• Accueil / Salesforce / AI pour les…
, AI pour les administrateurs : ce que vous devez savoir pour réussir la classification des cas Einstein<span class="wtr-time-wrap after-title"><span class="wtr-time-number">14</span> minutes de lecture</span>

AI pour les administrateurs : ce que vous devez savoir pour réussir la classification des cas Einstein14 minutes de lecture


De nombreux administrateurs Salesforce recherchent des moyens d’améliorer l’expérience du service client de leur organisation. Cela peut inclure la recherche de solutions pour augmenter le volume de cas et l’optimisation du temps des agents afin qu’ils puissent résoudre les problèmes des clients plus rapidement, au lieu de simplement les trier. Une façon d’accomplir tout cela est avec Einstein Case Classification. Voyons donc ce que vous devez savoir pour en faire un succès dans votre organisation.

Qu’est-ce que la classification des cas d’Einstein ?

Einstein Case Classification (ECC) fait partie de la suite de produits Service Cloud Einstein visant à responsabiliser vos agents de service, aux côtés d’Einstein Article Recommendations, Einstein Reply Recommendations et Einstein Case Wrap-Up (le petit cousin d’ECC, qui sortira en GA cet été ’21 Libérer). ECC est inclus dans la base Entreprise Édition et Illimité Licences d’édition avec certaines limitations.

En tirant parti des cas historiques dans votre organisation, ECC crée un modèle prédictif utilisé pour recommander, pré-remplir ou enregistrer directement les valeurs de champ pour les cas entrants. Cela permet à vos agents de gagner un temps précieux, qu’ils peuvent ensuite consacrer à aider les clients à résoudre les problèmes réels. ECC accélère les étapes de triage et de routage de votre réponse, améliorant considérablement la productivité des agents et l’expérience client. Avec un volume élevé, les gains de productivité des agents s’additionnent rapidement. L’un de nos plus gros clients, par exemple, a déclaré 34 000 heures économisées en quatre mois !

Il est très facile d’activer ECC dans votre organisation. Voir quelles sont les étapes dans ce Module de départ. Vous pouvez également l’essayer en utilisant l’une de nos organisations de travail ici (Sélectionner Classer les demandes des citoyens sous Service Cloud Einstein). Suivez les instructions pour classer un sous-ensemble de demandes citoyennes reçues par la ville de Bâton Rouge sur son service 311 en un rien de temps ! (Merci à la ville de Baton Rouge d’avoir rendu l’ensemble de données original disponible gratuitement via son Initiative Open Data BR.)

, AI pour les administrateurs : ce que vous devez savoir pour réussir la classification des cas Einstein<span class="wtr-time-wrap after-title"><span class="wtr-time-number">14</span> minutes de lecture</span>

Comment fonctionne la classification des cas Einstein ?

Si vous avez suivi dans votre organisation ou en utilisant l’organisation scratch avec les données de nos amis de Baton Rouge, vous avez vu que la mise en place d’ECC était un processus rapide. En quelques clics, vous l’avez configuré pour apprendre à classer le type de cas et le type de parent des e-mails entrants. Notez que vous auriez pu sélectionner jusqu’à 10 champs à classer et configurer des filtres pour la formation et la notation. Et.. Voila!

Dans les coulisses, ECC s’appuie sur les six derniers mois de dossiers clos pour former son modèle prédictif. Il faut un minimum de 400 dossiers clos au cours des six derniers mois pour être construit avec succès. Trois champs sont exploités pour entraîner le modèle et classer les cas : le sujet du cas, la description du cas et le champ à prédire. Ils passent par un pipeline de traitement du langage naturel où la langue du cas est identifiée en premier, puis un traitement de texte générique et spécifique à la langue est effectué (racine, suppression de mots vides, etc.). Enfin, les fréquences de mots et la cooccurrence pour le texte traité sont générées. Un modèle distinct est construit pour chaque champ. En fait, pour chaque domaine, plusieurs modèles d’apprentissage automatique sont construits avec plusieurs valeurs de paramètres – et le meilleur est automatiquement sélectionné dans un « tournoi ». Ce tournoi est un événement mensuel car les modèles sont recyclés tous les 30 jours, ils sont donc toujours à jour si votre entreprise change.

Vous pouvez surveiller les performances via le tableau de bord des performances intégré ou via le nouveau tableau de bord des performances Einstein Case Classification TCRM pour une analyse plus fine.

, AI pour les administrateurs : ce que vous devez savoir pour réussir la classification des cas Einstein<span class="wtr-time-wrap after-title"><span class="wtr-time-number">14</span> minutes de lecture</span>

Quel est le calendrier type pour déployer la classification des cas Einstein ?

La durée varie, mais les étapes sont les mêmes :

, AI pour les administrateurs : ce que vous devez savoir pour réussir la classification des cas Einstein<span class="wtr-time-wrap after-title"><span class="wtr-time-number">14</span> minutes de lecture</span>

En supposant que vous ayez suffisamment de volume et une image claire des champs qui seraient les plus utiles à prévoir, la configuration est assez rapide. Certains clients sont opérationnels avec des recommandations pour les agents en production en quelques semaines seulement, tandis que le passage à l’automatisation nécessite plus de temps. Je recommande d’impliquer immédiatement les parties prenantes de l’entreprise et d’identifier les KPI que vous souhaitez suivre pour évaluer le succès du déploiement dès le début.

Vous pouvez commencer dans un bac à sable pour avoir une idée de l’outil et itérer sur votre modèle. L’affinage de votre modèle est une étape clé que vous ne voulez pas précipiter. Il est courant d’identifier certains problèmes avec les données qui peuvent avoir un impact sur les performances du modèle : données sales, doublons ou complexités de votre taxonomie de cas.

Vous devrez passer à une organisation de production pour obtenir des commentaires qualitatifs des agents, commencer à mesurer la précision réelle des prédictions et mesurer le retour sur investissement. La plupart des clients commencent par un déploiement pilote limité à, disons, cinq à 10 agents pendant un mois, avant de se déployer plus largement. Écoutez attentivement ces premiers groupes d’utilisateurs. ECC est conçu pour eux, il doit donc leur faciliter la vie ! Démarrez en mode recommandation et surveillez la précision et les commentaires des agents pendant un certain temps avant de configurer le triage automatique.

Les champs à configurer pour le triage automatique et les seuils à choisir pour « Sélectionner la meilleure valeur » et le triage automatique dépendent de votre processus métier. Cela dépend également du coût d’un dossier potentiellement mal acheminé par rapport au fait d’être dans une file d’attente, potentiellement pendant une longue période, en attente d’être examiné. Plus les seuils sont bas, plus les cas auront des recommandations/seront triés automatiquement, et plus les cas seront mal classés. Plus les seuils sont élevés, moins il y a de cas avec des recommandations/auto-triés, mais ceux qui le seront sont plus susceptibles d’être correctement classés. La plupart des clients ont tendance à choisir un seuil relativement bas pour « Sélectionner le meilleur rapport qualité-prix » car l’agent peut toujours réviser et corriger, et un seuil plus élevé pour « Triage automatique », car une mauvaise classification peut y être plus coûteuse. Notez que cette sélection s’effectue par champ, vous pouvez donc sélectionner différents seuils pour différents champs en fonction de leur utilisation.

Une fois cette phase pilote terminée avec succès, la plupart des organisations étendent leur déploiement relativement rapidement, se tournant parfois progressivement vers différents marchés ou groupes. Ils commencent également à envisager de configurer le triage automatique afin que les valeurs de champ prédites soient directement écrites dans le cas lorsque la confiance est élevée, ce qui permet un routage automatisé des cas suivant votre logique de routage existante, ce qui vous fait gagner encore plus de temps !

Comment mesurer le succès ?

Globalement, l’objectif d’ECC est de faire gagner du temps à vos agents, ce qui vous fera également économiser de l’argent. Si vous avez un volume élevé, ECC vous fera économiser beaucoup des deux. L’un de nos plus gros clients, une importante compagnie maritime, a récemment mesuré qu’il avait économisé 1 million d’euros au cours de ses quatre premiers mois après le déploiement d’ECC ! Comment ont-ils compris cela? Ils ont utilisé notre nouveau Tableau de bord des performances TCRM de la classification des cas Einstein.

, AI pour les administrateurs : ce que vous devez savoir pour réussir la classification des cas Einstein<span class="wtr-time-wrap after-title"><span class="wtr-time-number">14</span> minutes de lecture</span>

Le tableau de bord est gratuit et disponible sur AppExchange, alors n’hésitez pas à l’essayer (une licence Tableau CRM est requise). En plus de révéler la valeur commerciale que vous obtenez d’ECC pour les parties prenantes de votre entreprise, le tableau de bord vous aidera également à itérer sur votre modèle en fournissant des informations supplémentaires sur sa précision, en indiquant où les erreurs sont commises et en vous aidant à trancher par dimensions de votre choix (par exemple, différents marchés ou délais). Nous travaillons activement sur une deuxième version de ce tableau de bord, alors n’hésitez pas à me contacter directement si vous avez des commentaires sur la façon de le rendre encore plus utile pour vous et votre entreprise !

, AI pour les administrateurs : ce que vous devez savoir pour réussir la classification des cas Einstein<span class="wtr-time-wrap after-title"><span class="wtr-time-number">14</span> minutes de lecture</span>

, AI pour les administrateurs : ce que vous devez savoir pour réussir la classification des cas Einstein<span class="wtr-time-wrap after-title"><span class="wtr-time-number">14</span> minutes de lecture</span>

De plus, la plupart des clients suivent un sous-ensemble des KPI suivants pour mesurer l’impact d’ECC sur leur centre de service. Vous voudrez suivre l’avant et l’après ici.

Ces KPI devraient baisser après le déploiement d’ECC :

  • Temps de traitement moyen pour trier un cas
  • Délai moyen de résolution
  • Nombre de cas escaladés
  • Nombre de transferts de cas

Et ceux-ci devraient monter :

  • Nombre de cas triés ou triés automatiquement quotidiennement/hebdomadairement/mensuellement
  • Nombre de cas résolus dans le cadre des accords de niveau de service (SLA)
  • Achèvement des données de cas
  • Satisfaction client (CSAT)/Net Promoter Score (NPS)

Quels sont les problèmes potentiels à garder à l’esprit ?

Comme mentionné précédemment, les performances inférieures sont souvent dues à des problèmes de données. Voici quelques-uns des problèmes les plus courants :

1. Champs avec trop de valeurs

Si un champ a beaucoup de valeurs (par exemple, pensez à une liste de sélection avec de nombreuses valeurs possibles), il peut être difficile pour ECC de le prédire avec précision. Vous avez souvent des problèmes de distribution (certaines valeurs ont beaucoup d’exemples tandis que d’autres en ont très peu). En plus de cela, ces champs ont tendance à avoir beaucoup de cas avec des étiquettes incorrectes, car la classification manuelle (par un agent) est difficile à obtenir. Il est difficile pour les agents de choisir entre autant de valeurs, ils feront donc des erreurs – et le modèle apprendra ces mêmes erreurs et les répétera. Il est difficile de donner un nombre exact mais, généralement, j’ai observé une qualité dégradée lorsque le nombre de valeurs dépasse 100. Si vous en avez plus que cela, il peut être judicieux de revoir votre taxonomie de cas et de voir si certaines valeurs peuvent être fusionnés ou supprimés. Cela facilitera la vie de vos agents et améliorera les performances d’ECC !

2. Hiérarchies profondes

Les listes de sélection dépendantes sont prises en charge ; cependant, les hiérarchies sur trois niveaux de profondeur peuvent parfois connaître des performances inférieures en raison d’erreurs composées et de moins de données disponibles pour apprendre au bas de la hiérarchie. Vous pouvez envisager de conserver les champs de niveau inférieur en mode de recommandation au lieu de trier automatiquement si les performances ne sont pas suffisamment élevées.

3. Chevauchement des valeurs

C’est probablement le problème de données le plus courant que j’ai vu en travaillant en étroite collaboration avec de nombreux clients ECC au cours des dernières années. Vous pouvez avoir quelques valeurs trop proches les unes des autres ou trop génériques, de sorte que l’agent ne sait pas laquelle choisir. Par exemple, vous pouvez avoir des valeurs de liste de sélection telles que « Général » ou « Spam », de sorte que les agents ont tendance à y placer toutes sortes de cas qui auraient dû être classés comme l’une des autres valeurs. Cela rendra plus difficile pour le modèle ECC d’apprendre à différencier les cas historiques et donc plus difficile à prévoir pour de nouveaux cas. La matrice de confusion fournie avec le tableau de bord des performances TCRM de la classification des cas Einstein est un excellent moyen d’identifier ces problèmes. Une fois les champs problématiques identifiés, vous souhaiterez peut-être résoudre le problème en fusionnant certaines valeurs ou en divisant davantage celles qui sont trop génériques.

4. Valeurs incorrectes

Aussi consciencieux que soient vos agents dans leur travail, ils feront parfois des erreurs. Cela est souvent dû à certains des problèmes mentionnés ci-dessus, tels que des champs avec trop de valeurs ou des valeurs qui se chevauchent. Peut-être que le processus a changé et que les valeurs sont utilisées différemment qu’auparavant. Ou, ils pourraient simplement être nouveaux dans le travail. Pour ces raisons et peut-être d’autres, une partie de vos données historiques sera incorrecte et induira ainsi en erreur ECC lors de la construction d’un modèle à partir de ces données. Pour un client avec qui j’ai travaillé en étroite collaboration, les valeurs incorrectes représentaient environ 30 % de leurs données historiques, ce qui a eu un impact significatif sur les performances. C’est un problème difficile à résoudre, mais vous avez quelques options. Vous pouvez résoudre les problèmes sous-jacents comme proposé ci-dessus, modifier le matériel de formation sur les processus métier/agents pour essayer de réduire la fréquence des erreurs, reclasser ces cas en bloc ou exclure ces cas de la formation, puis recycler votre modèle. De plus, avec l’apprentissage automatique, le temps est votre ami. Les modèles sont régulièrement réformés. Par conséquent, si vous apportez des modifications qui réduisent le nombre d’erreurs dans les données historiques, le modèle les récupère et s’améliore au fil du temps.

5. Traitement des cas en double

La façon dont votre organisation gère les cas en double peut avoir un impact sur les performances du modèle. Avec de nombreux clients, les agents qui obtiennent des cas en double sélectionnent correctement les valeurs pour une instance – mais pour les autres, ils laissent les champs vides, laissent les valeurs par défaut qui sont incorrectes ou choisissent une autre valeur comme « Spam » ou « Dupliquer ». Cela confond le modèle car pour chaque cas de « vérité terrain » correct, il peut y avoir plusieurs cas avec des valeurs incorrectes. Résolvez ce problème en utilisant un autre champ pour marquer les cas comme des doublons (par exemple, un champ booléen « IsDuplicate ») et en excluant ceux de l’entraînement du modèle.

6. Modification de l’objet ou de la description du dossier par les agents

Une chose à garder à l’esprit est que l’ECC s’entraîne sur l’état final d’un cas, mais vous vous souciez des prédictions lorsque de nouveaux cas arrivent. Si vos agents modifient le sujet ou la description du cas dans le cadre du processus de tri, ils seront différents — ECC apprendra donc sur la version modifiée et aura plus de mal à prédire avec précision l’état initial. Pour que l’ECC fonctionne au mieux, il est préférable de ne pas toucher au sujet et à la description du cas et d’utiliser d’autres champs pour indiquer les mises à jour du cas.

7. Champs utilisés différemment par les différentes parties de l’entreprise

Il se peut que les mêmes valeurs de champ soient utilisées à des fins différentes par différentes parties de votre entreprise, par exemple, pour vos clients B2B et B2C. Ou, peut-être que vos centres de service dans différents pays utilisent des processus différents, ce qui entraîne l’attribution de valeurs de champ différentes pour des cas similaires. Ce sont d’excellents exemples d’utilisation de différents modèles, également appelés segments. Avec ECC, vous pouvez créer jusqu’à cinq segments et les hiérarchiser afin que le segment dont le filtre correspond en premier soit appliqué en premier. J’ai vu certains clients améliorer leur précision jusqu’à 20 points de pourcentage après avoir créé des segments. Veillez simplement à ne pas créer de segments trop petits, car cela pourrait réduire la précision de votre modèle.

8. Cas en plusieurs langues

ECC permet de faire des prédictions sur des cas écrits dans différentes langues. Certains de nos plus gros clients reçoivent des étuis dans des dizaines de langues différentes ! La principale chose à rechercher est que la distribution des langues dans l’ensemble d’apprentissage à partir duquel Einstein apprend et les cas pour lesquels vous voulez des prédictions sont similaires. Par exemple, ne vous entraînez pas uniquement sur des cas italiens et espérez que cela fonctionnera en néerlandais !

Essayez-le et accumulez les avantages!

Maintenant, vous avez une idée de ce qu’il faut pour déployer l’ECC dans votre organisation, les avantages auxquels vous pouvez vous attendre, ce qu’il faut rechercher et comment mesurer le succès. Essayez ECC et voyez comment il permet non seulement à vos agents de gagner du temps, mais aussi à rendre vos clients plus heureux grâce à un délai d’exécution plus rapide !

Vous voulez découvrir comment travailler plus intelligemment avec Salesforce Einstein ? Consultez notre série de blogs sur l’IA pour les administrateurs. Chaque article présente un produit ou un sujet d’IA différent, avec des exemples du monde réel.

Ressources



Source de l’article traduit automatiquement en Français

Besoin d'aide ?
Vous utilisez Pardot depuis un certain temps mais vous n'êtes pas sûr d'en
exploiter tout le potentiel

Notre analyse de votre Pardot offerte dès aujourd'hui
Merci, vous pouvez compléter notre questionnaire
Nous allons revenir vers vous rapidement !

Fermer