찾고 싶은 정보를 신속하게 찾을 수 있는 「KIBIT」의 구조

이와 같이, 객관적인 판단이 어려운 「말」이라는 정성 데이터에서도, 찾아내고 싶은 행동이나 감정, 반응 등을 발견하는 「센서」로서 이용할 수 있습니다. 고객의 목소리에서 클레임을 감지할 때 센서의 역할을 수행하는 것은 축적된 과거의 클레임 데이터입니다.분석의 이미지는 그림 1과 같습니다.

'고객의 목소리'에서 클레임을 찾는 경우 KIBIT에게 제공하는 기계 학습 교사 데이터는 예를 들어 실제로 과거에 있던 수십 건의 '찾고 싶은' '중요한' 클레임 데이터입니다. 1개의 데이터는 100자에서 200자 정도의 짧은 문장이어도 상관없습니다('"말을 센서로" 방대한 "고객의 목소리"에서 가치를 찾아 업무를 바꾼다그림 3 참조).아울러, 클레임이 아닌 「찾지 않아도 좋다」 「중요하지 않다」의 「고객의 목소리」의 데이터도 마찬가지로 수십건인가, 좀 더 많이 KIBIT에게 학습시킵니다.그리고 해석의 대상이 되는, 문의 기록이나 앙케이트, 음성 기록등의 「고객의 소리」를 준비하면, 준비 완료입니다.

KIBIT는 주어진 교사 데이터로부터 단어와 문장의 연결을 배우고, 클레임의 문장과 닮았는지, 클레임이 아닌 일반 문장과 닮지 않은지, 등을 판별해, 스코어링(점수 매기기)을 실시한다 갑니다.

학습할 때 클레임에 나타나는 키워드를 보는 것과 동시에, 키워드 주위의 말도 봐 가기 때문에, 새로운 데이터를 판단할 때,같은 키워드가 없어도 주변 단어의 유사성에서 점수를 붙일 수 있습니다.. KIBIT에 사용되고 있는 독자적인 알고리즘에서는, 「찾고 싶다」 「중요」라고 판정한 단어에 가중치를 많이 할당해, 「찾지 않아도 좋다」 「중요하지 않다」에 가중치를 낮게 할당합니다.그렇게 하면, 분석의 대상이 되는 데이터의 집단 중에서 상관이나 유사성이 높은 것과 낮은 것의 점수의 차이가 붙어 구분을 할 수 있습니다.

매일 올라오는 보고서나 고객의 목소리를 전건 체크하지 않아도 점수가 높은 순서로 확인함으로써 작업의 부담이나 공수가 줄어들거나 사용자가 필요로 하는 정보를 재빨리 추출하지만 수 있습니다.이러한 일련의 프로세스를 거치는 것이, KIBIT가 말의 다의성이나 흔들림에 강하고, 마치 문맥을 읽고 있도록 해석을 할 수 있는 이유입니다.

그림 1. KIBIT 사전 학습 및 분석 이미지

고객의 목소리 분석에 KIBIT를 활용하면 (실제 업무로) 얼마나 효과를 얻을 수 있습니까?지금까지의 도입 사례나 실증 실험, PoC(개념 검증)에서의 케이스를 살펴봅시다. (그림 2)

그림 2. KIBIT를 이용한 다양한 경우

지금까지 본 케이스 외에도 현재 '고객의 목소리'는 매장이나 콜센터에 전해지는 것뿐만 아니라 채팅봇을 이용한 커뮤니케이션, SNS 등을 통한 소셜 미디어에 리뷰 쓰기, 스마트폰 앱과 스마트 스피커 등의 음성 인식을 이용한 교환 등 기업이 도움이 되는 커뮤니케이션 데이터가 점점 증가하고 있습니다.이러한 데이터 중에서, 예를 들면 클레임을 올바르게 파악하는 것으로, 자사 제품이나 서비스의 문제를 조기에 발견할 수 있는 「센서」로서 활용할 수 있습니다.

이번에는 「고객의 소리」의 예를 들어 왔습니다만, 똑같이, 사람의 감정이나 감상, 기분, 사건을 나타내는 「자연 언어」의 문장은, 예를 들면, 영업일보나 조사, 인사 면담, 간호·개호 등의 다양한 기록 등, 일상적인 일에 많이 나타나고 있습니다.지금까지 취급하기 어려웠던 정성 데이터를 인공지능 KIBIT로 해석함으로써 기업은 다양한 기회와 과제를 발견하는데 활용할 수 있습니다.여러분도 꼭, 「자연 언어×AI」를 다루는 것으로, 리스크나 기회를 발견할 수 있는 구조를 생각해 보세요.