Overal staan contactcenters onder druk om vragen van klanten, burgers en ondernemingen zo efficiënt mogelijk af te handelen. Wachttijden kunnen soms hoog oplopen, tot grote frustratie van wie zijn vraag beantwoord wil zien en antwoordverstrekkers die overstelpt worden en moeten omgaan met boze klanten. Elke sector kent pieken in het aantal vragen, afhankelijk van bepaalde gebeurtenissen. Denken we maar aan de energieleveranciers (verhoging voorschotfacturen), maar evengoed de publieke sector (corona).

Om die stroom aan vragen op te vangen zijn er processen gedefinieerd en is er ondersteuning van de nodige tools. De beller wordt op basis van een keuzemenu (IVR) doorgestuurd naar de meest geschikte antwoordverstrekker. De vraag wordt (manueel) geregistreerd in het systeem. Het juiste antwoordscript wordt opgezocht. En finaal wordt er een antwoord gegeven en geregistreerd.

Die processen verlopen dikwijls manueel en vragen de nodige tijd, zowel voor de vraagsteller als de antwoordverstrekker.

Opportuniteiten

We zien een aantal mogelijke opportuniteiten om de werking van het contactcenter efficiënter te laten verlopen. De voordelen die hiermee beoogd worden zijn efficiëntiewinst (meer vragen beantwoorden met minder agenten; agenten kunnen focussen op complexere problemen) en een betere dienstverlening. Hieronder worden deze opportuniteiten opgesomd, in volgorde van het verloop van een call.

Automatisch routeren van calls

Na het doorlopen van een keuzemenu (IVR) komen bellers direct bij de juiste antwoordverstrekker terecht, er wordt minder doorverbonden. Zo’n keuzemenu vraagt echter tijd voor de vraagsteller om te doorlopen.

Op basis van spraakherkenning zou de beller zijn vraag onmiddellijk kunnen formuleren in zijn eigen bewoordingen, zonder een keuzemenu te moeten doorlopen. Het systeem herkent automatisch de vraag of de topic (categorie, domein), waarop de beller verbonden wordt met de antwoordverstrekker die het best op de vraag kan antwoorden.

Automatisch antwoorden

Antwoordverstrekkers spenderen dikwijls tijd aan vragen die veelvuldig gesteld worden en die eigenlijk eenvoudig te beantwoorden zijn. Dergelijke vragen zouden automatisch beantwoord kunnen worden. Her en der duiken reeds chatbots op die tekstuele vragen beantwoorden. Dezelfde aanpak zou kunnen toegepast worden op vragen per email, of – mits toepassing van spraakherkenning – op telefonische vragen. Hiermee wordt tijd vrijgemaakt die antwoordverstrekkers kunnen besteden aan complexere vragen.

Suggesties

Hoewel antwoordverstrekkers een zekere training krijgen om zo goed mogelijk te kunnen antwoorden op de veelheid aan mogelijke vragen, kost het soms enige moeite om de juiste antwoorden te formuleren.

Daarom kan het nuttig zijn om een soort virtuele assistent het gesprek te laten meevolgen en te koppelen aan de kennisbank. Die assistent kan dan (realtime) suggesties doen voor antwoorden of vervolgstappen, of bepaalde kennis naar voor brengen. Zo’n assistentie kan specifiek interessant zijn voor de long tail vragen: een groot aantal vragen die minder frequent gesteld worden en waarvoor de agent niet noodzakelijk de parate kennis heeft om ze te beantwoorden.

Gesproken samenvatting

Een antwoordverstrekker registreert een korte samenvatting van het gesprek doorgaans manueel in het systeem: wat was de aanleiding/vraag? Welk antwoord werd gegeven? Het manueel uittypen van zo’n samenvatting vraagt wat tijd. Als alternatief zou de antwoordverstrekker de samenvatting kunnen inspreken; door middel van spraakherkenning wordt de samenvatting in tekstuele vorm geregistreerd.

Het zou helemaal ideaal zijn mocht een algoritme in staat zijn om een samenvatting automatisch te genereren op basis van de transcriptie van het volledige gesprek, dan hoeft de antwoordverstrekker helemaal niets meer te doen. Helaas is het resultaat van zo’n automatische samenvatting op vandaag nog niet van bruikbare kwaliteit.

Analyse van transcripties

Transcriptie (omzetten van spraak naar tekst) laat toe om de gestelde vraag of het integrale gesprek in tekstvorm te registreren. Eens de tekst gecapteerd is, kunnen er verschillende analyses uitgevoerd worden teneinde de processen te optimaliseren. Zo kan de topic of categorie van de vraag gedetecteerd worden, of bijvoorbeeld op welke toepassing een vraag betrekking heeft. Dat stelt contactcenter managers in staat om trends op te volgen.

Daarnaast zou ook een sentiment analyse kunnen uitgevoerd worden om zicht te krijgen op de tevredenheid, of leeropportuniteiten te detecteren en coaching toe te spitsen op gesprekken die moeilijk verliepen.

Mogelijke obstakels en aandachtspunten

Om bovenstaande opportuniteiten concreet te implementeren zijn er echter een aantal obstakels en aandachtspunten.

Het meest heikele punt is de kwaliteit van de spraakherkenning. Een aantal factoren spelen hierin een rol. Eerst en vooral is de ondersteuning voor mindergesproken talen zoals het Nederlands in het algemeen minder goed ten opzichte van wereldtalen zoals het Engels. Laat staan als we moeten rekening houden met de verschillende dialecten en accenten. Daarnaast speelt ook de audiokwaliteit een rol (omgevingslawaai). Tenslotte moeten we ook rekening houden met specifieke termen zoals namen van toepassingen, afkortingen, enz. In principe is het mogelijk om een custom taalmodel te voorzien dat getraind wordt op een specifieke woordenschat, maar dat vereist een bepaalde effort en beschikbaarheid van de nodige trainingsdata.

Bij het automatisch beantwoorden van (eenvoudige) vragen is het belangrijk dat er voldoende zekerheid is dat de vraag correct begrepen werd. Indien niet kan er een fout antwoord gegeven worden, wat enkel leidt tot frustratie bij de vraagsteller.

Bij het capteren en analyseren van spraak moeten ook de juridische aspecten nagegaan worden: kan dit zomaar? Is er toestemming nodig? Voor welke doeleinden mogen de gegevens gebruikt worden? Hoelang mogen de gegevens bewaard worden?

Tenslotte moeten we ons ook de vraag stellen of de klant überhaupt wel wíl praten met een computer in plaats van een medewerker van vlees en bloed.

Conclusie

Vanuit de contactcenters is men ongetwijfeld vragende partij om de werking ondersteund te zien met (AI) tools die de efficiëntie kunnen verhogen, de klantvriendelijkheid ten goede komen en onnodig/repetitief werk uit handen nemen van de medewerkers. De opportuniteiten die we in deze blog beschreven zijn echter niet zomaar te realiseren en vergen een goed inzicht in de maturiteit van de betrokken technologieën en een goede voorbereiding voor implementatie.

Bovenstaande problematiek werd voorgesteld als onderzoekstopic voor het onderzoeksplan voor 2023.

---

Dit is een ingezonden bijdrage van Bert Vanhalst, IT consultant bij Smals Research. Dit artikel werd geschreven in eigen naam en neemt geen standpunt in namens Smals.