Freigeben über


Extrahieren und Analysieren von Callcenterdaten

Azure Blob Storage
Azure KI Speech
Azure KI Services
Power BI

In diesem Artikel wird beschrieben, wie Sie Erkenntnisse aus Kundenunterhaltungen in einem Callcenter mithilfe von Azure KI Services und Azure OpenAI Service extrahieren. Verwenden Sie diese Dienste, um Ihre Interaktionen mit Kund*innen und deren Zufriedenheit zu verbessern, indem Sie die Anrufabsicht und -stimmung analysieren, wichtige Entitäten extrahieren und Anrufinhalte zusammenfassen.

Aufbau

Diagramm, das die KI-Architektur im Callcenter zeigt. Laden Sie eine PowerPoint-Datei zu dieser Architektur herunter.

Datenfluss

  1. Telefonanrufe zwischen Agent*innen und Kund*innen werden aufgezeichnet und in Azure Blob Storage gespeichert. Audiodateien werden über eine unterstützte Methode, z. B. das oberflächenbasierte Tool Azure Storage-Explorer oder ein Storage SDK oder eine API, in ein Azure Storage-Konto hochgeladen.

  2. Eine Azure-Funktion ist mit einem der folgenden Trigger konfiguriert, um den intelligenten Transkriptionsprozess zu starten:

    • Timertrigger: Konfigurieren Sie einen zeitbasierten Trigger, um ein Batch von Audiodateien zu verarbeiten, die über einen bestimmten Zeitraum gesammelt wurden.

    • Blobtrigger: Konfigurieren Sie einen Blobtrigger, um eine intelligente Transkription einzuleiten, sobald eine Audiodatei in den Blobcontainer hochgeladen wird.

  3. Die Azure-Funktion löst einen Azure-App Dienst aus, der die folgenden Schritte in Folge ausführt:

    1. Rufen Sie die Azure AI Speech auf, um die Dateien zu transkribieren.

    2. Optional können Sie diese Rohdatei für zukünftige Referenzzwecke in Azure Blob Storage speichern.

    3. Leiten Sie die Rohdaten an den Azure KI Language Service weiter, um im Transkript personenbezogene Daten zu erkennen und zu redigieren.

    4. Senden Sie die unkenntlich gemachten Daten an Azure OpenAI Service, um verschiedene Post-Call-Analysen durchzuführen, die Ihnen dabei helfen, z. B. die Absicht und die Stimmung des Anrufs zu verstehen, Entitäten zu extrahieren oder die Unterhaltung zusammenzufassen und so die Effizienz des Anrufs zu bewerten.

    5. Speichern Sie die verarbeiteten Ergebnisse in Azure Storage zur Visualisierung oder für den Verbrauch durch Downstreamanwendungen.

  4. Power BI kann verwendet werden, um die Post-Call-Analyse entsprechend der Anforderungen des geschäftlichen Anwendungsfalls anhand verschiedener Kriterien zu visualisieren. Sie können diese Ausgabe auch in einem Kundenbeziehungsmanagement (CRM) speichern, sodass Agent*innen Kontextinformationen darüber erhalten, warum der Kunde/die Kundin angerufen hat, und potenzielle Probleme schnell lösen können. Dieser Prozess ist vollständig automatisiert, wodurch die Agent*innen Zeit und Aufwand sparen.

Komponenten

  • Blob Storage ist die Objektspeicherlösung für rohe Dateien in diesem Szenario. Blob Storage unterstützt Bibliotheken für Sprachen wie .NET, Node.js und Python. Anwendungen können über HTTP oder HTTPS auf Dateien in Blob Storage zugreifen. Blob Storage verfügt über heiße, kalte und Archivspeicherebenen, um große Datenmengen zu speichern und so Kosten zu optimieren.

  • Azure OpenAI bietet Zugriff auf die Sprachmodelle von Azure OpenAI, einschließlich GPT-3, Codex und der Modellserien für Einbettungen, um Inhaltsgenerierung, Zusammenfassung, semantische Suche und die Übersetzung natürlicher Sprachen in Code zu ermöglichen. Sie können über REST-APIs, Python SDK oder die webbasierte Schnittstelle im Azure OpenAI Studioauf den Dienst zugreifen.

  • Azure KI Speech ist eine KI-basierte API, die Sprachfunktionen wie Spracherkennung (Sprache-in-Text), Sprachsynthese (Text-zu-Sprache), Sprachübersetzung und Sprecher*innenerkennung bereitstellt. Diese Architektur verwendet die Batchtranskriptionsfunktion von Azure KI Speech.

  • Azure KI Language konsolidiert die Azure-Dienste für die Verarbeitung natürlicher Sprachen. Informationen zu vordefinierten und anpassbaren Optionen finden Sie unter Verfügbare Features von Azure KI Language.

  • Language Studio bietet eine Benutzeroberfläche zum Untersuchen und Analysieren der KI-Dienste für Sprachfunktionen. Language Studio bietet Optionen zum Erstellen, Taggen, Trainieren und Bereitstellen benutzerdefinierter Modelle.

  • Power BI ist eine Software-as-a-Service (SaaS), die visuelle und interaktive Einblicke für Geschäftsanalysen bietet. Sie bietet Transformationsfunktionen und stellt eine Verbindung mit anderen Datenquellen her.

Alternativen

Abhängig von Ihrem Szenario können Sie die folgenden Workflows hinzufügen.

  • Führen Sie mit dem vordefinierten Modell in Azure KI Language eine Konversationszusammenfassung durch.
  • Azure bietet auch Sprachanalyse (Speech Analytics), die eine umfassende Orchestrierung für Post-Call-Analysen im Batch bereitstellt.

Szenariodetails

Diese Lösung verwendet Azure KI-Spracherkennung, um Callcenter-Audio in geschriebenen Text zu konvertieren. Azure KI Language redigiert vertrauliche Informationen in der Unterhaltungstranskription. Azure OpenAI extrahiert Erkenntnisse aus der Kundenunterhaltung, um die Effizienz des Callcenters und die Kundenzufriedenheit zu verbessern. Verwenden Sie diese Lösung, um transkribierten Text zu verarbeiten, vertrauliche Informationen zu erkennen und zu entfernen, und Analysen zu den Extraktionen wie Grund für den Anruf, die angegebene Lösung oder nicht, die Stimmung des Anrufs, das Auflisten des Produkt-/Serviceangebots basierend auf der Anzahl der Abfragen/Kundenbeschwerden usw. Skalieren Sie die Dienste und die Pipeline für beliebige Mengen aufgezeichneter Daten.

Mögliche Anwendungsfälle

Diese Lösung bietet Organisationen aus verschiedenen Branchen, die mit Kundenservicemitarbeiter*innen zusammenarbeiten, einen Mehrwert. Die Post-Call-Analyse kann dazu beitragen, die Produkte und Dienstleistungen von Unternehmen und die Effizienz der Kundensupportsysteme zu verbessern. Die Lösung ist für alle Organisationen von Nutzen, die Unterhaltungen aufzeichnen, sowie für Kundenmitarbeiter*innen, interne Callcenter oder Supportdesks.

Überlegungen

Diese Überlegungen bilden die Säulen des Azure Well-Architected Framework, einer Reihe von Leitprinzipien, die Sie zur Verbesserung der Qualität eines Workloads verwenden können. Weitere Informationen finden Sie unter Well-Architected Framework.

Zuverlässigkeit

Zuverlässigkeit trägt dazu bei, dass Ihre Anwendung die Verpflichtungen erfüllen kann, die Sie für Ihre Kunden vornehmen. Weitere Informationen finden Sie unter Erstellen einer Checkliste zur Überprüfung der Zuverlässigkeit.

  • Suchen Sie die Vereinbarung zum Servicelevel (SLA) für die Verfügbarkeit für jede Komponente in SLAs für Onlinedienste.
  • Informationen zum Entwerfen von Hochverfügbarkeitsanwendungen mit Storage-Konten finden Sie in den Konfigurationsoptionen.
  • Um die Resilienz der Computedienste und Datenspeicher in diesem Szenario sicherzustellen, verwenden Sie den Fehlermodus für Dienste wie Azure Functions und Storage. Weitere Informationen finden Sie in der Checkliste für Resilienz für Azure-Dienste.

Sicherheit

Sicherheit bietet Sicherheitsmaßnahmen gegen bewusste Angriffe und den Missbrauch Ihrer wertvollen Daten und Systeme. Weitere Informationen finden Sie unter Erstellen einer Checkliste zur Überprüfung der Sicherheit.

Kostenoptimierung

Die Kostenoptimierung konzentriert sich auf Möglichkeiten, unnötige Ausgaben zu reduzieren und die betriebliche Effizienz zu verbessern. Weitere Informationen finden Sie unter Erstellen einer Checkliste zur Überprüfung der Kostenoptimierung.

Die Gesamtkosten dieser Lösung hängen vom Tarif Ihrer Dienste ab. Folgende Faktoren können sich auf den Preis der einzelnen Komponenten auswirken:

  • Die Anzahl der Dokumente, die Sie verarbeiten.
  • Die Anzahl gleichzeitiger Anforderungen, die Ihre Anwendung empfängt.
  • Die Größe der Daten, die Sie nach der Verarbeitung speichern.
  • Ihre Bereitstellungsregion.

Weitere Informationen finden Sie in den folgenden Ressourcen:

Verwenden Sie den Azure-Preisrechner, um die Kosten Ihrer Lösung zu schätzen.

Effiziente Leistung

Die Leistungseffizienz bezieht sich auf die Fähigkeit Ihrer Workload, die Anforderungen der Benutzer effizient zu erfüllen. Weitere Informationen finden Sie unter Erstellen einer Checkliste zur Überprüfung der Leistungseffizienz.

Wenn große Datenmengen verarbeitet werden, kann es zu Leistungsengpässen kommen. Um eine ordnungsgemäße Leistungseffizienz sicherzustellen, müssen Sie die Skalierungsoptionen verstehen und planen, die mit der Funktion für die Autoskalierung von KI-Diensten verwendet werden sollen.

Die Batch-Spracherkennungs-API ist für große Mengen konzipiert. Bei anderen APIs für KI-Dienste gelten jedoch möglicherweise je nach Abonnementebene Anforderungsgrenzwerte. Erwägen Sie die Containerisierung der APIs für KI-Dienste, um eine Verlangsamung bei der Verarbeitung großer Datenmengen zu vermeiden. Container bieten Flexibilität bei der Bereitstellung in der Cloud und lokal. Mit Containern können Sie die Nebenwirkungen der Einführung neuer Versionen abmildern. Weitere Informationen finden Sie unter Containerunterstützung in KI-Diensten.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:

Hauptautoren:

  • Dixit Arora | Senior Customer Engineer, ISV DN CoE
  • Jyotsna Ravi | Principal Customer Engineer, ISV DN CoE

Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.

Nächste Schritte