Dela via

Extrahera och analysera call center-data

Azure Blob Storage
Azure AI Speech
Azure AI-tjänster
Power BI

Den här artikeln beskriver hur du extraherar insikter från kundkonversationer i ett callcenter med hjälp av Azure AI-tjänster och Azure OpenAI Service. Använd dessa tjänster för att förbättra dina kundinteraktioner och tillfredsställelse genom att analysera avsikt och attityd för samtal, extrahera viktiga entiteter och sammanfatta samtalsinnehåll.

Arkitektur

Diagram som visar CALL CENTER AI-arkitekturen. Ladda ned en PowerPoint-fil med den här arkitekturen.

Dataflöde

  1. Ett telefonsamtal mellan en agent och en kund registreras och lagras i Azure Blob Storage. Ljudfiler laddas upp till ett Azure Storage-konto via en metod som stöds, till exempel det användargränssnittsbaserade verktyget, Azure Storage Explorer eller ett Storage SDK eller API.

  2. En Azure-funktion konfigureras med någon av följande utlösare för att starta den intelligenta transkriptionsprocessen:

    • Timerutlösare: Konfigurera en tidsbaserad utlösare för att bearbeta en batch ljudfiler som ackumulerats under en angiven tidsperiod.

    • Blobutlösare: Konfigurera en blobutlösare för att initiera intelligent transkription så snart en ljudfil laddas upp till blobcontainern.

  3. Azure-funktionen utlöser en Azure App Service som kör följande steg i följd:

    1. Anropa Azure AI Speech för att transkribera filerna.

    2. Du kan också spara den här rådatafilen i Azure Blob Storage för framtida referens.

    3. Skicka rådata till Azure AI Language-tjänsten för att identifiera och redigera personliga data i avskriften.

    4. Skicka de redigerade data till Azure OpenAI-tjänsten för att utföra olika analys efter samtal som att förstå avsikten och attityden för samtalet, extrahera entiteter eller sammanfatta konversationen för att utvärdera anropets effektivitet.

    5. Lagra bearbetade utdata i Azure Storage för visualisering eller förbrukning av underordnade program för vidare bearbetning.

  4. Power BI kan användas för att visualisera analys efter samtal på olika villkor som krävs av affärsanvändningsfallet. Du kan också lagra dessa utdata i en kundrelationshantering (CRM), så att agenter har sammanhangsberoende information om varför kunden ringde och snabbt kan lösa potentiella problem. Den här processen är helt automatiserad, vilket sparar agenternas tid och arbete.

Komponenter

  • Blob Storage är objektlagringslösningen för rådatafiler i det här scenariot. Blob Storage stöder bibliotek för språk som .NET, Node.js och Python. Program kan komma åt filer på Blob Storage via HTTP eller HTTPS. Blob Storage har åtkomstnivåer för frekvent, lågfrekvent och arkivlagring för lagring av stora mängder data, vilket optimerar kostnaden.

  • Azure OpenAI ger åtkomst till Azure OpenAI-språkmodellerna, inklusive GPT-3, Codex och inbäddningsmodellserien, för innehållsgenerering, sammanfattning, semantisk sökning och översättning från naturligt språk till kod. Du kan komma åt tjänsten via REST-API:er, Python SDK eller det webbaserade gränssnittet i Azure OpenAI Studio.

  • Azure AI Speech är ett AI-baserat API som tillhandahåller talfunktioner som tal till text, text till tal, talöversättning och talarigenkänning. Den här arkitekturen använder Batch-transkriptionsfunktionen för Azure AI Speech.

  • Azure AI Language konsoliderar bearbetningstjänsterna för naturligt språk i Azure. Information om fördefinierade och anpassningsbara alternativ finns i Tillgängliga funktioner för Azure AI Language.

  • Language Studio tillhandahåller ett användargränssnitt för att utforska och analysera AI-tjänster för språkfunktioner. Language Studio innehåller alternativ för att skapa, tagga, träna och distribuera anpassade modeller.

  • Power BI är en saaS (software-as-a-service) som ger visuella och interaktiva insikter för affärsanalyser. Den tillhandahåller transformeringsfunktioner och ansluter till andra datakällor.

Alternativ

Beroende på ditt scenario kan du lägga till följande arbetsflöden.

  • Utför konversationssammanfattningar med hjälp av den fördefinierade modellen i Azure AI Language.
  • Azure erbjuder även Speech Analytics som tillhandahåller hela orkestreringen för analys efter samtal i batch.

Information om scenario

Den här lösningen använder Azure AI Speech to Text för att konvertera call center-ljud till skriftlig text. Azure AI Language redigerar känslig information i konversationstranskriptionen. Azure OpenAI extraherar insikter från kundkonversation för att förbättra kundtjänstens effektivitet och kundnöjdhet. Använd den här lösningen för att bearbeta transkriberad text, identifiera och ta bort känslig information och utföra analyser av extrahering som orsak till samtalet, lösning som tillhandahålls eller inte, attityd för samtalet, lista produkt/tjänsterbjudande baserat på antalet frågor/kundklagomål och så vidare. Skala tjänsterna och pipelinen för att hantera alla volymer av inspelade data.

Potentiella användningsfall

Den här lösningen ger ett värde för organisationer i flera branscher som har kundsupportagenter. Analys efter samtal kan hjälpa till att förbättra företagets produkter och tjänster samt effektiviteten i kundsupportsystemen. Lösningen gäller alla organisationer som registrerar konversationer, inklusive kundriktade agenter, interna kundtjänster eller supportavdelningen.

Att tänka på

Dessa överväganden implementerar grundpelarna i Azure Well-Architected Framework, som är en uppsättning vägledande grundsatser som du kan använda för att förbättra kvaliteten på en arbetsbelastning. Mer information finns iWell-Architected Framework.

Tillförlitlighet

Tillförlitlighet hjälper till att säkerställa att ditt program kan uppfylla de åtaganden som du gör gentemot dina kunder. Mer information finns i Checklista för designgranskning för tillförlitlighet.

  • Hitta serviceavtal (SLA) för tillgänglighet för varje komponent i serviceavtal för onlinetjänster.
  • Information om hur du utformar program med hög tillgänglighet med Lagringskonton finns i konfigurationsalternativen.
  • Använd felläge för tjänster som Azure Functions och Storage för att säkerställa återhämtning av beräkningstjänster och datalager i det här scenariot. Mer information finns i checklistan för återhämtning för Azure-tjänster.

Säkerhet

Säkerhet ger garantier mot avsiktliga attacker och missbruk av dina värdefulla data och system. Mer information finns i Checklista för designgranskning för säkerhet.

Kostnadsoptimering

Kostnadsoptimering fokuserar på sätt att minska onödiga utgifter och förbättra drifteffektiviteten. Mer information finns i Checklista för designgranskning för kostnadsoptimering.

Den totala kostnaden för den här lösningen beror på prisnivån för dina tjänster. Faktorer som kan påverka priset på varje komponent är:

  • Antalet dokument som du bearbetar.
  • Antalet samtidiga begäranden som ditt program tar emot.
  • Storleken på de data som du lagrar efter bearbetningen.
  • Din distributionsregion.

Mer information finns i följande resurser:

Använd priskalkylatorn för Azure för att beräkna din lösningskostnad.

Prestandaeffektivitet

Prestandaeffektivitet syftar på arbetsbelastningens förmåga att skala för att effektivt uppfylla användarnas krav. Mer information finns i Checklista för designgranskning för prestandaeffektivitet.

När stora mängder data bearbetas kan det exponera prestandaflaskhalsar. För att säkerställa korrekt prestandaeffektivitet kan du förstå och planera för skalningsalternativen som ska användas med autoskalningsfunktionen för AI-tjänster.

Batch speech-API:et är utformat för stora volymer, men andra API:er för AI-tjänster kan ha begärandebegränsningar, beroende på prenumerationsnivå. Överväg att containerisera API:er för AI-tjänster för att undvika att sakta ned bearbetningen av stora volymer. Containrar ger distributionsflexibilitet i molnet och lokalt. Minimera biverkningar av nya versionsdistributioner med hjälp av containrar. Mer information finns i Containersupport i AI-tjänster.

Deltagare

Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.

Huvudsakliga författare:

  • Dixit Arora | Senior kundtekniker, ISV DN Coe
  • Jyotsna Ravi | Huvudkundtekniker, ISV DN Coe

Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.

Nästa steg