DialNexa એ ભારતમાં દસ લાખથી વધુ બિઝનેસ કોલ્સનું વિશ્લેષણ કર્યું છે અને જોયું છે કે વોઇસ-AI ત્યારે જ કામ કરે છે જ્યારે ચાર મુખ્ય પરિબળો—કનેક્ટિવિટી (connectivity), લેટન્સી (latency), ભાષાનું મિશ્રણ (language mixing) અને સમય (timing)—એકસાથે સેટ કરવામાં આવે. ડઝનબંધ ભારતીય કંપનીઓ સેલ્સ, સપોર્ટ અને રિમાઇન્ડર્સ માટે પહેલેથી જ વોઇસ એજન્ટ્સ રજૂ કરી રહી છે, અને ડેટા સમજાવે છે કે શા માટે વાસ્તવિક દુનિયાના વોલ્યુમ પર પહોંચતા ઘણા પાયલોટ પ્રોજેક્ટ્સ અટકી જાય છે.
ઓપરેશનલ પાસાનું મહત્વ કેમ છે
વોઇસ-AI હવે માત્ર પ્રૂફ-ઓફ-કન્સેપ્ટ ડેમોથી આગળ વધીને કોલ સેન્ટર્સ, આઉટબાઉન્ડ સેલ્સ ટીમો અને એપોઇન્ટમેન્ટ સેટિંગ સેવાઓના રોજિંદા કામનો ભાગ બની ગયું છે. આ ટેકનોલોજી ઓછા સ્ટાફ ખર્ચ અને ઝડપી પ્રતિસાદનો સમય આપવાનું વચન આપે છે, પરંતુ જો કોલ ફ્લો તૂટી જાય તો લેબમાં સારું લાગતું બોટ પણ નિષ્ફળ જઈ શકે છે. અનેક ઉદ્યોગોમાંથી મેળવેલ DialNexa ના ડેટાસેટ પરથી જાણવા મળે છે કે જ્યારે કોલ્સની સંખ્યા દરરોજ થોડા સોથી વધીને હજારોમાં પહોંચે છે, ત્યારે સમાન AI કેવી રીતે વર્તે છે.
કનેક્ટિવિટી અને રિટ્રાય (retries) ની શક્તિ
નવા નંબરો માટે પ્રથમ કોલ પિકઅપ રેટ 48 ટકા છે; વારંવાર ડાયલ કરવાથી તે ઘટીને 20 ટકા સુધી આવી શકે છે. સ્માર્ટ રિટ્રાય સિક્વન્સ કુલ કનેક્ટિવિટીને 70 ટકાથી ઉપર લઈ જાય છે. માત્ર પ્રથમ પ્રયાસને માપવાથી ખૂબ જ નિરાશાજનક ચિત્ર દેખાય છે; સંપૂર્ણ કોલ લાઇફસાયકલ મહત્વની છે.
રીટેન્શન (Retention) પ્રામાણિકતા અને અવાજની ગુણવત્તા પર આધારિત છે
3 ટકાથી પણ ઓછા કોલર્સ AI સાથે વાતચીત અધવચ્ચેથી કાપી નાખે છે. જ્યારે સિન્થેટિક અવાજ કુદરતી લાગે અને શરૂઆતની સ્ક્રિપ્ટ વાતચીત જેવી લાગે, ત્યારે કોલર્સ વધુ સમય સુધી જોડાયેલા રહે છે. શરૂઆતમાં જ આ ઇન્ટરેક્શન AI-સંચાલિત છે તે જણાવવાથી વિશ્વાસ વધે છે અને શરૂઆતના ડ્રોપ-ઓફ ઘટાડી શકાય છે.
લેટન્સી (latency) ની સમસ્યા તરત જ અનુભવાય છે
મોટાભાગના જવાબો એક સેકન્ડથી ઓછા સમયમાં આવે છે, પરંતુ કેટલાક ઇન્ટરેક્શનમાં બે સેકન્ડ કે તેથી વધુ સમય લાગે છે. આ લાંબો વિરામ વાતચીતના પ્રવાહને તોડી નાખે છે, જેના કારણે કોલર્સ પોતાનું વાક્ય ફરીથી બોલવા મજબૂર થાય છે અથવા ફોન કાપી નાખે છે. માત્ર સરેરાશ નહીં, પણ સૌથી ધીમા પ્રતિસાદના સમયને ટ્રેક કરો.
કોડ-સ્વિચિંગ (Code-switching) એ સામાન્ય બાબત છે, અપવાદ નહીં
ભારતમાં, વક્તાઓ વારંવાર એક જ વાક્યમાં હિન્દી અને અંગ્રેજી વચ્ચે બદલાતા રહે છે. જે પ્લેટફોર્મ્સ મિશ્ર ભાષાને એક જ વખતમાં પ્રોસેસ કરે છે તે પ્લેટફોર્મ્સ અન્ય કરતા વધુ સારું પ્રદર્શન કરે છે. ડેટા દર્શાવે છે કે જે સિસ્ટમ્સ કોડ-સ્વિચિંગને સરળતાથી હેન્ડલ કરે છે તેમાં કોલ પૂર્ણ થવાનો દર ઊંચો અને કોલનો સમય ઓછો હોય છે, જે ભાષાને એક સાતત્ય તરીકે લેતા મલ્ટિલિંગ્વલ મોડલ્સની જરૂરિયાત પર ભાર મૂકે છે.
સ્પષ્ટ પરિણામો ધરાવતા કાર્યો પસંદ કરો
લીડ ક્વોલિફિકેશન અને ઇવેન્ટ-રિમાઇન્ડર કોલ્સ સફળતાના ચાર્ટમાં ટોચ પર હતા. આ ઉપયોગના કિસ્સાઓમાં (use cases) ઇનપુટ્સ અને અપેક્ષિત આઉટપુટ્સ સ્પષ્ટ હોય છે, જેનાથી AI સ્ક્રિપ્ટેડ ડિસિઝન ટ્રીને અનુસરી શકે છે. જટિલ ટેકનિકલ સમસ્યાઓના નિરાકરણ જેવા ખુલ્લા પ્રશ્નો (open-ended conversations) માં કોલ પૂર્ણ થવાનો દર ઓછો જોવા મળ્યો હતો. સ્ટ્રક્ચર્ડ વર્કફ્લો સાથે શરૂઆત કરવાથી ટીમો વધુ જટિલ સંવાદો લેતા પહેલા કનેક્ટિવિટી અને લેટન્સીની સમસ્યાઓ સુધારી શકે છે.
સમયનું મહત્વ
કોલની સફળતા દિવસના સમય સાથે નોંધપાત્ર રીતે બદલાય છે. પ્રોફેશનલ કોન્ટેક્ટ્સ માટે, સવારે 10 થી બપોરે 12, સાંજે 4 થી 6 અને રાત્રે 8 થી 9 નો સમય શ્રેષ્ઠ છે. આ સમયગાળાની બહાર કરવામાં આવેલા કોલ્સમાં પિકઅપ અને લક્ષ્ય-પૂર્ણતાના દરમાં નોંધપાત્ર ઘટાડો જોવા મળે છે. AI માં ફેરફાર કર્યા વિના કાર્યક્ષમતા સુધારવા માટે આ સમયગાળા મુજબ જ કોલ્સ કરો.
ઇનબાઉન્ડ કોલ્સ વધુ અસરકારક છે
કુલ વોલ્યુમમાં માત્ર 16 ટકા ઇનબાઉન્ડ કોલ્સ હતા, તેમ છતાં તેઓએ 89 ટકા ગોલ-કમ્પ્લીશન રેટ હાંસલ કર્યો હતો. જે કોલર્સ વાતચીત શરૂ કરે છે તેમની પાસે પહેલેથી જ હેતુ હોય છે, તેથી AI મુખ્યત્વે માહિતીની પુષ્ટિ કરે છે અથવા માહિતી આપે છે. આઉટબાઉન્ડ કોલ્સમાં પહેલા સાંભળનારનું ધ્યાન ખેંચવું પડે છે, જેના કારણે કનેક્ટિવિટી અને સમયનું દરેક ફેરફાર વધુ મહત્વપૂર્ણ બની જાય છે.
વ્યવસાયોએ હવે આગળ શું ધ્યાન રાખવું જોઈએ
- રેપ્યુટેશન મેનેજમેન્ટ: પિકઅપ રેટ ઊંચો રાખવા માટે કોલર આઈડી (caller IDs) બદલતા રહો અને બ્લેકલિસ્ટ સ્ટેટસ પર નજર રાખો.
- લેટન્સી ઓડિટ: સૌથી ધીમા પ્રતિસાદોને લોગ કરો અને તેને ચોક્કસ મોડ્યુલ્સ સાથે જોડો.
- મલ્ટિલિંગ્વલ ટ્રેનિંગ: ભાષાઓને અલગ રાખવાને બદલે મોડલ ટ્રેનિંગમાં કોડ-સ્વિચિંગના નમૂનાઓનો સમાવેશ કરો.
- ટાસ્ક સ્કોપિંગ: ઉચ્ચ સ્પષ્ટતા ધરાવતા ઉપયોગના કિસ્સાઓથી શરૂઆત કરો; મુખ્ય સિસ્ટમ વિશ્વસનીય સાબિત થાય તે પછી જ તેનો વિસ્તાર કરો.
- શેડ્યૂલ એલાઈનમેન્ટ: ઓળખવામાં આવેલા સમયગાળાને ડિફોલ્ટ ડાયલિંગ સમય તરીકે ઉપયોગમાં લો, સિવાય કે ડેટા સૂચવે કે કોઈ ચોક્કસ ઓડિયન્સ અલગ રીતે વર્તે છે.
સાવચેતીની નોંધ
આ વિશ્લેષણમાં મોટા અને વૈવિધ્યસભર કોલ્સનો સમાવેશ થાય છે, પરંતુ તે દરેક ઉદ્યોગની ઝીણવટભરી વિગતો અથવા પ્રાદેશિક બોલીઓને આવરી લેતું નથી. જે કંપનીઓ માત્ર આ સરેરાશ પર આધાર રાખે છે તેઓ કસ્ટમ ટ્યુનિંગની જરૂર હોય તેવા કિસ્સાઓ ચૂકી શકે છે. આ ડેટા વર્તમાન AI ક્ષમતાઓને પ્રતિબિંબિત કરે છે; નેચરલ-લેંગ્વેજ અન્ડરસ્ટેન્ડિંગમાં ભવિષ્યના સુધારાઓ સ્ટ્રક્ચર્ડ અને ઓપન-એન્ડેડ કાર્યો વચ્ચેનું સંતુલન બદલી શકે છે.
વોઇસ-AI ને માત્ર એક સ્વતંત્ર સ્પીચ એન્જિન તરીકે જોવું હવે પૂરતું નથી. તેને એક ઓપરેશનલ સિસ્ટમ તરીકે સંચાલિત કરવું જોઈએ, જ્યાં નંબર રેપ્યુટેશન, પ્રતિસાદની ઝડપ, ભાષાકીય અનુકૂલનક્ષમતા અને ટાઈમિંગ - આ તમામ બાબતો પ્રદર્શનને અસર કરે છે. જે કંપનીઓ તેમના ટેકનોલોજી રોડમેપને આ પરિબળો સાથે સુસંગત બનાવે છે, તેઓ નિષ્ફળ અમલીકરણના છુપા ખર્ચાઓથી બચીને વચન આપ્યા મુજબના ઉત્પાદકતાના લાભો મેળવી શકે છે.