讨论深度学习的不同方式，让你了解客户的声音

在当今竞争激烈的商业环境中，理解客户的声音是关键所在，培养以客户为中心的管理风格，专注于理解和保持对客户有吸引力的、积极的高质量体验。

互联网和内部网通信允许企业与他们服务的人进行持续的对话。这让他们获得了大量潜在的有价值的信息。自然语言理解和深度学习是挖掘这些信息和揭示如何更好地为他们的客户服务的关键。

在这个博客中，我将讨论深度学习的不同方式，让你了解客户的声音，包括：定性数据的重要性（非结构化反馈）；分析在定性数据分析中对客户的声音（VoC）的作用；以及应用程序的深度学习的作用和承诺（包括人工智能助手）。

定性数据（非结构化反馈）对提高客户的声音的重要性

今天，调查仍然是收集客户反馈的最常用的方式之一，仅仅是因为它在结构化信息方面很适合。封闭式问题、评级得分和NPS都是对客户满意度进行量化分析的方法。统计、平均数和趋势可以很容易地从定量调查的答案中被计算，从而得出报告。

不幸的是，调查在客户中越来越不受欢迎。调查的回应率正在下降，部分原因是客户被要求回答冗长的、复杂的调查，而这些调查可能根本没有关注对他们来说最重要的事情。

我们也看到了不请自来的反馈，比如社交媒体上分享的客户反馈，以及评论平台作为商业信息的来源变得更有价值，因为它提供了不带偏见的、自由格式的文本，在这些文本中，用户的意见可以被分享。

与结构化反馈不同，非结构化客户反馈很难被编译成数字。自由格式文本可以混乱和可以提供不符合语法的表达意见和情绪，这些很难被翻译成数字或“一个模子”的形式，适合所有的规模，很难转换为结构化表示，而结构化数据很容易聚集成数字和统计业务关键性能指标。

为什么自然语言理解是一项复杂的任务？

自然语言理解是人工智能中最具挑战性的领域之一，因为它涉及到以文本格式或语言表达的语言信息来重新生成认知任务。

文本是一种具有挑战性的交流媒介，因为信息可以用不同的词语、不同的语法形式来传达，单词和句子的意思是会受语境影响的。

文本分析在客户的声音（VoC）定性数据分析中的作用

第一条原则：并非所有的文本分析都是平等的。

文本分析在将非结构化数据转换为结构化数据方面起着中心作用。这是自上世纪90年代以来在商业应用中使用的一种技术。应对自然语言固有的复杂性可以以各种方式解决，如基于关键字的方法或机器学习（包括深度学习）方法。

关键字基本方法

最常用的方法是依赖关键词查找来查找可能相关的语句。在句子中发现的积极的关键词和消极的关键字被用来量化客户反馈的满意程度和不满意程度。

本体和词汇是这些方法的基石。他们定义了特定行业或企业的词汇。然而，关键字提供了有限的洞察力，不能涵盖诸如“如果房间更大，我将给酒店评为5星级”之类的复杂句子。匹配关键词“5星”会产生错误的情绪评分，因为客户实际上并没有给出“5星”评级。

构建语言资源来支持这些方法往往是一项耗时的任务，并且定义一个完整的模型领域知识词汇表是很难实现的。这些方法有三个问题：

他们不考虑句子的上下文，这影响了分析的准确性。

首字母缩略词“LoL”、符号“:-)”和其他特殊符号定义了一套全新的词汇表，这些词汇随时代变化而变化（千禧一代、年轻人、老年人）。使用词汇表来处理这些变化是很困难的。

在表达问题时，很难预测客户会使用什么类型的词汇。

机器学习方法

为了应对这些挑战，统计机器学习算法似乎给出了一些答案，因为它们在语言资源（词汇表）方面往往更加健壮，要求也更低。这是在编码语言资源时克服大量认知工作和潜在人为错误的一种方法。

统计模型是基于在文本中观察到的模式绑定数据点（如单词）的数学模型。这些模式可以是语法关系，也可以是其他类型的关系，如语义关系或讨论关系。超过15年的统计模型，如马尔可夫（Markov）模型和条件随机字段等，被用来执行文本分析。这些算法往往能很好地捕捉“简单”的模式。

文本分析的深入学习

对于统计模型而言，定义文本的预期意义的建模语言水平具有挑战性。一些模型在简单的语言关系建模中表现良好，但为了考虑所有影响文本意义的语言现象，需要考虑丰富的统计模型。深度学习算法是一种多层次的神经网络，是一组能够模拟不同模式的统计模型，以及它们之间可能存在的关系。此功能允许模型学习文本中观察到的复杂模式。

由于多层次的表达能力，在语义层次和领域知识的处理上可以更好地进行深度学习。

用于客户声音（VoC）的深度学习的承诺

复杂的统计模型，例如深度学习，能够捕捉语言的细微之处，并提供高准确度的细粒度洞察力。这意味着文本分析技术将能够从一种浅薄的NLU（自然语言理解），集中于广泛的分类，如快乐和不快乐的客户，以更细粒度的和更深入的理解客户动机，支持忠诚和流失。

捕捉语言的微妙之处，以及提供高精确度的细粒度洞察力，对于允许文本分析技术从报告能力转向预测它们，并提出改进客户体验（CX）的建议至关重要。

在不久的将来，我们将会看到CX-AI助手的大量增加，这些助手使用的是说明性分析模型，不仅能够理解客户的反馈，还能通过基准测试和比较来生成建议和评估业务性能。