एएमडी के गलत पॉजिटिव परिणाम संपर्क दरों को कैसे कम करते हैं

प्रत्येक आउटबाउंड संपर्क केंद्र संपर्क दर पर नज़र रखता है — यानी डायल करने के प्रयासों का वह प्रतिशत जो लक्षित व्यक्ति के साथ सीधे बातचीत में परिणत होता है। यह सबसे महत्वपूर्ण परिचालन मीट्रिक है क्योंकि इसके बाद की सभी प्रक्रियाएँ इसी पर निर्भर करती हैं: रूपांतरण दर, संग्रह दर, अपॉइंटमेंट सेट, प्रति घंटा राजस्व।

अधिकांश टीमें इस बात पर ध्यान नहीं देतीं कि उनके संपर्क दर में होने वाली कितनी कमी उनके अपने एएमडी सिस्टम के कारण होती है। विशेष रूप से, गलत पहचान के कारण: ऐसे लोग जो फोन उठाते हैं, उन्हें आंसरिंग मशीन के रूप में वर्गीकृत किया जाता है, और एजेंट की आवाज सुनने से पहले ही कॉल कट जाती है।

गलत सकारात्मक परिणामों का गणित

आइए एक ठोस उदाहरण के माध्यम से समझते हैं। मान लीजिए कि 30 एजेंटों की एक टीम प्रेडिक्टिव डायलर कैंपेन चला रही है:

• प्रतिदिन डायल की संख्या: 15,000 कॉल
• उत्तर देने की दर: 40% (6,000 कॉल का उत्तर दिया गया)
• वास्तविक वॉइसमेल दर: उत्तरित कॉलों का 55% (3,300 वॉइसमेल)
• वास्तविक लाइव उत्तर: उत्तरित कॉलों का 45% (2,700 लाइव मानव)

अब अलग-अलग गलत सकारात्मक दरों के साथ एएमडी लागू करें:

5% एफपीआर पर (अच्छा एएमडी): 135 लाइव कॉल गलत तरीके से ड्रॉप हो गईं। एजेंटों ने 2,565 लाइव बातचीत संभालीं। प्रभावी संपर्क दर: 17.1%।

15% एफपीआर पर (औसत लेगेसी एएमडी): 405 लाइव कॉल गलत तरीके से ड्रॉप हो गईं। एजेंटों ने 2,295 लाइव बातचीत संभालीं। प्रभावी संपर्क दर: 15.3%।

25% एफपीआर पर (अपरिचित वाहकों पर खराब एएमडी): 675 लाइव कॉल गलत तरीके से ड्रॉप हो गईं। एजेंटों ने 2,025 लाइव बातचीत संभालीं। प्रभावी संपर्क दर: 13.5%।

अच्छे और खराब एएमडी के बीच अंतर यह है कि प्रतिदिन 540 लाइव बातचीत गुम हो जाती हैंएक महीने में, 11,880 संपर्क खो जाते हैं। यदि आपकी रूपांतरण दर 5% है, तो इसका मतलब है 594 बिक्री या वसूली के वादे खो जाना। राजस्व मूल्य निर्धारित करें तो यह संख्या तुरंत चिंताजनक हो जाती है।

गलत सकारात्मक परिणाम अदृश्य क्यों होते हैं?

एएमडी के गलत पॉजिटिव का सबसे खतरनाक पहलू यह है कि ये एजेंटों को दिखाई नहीं देते। एजेंट को कभी भी गलत पॉजिटिव का पता नहीं चलता क्योंकि कॉल उन तक पहुंचने से पहले ही कट जाती है। एजेंट के नज़रिए से सब कुछ सामान्य लगता है - उन्हें डायलर द्वारा दी जाने वाली कॉलों से लाइव कॉल कनेक्ट हो रही होती हैं।

गलत प्रतिक्रिया का सामना सिर्फ संभावित ग्राहकों को ही करना पड़ता है। वे फोन उठाते हैं, थोड़ी देर की खामोशी या सन्नाटा छा जाता है और फिर कॉल कट जाती है। उन्हें लगता है कि यह रोबोकॉल, स्पैम या अक्षमता है। अगर आप उन्हें दोबारा कॉल करते हैं, तो वे पहले से ही नाराज़गी जताने के लिए तैयार होते हैं।

इस अदृश्यता का मतलब है कि गलत सकारात्मक समस्याएं महीनों तक बिना किसी को पता चले बनी रह सकती हैं। ऑपरेशन टीम को उम्मीद से कम संपर्क दर दिखती है और वे इसका दोष लिस्ट की गुणवत्ता, दिन के समय या कॉलर आईडी की प्रतिष्ठा पर डालते हैं। असली दोषी - एएमडी की गलत कॉन्फ़िगरेशन या खराब तरीके से प्रशिक्षित मॉडल - का पता नहीं चल पाता।

अपने एएमडी फॉल्स पॉजिटिव रेट को कैसे मापें

एफपीआर को मापने के लिए एएमडी वर्गीकरण की तुलना वास्तविक स्थिति से करनी होती है। यहाँ तीन व्यावहारिक तरीके दिए गए हैं:

1. एजेंट ओवरराइड ट्रैकिंग

जब AMD किसी कॉल को मशीन द्वारा की गई कॉल के रूप में वर्गीकृत करता है, लेकिन फिर भी उसे एजेंट के पास भेज देता है (ऑडिट मोड में), तो एजेंट रिपोर्ट करता है कि वास्तव में कॉल मशीन द्वारा की गई थी या किसी व्यक्ति द्वारा। इससे आपको सीधे माप मिलते हैं, लेकिन इसके लिए कुछ कॉल को पासथ्रू मोड में चलाना पड़ता है, जिससे एजेंट का समय खर्च होता है।

2. कॉल के बाद ऑडियो समीक्षा

AMD द्वारा मशीन के रूप में वर्गीकृत की गई प्रत्येक कॉल के पहले 5 सेकंड रिकॉर्ड करें। QA टीम को हर सप्ताह एक यादृच्छिक नमूना सुनने के लिए कहें। यह श्रमसाध्य है, लेकिन इससे आपको सभी कैरियर और अभियानों में निष्पक्ष माप प्राप्त होंगे।

3. सांख्यिकीय अनुमान

अपनी अपेक्षित संपर्क दर (सूची की गुणवत्ता और ऐतिहासिक डेटा के आधार पर) की तुलना अपनी वास्तविक संपर्क दर से करें। यदि अंतर अपेक्षा से अधिक है और AMD-सक्षम अभियानों से संबंधित है, तो संभवतः गलत सकारात्मक परिणाम इसका कारण हो सकते हैं। यह कम सटीक है, लेकिन इसमें कोई अतिरिक्त परिचालन लागत नहीं लगती।

प्रत्येक वाहक के लिए विश्लेषण महत्वपूर्ण है

कुल एफपीआर संख्याएं कैरियर-विशिष्ट समस्याओं को छिपा देती हैं। हमने ऐसे ऑपरेशन देखे हैं जहां समग्र एफपीआर 8% था - जो स्वीकार्य है - लेकिन डायल वॉल्यूम के 20% का प्रतिनिधित्व करने वाले एक ही कैरियर का एफपीआर 30% था। वह एक कैरियर अन्य सभी कैरियरों की तुलना में कहीं अधिक गलत पॉजिटिव परिणामों के लिए जिम्मेदार था।

ऐसा इसलिए होता है क्योंकि AMD मॉडल आमतौर पर विभिन्न कैरियर के ऑडियो के मिश्रण पर प्रशिक्षित होते हैं। गैर-मानक वॉइसमेल सिस्टम, असामान्य अभिवादन प्रारूप या असामान्य बीप टोन वाले कैरियर को गलत तरीके से वर्गीकृत किए जाने की संभावना बहुत अधिक होती है। प्रत्येक कैरियर के लिए अलग-अलग विश्लेषण के बिना, आप इन समस्याओं का पता नहीं लगा पाएंगे।

इस समस्या के समाधान के लिए या तो प्रति-कैरियर एएमडी ट्यूनिंग (विशिष्ट कैरियर के लिए संवेदनशीलता सीमा को समायोजित करना) या प्रति-कैरियर मॉडल प्रशिक्षण (वर्गीकरण मॉडल में कैरियर-विशिष्ट सुधारों को शामिल करना) की आवश्यकता होती है। दोनों के लिए आपके डायलर को कॉल स्तर पर कैरियर पहचान को ट्रैक करना आवश्यक है - जो कि कई पुराने डायलर नहीं कर पाते हैं।

एआई एएमडी गलत सकारात्मक परिणामों को कम करने में कैसे मदद करता है

परंपरागत बीप-आधारित AMD में गलत पहचान की एक संरचनात्मक समस्या है: यह अपना वर्गीकरण निर्णय ऑडियो टाइमिंग और टोन डिटेक्शन के आधार पर करता है, न कि वास्तव में बोले गए शब्द के आधार पर। एक इंसान जो लंबे समय तक "हैलो... हैलो? कौन बोल रहा है?" कहकर जवाब देता है, वह समय सीमा को पार कर सकता है और उसे मशीन के रूप में वर्गीकृत किया जा सकता है।

एआई-आधारित एएमडी, ट्रांसक्रिप्ट सामग्री के आधार पर वर्गीकरण करता है, जो मूल रूप से अधिक मजबूत है। एक लंबे मानवीय अभिवादन में भी प्रश्नवाचक पैटर्न ("कौन बोल रहा है?") होते हैं जिन्हें ट्रांसक्रिप्ट क्लासिफायर अवधि की परवाह किए बिना मानवीय भाषण के रूप में पहचान सकता है।

इससे भी महत्वपूर्ण बात यह है कि फीडबैक लूप के साथ AI AMD समय के साथ बेहतर होता जाता है। जब कोई एजेंट गलत वर्गीकरण को चिह्नित करता है, तो वह सुधार मॉडल को भविष्य में समान पैटर्न को पहचानने के लिए प्रशिक्षित करता है। हजारों सुधारों के माध्यम से, मॉडल कैरियर-विशिष्ट ज्ञान का निर्माण करता है जिसे एक स्थिर मॉडल कभी प्राप्त नहीं कर सकता।

डायलरबी का एआई एएमडी सिस्टम इस सिस्टम को मुख्य उद्देश्य के रूप में डिज़ाइन किया गया था, जिसमें गलत सकारात्मक परिणामों को कम करना शामिल था। यह सिस्टम वास्तविक समय में प्रति-वाहक सटीकता को ट्रैक करता है, वाहक की FPR (गलत सकारात्मक परिणाम दर) निर्धारित सीमाओं से अधिक होने पर वर्गीकरण सीमा को स्वचालित रूप से समायोजित करता है, और पर्यवेक्षकों को विवादित वर्गीकरणों की समीक्षा के लिए एक समर्पित वर्कस्टेशन प्रदान करता है।

परिचालन संबंधी परिवर्तन जो बेहतर एएमडी के पूरक हैं

एएमडी की सटीकता में सुधार के अलावा, ऐसी परिचालन रणनीतियाँ भी हैं जो गलत सकारात्मक परिणामों के प्रभाव को कम करने में मदद कर सकती हैं:

• एएमडी-वर्गीकृत कॉलों के लिए एक "सुरक्षित संदेश" लागू करें: AMD द्वारा मशीनी कॉल के रूप में वर्गीकृत किए गए कॉलों को तुरंत काटने के बजाय, एक संक्षिप्त संदेश चलाएं: "नमस्ते, यह [कंपनी] है। हम थोड़ी देर में आपसे दोबारा संपर्क करेंगे।" यदि वर्गीकरण गलत था और कोई व्यक्ति सुन रहा है, तो कम से कम उसे सन्नाटे के बजाय एक पेशेवर संदेश सुनाई देगा।
• उच्च मूल्य वाली सूचियों पर रूढ़िवादी एएमडी का उपयोग करें: प्रीमियम लीड सूचियों या अंतिम प्रयास वाले कॉलों के लिए, AMD को अक्षम करने या इसे अधिकतम रूढ़िवादिता पर सेट करने पर विचार करें। गलत नकारात्मक परिणामों के लिए एजेंट के समय की लागत तब उचित होती है जब गलत सकारात्मक परिणामों की अवसर लागत अधिक हो।
• AMD की सटीकता को एक प्रमुख संकेतक संकेतक (KPI) के रूप में ट्रैक करें: अपने ऑपरेशन डैशबोर्ड में कॉन्टैक्ट रेट, कन्वर्जन रेट और एजेंट यूटिलाइजेशन के साथ-साथ फॉल्स पॉजिटिव रेट को भी शामिल करें। इसे दृश्यमान बनाएं। जो मापा जाता है, उसे प्रबंधित किया जा सकता है।
• नियमित रूप से एएमडी ऑडिट चलाएं: हर महीने, AMD द्वारा वर्गीकृत मशीन कॉलों का एक सैंपल लें और QA से उनकी जाँच करवाएँ। रुझान पर नज़र रखें। यदि सटीकता में गिरावट आ रही है, तो हो सकता है कि आपके कैरियर का मिश्रण बदल गया हो या किसी कैरियर ने अपना वॉइसमेल सिस्टम बदल दिया हो।

तल - रेखा

आउटबाउंड ऑपरेशंस में AMD फॉल्स पॉजिटिव सबसे बड़े नियंत्रणीय नुकसानों में से एक है। ये एजेंटों को दिखाई नहीं देते, मैनेजर शायद ही कभी इनकी निगरानी करते हैं, और बड़े पैमाने पर होने पर ये काफी महंगे साबित होते हैं। FPR में 10 प्रतिशत अंकों का सुधार — 15% से 5% तक — एक मध्यम आकार की टीम के लिए प्रतिदिन सैकड़ों लाइव बातचीत को रिकवर कर सकता है।

यदि आपने हाल ही में अपने एएमडी के गलत पॉजिटिव परिणाम की दर नहीं मापी है, तो वहीं से शुरुआत करें। यह संख्या आपको चौंका सकती है — और इसका समाधान आपकी सोच से कहीं अधिक सरल हो सकता है।