هر روز حجم قابل توجهی از اطلاعات ارزشمند سازمان‌ها در تماس‌های تلفنی، جلسات، پیام‌های صوتی و گفتگوهای کارشناسان با مشتریان تولید می‌شود. اطلاعاتی که گاهی از مهم‌ترین داده‌های کسب‌وکار هستند، اما بخش زیادی از آن‌ها پس از پایان مکالمه، در قالب فایل صوتی باقی می‌مانند یا تنها بخشی از آن‌ها توسط کارشناس در سیستم ثبت می‌شود.
تصور کنید مشتری برای پیگیری یک درخواست تماس می‌گیرد. در طول مکالمه، نام و شماره تماس خود را اعلام می‌کند، درباره قرارداد یا محصولی توضیح می‌دهد، مشکلی را مطرح می‌کند و در نهایت انتظار دارد موضوع پیگیری شود. کارشناس باید هم‌زمان به مشتری گوش دهد، اطلاعات را در چند فرم وارد کند، سابقه او را بررسی کند و در پایان یک تیکت یا درخواست جدید ثبت کند.
اما آیا واقعاً لازم است تمام این اطلاعات به‌صورت دستی وارد سیستم شوند؟
هوش مصنوعی می‌تواند مکالمه را به متن تبدیل کند، اطلاعات مهم را از آن استخراج کند و با اتصال به CRM، بخشی از فرآیند ثبت و پیگیری درخواست را به‌صورت خودکار انجام دهد.
این تغییر، حرکت از «تبدیل صوت به متن» به سمت «تبدیل مکالمه به داده و اقدام سازمانی» است.
تبدیل گفتار به متن فارسی؛ اولین مرحله، نه تمام راهکار
فناوری Speech-to-Text یا ASR امکان تبدیل گفتار به متن را فراهم می‌کند. با پیشرفت مدل‌های هوش مصنوعی، پردازش مکالمات فارسی نیز به‌ویژه در فایل‌های صوتی با کیفیت مناسب کاربردی‌تر شده است.
اما در محیط سازمانی، داشتن متن کامل مکالمه به‌تنهایی کافی نیست. ممکن است یک تماس ده دقیقه طول بکشد، در حالی که اطلاعات مورد نیاز CRM تنها چند مورد مشخص باشد: نام مشتری، شماره تماس، کد ملی در صورت ضرورت، شماره قرارداد، نوع درخواست، شرح مشکل و اقدام بعدی.
بنابراین ارزش واقعی زمانی ایجاد می‌شود که سیستم بتواند از میان یک مکالمه طولانی، اطلاعات مرتبط را شناسایی و در ساختاری قابل استفاده ذخیره کند.
برای مثال، اگر مشتری بگوید: «من هفته گذشته برای دستگاهی که خریداری کرده‌ایم درخواست پشتیبانی ثبت کردم، اما هنوز مشکل برطرف نشده»، سیستم باید بتواند موضوع تماس را به‌عنوان پیگیری درخواست پشتیبانی تشخیص دهد، اطلاعات شناسایی مشتری را با CRM تطبیق دهد و در صورت وجود درخواست قبلی، آن را به کارشناس پیشنهاد کند.
از متن مکالمه تا استخراج اطلاعات ساختاریافته
مرحله بعد از تبدیل صوت به متن، استخراج اطلاعات یا Information Extraction است. در این مرحله، مدل هوش مصنوعی به‌جای ارائه یک متن طولانی، تلاش می‌کند اطلاعات مورد نیاز فرآیند را در قالب فیلدهای مشخص استخراج کند.
برای نمونه:
| اطلاعات مورد نیاز | خروجی مورد انتظار |
|---|---|
| هویت تماس‌گیرنده | نام و مشخصات اعلام‌شده |
| شماره تماس | شماره استخراج‌شده از مکالمه |
| کد ملی | مقدار اعلام‌شده، در صورت نیاز و مجوز |
| نوع درخواست | شکایت، پشتیبانی، پیگیری یا استعلام |
| موضوع | شرح خلاصه و استاندارد درخواست |
| میزان فوریت | پیشنهاد اولویت بر اساس قواعد سازمان |
| اقدام بعدی | پیشنهاد ارجاع، پاسخ یا پیگیری |
این اطلاعات باید با قواعد اعتبارسنجی بررسی شوند. برای مثال، کد ملی باید از نظر ساختار کنترل شود و در صورت ابهام در تشخیص صوت، سیستم نباید مقداری را حدس بزند. بهتر است فیلد نامطمئن مشخص شود تا کارشناس آن را تأیید یا اصلاح کند.
هدف، حذف دقت انسانی نیست؛ کاهش ورود دستی اطلاعات و افزایش کیفیت ثبت داده است.
یک سناریوی واقعی؛ از تماس مشتری تا ایجاد تیکت در CRM
فرض کنیم مشتری با واحد خدمات تماس می‌گیرد و اعلام می‌کند کالای تحویل‌گرفته‌شده با مشخصات قرارداد مطابقت ندارد. کارشناس مکالمه را مدیریت می‌کند، اما هم‌زمان یک دستیار هوش مصنوعی نیز در پشت صحنه فعالیت دارد.
ابتدا مکالمه با رعایت الزامات اطلاع‌رسانی و حریم خصوصی پردازش می‌شود. مدل گفتار به متن، محتوای تماس را استخراج می‌کند و سپس مدل تحلیل مکالمه، اطلاعات مهم را شناسایی می‌کند.
در مرحله بعد، سیستم شماره تماس یا شناسه مشتری را با اطلاعات Dynamics 365 تطبیق می‌دهد. اگر قرارداد و سوابق تحویل مرتبط وجود داشته باشند، آن‌ها را بازیابی می‌کند و پیش‌نویس یک درخواست جدید می‌سازد.
کارشناس به‌جای تکمیل چندین فیلد، فرمی آماده مشاهده می‌کند که شامل اطلاعات مشتری، قرارداد احتمالی، شرح شکایت، دسته‌بندی درخواست و اولویت پیشنهادی است. پس از بررسی و تأیید، تیکت ثبت و مطابق فرآیند سازمان به واحد مسئول ارجاع داده می‌شود.
در چنین معماری‌ای، هوش مصنوعی صرفاً شنونده مکالمه نیست؛ بخشی از فرآیند عملیاتی خدمات مشتری را پیش می‌برد.
تکمیل خودکار فرم‌ها؛ کاهش زمان، افزایش کیفیت اطلاعات
یکی از مشکلات رایج سیستم‌های CRM و خدمات مشتری، کیفیت نامناسب اطلاعات ثبت‌شده است. کارشناسان در ساعات شلوغ ممکن است برخی فیلدها را خالی بگذارند، شرح درخواست را بیش از حد خلاصه کنند یا دسته‌بندی‌های متفاوتی برای مسائل مشابه انتخاب کنند.
هوش مصنوعی می‌تواند این فرآیند را استانداردتر کند. به‌جای آنکه کارشناس همه اطلاعات را از ابتدا تایپ کند، سیستم پیش‌نویس فرم را آماده می‌کند و کارشناس مسئول کنترل نهایی خواهد بود.
این قابلیت می‌تواند به کاهش زمان ثبت درخواست، افزایش یکنواختی داده‌ها و بهبود گزارش‌های مدیریتی کمک کند. البته میزان بهبود باید در اجرای آزمایشی و با شاخص‌هایی مانند زمان ثبت تیکت، دقت استخراج اطلاعات و نرخ اصلاحات انسانی اندازه‌گیری شود.
تحلیل مکالمات؛ ارزش فراتر از یک تماس
وقتی اطلاعات تماس‌ها ساختارمند شوند، امکان تحلیل در سطح کل سازمان نیز ایجاد می‌شود.
مدیر خدمات مشتری می‌تواند بداند چه موضوعاتی بیشترین تماس را ایجاد کرده‌اند، کدام محصولات شکایت بیشتری دارند، چه درخواست‌هایی مرتب تکرار می‌شوند و در چه مرحله‌ای از خدمات بیشترین نارضایتی شکل می‌گیرد.
همچنین می‌توان الگوهای تکرارشونده را شناسایی کرد؛ برای مثال افزایش تماس‌های مربوط به تأخیر تحویل در یک گروه از مشتریان یا رشد شکایت‌ها پس از تغییر یک فرآیند.
در این نقطه، مکالمات از فایل‌هایی که صرفاً برای بررسی موردی نگهداری می‌شدند، به منبعی ارزشمند برای BI، تحلیل کیفیت خدمات و بهبود فرآیندها تبدیل می‌شوند.
معماری راهکار؛ AI چگونه به CRM متصل می‌شود؟
یک راهکار سازمانی مناسب معمولاً از چند لایه تشکیل می‌شود:
- دریافت صوت: از مرکز تماس، فایل ضبط‌شده یا پیام صوتی.
- Speech-to-Text: تبدیل گفتار فارسی به متن.
- AI Extraction: شناسایی موجودیت‌ها، درخواست‌ها و اطلاعات مورد نیاز.
- Validation: بررسی کیفیت، اعتبار و اطمینان از داده‌ها.
- CRM Integration: تطبیق مشتری، تکمیل فرم و ایجاد یا به‌روزرسانی درخواست.
- Workflow: ارجاع به کارشناس، اجرای SLA و پیگیری نتیجه.
این معماری می‌تواند با Dynamics 365 و سایر سیستم‌های سازمانی یکپارچه شود. بسته به نیاز سازمان، مدل‌های پردازش صوت و زبان نیز ممکن است در زیرساخت داخلی یا سرویس‌های مجاز بیرونی اجرا شوند.
در طراحی چنین سیستمی، حفاظت از اطلاعات شخصی، محدودیت دسترسی، سیاست نگهداری فایل‌های صوتی و ثبت فعالیت‌ها باید از ابتدا مورد توجه قرار گیرد.
از تحلیل صوت تا AI Agent
مرحله پیشرفته‌تر زمانی است که هوش مصنوعی علاوه بر استخراج اطلاعات، بتواند اقدام بعدی را نیز مدیریت کند.
برای مثال، اگر تماس مربوط به شکایت از تأخیر تحویل باشد، Agent می‌تواند وضعیت سفارش را بررسی کند، سوابق ارتباطی را بخواند، درخواست پیگیری آماده کند و پاسخ پیشنهادی برای کارشناس بسازد.
در اقدامات حساس، تصمیم نهایی همچنان با کارشناس باقی می‌ماند؛ اما بخش زیادی از جمع‌آوری اطلاعات و آماده‌سازی فرآیند توسط AI انجام می‌شود.
این همان مسیری است که تحلیل مکالمات را به مفهوم گسترده‌تر AI Workforce و اتوماسیون هوشمند سازمانی متصل می‌کند.
رویکرد رای‌بُد؛ تبدیل مکالمه به فرآیند قابل اجرا
در رای‌بُد، تبدیل صوت به متن را یک قابلیت مستقل و محدود نمی‌بینیم. ارزش اصلی زمانی ایجاد می‌شود که خروجی مکالمه به داده‌ای معتبر تبدیل شود و بتوان از آن در CRM، سیستم خدمات، فرآیندهای سازمانی و گزارش‌های مدیریتی استفاده کرد.
از تحلیل تماس‌های مشتریان و استخراج اطلاعات گرفته تا تکمیل خودکار فرم، ثبت درخواست، پیشنهاد پاسخ و اتصال به AI Agentهای تخصصی، هدف ما طراحی راهکاری است که با فرآیندهای واقعی سازمان هماهنگ باشد.
جمع‌بندی
آینده تحلیل مکالمات سازمانی صرفاً در نگهداری متن تماس‌ها نیست. ارزش واقعی زمانی شکل می‌گیرد که هوش مصنوعی بتواند از دل یک مکالمه، اطلاعات مهم را استخراج کند، آن‌ها را به ساختارهای قابل استفاده تبدیل کند و در ادامه به اجرای فرآیند کمک کند.
صوت → متن → داده ساختاریافته → CRM → اقدام
برای سازمان‌هایی که روزانه حجم زیادی از تماس‌ها، درخواست‌ها و شکایات مشتریان را مدیریت می‌کنند، این مسیر می‌تواند نقطه شروعی برای بهبود کیفیت داده، کاهش فعالیت‌های دستی و حرکت به سمت خدمات هوشمند باشد.
رای‌بُد با تمرکز بر سیستم‌های سازمانی، Dynamics 365 و راهکارهای هوش مصنوعی، می‌تواند در تحلیل فرآیند، طراحی معماری و پیاده‌سازی این نوع یکپارچه‌سازی به سازمان‌ها کمک کند.
اگر بخش مهمی از اطلاعات کسب‌وکار شما هنوز در مکالمات پنهان مانده است، زمان آن رسیده که این اطلاعات به بخشی از سیستم عملیاتی سازمان تبدیل شوند.
