L'LLM, il nuovo motore di insight per i dati qualitativi

Perché l'analisi dei dati qualitativi sta decollando

Tradizionalmente, mentre gli analisti hanno misurato efficacemente i dati quantitativi, l'analisi dei dati qualitativi, come la valutazione dei dialoghi con i clienti, è rimasta prevalentemente manuale. I vecchi metodi si limitavano a estrarre parole chiave predefinite e a rilevare sentiment come "deluso" o "frustrato".
Tuttavia, non erano in grado di analizzare intere conversazioni in modo completo. Entrano in gioco i Large Language Models (LLM). Questi modelli stanno trasformando l'analisi qualitativa consentendone l'applicazione su una scala paragonabile a quella dei metodi quantitativi.

Le interfacce conversazionali, che consentono agli utenti di porre domande aperte, sono da sempre riconosciute come ricche fonti di dati. In passato, l'enorme volume di dati faceva sì che solo una piccola frazione di dialoghi potesse essere analizzata manualmente. A differenza dei tool di analisi del sentiment di base che si limitano a categorizzare le conversazioni in positive, negative o neutre, gli LLM possono scavare più a fondo, estraendo insight azionabili e informazioni critiche in un modo che imita l'analisi umana, ma su scala molto più ampia.

Con l'impennata dell'adozione di applicazioni basate su LLM e interfacce di IA conversazionale, si apre anche una nuova era nell'analisi qualitativa. Attrapetto il prompt engineering, questi modelli possono rispondere a domande specifiche degli analisti o identificare nuovi intenti degli utenti, consentendo un'analisi sfumata e attenta al contesto che facilita l'estrazione diretta di insight dai dialoghi.

Considera questo esempio su come utilizzare un LLM per analizzare le conversazioni con i clienti (tratto da ‘Transforming Conversational AI’ di Michael McTear e Marina Ashurkina):

PROMPT: Analizza la conversazione e rispondi SÌ o NO alle seguenti domande:

• La conversazione è stata completata?

• La conversazione richiede un follow-up?

• Il cliente era soddisfatto dell'esperienza?

• Il cliente si lamentava del servizio?

• Il cliente ha suggerito nuove funzionalità?

• Il cliente ha chiesto di essere ricontattato telefonicamente?

• Il cliente voleva parlare con un operatore umano?

Un salto di qualità nella Qualitative Analytics

Far rispondere a un LLM ad alcune domande analitiche del tuo dataset è un inizio intrigante per comprenderne le potenzialità. Il vero potere, tuttavia, risiede nell'implementazione di strumenti costruiti appositamente per l'analisi delle conversazioni.

In questo caso, un tool di user intelligence basato su LLM come Nebuly si rivela prezioso. Elabora ogni singola interazione dell'utente, cogliendo sfumature sottili e combinando la comprensione qualitativa con l'analisi quantitativa per fornire insight azionabili. Ciò offre una panoramica completa che aiuta a scoprire gli intenti e le esperienze comuni degli utenti e identifica le conversazioni che portano a risultati non ottimali e le relative ragioni.

Panoraimca delle interazioni degli utenti

Esempio di domanda del cliente: “Qual è il miglior prodotto per fare X?”

Risposta del Chatbot: Una risposta molto lunga, elaborata e cortese che gli utenti non hanno la pazienza di leggere.

Risultato:

1. L'utente abbandona, con la potenziale perdita di un cliente.

2. L'utente prosegue con richieste del tipo: “Per favore, sii più preciso”, “Elenca solo i prodotti”, ecc., a indicare che la risposta iniziale era insufficiente. Questo dimostra che, sebbene la risposta potesse essere accurata, non era user-friendly.

In tempo reale, Nebuly categorizza questi insight provenienti dalle interazioni degli utenti, evidenziando problemi come la "Mancanza di personalizzazione" e aiutandoti a comprendere la frequenza e il contesto di tali problematiche.

Insight automatizzati dalle conversazioni

È vantaggioso non solo concentrarsi sulle singole conversazioni, ma monitorare queste interazioni nel tempo. L'integrazione di dashboard intuitive e insight automatizzati in un'unica piattaforma consente alle aziende di comprendere appieno l'engagement dei clienti, affrontare in modo efficace i problemi ricorrenti e osservare i cambiamenti nella soddisfazione degli utenti nel tempo.

Selezionare un fornitore di Insights Engine

1. Privacy e sicurezza: Da un grande potere derivano grandi responsabilità. Analizzare le conversazioni per estrarre insight aziendali è potente, ma richiede standard elevati di privacy e sicurezza. Assicurati che il tuo fornitore soddisfi le aspettative di privacy e sicurezza dei dati dei tuoi clienti.

2. Qualità dello strumento: Gli insight qualitativi automatizzati possono essere talvolta poco trasparenti. Analisti diversi (e IA diverse) potrebbero interpretare le conversazioni in modo differente. È fondamentale garantire che i dati ricevuti siano di alta qualità. Funzionalità come l'auditability, che consentono di verificare la fonte di ogni insight derivato, sono essenziali per creare fiducia nell'analisi.

Gli insight devono essere raccolti in modo flessibile, in base a ciascun caso d'uso specifico, e categorizzati in modo utile, ad esempio, per gli analisti di prodotto, gli specialisti di customer success e i team di marketing. Con l'aumento delle interazioni con le applicazioni di IA conversazionale, la scalabilità della categorizzazione e degli insight diventa cruciale.

Se vuoi saperne di più su Nebuly, prenota un incontro e facciamo due chiacchiere.