El uso de asistentes virtuales como Alexa, Siri o Google está en constante crecimiento. En sus inicios, estos asistentes eran capaces de responder a preguntas sencillas del tipo “¿Qué tiempo hace hoy?” o “¿Cuál es mi próximo evento del calendario?” y acatar órdenes simples como “Llama a María” o “Pon música”. En los últimos años, la inteligencia artificial (IA) ha mejorado exponencialmente su interacción con los usuarios y ya son muchas las compañías que utilizan las mismas técnicas de aprendizaje automático (Machine Learning ML) para mejorar el servicio que ofrecen a sus clientes.

Los centros de atención al usuario (CAU) son un pilar fundamental de muchas compañías para ofrecer un servicio de calidad y responder las consultas de los clientes. La IA está irrumpiendo con fuerza en la sociedad, tanto en el sector público como el privado y como en muchos otros aspectos de negocio, las compañías están apostando por la IA para mejorar sus CAU. Esta mejora está sucediendo a través del desarrollo del procesamiento del lenguaje natural (NLP de sus siglas en inglés).

Pero, ¿qué es el NLP?

El NLP es una rama de la IA que ayuda a los ordenadores a comprender, interpretar y manipular el lenguaje humano. El NLP se basa en muchas disciplinas, la estadística, la informática y la lingüística computacional entre otras, y trata de cubrir el vacío entre la comunicación humana y la comprensión de los ordenadores.

Existen técnicas de NLP más sencillas basadas en el contaje de palabras y su frecuencia de uso que son un método robusto para obtener información detallada sobre la temática de un texto. Otras se basan en modelos probabilísticos y embeddings de palabras, donde a cada palabra se le asigna un vector único de números. Por último, quedarían las más sofisticadas basadas redes neuronales que pueden realizar tareas más complejas como entender el contexto, traducir a otros idiomas o generar texto de forma automática.

Gracias al NLP, un sistema puede comprender las palabras, las oraciones y el contexto de las consultas realizadas, por ejemplo, en un servicio de atención al usuario. El NLP se puede integrar en forma de bot conversacional (chatbot en inglés), un usuario escribe una consulta y recibe una respuesta instantánea. Son muchas las empresas que han adoptado los chatbots para su atención al cliente, desde sectores como la banca hasta empresas de contratación.

De un mismo modo, utilizando un reconocimiento de voz, un sistema puede interpretar y analizar las peticiones verbales y proporcionar una respuesta, todo sin la intervención humana.

4 Formas de Utilizar NLP en CAU

Existen múltiples formas de aplicar el NLP para mejorar la atención y el servicio ofrecidos a los clientes. En este artículo se describen cuatro de las más relevantes para CAU. A su vez, también se presentan algunos ejemplos de cómo implementar estás técnicas de NLP mediante librerías de Python.

  1. Chatbots y agentes de soporte.
  2. Análisis de sentimiento y satisfacción del cliente.
  3. Aplicaciones de voz a texto.
  4. Barras de búsqueda inteligentes.

1. Chatbots y agentes de soporte

Cuando uno piensa en CAU, lo primero que le viene a la mente es un profesional al otro lado del teléfono listo para resolver dudas. Pero, ¿qué sucede si el equipo de atención al cliente está repleto y no puede responder una consulta de soporte en tiempo real, ya sea a través del chat o por teléfono?

Los chatbots permiten la comunicación con los clientes de la manera que prefieran y también brindan soporte en tiempo real, sin tener que esperar una respuesta. Con NLP se puede crear un chatbot que no solo comprenda la consulta de un cliente, sino que también la responda por ellos. La IA conversacional puede manejar consultas que no requieran especial atención. Esto deja a los agentes con más tiempo para manejar consultas complejas que necesitan un toque humano.

No importa si la consulta contiene errores gramaticales u oraciones incompletas. El NLP es lo suficientemente inteligente como para comprender el concepto del mensaje y responder sin intervención humana. No es de extrañar que en los años venideros una gran mayoría de las empresas tengan alguna forma de integración de chatbot disponible para sus clientes.

En el siguiente video se muestra cómo funciona un chatbot sencillo programado en Python usando la librería NLTK (Natural Language Toolkit) y el algoritmo TF-IDF de la librería Scikit-Learn. En este ejemplo, se ha entrenado un modelo ML con el artículo de Wikipedia que habla sobre los chatbots y los asistentes virtuales. De igual modo, el modelo se podría alimentar con el texto de un manual de usuario para que pudiera responder preguntas sobre el funcionamiento o las especificaciones técnicas de un producto.

2. Análisis de Sentimiento y Satisfacción del cliente.

Los comentarios de los clientes son datos valiosos para las empresas. Puede ayudar a corregir fallos en su producto e identificar qué aspectos gustan más a las personas. Ambos forman una excelente base para las campañas de marketing y publicidad.

No es necesario que se inviertan horas revisando manualmente este tipo de datos cualitativos.

El NLP ayuda a identificar palabras o frases de uso común. Por ejemplo, palabras como “moderno”, “intuitivo” y “caro”, que podrían indicar que sus clientes lo ven como una marca de lujo y de alta gama.

Cómo usar la Inteligencia Artificial en Centros de Atención al Usuario

La imagen anterior muestra un gráfico del tipo nube de palabras obtenido con WordCloud. El tamaño de las palabras está ligado a su importancia dentro del texto analizado.

Fuente: https://www.researchgate.net/figure/Word-cloud-of-student-feedback_fig4_290557284

A su vez, el NLP también permite realizar análisis de sentimiento para obtener una descripción general de alto nivel de las opiniones de los clientes. Y de este modo, saber si, en general, la gente está contenta con su producto o servicio. El análisis de sentimiento utiliza el ML para determinar la emoción subyacente en un mensaje.

Por ejemplo, si obtiene estas respuestas de la encuesta de satisfacción:

  • “El agente con el que hablé fue muy amable”.
  • “Mi pedido llegó más rápido de lo que esperaba”.
  • “Cumple con las expectativas, lo recomiendo.”

El análisis de sentimiento se hará cargo e interpretará esas palabras como emociones. En el caso anterior, esas palabras pueden ser “muy amable”, “más rápido” y “recomiendo”.

El sistema de ML dirá que la gran mayoría de los comentarios son positivos. Esto le da una idea aproximada de qué tan bien se está desempeñando la atención al usuario.

Existen diversos modelos open source entrenados para detectar el sentimiento de los textos. Por ejemplo, las librerías NLTK o textblob tienen un módulo específico para este propósito. Sin embargo, estas librerías tienen limitaciones según el contexto en el que se apliquen, pero uno siempre puede desarrollar un modelo ML adaptado a sus necesidades o embarcarse en un proyecto más complejo con redes neuronales, capaces incluso de detectar la ironía de los comentarios.

3. Aplicaciones de Voz a Texto

Son cada vez más las búsquedas y consultas que se realizan por voz. Los dispositivos como Google Home, Amazon Alexa y Siri son nuestros asistentes personales. Les pedimos que planifiquen cada minuto de nuestro día, desde planificar la mejor ruta a la casa de tu amigo, hasta la cesta de la compra.

Pero, ¿cómo aplica esto a un centro de atención al usuario?

La integración de sistemas de reconocimiento de voz en CAU puede resultar muy beneficioso ya que puede añadir nuevas funcionalidades que humanizan un servicio automatizado. Entre algunas funcionalidades estarían las siguientes:

  • Permitir que los clientes accedan a su cuenta con su voz
  • Traducir la consulta de un cliente de su idioma nativo al deseado y viceversa
  • Interactuar con un chatbot también mediante la voz

Ninguna de estas situaciones funcionaría sin NLP, que interpreta las palabras habladas. Eso brinda la oportunidad de introducir aplicaciones de voz a texto (y de texto a voz, muy útil para usuarios invidentes) y ofrecer un mejor servicio al cliente.

En el siguiente video se muestra un sencillo sistema de reconocimiento de voz implementado en Python mediante las librerías speech_recognition and pyttsx3.

4. Barras de Búsqueda Inteligente

Una barra de búsqueda inteligente es muy importante de cara al usuario, ya que una gran mayoría van directamente a la barra de búsqueda tan pronto como llegan a un sitio web. Lo más probable es que sus consultas de búsqueda no sean frases completas, sino que serán palabras y frases breves relacionadas con lo que buscan como “wifi no funciona” o “devolver abrigo”.

Los resultados de las consultas de los usuarios deben mostrar información relevante. De lo contrario, abandonarán el sitio web y posiblemente busquen otra alternativa. Aquí es donde entra en juego el NLP, mediante el cual los resultados de la búsqueda serán más relevantes y certeros. El software de ML interpreta el significado de esas consultas, entiende lo que el usuario está buscando, incluso si no está bien expresado, contiene errores gramaticales o está mal escrito.

Un algoritmo diseñado para llevar a cabo búsquedas más inteligente es el Okapi BM25, que es el algoritmo elegido por Microsoft para su servicio Azure Cognitive Search. Este algoritmo se basa en la técnica de TF-IDF para encontrar similitudes entre cadenas textuales y generar un ranking.

Este artículo representa una introducción al extenso mundo del NLP y cómo puede aplicarse para mejorar el servicio ofrecido en los CAU. Sin embargo, el abanico de posibilidades que ofrece la IA, en este caso la rama del NLP, es tan grande como uno pueda imaginar.

El NLP no pretende sustituir el papel de la atención humana, al menos a día de hoy está bastante lejos de poder igualarla. Lo que si puede hacer es automatizar aquellas tareas más mecánicas de una forma eficiente, permitiendo al profesional dedicar más tiempo a aquellas consultas que requieren características innatas del ser humano como la empatía, el carisma o la gestión de las emociones.

¿Quieres comprender y entrenar modelos de Machine Learning?

Con nuestro Módulo en Machine Learning, serás capaz de conectar y transformar datos para convertirlos en conocimiento que te ayude a resolver problemas automatizando procesos. Además, incluye las certificaciones Microsoft DP100 y AI100.

Quiero Más Información
0 Shares:
Deja una respuesta

Tu dirección de correo electrónico no será publicada.

You May Also Like