تحلیل احساسات مشتری پیام‌به‌پیام: از «کلافه» تا «راضی»
گفتگویی را تصور کنید که با کلافگی شروع میشود و با تشکر تمام میشود. گفتگوی دیگری هم هست که آرام شروع میشود و با ناامیدی پایان می‌گیرد. اگر به هر دو یک برچسب «خنثی» بدهید، چیزی یاد نگرفته‌اید. تحلیل احساسات مشتری وقتی به کار می‌آید که نشان بدهد حال مشتری کجا و چرا عوض شد. در این مقاله می‌بینید این تحلیل چطور کار میکند، در فارسی کجا خطا میکند و نتیجه‌اش را چطور به کار ببرید.
محصول آماده کارن تکنولوژی
این را روی داده واقعی کسب‌وکار خودتان ببینید
آنچه در این مقاله می‌خوانید، در محصولات کارن پیاده‌سازی شده است. در جلسه دمو، همان را روی داده و فرآیند خودتان اجرا می‌کنیم.
درخواست دمو رایگان یا تماس بگیرید: ۰۲۱-۸۸۶۱۴۲۸۲در این صفحه
تحلیل احساسات مشتری چیست
تحلیل احساسات (Sentiment Analysis) یعنی نرمافزار از روی متن حدس بزند نویسنده چه حسی دارد. ساده‌ترین شکلش سه حالت دارد: مثبت، منفی و خنثی. شکل دقیق‌تر، حسهای مشخصتری را نام می‌برد: کلافه، سردرگم، نگران، راضی.
این تفاوت مهم است. مشتری کلافه و مشتری سردرگم هر دو در دسته «منفی» می‌افتند، ولی دو واکنش متفاوت می‌خواهند. مشتری کلافه باید بداند مسئله‌اش جدی گرفته شده است. مشتری سردرگم به توضیح روشن و قدم‌به‌قدم نیاز دارد.
روش‌ها هم در طول زمان عوض شده‌اند. روش‌های قدیمی‌تر با فهرست کلمه‌های مثبت و منفی کار می‌کردند. بعد مدل‌هایی آمدند که روی نمونه‌های برچسب‌خورده آموزش می‌دیدند. امروز مدلهای زبانی میتوانند کل گفتگو را بخوانند و هر پیام را در زمینه پیامهای قبلی بسنجند. این روش انعطاف بیشتری دارد، ولی همچنان خطا میکند.
چرا یک برچسب برای کل گفتگو کافی نیست
میانگین، داستان را پاک میکند. گفتگویی که از «کلافه» به «راضی» رسیده، یک موفقیت پشتیبانی است. گفتگویی که از «خنثی» به «ناامید» رسیده، یک هشدار است. میانگین هر دو میتواند به یک جا برسد.
چیزی که واقعاً دنبالش هستید، نقطه چرخش است: همان پیامی که بعد از آن حال مشتری عوض شد. این نقطه به شما می‌گوید کدام جمله گره را باز کرد و کدام جمله اوضاع را بدتر کرد. برای مربی‌گری تیم و اصلاح فرایند، این اطلاعات خیلی بیشتر از یک نمره ارزش دارد.
یک گفتگو، پیام‌به‌پیام
برای اینکه ایده روشن شود، این گفتگوی ساختگی را ببینید:
| پیام مشتری | برچسب | چه چیزی می‌گوید |
|---|---|---|
| «سلام، سفارشم هنوز نرسیده.» | خنثی | هنوز فقط یک پرسش است. |
| «دو بار زنگ زدم، کسی جواب نداد.» | کلافه | مسئله دیگر فقط سفارش نیست؛ بی‌پاسخ ماندن هم هست. |
| «این لینکی که فرستادید باز نمی‌شود. الان باید چه کار کنم؟» | سردرگم | راه‌حل به مشتری نرسیده است. |
| «آهان، پیدا شد. ممنون از پیگیری‌تان.» | راضی | راهنمایی دوم نقطه چرخش بوده است. |
اگر فقط پیام آخر را نگاه کنید، گفتگو عالی بوده است. اگر کل مسیر را ببینید، دو نکته پیدا می‌کنید: تماس‌های بی‌پاسخ و لینکی که کار نمی‌کند. این‌ها مسئله‌های فرایند هستند، نه ضعف کارشناس.
فرق تحلیل احساسات با نظرسنجی
تحلیل احساسات جای نظرسنجی را نمیگیرد. این دو، دو چیز متفاوت را نشان می‌دهند.
- نظرسنجی چیزی است که مشتری خودش اعلام میکند، ولی همه جواب نمی‌دهند و معمولاً فقط یک نمره برای پایان گفتگو می‌گیرید. درباره این سنجه‌ها در مقاله CSAT و NPS نوشته‌ایم.
- تحلیل احساسات برداشت نرمافزار از متن است. برداشت میتواند اشتباه باشد، ولی برای گفتگوهایی هم که نظرسنجی ندارند نتیجه می‌دهد و مسیر را هم نشان می‌دهد.
بهترین کار این است که هر دو را کنار هم ببینید. جایی که مشتری نمره پایین داده ولی تحلیل، گفتگو را مثبت می‌داند، ارزش خواندن دارد. شاید مشتری از خود کالا ناراضی است، نه از گفتگو. شاید هم تحلیل اشتباه کرده است. شاخص‌های دیگر را هم می‌توانید در راهنمای شاخص‌های پشتیبانی مشتری ببینید.
فارسی کجا تحلیل را به خطا می‌برد
تحلیل احساسات در هر زبانی خطا دارد، ولی فارسی چت چند دام خاص دارد که باید بشناسید:
- طعنه: «دستتان درد نکند، باز هم خراب شد!» کلمه‌های مثبت دارد و منظور منفی. «خسته نباشید» هم میتواند سلام مؤدبانه باشد و هم کنایه.
- تعارف: مشتری ناراضی ممکن است خیلی مؤدبانه بنویسد: «ممنون، زحمت کشیدید، ولی مشکل حل نشد.» تشکر در این جمله به معنی رضایت نیست.
- پیامهای کوتاه: «باشه» میتواند پذیرش باشد یا تسلیم. بدون پیامهای قبلی نمی‌شود فهمید کدام است.
- فینگلیش و محاوره: «salam, sefaresham nareside» یا املای شکسته و بی‌فاصله، کار مدل را سخت‌تر میکند.
- حس درباره چه چیزی؟ «این شرکت حمل افتضاح است» شاید منفی باشد، ولی منظور مشتری شاید شرکت پست است، نه شما و نه کارشناس.
با نتیجه تحلیل چه کار کنیم
تحلیل احساسات وقتی ارزش دارد که به کاری منجر شود. این چند کاربرد عملی‌اند:
- پیدا کردن گفتگوهای نیازمند توجه: سرپرست به‌جای نمونه‌برداری تصادفی، اول سراغ گفتگوهایی می‌رود که رو به بدتر شدن رفته‌اند.
- مربی‌گری: نقطه چرخش مثبت، بهترین مثال برای آموزش به بقیه تیم است.
- اصلاح فرایند: اگر در یک موضوع خاص کلافگی زیاد است، شاید مسئله از خود فرایند باشد، نه از نحوه جواب دادن.
- اصلاح پایگاه دانش: سردرگمی بعد از فرستادن یک مقاله راهنما یعنی آن مقاله گویا نیست.
چند کار که نباید بکنید
چون این تحلیل درباره آدم‌هاست، حد و مرز هم لازم دارد:
- برچسب دائمی روی مشتری نزنید. «مشتری عصبانی» برچسب یک لحظه است، نه ویژگی یک آدم. مشتری‌ای که یک بار کلافه شده، نباید در هر گفتگوی بعدی با پیشداوری روبهرو شود.
- کارشناس را با آن تنبیه نکنید. حال بد مشتری همیشه تقصیر کارشناس نیست. درباره این موضوع در مقاله ارزیابی هوشمند اپراتور بدون بی‌عدالتی مفصل نوشته‌ایم.
- دقت را فرض نگیرید. پیش از اتکا به نتیجه، چند ده گفتگوی واقعی خودتان را با انسان برچسب بزنید و با خروجی تحلیل مقایسه کنید.
- حریم خصوصی را فراموش نکنید. این که چه کسی نتیجه تحلیل را می‌بیند و متن گفتگو برای پردازش به کجا می‌رود، باید با سیاست سازمان شما هماهنگ باشد.
یک نکته دیگر هم هست: تحلیل متنی فقط متن را می‌بیند. اگر متن یک تماس صوتی را تحلیل می‌کنید، لحن و مکث‌های صدا در آن نیست.
از یک گفتگو تا الگوی تیم
تحلیل یک گفتگو به سرپرست کمک میکند. ولی ارزش بیشتر وقتی پیدا میشود که الگوها را ببینید. این پرسش‌ها نمونه‌هایی‌اند که می‌توانید با نتیجه تحلیل جواب بدهید:
- مشتری‌ها در کدام موضوع‌ها بیشتر کلافه می‌شوند؟
- در کدام مرحله از فرایند، سردرگمی بیشتر است؟ مثلاً پس از فرستادن لینک پیگیری یا هنگام ثبت مرجوعی.
- گفتگوهایی که از کلافگی به رضایت رسیده‌اند، چه جمله‌هایی مشترک دارند؟
- گفتگوهای تحویل‌شده از چت‌بات با حال بدتری به کارشناس می‌رسند؟ اگر بله، شاید تحویل به اپراتور دیر انجام میشود.
در مقایسه‌ها مراقب باشید. گفتگوهای موضوع‌های مختلف را نمی‌شود مستقیم کنار هم گذاشت. مسئله مالی طبیعتاً پرتنش‌تر از پرسش درباره ساعت کاری است. برای همین هر موضوع را با گذشته خودش مقایسه کنید، نه با موضوع دیگر.
چطور شروع کنید
لازم نیست از ابتدا برای همه گفتگوها تحلیل بسازید. این مسیر ساده کار را کم‌خطر میکند:
- یک پرسش مشخص انتخاب کنید. مثلاً «چرا گفتگوهای مرجوعی این‌قدر پرتنش‌اند؟»
- فهرست برچسب‌ها را کوتاه نگه دارید. چند حس که برای هر کدام اقدام مشخصی دارید، بهتر از فهرست بلندی است که کسی از آن استفاده نمی‌کند.
- با انسان مقایسه کنید. نمونهای از گفتگوهای واقعی را چند نفر جداگانه برچسب بزنند.
- نتیجه را به تیم نشان بدهید. کارشناس‌ها زود می‌گویند کجا تحلیل با واقعیت نمی‌خواند.
- هزینه را ببینید. تحلیل با مدل زبانی توکن مصرف میکند. لازم نیست هر گفتگوی ساده تحلیل شود.
هدف این نیست که عددی به نام «احساس مشتری» در داشبورد بگذارید. هدف این است که زودتر بفهمید کجا چیزی خراب است و پیش از آنکه مشتری‌های بیشتری با همان مشکل روبهرو شوند، آن را درست کنید.
نمونه عملی: جدول زمانی احساسات در مانوتل
بهعنوان نمونه، در مانوتل، محصولی از کارن تکنولوژی، این تحلیل بخشی از Copilot است. اپراتور یا سرپرست با یک کلیک برای یک گفتگو یا تیکت تحلیل می‌گیرد: خلاصه گفتگو و احساس کلی مشتری، سه سنجه درصدی اعتماد احساسی، رضایت مشتری و کیفیت مکالمه، و جدول زمانی احساسات به تفکیک هر پیام؛ مثلاً خنثی، کلافه، سردرگم و بعد راضی.
کنار این جدول، مسائل حیاتی هم فهرست می‌شوند؛ هر کدام با شدت، وضعیت (در انتظار، حل‌شده، ردشده) و ارجاع به همان پیام. سرپرست در نمای خودش همه مسائل حیاتی باز تیم را یک‌جا می‌بیند. تولید تحلیل دستی است، نتیجه ذخیره می‌ماند و فقط وقتی گفتگو عوض شده باشد دوباره ساخته میشود.
همین تحلیل بینش‌های کلیدی هم می‌دهد: موضوع اصلی، هدف مشتری، لحن، اینکه نتیجه حاصل شد یا نه و اینکه به ارجاع نیاز هست یا نه. توصیه‌های اقدام‌محور هم با اولویت می‌آیند. به این ترتیب برچسب احساس تنها نمی‌ماند و کنار زمینه‌اش دیده میشود.
می‌خواهید تحلیل گفتگو را روی نمونه‌ها ببینید؟
جلسه شناخت ۳۰ دقیقه‌ای، رایگان و بدون تعهد.
پرسش‌های متداول
روشی که نرمافزار با آن از روی متن پیامها برداشت میکند مشتری چه حسی دارد؛ از برچسب ساده مثبت و منفی تا حسهای مشخصتری مثل کلافه، سردرگم یا راضی.
نه. نظرسنجی نظر اعلامشده خود مشتری است و تحلیل احساسات برداشت نرمافزار از متن. نظرسنجی همیشه جواب نمیگیرد و تحلیل ممکن است خطا کند؛ برای همین بهتر است کنار هم دیده شوند.
چون مسیر را پنهان میکند. گفتگویی که از کلافگی به رضایت رسیده و گفتگویی که از آرامش به ناامیدی رسیده، میتوانند میانگین مشابهی داشته باشند، در حالی که معنی کاملاً متفاوتی دارند.
گاهی بله و گاهی نه. مدلهای زبانی با دیدن پیامهای قبلی بهتر عمل میکنند، ولی جملهای مثل «دستتان درد نکند، باز خراب شد» هنوز میتواند اشتباه خوانده شود. برای تصمیم مهم، خود پیام را بخوانید.
مدلهای زبانی معمولاً میتوانند این متنها را بخوانند، ولی خطا در آنها بیشتر از فارسی معیار است. پیش از اتکا به نتیجه، نمونهای از گفتگوهای واقعی خودتان را آزمایش کنید.
بهعنوان بخشی از یک گفتگو اشکالی ندارد، ولی نباید به برچسب دائمی روی آن آدم تبدیل شود. احساس به یک لحظه و یک موضوع مربوط است و مشتری نباید در گفتگوی بعدی با پیشداوری روبهرو شود.
تعدادی گفتگوی واقعی انتخاب کنید و بدهید چند نفر جداگانه برچسب بزنند. بعد خروجی نرمافزار را با نظر آنها مقایسه کنید. جاهایی که خود انسان‌ها هم اختلاف دارند، معمولاً جاهایی‌اند که نباید به نرمافزار تکیه کرد.
