Viestinnän louhinnasta apua asiakkaiden ymmärtämiseen

Usein asiakkaat eivät suoraan ilmaise, mitä he todella ajattelevat. Tämä ilmiö on tuttu monille palvelualan yrityksille. On yhä yleisempää, että asiakkaiden viestejä tutkitaan sentimenttianalyysin avulla, jonka avulla tunnistetaan asiakkaan viestien tunnetiloja viesteissä käytettyjen sanojen perusteella. Sävyä ei kuitenkaan voi tarkasti havaita pelkän avainsana-analyysin perusteella. Siksi avuksi tarvitaan viestinnän louhintaa.

Kirjoittaja: Sami Heikkinen

Asiakasviestinnän ymmärtämisen vaikeudesta

Laadukkaan palvelun tarjoaminen on kriittinen liiketoiminnan tavoite sekä ulkoisesti että sisäisesti. Ulkoisesti hyvä laatu näkyy tyytyväisinä asiakkaina, jotka ovat vähemmän alttiita kilpailijoiden tarjouksille. Sisäisesti tyytyväiset asiakkaat näkyvät henkisesti vähemmän kuormittavana työskentely-ympäristönä asiakasrajapinnassa työskenteleville.

Organisaatiot saattavat huomata vaikutuksen asiakastyytyväisyyteen vasta, kun se on jo vaikuttanut hiljaiseen enemmistöön asiakkaista. Asiakkaat voivat olla erittäin kohteliaita, vaikka heillä olisi huono kokemus. He voivat vaihtaa palveluntarjoajaa tyytymättöminä, eikä yritys välttämättä saa tietoa asiakaspoistuman syistä. Myös esimerkiksi kulttuurierot voivat olla vaikeasti havaittavissa viestinnässä, minkä vuoksi yhtä kaikille sopivaa lähestymistapaa onnistuneeseen asiakaspalveluun on vaikea määrittää.

Viestinnän louhinta

Viestinnän louhinta (engl. communications mining) on analyysimenetelmä, jota voidaan käyttää asiakasviestinnän analysointiin (UiPath 2023). Tyypillisesti asiakkaiden lähettämiä kirjallisia viestejä on käsitelty luonnollisen kielen käsittelyn menetelmillä (Gruetzemacher 2022) viesteihin sisältyvien tunnetilojen, eli sentimenttien, analysoimiseksi. Esimerkiksi voitaisiin tarkastella tilannetta, jossa asiakas antaa palautetta palvelukokemuksestaan chat-palvelun kautta. Sentimenttianalyysin avulla voitaisiin tunnistaa asiakkaan tyytyväisyys tai tyytymättömyys, ja viestinnän louhinnan avulla voitaisiin syventää analyysiä tarkastelemalla viestien kontekstia ja ilmaisutapaa. Jos asiakas esimerkiksi mainitsee odottaneensa nopeampaa palvelua, viestinnän louhinta auttaisi tunnistamaan, millaiset tekijät vaikuttivat odotusaikaan ja mitä asiakas odotti. Tämä tieto voisi johdattaa parannuksiin palveluprosessissa, kuten resurssien tehokkaampaan jakamiseen kiireaikoina tai lisäkoulutukseen tietyissä palvelutilanteissa.

Koneoppimismallien ja tekoälyn kehittymisen myötä asiakkaiden suusanallista viestintää voidaan tallentaa kirjalliseen muotoon myös vähemmän käytettyjen kielten, kuten suomen, tapauksessa. Kirjalliseen muotoon purettua viestintää voidaan yhtä lailla käyttää tunnetilojen tunnistamiseen.

Tunnetilat eivät kuitenkaan aina tule selkeästi esiin asiakasviestinnässä. Silloin tarvitaan tukea myös muista tiedonkäsittelyn tavoista. Yksi tällainen on viestinnän louhinta, jossa asiakkaiden kanssa käytyä kahdensuuntaista viestintää tarkastellaan koneoppimisen avulla. Se muuttaa jokaisen viestin toimintakelpoiseksi tiedoksi reaaliajassa, mahdollistaen yrityksille jokaisen keskustelun ymmärtämisen, seuraamisen ja toimimisen.

Palvelun laadun analysointi

Asiakkaan viestistä välittyvä kokonaistunnetila voidaan tunnistaa automaattisesti. Sen rinnalle tarkasteluun voidaan ottaa erilaisia asiakaskokemukseen vaikuttavia palvelun ominaisuuksia. Mikä tahansa ominaisuus voidaan pisteyttää asteikolla -10 – 10 riippuen sen vaikutuksesta asiakkaan kokemukseen. Ei-toivotut kokemukset saavat negatiivisen arvon ja positiiviset kokemukset positiivisen arvon. Luvun suuruus kertoo ominaisuuden vaikutuksen asiakaskokemukselle. Sentimenttitieto yhdistettynä palvelun ominaisuuksiin tarjoaa yritykselle näkymän siitä, mitkä palvelun ominaisuudet tuottavat toivottuja ja ei-toivottuja vaikutuksia palvelukokemukseen. Numeeriset arvot auttavat tunnistamaan eri ominaisuuksien välisiä suhteita, mikä puolestaan auttaa yritystä keskittämään kehittämistoimenpiteensä menestyksen kannalta kriittisimpiin palvelun ominaisuuksiin.

Jos esimerkiksi useat asiakkaat mainitsevat odotusajan olevan liian pitkä, palvelun laadun analysoinnin avulla voitaisiin selvittää, mikä vaihe prosessissa aiheuttaa viivettä. Tämä tieto voisi johdattaa toimenpiteisiin, kuten tilausten käsittelyn tehokkuuden parantamiseen tai tilausjärjestelmän optimointiin. Näin yritys voisi keskittää resurssinsa juuri niihin palvelun ominaisuuksiin, jotka vaikuttavat merkittävimmin asiakaskokemukseen. Analysoidun tiedon perusteella on mahdollista rakentaa automatisointeja, jotka tehostavat asiakaspalvelua laadukkaasti.

Kun asiakas antaa palautetta verkkosivuston chatissa, analysointityökalu voi välittömästi tunnistaa palautteen sävyn ja tärkeimmät huolenaiheet. Tämä analyysi voi automaattisesti käynnistää ennalta määritellyn toimintaketjun. Jos asiakas esimerkiksi ilmaisee tyytymättömyyttään palveluun, järjestelmä voi automaattisesti ohjata asiakkaan huolenaiheen parhaiten hallitsevan asiantuntijan työjonoon tai tarjota alennuskoodin seuraavaa ostosta varten.

Jos palautteessa ilmenee kiitosta, automatisoitu järjestelmä voi lähettää kiitosviestin ja ehdottaa asiakkaalle osallistumista asiakastyytyväisyystutkimukseen. Tämä ei vain vahvistaisi asiakassuhteita, vaan myös keräisi lisää tietoa asiakastyytyväisyydestä.

Tällaiset automatisoidut reaktiot perustuvat tarkkaan tietoon siitä, miten erilaiset viestit yleensä vaikuttavat asiakaskokemukseen. Näin yritys voi tarjota nopeita ja räätälöityjä vastauksia, mikä tehostaa asiakaspalvelua ja luo positiivista vaikutelmaa asiakkaille.

Lähteet

Gruetzemacher, R. 2022. The Power of Natural Language Processing. Harvard Business Review. Viitattu 5.2.2024. Saatavissa https://hbr.org/2022/04/the-power-of-natural-language-processing

UiPath. 2023. The Ultimate Guide to Communications Mining. UiPath. Viitattu 5.2.2024. Saatavissa https://start.uipath.com/rs/995-XLT-886/images/ultimate-guide-to-communications-mining.pdf?version=1