הבעיה

התשובות היו קבורות עמוק בתוך ההקלטות.

כאשר מוקד שירות מטפל במיליוני פניות בחודש, רוב התובנות העסקיות קבורות בהקלטות שמע ובתמלילי צ'אט שאף אדם אינו מסוגל להאזין להם או לקרוא אותם.

שיעור הנטישה עלה ותלונות דומות חזרו על עצמן, אך מנהלי השירות לא הצליחו להבין מה באמת מפריע ללקוחות או היכן התהליך משתבש. תמונת המצב שלהם התבססה כולה על דגימה ידנית של כ-1% מהשיחות, מה שהשאיר את הארגון בעיוורון כמעט מוחלט לגבי מגמות של כשלים, חוסר שביעות רצון ונקודות הכאב האמיתיות של המנויים.

העיוורון הזה עלה ביוקר. כשצצה תקלה מערכתית (כמו באג בממיר או שגיאת חיוב), נדרשו להנהלה ימים שלמים כדי לזהות את המגמה, וגם זה קרה רק לאחר שהמוקד כבר הוצף באלפי לקוחות זועמים. במקביל, בקרת האיכות, שהתבססה על מדגם של שתי שיחות בלבד לנציג בחודש, הייתה דלה מדי כדי לשקף ביצועים אמיתיים או לאתר פערי ידע קריטיים.

מה עשינו

ניתחנו 100% מהשיחות.

כל שיחה, צ'אט והודעה עוברים תמלול אוטומטי, מנותחים לפי סנטימנט ומקושרים ישירות לשורש הבעיה.

לנתח הכול

לא מדגם, אלא הכל

חיברנו את מאגר הנתונים הארגוני למנוע שמבצע תמלול וניתוח אוטומטי בזמן אמת של כל הקלטות הקול, הודעות הצ'אט, המיילים והפניות ברשתות החברתיות, אותם 99% שאיש מעולם לא הגיע אליהם.

סנטימנט

להקשיב לתסכול, בסקייל

המודל מזהה דפוסי שיחה ומנתח את טון הדיבור של הלקוח ואת רמת התסכול שלו, כך שחוסר שביעות רצון הופך מנתון אנקדוטלי למדד כמותי וברור.

שורש הבעיה

הסיבה האמיתית נחשפת

המערכת מקבצת אוטומטית את הפניות ומציפה את שורש הבעיה (למשל, ”5,000 שיחות השבוע נבעו מקושי בסנכרון השלט החדש“), ומאפשרת למנהלים לראות את מהות הבעיה ולא רק את היקף הפניות.

התראות יזומות

זיהוי חריגות בתוך שעות, לא ימים

המערכת מייצרת התראות על חריגות ומפיקה דוחות תובנות יומיים, הכוללים המלצות קונקרטיות לשיפור תהליכים במוקד או לטיפול בתקלות מול מחלקות ההנדסה והכספים, עוד לפני שהבעיה הופכת לכדור שלג.

בקרת איכות מלאה

כל שיחה של כל נציג נבדקת

המעבר מדגימה אקראית לניתוח של 100% מהשיחות מאפשר לבקרת האיכות לכסות כל אינטראקציה, ולהעניק לכל נציג משוב וליווי אישי ומדויק, במקום לקבוע את ביצועיו על סמך שתי שיחות בחודש בלבד.

אדם מכריע

הצוות פועל על בסיס התובנות

ה-AI מאזין, מודד ומסמן, בעוד המנהלים וצוותי ההנדסה והכספים מחליטים מה לשנות. הוא הופך אוקיינוס של שיחות לרשימה ממוקדת של נושאים שדורשים תיקון, והאדם הוא זה שמתקן אותם בפועל.

התוצאה

מ-1% של ניחושים ל-100% של בהירות.

הכשלים אותרו מוקדם, והפניות החוזרות נבלמו.

חי

כשלים מאותרים תוך שעות, פניות חוזרות ירדו ב-25%

תקלות תפעוליות ושגיאות חיוב אותרו ותוקנו בתוך שעות במקום ימים, מה שמנע גלי פניות עצומים למוקד. כתוצאה מכך, שיעור הפניות החוזרות באותו נושא צנח ב-25%, מכיוון ששורש הבעיה תוקן ישירות במערכות הליבה ולא רק 'כובא' כשרפה מקומית במוקד.

וגם נאמנות

מהפכה בבקרת האיכות, NPS ו-CSAT עלו ב-30%

המעבר מדגימה אקראית לניתוח של 100% מהשיחות הפך את בקרת האיכות לכלי ליווי אישי ומדויק עבור הנציגים, והביא לזינוק של 30% במדדי שביעות הרצון והנאמנות (NPS ו-CSAT).

למה זה מחזיק

אי אפשר לתקן את מה שלא שמעתם מעולם.

הערך האמיתי נוצר מניתוח אותם 99% שבעבר היו בלתי נראים, ומהפיכת אוקיינוס של שיחות לרשימה מתועדפת של בעיות אמיתיות שניתן לפתור. זוהי בדיוק אותה מתודולוגיה שעומדת בבסיס עבודת ארכיון התוכן שלנו, שבה הפכנו חומרים שלא ניתן לבצע בהם חיפוש לנגישים ומאורגנים, אלא שהפעם יישמנו אותה על שיחות לקוחות במקום על ספריית וידאו. האנשים הם עדיין אלה שמחליטים מה לתקן, וה-AI רק מוודא ששום דבר חשוב לא יישאר קבור.

עוד פרויקטים

פרויקטים קשורים.

לא מבינים למה הלקוחות לא מרוצים?

לתיאום שיחת אסטרטגיה הביאו את התלונה שחוזרת שוב ושוב. שלושים דקות, בלי מצגות. אפשר גם לחקור AI למוקד התמיכה שלכם, או לראות עוד פרויקטים.