |
| C-20231001-002 | 78 | 20 | Incomplete disclosure; Limited sales interest. |
Fase 3: Pipeline de dades en temps real i dashboard
Stack tecnològic
Frontend amb Next.js i backend amb APIs Python.
Pipeline de dades en temps real
Processament en viu amb AWS Kinesis.
Visualització
Gràfics, heatmaps i interfícies de cerca per als equips de QA.
Fase 4: Proves i iteració
Validació de models
Proves amb dades en viu per validar transcripció i scoring.
Test del dashboard
Feedback d'usuari per optimitzar l'experiència.
Desplegament pilot
Llançament inicial amb agents pilot abans de desplegament complet.
Review recent customer calls assessed for compliance. Click "View Details" to see the reasons behind the compliance score and listen to the call recording.
Recent Calls
La solució
Vam dissenyar una solució basada en IA amb tres components principals:
1. Transcripció automàtica de trucades
Amb un model speech-to-text ajustat, vam automatitzar la transcripció de totes les trucades. El sistema:
Precisió superior al 95%, incloent-hi variacions d'accent.
Detecció de paraules clau per alertes de compliment i vendes.
2. Scoring de compliance i qualitat
Vam desenvolupar un model supervisat de machine learning que analitza les converses i genera scores en funció de:
Compliment: salutacions, consentiment, disclosures.
Qualitat: to, empatia, resolució.
Potencial de vendes: patrons conversacionals d'upsell o cross-sell.
3. Dashboard interactiu
Un dashboard personalitzat que permet als supervisors i analistes visualitzar:
Insights visualitzats
Scores de compliment i vendes amb visualització de tendències.
Transcripcions amb cerca
Transcripcions indexades per agent, paraula clau o score.
Alertes de compliment
Alertes en temps real per a trucades no conformes.