Apa Itu Speech Analytics?

Sebuah contact center menghasilkan lebih banyak rekaman percakapan dalam seminggu daripada yang bisa didengarkan tim mana pun dalam setahun. Dulu, artinya quality assurance bekerja dari sampel — biasanya sangat kecil — dan setiap pertanyaan tentang apa yang dikatakan pelanggan dijawab berdasarkan anekdot. Speech analytics mengubah unit tinjauan dari satu panggilan menjadi seluruh korpus: begitu percakapan menjadi teks, Anda dapat mencari semuanya.

Alurnya terdiri dari dua bagian yang sering dicampuradukkan. Transkripsi menghasilkan teks panggilan dengan cap waktu dan label pembicara. Analitik berjalan di atas teks itu untuk mengekstrak hal-hal yang layak ditindaklanjuti. Bagian pertama adalah kemampuan teknis. Bagian kedua adalah tempat nilai operasional sebenarnya berada, dan di sinilah platform paling berbeda.

Apa yang Diekstraksi

• Ringkasan. Rangkuman terstruktur percakapan berisi poin penting dan item tindak lanjut, dibuat tanpa agen harus mengetiknya dari ingatan.
• Sentimen. Skor per ujaran dan untuk keseluruhan panggilan, digunakan untuk memunculkan interaksi yang layak ditinjau.
• Kata kunci. Istilah dan frasa yang dikonfigurasi, dicocokkan, dan memicu peringatan — dengan cara inilah pemeriksaan pengungkapan diotomatiskan.
• Penanda kepatuhan. Panggilan yang tampaknya tidak memuat kalimat wajib, atau tampaknya memuat kalimat terlarang.
• Bahasa. Deteksi bahasa per panggilan, yang dibutuhkan contact center multibahasa sebelum semua hal di atas dapat diterapkan dengan benar.

Batasan yang Perlu Disampaikan

Akurasi transkripsi tidak seragam. Akurasinya menurun pada audio yang buruk, kebisingan latar yang tinggi, suara yang saling tumpang tindih, serta aksen atau dialek yang jarang dipelajari model, dan setiap analisis lanjutan mewarisi penurunan itu. Skor sentimen adalah sinyal triase yang berguna, bukan ukuran perasaan pelanggan, dan sebaiknya diperlakukan sebagai cara memilih panggilan mana yang ditinjau manusia. Pencocokan kata kunci menemukan kata, bukan makna, sehingga pengungkapan yang disampaikan dengan susunan kalimat tidak lazim bisa ditandai sebagai tidak ada. Semua ini tidak mengurangi nilai alatnya; justru menjadikannya filter yang mengarahkan peninjau ke panggilan yang tepat, bukan pengganti peninjauan.

Cara DialerBee Menangani Speech Analytics

Di DialerBee, transkripsi panggilan memproses audio panggilan saat percakapan berlangsung. Fitur ini memisahkan kanal audio agen dan pelanggan, mentranskripsi setiap pembicara secara terpisah dengan cap waktu, mendeteksi bahasa secara otomatis, dan menyediakan transkrip bercap waktu dan berlabel pembicara begitu panggilan berakhir. Transkripsi mencakup 11 bahasa dengan kepekaan dialek. Dari sana, model mengekstrak ringkasan berisi poin penting dan item tindak lanjut, sentimen dengan skor positif, negatif, netral, atau frustrasi, kecocokan kata kunci, dan penanda kepatuhan; ringkasan, disposisi, skor sentimen, dan frasa kunci tersebut dapat dikirim ke CRM Anda melalui webhook atau REST API.

Pencarian teks lengkap berjalan di seluruh transkrip dengan filter agen, rentang tanggal, kampanye, kata kunci, dan skor sentimen, sehingga tim kepatuhan dapat mengaudit interaksi tertentu tanpa harus mendengarkan rekaman berjam-jam. Data transkrip disimpan dengan isolasi per tenant menggunakan row-level security PostgreSQL, dengan kebijakan retensi yang dapat dikonfigurasi per tenant. Di sisi real-time, agent assist menyusun ringkasan selagi panggilan masih berlangsung, membaca sentimen secara langsung dengan pemahaman bahasa Arab, bukan hanya bahasa Inggris, menyamarkan transkrip sehingga yang disimpan dan dicari bukan salinan teks polos dari semua yang dibacakan pelanggan, menyimpannya sesuai kebijakan Anda, serta mendukung legal hold dan ekspor ketika diminta dalam suatu perkara atau oleh regulator. Peninjau di Scorecard QA melihat transkrip lengkap berdampingan dengan rekaman audio saat memberi skor.

Pertanyaan yang Sering Diajukan

Apa perbedaan transkripsi dan speech analytics?

Transkripsi mengubah ucapan menjadi teks. Speech analytics adalah apa yang Anda lakukan dengan teks itu: mencarinya, memberi skor sentimen, menemukan kata kunci, menandai pengungkapan yang terlewat, dan meringkas percakapan. Transkripsi adalah input dan analitik adalah output — itulah sebabnya sebuah platform bisa memiliki transkripsi yang sangat baik tetapi nilai analitis yang sangat kecil di atasnya.

Mengapa pemisahan pembicara penting?

Karena hampir setiap pertanyaan yang berguna menyangkut siapa mengatakan apa. Apakah agen yang menyampaikan pengungkapan, atau pelanggan yang menyebutkannya? Apakah keberatan diajukan pelanggan atau sudah diantisipasi agen? Mentranskripsi audio agen dan pelanggan secara terpisah membuat pertanyaan itu bisa dijawab, bukan sekadar ditebak dari transkrip gabungan.

Seberapa akurat transkripsi dalam praktiknya?

Bervariasi menurut kualitas audio, aksen, dialek, kebisingan latar, dan seberapa sering pembicara saling tumpang tindih. Headset yang baik di ruangan yang tenang menghasilkan teks yang jauh lebih baik daripada saluran yang bising — inilah faktor terbesar yang bisa dikendalikan. Cakupan dialek sama pentingnya dengan cakupan bahasa: model yang dilatih pada satu varian bahasa akan kurang baik menangani varian lainnya.

Bisakah speech analytics digunakan untuk pemantauan kepatuhan?

Bisa, dan ini salah satu penggunaan terkuatnya. Daftar kata kunci dapat menandai panggilan yang tampaknya tidak memuat pengungkapan wajib atau memuat frasa terlarang, sehingga tinjauan kepatuhan berubah dari mendengarkan sampel menjadi menelusuri seluruh populasi panggilan. Fitur ini mempersempit apa yang ditinjau manusia, bukan menggantikan peninjaunya.

Bagaimana seharusnya data sensitif dalam transkrip diperlakukan?

Sebisa mungkin disamarkan sebelum disimpan, dan disimpan berdasarkan kebijakan retensi, bukan tanpa batas waktu. Arsip transkrip adalah salinan yang dapat dicari dari semua yang diucapkan pelanggan, termasuk hal-hal yang sebaiknya tidak Anda simpan, sehingga penyamaran dan retensi adalah bagian dari desain, bukan pemikiran belakangan.

Istilah terkait: agent assist, after-call work, CSAT, deteksi mesin penjawab (AMD) dan Agen suara AI.