Proximus, een vooraanstaand bedrijf in de telecomsector, werd geconfronteerd met de uitdaging om waardevolle inzichten te verkrijgen uit de feedback van technici na klantbezoeken. Deze technici rapporteren typisch over genomen acties of opgeloste problemen, zoals het repareren van decoders, vervangen van modems, of het identificeren van technische kwesties zoals oxidatie op kabels of kortsluitingen.
De feedback van technici bevat waardevolle informatie over plotselinge problemen die optreden. Het vroegtijdig detecteren van deze afwijkingen met behulp van AI kan ervoor zorgen dat de service optimaal blijft. Spelfouten, technische vaktaal, afkortingen, en het feit dat teksten zowel in het Frans als Nederlands zijn geschreven, vormen een primaire hindernis. De grote hoeveelheid feedback, die meer dan 15.000 teksten overstijgt, maakt handmatige analyse verder gecompliceerd.
Strategische uitdaging
De enorme uitdaging lag in het kunnen opsporen van trends en het detecteren van opkomende problemen uit de ongestructureerde teksten, zodat Proximus in staat zou zijn om proactief problemen aan te pakken. Vanwege de slechte kwaliteit en grote hoeveelheid gegevens kon een dergelijke analyse niet handmatig gebeuren.
Aanpak
Het project omvatte belangrijke stappen waarbij gebruik werd gemaakt van grote taalmodellen (LLM's):
1. Het gebruiken van AI voor tekstanalyse en vertaling
LLM's werden ingezet om relevante informatie uit de feedback van de technici te halen, waarbij deze ongestructureerde teksten werden omgezet naar een gestructureerd formaat in het Engels. Tijdens dit proces werden specifieke handelingen die werden genoemd in de feedback geïdentificeerd.
2. Clusteranalyse voor gestructureerd inzicht
De gestructureerde teksten werden onderworpen aan clusteranalyse, waarbij vergelijkbare acties samen werden gegroepeerd. Vervolgens identificeerden LLM's het centrale thema in elke cluster en categoriseerden ze de technische feedback in specifieke onderwerpen.
3. Trendanalyse en opsporen van afwijkingen
Met de feedback georganiseerd in clusters werd het mogelijk om veranderingen in de loop van de tijd bij te houden. Deze analyse identificeerde problemen met toenemende trends, waarbij gebieden die nader onderzoek vereisen, werden belicht.
Resultaten
De integratie van AI bij het analyseren van technicusfeedback heeft geleid tot verschillende vooruitgangen:
-
Verbeterde datastructurering: De ongestructureerde, tweetalige teksten worden nu omgezet naar een gestructureerd en gestandaardiseerd formaat in het Engels.
-
Heldere inzichten in trends: Door middel van de clusteranalyse werden duidelijke patronen zichtbaar in herhaalde problemen en opkomende trends.
-
Proactieve probleemoplossing: Dit systeem stelt Proximus in staat om problemen effectiever te anticiperen en aan te pakken, wat mogelijk kan leiden tot een vermindering van toekomstige klantenservicekwesties.
Conclusie
De toepassing van AI en LLM's bij het verwerken van technicusfeedback betekent een aanzienlijke vooruitgang voor Proximus in het begrijpen en verbeteren van de dienstverlening op verplaatsing. Ondanks de kleine schaal van het project toont het aan hoe AI waardevolle inzichten kan halen uit zelfs de meest ongestructureerde gegevens, wat een precedent schept voor soortgelijke toepassingen in verschillende sectoren.
