Sangat penting bagi banyak organisasi untuk melacak topik yang sedang tren dan baru muncul. Customer Experience Insights memungkinkan Anda mendeteksi dan mengidentifikasi pendorong percakapan teratas dari panggilan atau chat tanpa pelabelan sebelumnya. Ikuti praktik terbaik berikut untuk menggunakan fitur CX Insights topic modeling V2.1. Pemodelan tanpa pengawasannya membuat penyiapan lebih sederhana sekaligus otomatis mengidentifikasi pendorong teratas yang muncul dalam percakapan yang dianalisis.
Melatih model topik
Mulailah dengan melatih model topik tanpa pengawasan tanpa memberikan topik kustom. Meskipun bersifat opsional, untuk mengidentifikasi bahasa yang digunakan dalam percakapan, tetapkan filter bahasa.
Saat melatih model topik, pahami kasus penggunaan bisnis Anda, dan tentukan granularitas topik yang Anda inginkan. Kasus penggunaan dapat mencakup hal yang Anda cari dalam model topik atau nilai bisnis yang dihasilkan model. Granularitas menentukan ukuran model dalam pelatihan. Tanyakan, Berapa perkiraan jumlah cluster topik dalam solusi yang ada, jika ada?
Jika kualitas dari model tanpa pengawasan rendah, coba latih model topik lain dengan daftar topik kustom.
Mengevaluasi model topik
Evaluasi model topik terlatih dapat dilakukan dalam 2 fase: validasi topik &deskripsi yang dihasilkan, diikuti dengan evaluasi percakapan yang dianalisis untuk topik yang diidentifikasi.
Langkah 1: Validasi topik dan deskripsi yang dihasilkan
Sebaiknya hapus topik yang tidak relevan dengan kebutuhan Anda. Misalnya, hapus topik "salam" yang sebagian besar membahas ucapan salam dalam percakapan. Detail tentang cara menghapus topik dapat ditemukan di Menghapus Topik.
Tambahkan topik baru untuk kumpulan topik yang tidak diidentifikasi oleh model topik. Anda kemungkinan besar akan melihat skenario ini dengan model yang dilatih tanpa topik kustom.
Langkah 2: Mengevaluasi percakapan yang dianalisis
Setelah langkah 1 selesai, percakapan yang dianalisis harus dievaluasi untuk topik yang diidentifikasi.
Mengapa topik yang dipelajari lebih sedikit daripada yang dipilih untuk granularitas?
Jika ada beberapa topik yang akan ditemukan, jumlah topik akhir mungkin jauh lebih sedikit daripada jumlah yang ditunjukkan dalam granularitas yang dipilih.
- Lebih kasar: hingga 30 topik
- Kasar: hingga 50 topik
- Standar: hingga 150 topik
- Halus: hingga 200 topik
- Lebih halus: hingga 350 topik
Jumlah topik yang dipelajari oleh model topik terlatih juga dapat lebih rendah karena masalah kualitas data. Pastikan persyaratan data terpenuhi dalam hal jumlah percakapan pelatihan, giliran agen atau pelanggan dalam percakapan, serta kualitas STT dan pengeditan.
Bagaimana cara meningkatkan jumlah topik?
Pastikan persyaratan kualitas data pelatihan terpenuhi, seperti yang telah dibahas sebelumnya. Selain itu, pastikan persyaratan tersebut terpenuhi dalam hal jumlah percakapan pelatihan, giliran agen atau pelanggan dalam percakapan, serta kualitas STT dan pengeditan. Jika percakapan terus berlanjut terlalu banyak, Anda dapat bereksperimen dengan menghapus bagian autentikasinya.
Bereksperimen dengan filter jumlah giliran minimum (misalnya 5, 10, 15, 20) saat memilih percakapan pelatihan dalam fase pelatihan dapat membantu meningkatkan jumlah topik yang dipelajari. Tindakan ini juga dapat membantu membuang percakapan yang terlalu singkat untuk memprediksi topik.
Mengapa jumlah pelatihan lebih kecil daripada jumlah percakapan?
Jumlah volume pelatihan adalah jumlah percakapan yang digunakan untuk melatih model topik setelah melakukan downsampling data percakapan yang diberikan selama fase pelatihan.
Selama pelatihan, percakapan yang tidak memiliki ucapan yang cukup panjang dari pelanggan atau terlalu singkat akan difilter. Setelah model dilatih, jumlah volume pelatihan di konsol CX Insights akan mewakili set percakapan pelatihan/pasca-filter.
Mengapa model saya memiliki lebih banyak topik daripada topik kustom yang disediakan?
Bergantung pada ukuran model, topik tambahan dapat ditambahkan ke output model. Ukuran model memengaruhi jumlah topik dalam output, tetapi jumlah sebenarnya bergantung pada topik sebenarnya yang dipelajari dalam model.
Jika Anda melatih model dengan ukuran model "Lebih halus" dan mengharapkan model tersebut mempelajari hingga 350 topik, tetapi Anda hanya memasukkan 30 topik kustom ke dalam pelatihan, Anda mungkin akan melihat dalam output model bahwa hanya 32 topik yang dilatih. Hal ini karena model dilatih pada percakapan dengan sekitar 30 topik, bukan 350.