Усім привіт! Додаємо в нашу CRM можливість аналізу дзвінків для оцінки якості роботи менеджерів з продажу (аналітика + видача рекомендацій щодо допущених помилок). Підкажіть, можливо, хтось запроваджував подібний функціонал. Хочу поставити кілька питань технічно-продуктового плану. Заздалегідь дякую
Главное забыл написать про бд, почему монга или другая реляционка не зайдет и вот почему. Векторные базы гарно юзаются в IP-телефонии благодаря своей способности эффективно обрабатывать и анализировать большие объемы данных, что особенно важно для улучшения качества связи и взаимодействия с клиентами. Вот несколько способов, как векторные базы данных могут быть использованы в этой области:
1. Анализ голосовых вызовов
Векторные базы данных могут хранить и анализировать аудиозаписи голосовых вызовов, преобразованные в векторы с помощью методов машинного обучения. Это позволяет выполнять семантический поиск по содержимому разговоров, выявлять ключевые темы и паттерны, а также улучшать качество обслуживания клиентов.
2. Обработка естественного языка (NLP)
Используя векторные базы данных, компании могут улучшать свои системы обработки естественного языка для автоматических ответчиков и чат-ботов. Это позволяет более точно интерпретировать запросы пользователей и предоставлять релевантные ответы, что повышает уровень удовлетворенности клиентов.
3. Рекомендательные системы
Векторные базы данных могут быть использованы для создания систем рекомендаций, которые анализируют поведение пользователей и предлагают им соответствующие услуги или продукты на основе их предпочтений. Например, если клиент часто запрашивает определенные услуги, система может предложить ему дополнительные опции.
4. Обнаружение аномалий
Векторные базы данных могут помочь в обнаружении аномалий в трафике IP-телефонии, таких как подозрительная активность или мошенничество. Анализируя данные о вызовах и их характеристиках, можно выявить необычные паттерны, которые требуют внимания.
5. Оптимизация маршрутизации вызовов
С помощью векторных баз данных можно анализировать данные о вызовах для оптимизации маршрутизации трафика. Это может включать в себя выбор наиболее эффективных маршрутов для передачи голосовых данных, что снижает задержки и улучшает качество связи.
6. Интеграция с CRM-системами
Векторные базы данных могут быть интегрированы с CRM-системами для улучшения управления взаимодействиями с клиентами. Это позволяет более эффективно отслеживать историю вызовов и взаимодействий, а также предлагать персонализированные предложения на основе анализа данных.
Какой смысл копипастить ответы чатгпт?
Они ж в, таком виде — ни о чем, просто резонёрство и маркетинговый булшит.
Это не чат ГПТ. Если вы читали мои прошлые посты, то я уже об этом писал.В первом своем посте, я упустил этот вопрос, поэтому сейчас дописал, то чего не было.
Это типичный чат гпт. Куча банальностей и общих слов — длинно.
Ну или да, вы на учились лить воду. Зачем, вопрос тот же.
Может студент, преподу вот это все вываливать на экзамене?
Оно ж даже на собесе уже не очень пройдёт.
Еще раз вам повторяю и больше не буду. Это не чат ГПТ.
Хлопцы вопрос? А нужны ли менеджеры? hai.stanford.edu/...evable-humanlike-behavior
Цікаво чи є вже якісь розробки для клієнтських нейронок, щоб фільтрувати спам та скам так званих «менеджерів з продажу», але пропускати справжні вхідні? Чи потужності на клієнті не вистачить на таке?
Robokiller, прога, которое использует алгоритмы машинного обучения для блокировки спама и автоматического ответа на нежелательные звонки. Вы также, можете заюзать уже готовые решения, например,Модели обработки естественного языка (NLP), такие как BERT или GPT, могут быть адаптированы для анализа текстовых сообщений или транскрипций голосовых вызовов, чтобы выявлять признаки мошенничества или спама.
Классификаторы на основе машинного обучения — алгоритмы классификации (например, SVM, Random Forest) могут быть обучены на данных о звонках для определения вероятности того, что входящий вызов является спамом.
Хлопцы, а что скажите, если заюзать ламовского АИ агента, ну или другого и закидывать ему тудою репорты, для анализа?
может, вопроса не уловил — в чем сложность?
Сложности нет, просто лишнее телодвижение, для таких вещей возможно существует, кроме джейсона, свой формат данных. В мультимодальных нейросетях данные могут передаваться в виде векторов признаков. Например, изображения могут кодироваться в набор чисел (векторов), которые затем используются для обработки текстовых запросов или генерации описаний. Существует даже язык NNML (Neural Network Markup Language) шё предлагает способ описания структуры нейронной сети, включая параметры нейронов и связи между ними. Это позволяет передавать информацию о модели между различными системамию, поэтому формат данных для обмена информацией между нейросетями должен быть гибким и структурированным, чтобы обеспечить корректную передачу как входных, так и выходных данных.
Andrey Rogovsky
Допомагаю знайти першу роботу IT для Трейні та Джунів
в TOPIZDATO: Соціальна IT-екосистема
02.11.2024 14:53
Є готове рішення, в якому готові API — tldv.cello.so/HjMpO1esjRv
Бачив AI ботів які роблять продажі по скрипту вже. Щоправда коли задав питання — що робитиме бот, коли не може зрозуміти — що питає лід, то отримав відповідь, переключе на людину :)
В цілому, техніка оцінки продавців в BI вона завжди однакова була — по кількості продажів та середній сумі по чеку. І там далі статистика — середне, нижче та вище. В більшості випадків усеодно виходить коли продажі низькі, то винний зазвичай не продавець — а поганий продукт, не затребуваний ринком, бо там в цілому по палаті виходять погані показники. А так в цілому — дивляться хто вибивається в гору по продажах від середнього за ним наблюдають як це ? У разі екстра здібностей, винайденні нових технік, цільової групи клієнтів і т.п підвищують. Одним з прикладів вважається подаж кадилаків чорношкірим, чого діллери принципово не робили і вони перекупляли. Коли Кадилак майже дав дуба — бо білі стали купляти мерседеси та лексуси, на голову кращі технічно, однин з менеджерів з продажів це побачів і вмовив продавати чорношкірим клієнтам на пряму. З рештою він витягнув марку з дупи та став директором.
Хто в низ того менеджер навпаки скілує, якщо демотивація або тупий не обучаємий — то і на мороз.
разве мы говорим только о холодных?)
Ну наверное нужно больше контекста, если как аккаунтинг (ведение клиента) тут ни один AI не справится . Работал с сейлзами — от FMCG , бытовой техники до IT. Максимум что можно — типа тренажёр ситуативную обучалку
Кстати, тренажер рассматриваем сделать как следующий шаг (по проанализированным косякам)
А навіщо козі баян?
Навіщо по факту будувати КПІ по дзвінках менеджерів. Менеджерам це ніяк не допоможе. З часом вони почнуть підлаштовуватись під ШІ, а не на отримання прибутку, або якийсь компромісний варіант.
Самим оптимальним рішенням буде налаштувати ЩІ так, щоб він давав рекомендації тут і негайно, ще підчас дзвінка, щоб він став не оціночним засобом, а інструментом ведення розмови.
тоже хотим со временем такую фичу. Однако есть ощущение, что это дороже и сложнее реализовать. Поэтому, приняли решение пока начать с анализа. Любопытное мнение по поводу «подстройки под ИИ», на основании чего сделали такой вывод? Был ли опыт внедрения подобного решения?
Лучше заюзать так, с технической точки зрения.
Первый шаг в анализе звонков — это автоматическая транскрибация аудиозаписей в текст. Это позволяет быстро преобразовать разговоры в формат, удобный для дальнейшего анализа. Использование технологий распознавания речи, таких как Yandex STT(он фришный), обеспечивает высокую точность транскрибации (до 97%).
Обработка текстовых данных
После транскрибации текстовые данные могут быть переданы в нейросеть для анализа. Это включает в себя:
Выявление проблемных звонков: Нейросеть может автоматически определять моменты, когда менеджер не смог ответить на вопросы клиента или допустил ошибки.
Анализ соблюдения скриптов: Проверка, насколько менеджеры следуют установленным скриптам и стандартам общения.
Далее Интеграция с вашей CRM, потом пишим аналитику и рекомендации с использованием ИИ, все в конечном итоге сводится к AI-анализу звонков. Могу вам такое написанть на Питоне, пишите в личку, если вам такое интересно.
Смотрите сюдою: www.youtube.com/watch?v=jKq5-w8n3pA&t=1s
с использованием ИИ, все в конечном итоге сводится к AI-анализу звонков.
У вашому варіанті немає ніякого ai рішення не вводьте людину в оману — ви просто робите інтеграцію з готовими сервісами/nlp моделями та lm.
вариант интеграции меня вполне устраивает.
Через питон можно заюзать, ИИ, любой какой вам нужно. Вам тяжело это понять, так как у вас скорее всего отсутствует инженерное мышление.
Вот приблизительный код на пайтон:
Seven Berg
Sergey Lysak
Seven Berg
Andrei Boiko
Vic
Evgeny Sergeev
Evgeny Sergeev
RomanRasyak
Дмитро
import assemblyai as aai<br>from transformers import pipeline<br>import pandas as pd
<p># Настройка API ключа AssemblyAI<br>aai.settings.api_key = «ВАШ_API_КЛЮЧ»</p>
<p># Инициализация транскрибера<br>transcriber = aai.Transcriber()</p>
<p># Инициализация модели для анализа настроения<br>sentiment_analyzer = pipeline("sentiment-analysis")</p>
<p># Функция для транскрибации аудио<br>def transcribe_audio(audio_file):<br>transcript = transcriber.transcribe(audio_file)<br>return transcript.text</p>
<p># Функция для анализа настроения<br>def analyze_sentiment(text):<br>result = sentiment_analyzer(text)<br>return result[0][’label’]</p>
<p># Функция для выделения ключевых слов (простая реализация)<br>def extract_keywords(text, keywords):<br>return [word for word in keywords if word.lower() in text.lower()]</p>
<p># Функция для генерации отчета<br>def generate_report(transcript, sentiment, keywords):<br>report = f"Транскрипция: {transcript}\n"<br>report += f"Настроение: {sentiment}\n"<br>report += f"Ключевые слова: {’, ’.join(keywords)}\n"<br>return report</p>
<p># Основная функция анализа звонка<br>def analyze_call(audio_file, keywords):<br># Транскрибация<br>transcript = transcribe_audio(audio_file)</p>
<p># Анализ настроения<br>sentiment = analyze_sentiment(transcript)</p>
<p># Выделение ключевых слов<br>found_keywords = extract_keywords(transcript, keywords)</p>
<p># Генерация отчета<br>report = generate_report(transcript, sentiment, found_keywords)</p>
<p>return report</p>
<p># Пример использования<br>audio_file = «путь_к_аудиофайлу.mp3»<br>keywords = [«продукт», «цена», «качество», «доставка»]</p>
<p>report = analyze_call(audio_file, keywords)<br>print(report)</p>
<p># Сохранение результатов в CSV<br>df = pd.DataFrame({<br>’Audio File’: [audio_file],<br>’Transcript’: [transcribe_audio(audio_file)],<br>’Sentiment’: [analyze_sentiment(transcribe_audio(audio_file))],<br>’Keywords’: [’, ’.join(extract_keywords(transcribe_audio(audio_file), keywords))]<br>})<br>df.to_csv(’call_analysis_results.csv’, index=False)<br>< /pre></p>
<p>ниже приведен пример использования предложенного выше подхода<br>Использование готовых AI-сервисов:<br>AssemblyAI для транскрибации аудио<br>Модель из библиотеки transformers для анализа настроения<br>Интеграцию и настройку:<br>Настройка API ключа<br>Определение списка ключевых слов для конкретного бизнеса<br>Автоматизацию анализа:<br>Автоматическая транскрибация аудио<br>Анализ настроения текста<br>Выделение ключевых слов<br>Генерация отчета<br>Сохранение результатов:<br>Запись результатов анализа в CSV(или любой другой структурированных файл) файл для дальнейшего использования</p>
Проскролив просто цей шлак. Шкода, що вам інженерний хід думок не допоміг перенести output від llm у правильний тег на доу.
Спасибо, что подсказали, я просто псевдокод писал.А почему шлак, можете аргументировано, написать?
Yandex STT можно классифицировать как технологию искусственного интеллекта, так как она использует продвинутые методы машинного обучения и обработки естественного языка для выполнения сложной задачи распознавания речи.
Відчув всю потужність скрєпної мови прочитавши цей абзац і переклавши на мову оригіналу. На россійскій будо достатньо написати, що ви взяли якусь лібу або веб сервіс, щоб не виглядати як клоун.
Вот можете посмотреть такое: www.youtube.com/watch?v=5ZII6vvRFes&t=1s или
www.youtube.com/watch?v=mNRNUZUYSyU&t=2s
задача, хлопцы, как я понял тривиальная, но возможно различные реализации
Благодарю за развернуый ответ. Подскажите, как здесь написать в личку?
Напишите вашу почту, я Вам напишу, возможно вам так будет проще. Задача интересная, если гарно разюзать, то можно будет ее использовав ать и на других подобных проектах.
In MS Teams out of the box
имеете ввиду их CommsChoice ?
Volodymyr Dvernytskyi
33 коментарі
Додати коментар Підписатись на коментаріВідписатись від коментарів