2023 年 9 月 20 日，Caplena 举办了一场网络研讨会，介绍如何使用 LLM 了解客户反馈。这种分析的问题在于 AI 是否有能力将信息情境化。 Caplena 联合创始人 Maurice Gonzenbach 向与会者介绍了使用 ChatGPT 和他们自己的平台获取所需洞察的最佳方法。他列举了一些客户的例子，这些客户通过 AI 以极好的方式获得了洞察。 请观看完整视频或阅读以下 9 月份与 Caplena 一起举办的智慧星期三会议的记录。
大家好，欢迎参加我们的网络研讨会“情境校准：指导法学硕士了解客户反馈”。我是 Quirk 的编辑 Joe Rydholm，在开始之前，让我们快速介绍一下您可以参与今天讨论的方式。您可以在会议期间使用聊天选项卡与其他与会者互动，也可以使用问答选项卡在会议期间向演讲者提交问题。我们会在之后的问答环节尽可能多地回答问题。我们今天的会议由 Caplena 主持。 享受网络研讨会。
莫里斯冈森巴赫
欢迎再次参加本次关于“情境校准：指导法学硕士了解客户反馈”的会议。事实上，我的大部分职业生涯都在分析客户反馈或研究帮助公司这样做的解决方案。在我的研究中，我已经研究了情绪分析，这仍然是这些产品和这些流程的一部分。所以我很高兴分享一下近年来发生的事情以及目前最先进的方法。现在，我经常喜欢用相关的引言来开始演讲，而以前你会去谷歌做这件事，而现在你显然会问 ChatGPT，对吧？所以我就是这么做的。
我要求 ChatGPT 给我个涉及机器和准确性的报价，当然，像往常一样可靠，ChatGPT 毫不犹豫地给出了许多与我的查询非常匹配的报价。第四句，我特别喜欢“机器可以进行无情的精确计算，但正是人的触摸才使准确性变得生动”。 太棒了。但作为一名科学家，我也喜欢核实我的消息来源。所以我很快在谷歌上搜索了一下，看看这到底是谁说的。结果发现，互联网上根本没有任何迹象表明有这个消息。
现在，80% 的其他引言也同样适用。ChatGPT 只是在匆忙中发明了它们。我认为这比引言更能说明，当我们使用 LLM 分析客户反馈时，迫切需要有工具来确保其准确性。 那么，让我们开始会议，今天我想讨论三个主题、三个章节。 首先，我想简单介绍一下这个问题，然后我想谈谈可以解决这个问题的潜在工具。接下来，我将重点介绍这个开放式反馈的分析生命周期，在此期间，我将重点介绍质量保证部分。
那么我们面临的问题是什么？
希望我们有大量想要理解的开放式反馈，为了能够理解它们，我们可能希望进行某种分类。因此，我们希望将它们归入主题、主题或代码，无论你想如何称呼它们。我们希望将其置于层级结构中。我们可能还希望对每个主题都有主题级别的情绪。
那么我们该如何实现这目标呢？有三种基本方法可以解决这个问题。 首先，经典的解决方案是启动 Excel。这并不总是错误的解决方案。我认为我们中的许多人过去都自己编写过代码，这实际上是解决问题的正确方法。我认为，如果你只有几十个回复，那么你应该仔细阅读每一个回复，并自己进行分析。
我认为讨论如何共同确保 WhatsApp 号码数据 的隐私和安全会很棒。你们都认为哪些策略最有效？看看如何利用 WhatsApp 号码数据进行社区参与很有趣。让我们集思广益，看看如何在尊重每个人隐私的同时利用这些信息！我喜欢分享有效管理 WhatsApp 号码数据的见解！也许我们可以创建一个共享文档，让每个人都贡献自己的最佳实践？
显然当回复数量
行数增加时，这个过程就会变得非常繁琐，也很容易出错。人们很容易在某些时候弄乱行或跳过列，或者只是在某个时候无意中输入错误的代码 ID。 因此，第二种选择是使用 DIY 工具。例如 ChatGPT。左侧给出了一个工作示例，我们给它一个提示，提供我们想要的主题以及我们想要分类的响应或文本评论，然后我们要求 ChatGPT 为我们提供解决方案。如果主题数量有限，并且文本评论通常可以理解且不需要太多背景信息，这种方法会非常有效。但在可扩展性方面当然存在挑战。
如果您有数万行数据
您可能不想手动将它 电子邮件营销如何在 2025 年创造重大新业务 们输入 ChatGPT，而必须使用 API，然后您很快就会陷入自己构建整个平台的泥潭。 第二个问题是质量控制。例如，如果你想改变一个主题，或者添加一个新主题，或者给它提供这个上下文和你的内部术语，那么在这种交互方式下很难做到这一点，你将花费大量时间一遍又一遍地重新进行整个分析。 当然，还有专门的工具，它们是第三种选择，我想称之为增强智能平台。因为其中许多平台实际上试图让人类和人工智能协作。我现在不会详细介绍这些步骤，我们稍后会谈到这些步骤。
但我们的想法是
你使用人工智能的数字运算和能力，然后应用人类的领域知识和项目知识，使他们以非常有效的方式进行协作。 因此，有很多工具可以做到这一点，这毫无疑问。我们就是这样，但也有一些其他工具，它们的方法略有不同。当然，在今天的演讲中，我将重点介绍我们如何做到这一点，以及我们如何找到这些空缺的最佳解决方案。 接下来，让我们进入今天演讲的重点，即开放式反馈的分析生命周期。
现在旦您收集了数据
第一步就是实际识别和定义您想要量化或随时 shops 9177 间跟踪的主题。 第二步是做这个质量保证。 第三步是仪表板和报告。最后，希望您能从这些开放式的结局中获得一些见解。 整个过程实际上是一个循环。如果您正在做任何事情，无论是 CX 项目、多波项目还是交易反馈系统，您都想解决这些问题，然后确保再次识别新主题，并在出现新问题时再次进行质量保证。那么我如何获得我想要量化和跟踪的主题列表呢？
这里的挑战来自于关键词列表传统工具通常就是这么工作的。定义一些关键词来指向特定主题，然后就可以得到更多层次化的高级主题组织，就像右边这样。如果你的调查范围非常有限，那么这看起来就很简单了。但在现实中我们常常发现这些主题的集合会变得相当复杂。
以汉莎航空为例
我们的客户有大约 400 个特定主题，他们希望深入追踪这些主题，例如机上娱乐系统的响应能力，这些对他们来说非常重要，他们实际上希望将其与内部 KPI 联系起来。 您还要确保主题是“MECE”，即互相排斥和彻底详尽的，彼此分离，并且实际上涵盖了您感兴趣的整个主题空间。 在过去两年中，我们实现这一目标的方式发生了巨大变化。现在，有了这些 LLM，您实际上可以将这个过程变成一个高度交互的过程。我们在这里所做的是，我们首先建议数据中出现的主题，然后要求用户对这些生成的主题提供反馈。我们以一种非常具体的方式做到这一点。
