در دنیای رقابتی امروز، حفظ مشتریان موجود و تبدیل آن‌ها به مبلغان برند، اهمیت بسزایی برای موفقیت کسب‌وکارها دارد. شناسایی مشتریان ناراضی، قبل از آنکه آن‌ها تجربیات منفی خود را با دیگران به اشتراک بگذارند و به شهرت برند آسیب برسانند، یک ضرورت است. مقاله حاضر، یک چارچوب نوین برای شناسایی پیش‌دستانه مشتریان ناراضی ارائه می‌دهد که صرفاً بر تحلیل تعاملات آن‌ها با بخش پشتیبانی مشتری (CS) از طریق چت متکی است.

این پژوهش توسط خوان سباستین سالسدو گالو، خسوس سولانو، خاویر هرنان گارسیا، دیوید زاروک-والنسیا و آلخاندرو کورئا-باهنسن انجام شده است. نویسندگان این مقاله، متخصصان حوزه‌های محاسبات و زبان (Computation and Language)، بازیابی اطلاعات (Information Retrieval) و یادگیری ماشین (Machine Learning) هستند. زمینه اصلی تحقیق، استفاده از پردازش زبان طبیعی (NLP) و تحلیل احساسات (Sentiment Analysis) برای بهبود تجربه مشتری و مدیریت ارتباط با مشتری است.

چکیده این مقاله بر ارائه یک چارچوب متمرکز است که با تکیه بر تعاملات چت‌محور مشتریان با بخش پشتیبانی، تصمیم آن‌ها برای توصیه یا عدم توصیه یک محصول یا سرویس را پیش‌بینی می‌کند. نویسندگان برای مطالعه موردی خود، بیش از 16.4 هزار کاربر و 48.7 هزار مکالمه پشتیبانی مشتری در بخش مالی یک شرکت بزرگ تجارت الکترونیک در آمریکای لاتین را تحلیل کرده‌اند. هدف اصلی این پژوهش، استفاده از پردازش زبان طبیعی برای ارزیابی و پیش‌بینی رفتار توصیه‌ای مشتریان است. علاوه بر تحلیل احساسات ایستا، این تحقیق از قدرت پیش‌بینی‌کنندگی پویایی احساسات هر کاربر نیز بهره می‌برد. نتایج نشان می‌دهد که با تفسیرپذیری مناسب ویژگی‌ها، می‌توان احتمال توصیه یک محصول یا سرویس توسط کاربر را صرفاً بر اساس روند تغییرات احساسات او در طول مکالمات پشتیبانی مشتری، به صورت کاملاً خودکار پیش‌بینی کرد.

روش‌شناسی این تحقیق شامل مراحل زیر است:

• جمع‌آوری داده‌ها: جمع‌آوری داده‌های مکالمات پشتیبانی مشتری از یک شرکت بزرگ تجارت الکترونیک در آمریکای لاتین. این داده‌ها شامل متن پیام‌های رد و بدل شده بین مشتریان و نمایندگان پشتیبانی، و همچنین اطلاعات مربوط به کاربران (مانند تاریخچه خرید) می‌شود.
• پیش‌پردازش داده‌ها: تمیزسازی و آماده‌سازی داده‌ها برای تحلیل. این مرحله شامل حذف داده‌های نامربوط، تصحیح غلط‌های املایی و نگارشی، و تبدیل متن به قالبی مناسب برای پردازش زبان طبیعی است.
• تحلیل احساسات پیام‌محور: اعمال تکنیک‌های پردازش زبان طبیعی برای تحلیل احساسات هر پیام در مکالمات پشتیبانی. این تحلیل شامل تعیین قطبیت (مثبت، منفی، خنثی) و شدت احساسات ابراز شده در هر پیام است. برای این منظور، از مدل‌های از پیش آموزش‌دیده تحلیل احساسات و همچنین مدل‌های سفارشی‌سازی شده برای زبان و اصطلاحات مورد استفاده در مکالمات پشتیبانی مشتری استفاده شده است.
• استخراج ویژگی‌ها: استخراج ویژگی‌های مختلف از داده‌ها، از جمله ویژگی‌های مربوط به احساسات (مانند میانگین قطبیت احساسات، تغییرات احساسات در طول زمان)، ویژگی‌های مربوط به محتوای پیام‌ها (مانند تعداد کلمات، استفاده از کلمات کلیدی خاص)، و ویژگی‌های مربوط به کاربر (مانند تاریخچه خرید، مدت زمان عضویت).
• مدل‌سازی و پیش‌بینی: استفاده از الگوریتم‌های یادگیری ماشین برای ساخت مدل پیش‌بینی‌کننده احتمال توصیه محصول یا سرویس توسط کاربر. از روش‌های مختلفی مانند رگرسیون لجستیک، ماشین‌های بردار پشتیبان (SVM)، و شبکه‌های عصبی برای ساخت مدل استفاده شده است.
• ارزیابی مدل: ارزیابی عملکرد مدل پیش‌بینی با استفاده از معیارهای مختلف مانند دقت (Accuracy)، صحت (Precision)، بازخوانی (Recall)، و امتیاز F1.

مثال: تصور کنید یک مشتری در طول مکالمه با بخش پشتیبانی، چندین پیام ارسال می‌کند. ابتدا از مشکلی در مورد تاخیر در ارسال کالا شکایت می‌کند (احساسات منفی)، سپس با دریافت پاسخ مناسب و راهنمایی کارشناس پشتیبانی، رضایت خود را ابراز می‌کند (احساسات مثبت). تحلیل احساسات پیام‌محور به این امکان را می‌دهد که این تغییرات احساسی در طول زمان رصد شود و به عنوان یک عامل پیش‌بینی‌کننده در مدل مورد استفاده قرار گیرد.

یافته‌های کلیدی این تحقیق عبارتند از:

• پویایی احساسات کاربران در طول مکالمات پشتیبانی مشتری، قدرت پیش‌بینی‌کنندگی بالایی در تعیین احتمال توصیه محصول یا سرویس توسط آن‌ها دارد. به عبارت دیگر، نحوه تغییر احساسات یک مشتری در طول زمان، اطلاعات ارزشمندی را در مورد رضایت یا عدم رضایت او ارائه می‌دهد.
• ویژگی‌های مربوط به احساسات، مانند میانگین قطبیت احساسات و تغییرات احساسات در طول زمان، از جمله مهم‌ترین عوامل در پیش‌بینی رفتار توصیه‌ای مشتریان هستند.
• مدل‌های یادگیری ماشین که بر اساس ویژگی‌های استخراج شده از داده‌های مکالمات پشتیبانی مشتری ساخته شده‌اند، می‌توانند با دقت قابل قبولی احتمال توصیه محصول یا سرویس توسط کاربر را پیش‌بینی کنند.
• این چارچوب، امکان شناسایی پیش‌دستانه مشتریان ناراضی را فراهم می‌کند، که به کسب‌وکارها اجازه می‌دهد تا اقدامات اصلاحی مناسب را برای بهبود تجربه مشتری و جلوگیری از انتشار تجربیات منفی انجام دهند.

نکته مهم: این تحقیق نشان می‌دهد که نیازی به جمع‌آوری اطلاعات اضافی از مشتریان (مانند نظرسنجی) برای پیش‌بینی رضایت آن‌ها نیست. تحلیل تعاملات موجود با بخش پشتیبانی مشتری، می‌تواند اطلاعات کافی برای شناسایی مشتریان ناراضی را فراهم کند.

این پژوهش دارای کاربردها و دستاوردهای متعددی است:

• بهبود تجربه مشتری: با شناسایی پیش‌دستانه مشتریان ناراضی، کسب‌وکارها می‌توانند اقدامات اصلاحی مناسب را برای رفع مشکلات آن‌ها انجام دهند و از انتشار تجربیات منفی جلوگیری کنند.
• افزایش وفاداری مشتری: با ارائه خدمات بهتر و پاسخگویی سریع‌تر به نیازهای مشتریان، می‌توان وفاداری آن‌ها را افزایش داد و آن‌ها را به مبلغان برند تبدیل کرد.
• کاهش هزینه‌ها: با شناسایی مشکلات رایج مشتریان از طریق تحلیل مکالمات پشتیبانی، می‌توان راه‌حل‌های دائمی برای این مشکلات ارائه داد و حجم تماس‌ها با بخش پشتیبانی را کاهش داد.
• بهبود عملکرد بخش پشتیبانی: با تحلیل داده‌های مکالمات پشتیبانی، می‌توان نقاط قوت و ضعف عملکرد نمایندگان پشتیبانی را شناسایی کرد و برنامه‌های آموزشی مناسب را برای بهبود عملکرد آن‌ها طراحی کرد.
• ارائه پیشنهادات شخصی‌سازی شده: با درک بهتر نیازها و ترجیحات مشتریان از طریق تحلیل مکالمات پشتیبانی، می‌توان پیشنهادات شخصی‌سازی شده‌ای را به آن‌ها ارائه داد و فروش را افزایش داد.

مثال عملی: یک شرکت تجارت الکترونیک می‌تواند از این چارچوب برای شناسایی مشتریانی که احتمالاً در آینده نزدیک محصول یا سرویس را به دیگران توصیه نمی‌کنند، استفاده کند. سپس، این شرکت می‌تواند با این مشتریان تماس بگیرد، از آن‌ها عذرخواهی کند، و پیشنهاداتی برای جبران نارضایتی آن‌ها ارائه دهد. این اقدامات می‌تواند به حفظ مشتری و جلوگیری از انتشار نظرات منفی کمک کند.

مقاله حاضر، یک چارچوب کارآمد و مؤثر برای شناسایی پیش‌دستانه مشتریان ناراضی ارائه می‌دهد که صرفاً بر تحلیل تعاملات آن‌ها با بخش پشتیبانی مشتری متکی است. این چارچوب، با استفاده از پردازش زبان طبیعی و یادگیری ماشین، امکان پیش‌بینی رفتار توصیه‌ای مشتریان را با دقت قابل قبولی فراهم می‌کند. نتایج این پژوهش، نشان می‌دهد که پویایی احساسات کاربران در طول مکالمات پشتیبانی، اطلاعات ارزشمندی را در مورد رضایت یا عدم رضایت آن‌ها ارائه می‌دهد. این چارچوب، می‌تواند به کسب‌وکارها کمک کند تا تجربه مشتری را بهبود بخشند، وفاداری مشتری را افزایش دهند، و هزینه‌های عملیاتی را کاهش دهند. در نهایت، این تحقیق نشان می‌دهد که قدرت نهفته در داده‌های موجود در تعاملات پشتیبانی مشتری، می‌تواند به ابزاری ارزشمند برای مدیریت ارتباط با مشتری و بهبود عملکرد کسب‌وکار تبدیل شود. استفاده از این چارچوب در عمل نیازمند توجه به جنبه‌های مختلف از جمله حفظ حریم خصوصی داده‌ها و اطمینان از دقت و بی‌طرفی مدل‌های پیش‌بینی است.