• Description

也許您的產品剛上市、新功能上線,或是調查結果出爐了。 成千上萬的評論、評價、支援工單(或其他任何您可以想像的資料)正湧入您的系統。 您的團隊迫切需要理解這一切。 但首先,必須有人將所有這些回饋意見整理成有意義的形式。

如果使用傳統方法,一個團隊可能需要 3 4 週的時間才能對這些資料進行分類(taxonomize),前提是他們能全職處理這個問題。 屆時,關鍵問題早已惡化、機會已經錯失,而快速應對的關鍵窗口也早就關閉了。 您也可以使用預先建立的分類系統,但這只會捕捉到您事先預期到的類別。

AI 驅動的即時分類學系統解決了這個問題。 您不再需要花費數週的時間手動建立類別,或試圖將您的資料強行塞入不適合的預選框架中。 即時分類學系統採用一對協作的 AI 代理人(agents)來分析您的資料,並在一小時內建立一個客製化的分類系統。 這讓您在第一天就能擁有一個根據您自己的資料建立的分類系統。 但這是如何運作的呢? 以及什麼時候使用這種方法比使用傳統方法更有意義呢?


運作方式:雙代理人系統

即時分類學系統使用兩個專業的 AI 代理人協同工作來分析您的資料。

類別建構代理人(或稱類別建構器,Category Builder)負責發現在您的資料中實際存在的類別。 它透過三階段的流程運作:首先,它會閱讀您的內容,並為其發現的主題生成候選標籤。 舉例來說,如果您的資料是關於某個行動應用程式的顧客回饋,該代理人在處理每一條回饋時,可能會識別出數十個候選標籤,像是「電池耗電」、「登入問題」、「載入緩慢」、「導航混亂」、「啟動時當機」、「出色的設計」、「有用的支援」等等。

類別建構器是一個三階段的流程。

在第二階段,代理人透過語義分群semantic clustering)將這些候選標籤分組。 它能識別出不同的標籤何時指的是同一個概念。 舉例來說,如果顧客提到了「電池壽命」、「電池耗電」和「電池性能差」,這些將被聚集成一組,因為它們都用不同的詞彙來討論同一個問題。 同樣地,「登入問題」、「登入困難」和「無法登入」會歸為一個群組,而「當機」、「應用程式當機」和「凍結」可能會形成另一個群組。

最後,在第三階段,代理人會為每個群組選擇最佳的代表性標籤。 從與電池相關的群組中,它可能會選擇「電池問題」(Battery Issues)作為最清晰的標籤。 從登入群組中,它可能會選擇「登入問題」(Login Problems)作為最直觀的術語。 這個過程消除了贅餘,建立了一個清晰的分類系統,其中每個類別都代表一個截然不同的概念,即使顧客以許多不同的方式表達同一個問題。

文件標籤代理人(或稱文件標籤器,Document Tagger)則負責獲取任何新的內容,並將其對應到類別建構器所建立的分類系統中的適當類別。 可以將它視為在類別建立後,實際執行組織工作的代理人。

文件標籤器將記錄對應到類別建構器所發現的類別。

當一條新的回饋進來時——例如,一位顧客寫道:「這個應用程式正在耗盡我手機的電池,而且載入任何東西都要等很久」——文件標籤器會閱讀該內容並識別出哪些類別適用。 在這個案例中,它可能會將這條回饋標記為「電池問題」以及系統為載入/性能問題所建立的任何類別。

文件標籤器不只是尋找精確的關鍵字匹配。 它理解內容的含義和語境。 因此,如果有人寫「我用這個應用程式時,我的手機很快就沒電了」,即使他們沒有使用「電池」這個詞,該代理人也會將其識別為電池問題。 同樣地,即使「遲鈍」(sluggish)不在原始候選標籤中,「這個應用程式超級遲緩」也會被適當地標記。

這個代理人可以在內容到達時立即處理,使用從您的初始資料集中產生的分類系統,即時分類新的回饋、支援工單或問卷回覆。 它還可以處理單一內容屬於多個類別的情況——就像我們上面提到的,涉及電池和性能問題的那個例子。

建立協同作用:代理人協作(Building a Synergy: Agentic Collaboration)

一個三層分類的快照。

使用案例:超越產品發表監測(Use Cases: Beyond Product Launch Monitoring)

雖然產品發表回饋是一個引人注目的例子,但即時分類系統(簡稱 JIT 分類系統)解決了許多不同類型非結構化文字資料的組織挑戰。

問卷調查分析代表了其中最強大的一種應用。 開放式問卷回覆通常包含最豐富的洞察,但也是最難大規模分析的。 傳統方法需要手動閱讀數百或數千份回覆來識別主題,然後手工為每個回覆編碼。 透過即時分類系統,代理人會自動發現回覆中存在的主題並相應地進行分類。 更重要的是,您可以查看整個回覆的分佈情況——不僅僅是彙總統計數據,還包括回覆如何圍繞不同主題聚集,以及每個類別內情緒的完整範圍是什麼樣的。

大規模社群聆聽成為可能,這是以前無法實現的方式。 由於分類系統是自動生成的,您可以同時監測數千名影響者、社群媒體帳戶和網路對話。 傳統的社群聆聽需要預先定義要追蹤的主題和關鍵字,這意味著您會錯過意料之外的對話和新興主題。 透過即時分類系統,您可以在整個產業生態系統中撒下大網,讓系統發現人們實際在談論什麼,包括您從未想過要監測的主題。

顧客心聲(VOC)計畫從多個接觸點產生大量的非結構化回饋:社群媒體提及、評論網站、電子郵件回饋、焦點小組和顧客訪談。 這些資料來源可以各自擁有自己的分類系統,或者,可以建立一個單一的整體性分類系統,將所有這些不同的資料來源統一在一個組織結構之下。

客戶支援對話分析是另一個天作之合。 支援工單、聊天紀錄和通話紀錄包含有關經常性問題的寶貴資訊,但這些知識通常被困在個別對話中。 透過自動分類支援互動,團隊可以快速識別系統性問題、追蹤解決模式,並了解哪些問題正在造成最大的聯絡量。

所有這些應用程式的共同點都是相同的基本挑戰:您擁有大量的文字,需要被標記、結構化和可供搜尋,以便模式變得可見,並產生可付諸行動的洞察。 無論是了解顧客為何致電支援部門、發現調查資料中意想不到的主題,還是追蹤多個回饋管道的情緒,即時分類系統都能將非結構化文字轉化為有組織、可分析的資料。

豐富分類系統:尋找 KPI 驅動因素(Enriching the Taxonomy: Finding the KPI drivers)

建立分類系統可能只是更大商業解決方案的第一步。 下一步是透過計算「重要性分數」來豐富分類系統,這些分數揭示了哪些類別對您的業務成果真正重要。 我們透過使用分類類別作為關鍵績效指標(KPI)的預測因子來做到這一點——例如調查資料中的顧客滿意度分數(CSAT),或客戶服務對話中的支援品質評級。 最強的預測因子就是您 KPI 最重要的驅動因素。 如果這些績效指標最初不存在於資料集中,我們可以利用 AI 來推導它們。

當類別按重要性分數排序時,最重要的類別就會一目瞭然。 按照順序從清單中依序處理 AI 所識別出的問題,通常是一個很好的策略。 這個簡單的策略可以對 KPI 產生深遠的影響。

在一個案例中,一家軟體公司希望改善其客戶支援,但他們有數千次的支援對話卻沒有品質評級。 我們使用 AI 來評估每段對話並生成一個「支援品質」分數。

一旦我們有了 AI 推導出的品質分數,我們就使用分類類別作為預測因子,來查看哪些對話主題與較差的支援結果相關。 結果令人驚訝。 該公司預期複雜的技術問題會導致較差的支援品質,但「密碼重設」卻成為低品質互動的最強預測因子。

根據重要性排名的頂級客戶滿意度分數(CSAT)驅動因素。

深入探究顯示,密碼重設對話持續涉及長的等待時間、代理人之間的多次轉接,以及感到沮喪的顧客。 該公司發現其密碼重設系統存在某種故障,導致簡單的請求變得不必要地複雜,但因為這些看起來像是「簡單」的工單,管理層從未關注過它們。

他們修復了底層的系統問題,並簡化了密碼重設流程。 由於解決了這單一問題,整體支援品質分數提高了 20%,與密碼相關的工單量下降了 60%。 在所有問題都得到解決後,支援品質提高了 40%

如果沒有 AI 推導出的品質指標和分類學分析,他們會繼續專注於複雜的技術問題,而一個簡單的故障系統卻在悄悄地用本應是例行性的請求來讓數千名顧客感到沮喪。

您什麼時候需要 JIT 分類系統?(When do you need a JIT taxonomy?)

即時分類系統(JIT taxonomies)填補了人類分類學家無法填補的空白:如果您需要比人類分類學家能提供的更快地獲得數據驅動的洞察,JIT 分類系統是唯一的選擇。 這使得它們非常適合時間敏感的分析,因為等待數週進行手動分類意味著完全錯失機會。 但其應用遠不止於速度。

當您正在探索未知領域——進入新市場、推出創新產品,或研究您確實不知道會出現什麼主題的不熟悉顧客群體時,JIT 分類系統才能真正大放異彩。 傳統分類系統要求您預先定義類別,但有時最有價值的洞察來自於您從未預料到的模式。 這使得它們對於競爭情報、新興趨勢檢測,或任何您試圖了解「實際發生了什麼」而不是確認您已經懷疑的事情的情況,都具有無可估量的價值。

它們也適用於不斷變化的內容流,在這些內容流中,對話本身持續在變化。 社群媒體討論、持續的顧客回饋、即時聊天紀錄和使用者生成內容並非靜態不變——新的主題會出現、語言會演變,而昨天的分類系統可能會錯過今天最重要的話題。 JIT 分類系統會隨著這些變化而調整,使其非常適合品牌監測、社群管理,以及任何保持即時性比維持僵硬一致性更重要的應用。

這種方法特別適用於中等規模的資料集——通常是數千到數萬份文件。 這完美地涵蓋了大多數業務情境:季度回饋分析、事件驅動的研究、試點計畫評估或部門資料組織。 它的規模大到足以讓手動分析變得不切實際,但又足夠集中,讓 AI 能夠識別出真正有意義的模式,而不是迷失在雜訊中。

JIT 分類系統也非常適合概念驗證proof-of-concept)工作。 在投入一個主要的分類學專案之前,它們可以快速展示您的特定資料可能實現什麼。 這使得它們對於試點計畫、預算證明,或只是探索文字分析是否能為您的特定使用案例帶來價值,都具有無可估量的價值。 當您資源受限——無論是缺乏專門的研究人員、面臨緊迫的期限,還是在有限的預算內工作——它們都能提供洞察,否則這些洞察將需要數週的手動工作或昂貴的顧問服務。

JIT 分類系統不太適用於需要數千個預定義類別的大型企業分類系統、要求嚴格遵守產業標準或監管框架的情況,或是長期策略性分類系統,在這些系統中,跨年度的一致性比速度更重要。 如果您正在與既有的企業系統整合,或正在建立需要符合特定法律或產業要求的東西,傳統方法可能更合適。

然而,許多組織並不將此視為非此即彼的選擇,而是在混合方法中找到了最大的價值,其中 JIT 分類系統擴展並增強了傳統的人工建構結構。 考慮一家大型企業,他們花費多年時間為顧客回饋開發了一個全面的分類系統——他們有完善的頂層類別,例如「產品品質」、「服務體驗」和「帳單問題」。 這些廣泛的類別運作良好,並與他們的報告結構和業務流程保持一致。

然而,在細節層面,他們的傳統分類系統可能會將所有內容都歸類在「產品品質」之下,卻無法捕捉到實際顧客回饋中出現的特定細微差別。 這就是 JIT 分類系統的優勢所在。 透過專門針對已經被歸類為「產品品質」的回饋來執行該系統,它可以自動發現細粒度的子類別,反映了顧客實際在說的內容:像是「包裝損壞」、「組裝說明」、「顏色準確性」、「使用六個月後的耐用性」,以及數十個其他人類分類學家可能沒有預料到或優先處理的特定問題。

這些由 AI 生成的擴展可以直接服務於終端使用者,讓他們立即獲得詳細的分類,同時更廣泛的企業分類系統保持穩定和合規。 或者,JIT 結果可以指導人類分類學家,向他們準確展示現有類別不足的地方,以及哪些新的子類別將捕捉到資料中最有意義的區別。 他們不必猜測要添加哪些詳細類別,而是可以根據經驗觀察哪些主題正在出現以及它們出現的頻率。

這種方法為組織提供了兩全其美的優勢:在戰略層面具有傳統分類系統的治理和一致性,並結合了在細節分類最重要之處,JIT 分類系統的反應速度和數據驅動的精確性。


結論:資料組織的未來(Conclusion: The Future of Data Organization)

即時分類系統代表了我們處理非結構化資料方式的根本性轉變。 您不必將資料強行塞入預定的框架中或等待數週進行手動分析,您可以讓資料揭示其自身的結構,並立即開始提取洞察

這項技術之所以奏效,是因為它模仿了人類專家實際思考分類的方式——識別模式、將相似概念分組,並隨著更多資訊的出現而精進理解。 但它以機器速度和規模執行此操作,在人類只能閱讀數十份文件的時間內處理數千份文件。

無論您是推出產品、分析問卷回覆、監測社群對話,還是試圖了解客戶支援模式,基本的挑戰都保持不變:將非結構化文字轉化為可付諸行動的情報。 即時分類系統使這種轉變是即時的,而非最終的;是全面的,而非抽樣的;是具適應性的,而非靜態的。

問題不在於 AI 是否會改變我們組織和分析文字資料的方式——它已經改變了。 問題在於您是否會利用這些能力,在洞察仍然重要的時候理解您的資料,還是繼續等待那些來得太晚而無法推動決策的完美分類系統。