Wie ML beim Audit der Kundenservicequalität hilft

Ist es möglich, Kundenanfragen in kurzer Zeit und ohne hohe Arbeitskosten zu analysieren und die Ursachen für negative Bewertungen zu identifizieren? In diesem Artikel möchten wir Ihnen erklären, wie wir dieses Problem mithilfe von ML-Tools gelöst haben.

Bei unserer Arbeit standen wir vor der Notwendigkeit, die Qualität des Kundenservice zu bewerten. Wir standen vor der Aufgabe, Kundenanfragen zu analysieren und die Gründe für das Auftreten negativer Bewertungen des Kundendienstes für Versicherungsprodukte zu ermitteln.

. - .

, , . , , .

, , , :

def cl_text(text):
    c = text.lower()
    c = re.sub(r'crm[^\n]+', '', c)
    c = re.sub(r':\s*\d{2}\s?\d{2}\s?\d{6}\s*', '', c)
    c = re.sub(r':\s*\d{2}\s?\d{2}\s?\d{6}\s*', '', c)
    c = re.sub(r' (  )?:\s*\d{2}\.?\d{2}\.?\d{4}\s*', '', c)
    c = re.sub(r'  :\s*\d{2}\.?\d{2}\.?\d{4}\s*', '', c)
    c = re.sub(r'  :\s*\d{2}\.?\d{2}\.?\d{4}\s*', '', c)
    c = re.sub(r' :\s*\d{2}\.?\d{2}\.?\d{4}\s*', '', c)
    c = re.sub(r' :[\S\W]\w*', '', c)
    c = re.sub(r'\n+', ' ', c)
    c = re.sub(r'\s+', ' ', c)
    c = re.sub(r"[A-Za-z!#$%&'()*+,./:;<=>?@[\]^_`{|}~—\"\-]+", ' ', c)
    return c.strip()
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

, , . - NLTK stopwords:

import pymorphy2
import nltk
morph = pymorphy2.MorphAnalyzer()
stopwords = nltk.corpus.stopwords.words('russian')
stopwords.extend(['','','','','',''])

def lemmatize(text):
    text = re.sub(r"\d+", '', text.lower()) #   
    for token in text.split():
        token = token.strip()
        token = morph.normal_forms(token)[0].replace('', '')
        if token and token not in stopwords: tokens.append(token)
    if len(tokens) > 2: ' '.join(tokens)
    return None
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

:

, , -. OneHotEncoding TF-IDF. , , – . , , , « » « » , .. .

Universal Sentence Embedder, , . . .

import tensorflow as tf
import tensorflow_hub as hub
import tensorflow_text

model = hub.load(r'/UniverseSentenseEmbeddings/USEv3')
embedding = model(‘    ’)
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

, 5 . , :

input1, input2 = [' '], [' ', ' ', ' ', ' ', ' ']
emb1, emb2 = model(input1), model(input2)
results_cosine = pairwise.cosine_similarity(emb1, emb2).tolist()[0]
for i, res in enumerate(results_cosine):
    print('"{}" <> "{}", cos_sim={:.3f}'.format(input1[0],input2[i],results_cosine[i]))
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

:

" " <> " ", cos_sim = 0.860
" " <> " ", cos_sim = 0.769
" " <> " ", cos_sim = 0.748
" " <> " ", cos_sim = 0.559
" " <> " ", cos_sim = 0.192

      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

, , .

4 : DBSCAN, , kMeans MiniBatchKMeans. , .., , :

from sklearn.cluster import AgglomerativeClustering
num_clusters = 5
agglo1 = AgglomerativeClustering(n_clusters=num_clusters, affinity='euclidean') #cosine, l1, l2, manhattan
get_ipython().magic('time answer = agglo1.fit_predict(sent_embs)')
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

5 , , . – 10 :

cl = {}
for cluster, data in tqdm(report.groupby('AGGLOM'), desc=method):
    arr = ' '.join(data[''].values).split()
    arr_morph = []
    for k in arr:
        arr_morph.append(morph.parse(k)[0].normal_form) 
    cl[method+'_'+str(cluster)] = Counter([x.replace('', '') for x in arr_morph if x not in stopwords]).most_common(10) 
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

- :

, , .

  , , .

, .