Comment créer un ChatGPT privé à l'aide d'une technologie open source ? Téléchargez notre livre blanc gratuit.

Enrichir votre CRM avec les données non structurées issues des transcriptions d'appels et de la synthèse vocale

Enrichissez votre CRM avec des données non structurées issues de transcriptions. Apprenez à identifier les tendances et les informations commerciales à partir des transcriptions d'appels et de la synthèse vocale.

Nous voulons tous des données plus précises et plus complètes. Mais il est parfois difficile de transformer un texte non structuré en données traitées, analysées et structurées. C'est un problème particulier pour les entreprises qui traitent un grand nombre d'appels téléphoniques destinés aux clients, que ce soit de la part de leurs équipes de vente ou de support client.

Comment transformer toutes ces informations en informations exploitables ? Si ce problème vous semble familier, vous êtes au bon endroit pour trouver la réponse. Le processeur de langage naturel (NLP) de Lettria vous permet d'importer les transcriptions de vos appels téléphoniques, d'autres interactions orales enregistrées et de la conversion voix-texte directement dans la plateforme, puis d'enrichir automatiquement votre logiciel de gestion de la relation client (CRM) avec des informations précieuses.

C'est le moyen le plus efficace d'identifier les tendances clés et les informations importantes à partir de milliers (voire de centaines de milliers) d'heures d'appels. Nous savons que vous n'avez ni le temps ni les ressources nécessaires pour consulter manuellement chacun de ces appels ou autres enregistrements vocaux et les analyser pour y trouver des détails importants. Nous avons donc simplifié le processus au maximum.

Vous pouvez automatiser chaque étape. De la transcription jusqu'à l'importation des données dans votre CRM (ou autre logiciel). Cela aide nos utilisateurs à mieux comprendre leurs clients, à avoir une meilleure idée de la performance globale de leur entreprise et à utiliser les informations pour améliorer leurs processus de vente et de support client.

Vos appels téléphoniques avec les clients et les prospects constituent l'un des aspects les plus importants de votre activité. C'est souvent le meilleur moyen, et parfois le seul, de communiquer directement avec un client ou un prospect. Alors, comment une organisation peut-elle transformer ces interactions individuelles en grands ensembles de données lui permettant d'identifier les tendances, de rechercher des informations clés et de suivre les performances de l'entreprise ? La réponse se trouve dans le traitement du langage naturel.

Vous souhaitez en savoir plus ? Au cours de cet article, nous vous expliquerons comment le traitement du langage naturel peut vous aider à identifier des informations commerciales clés à partir des transcriptions de vos appels et d'autres cas d'utilisation de la voix en texte, vous permettre d'enrichir votre CRM avec des données clés issues de ces données non structurées et vous aider à démarrer votre projet NLP.

Mais commençons par les bases. Qu'est-ce que le traitement du langage naturel ?

Un guide (rapide) pour débutants sur le traitement du langage naturel

Le premier exemple de traitement du langage naturel a été démontré en 1954 lorsque le mainframe 701 d'IBM a été utilisé pour traduire des phrases russes en anglais. Au cours des quelque 70 années qui ont suivi, le traitement du langage naturel est devenu l'un des domaines les plus avancés et les plus évolués de l'intelligence artificielle.

Le traitement du langage naturel permet aux ordinateurs de comprendre le langage humain. Nous nous référons généralement au langage utilisé par les ordinateurs en tant que code machine ou langage machine et cela semblerait totalement absurde à quiconque n'est pas familiarisé avec le génie logiciel. Vous pouvez considérer le traitement du langage naturel comme le pont entre ce code machine et les langages humains. Le sens de la langue est extrait en divisant le texte en mots, en établissant une relation contextuelle entre les différents mots et en structurant ces informations sous forme de données.

Ses applications peuvent être vues dans une grande variété de domaines et la plupart des gens seront en contact avec une forme de traitement du langage naturel pratiquement tous les jours. Qu'il s'agisse toujours d'un traducteur linguistique, comme IBM l'a démontré pour la première fois, ou par le biais de chatbots ou d'assistants vocaux, les NLP constituent la base de tous les systèmes interactifs.

Le traitement du langage naturel a évolué depuis ses débuts chez IBM et est désormais capable d'analyser d'énormes ensembles de données basées sur le langage d'une manière que les humains ne pourraient pas gérer eux-mêmes. C'est totalement cohérent. Impartiale. Implacable.

Alors, comment fonctionne exactement le traitement du langage naturel ? Si vous êtes un data scientist ou un développeur, tout cela vous paraîtra assez simple et vous pouvez passer à la section suivante, mais si vous êtes nouveau dans le monde des NLP, cela vaut certainement la peine d'en savoir un peu plus sur la technologie elle-même.

Le traitement du langage naturel comprend plusieurs techniques différentes pour interpréter le langage humain. Ces techniques vont de l'approche statistique aux méthodes algorithmiques des machines, mais l'objectif final est toujours le même.

En analysant une série d'exemples à l'aide d'un modèle d'intelligence artificielle (IA) et en lui enseignant progressivement les relations entre différents mots et phrases, il est finalement capable de décomposer un texte non structuré en éléments plus petits, d'identifier ces associations et d'en comprendre le sens.

À mesure que les NLP ont progressé, les techniques d'apprentissage en profondeur permettent désormais aux ordinateurs de comprendre toute la complexité du langage humain, y compris le traitement des erreurs grammaticales, des fautes d'orthographe, des mots abrégés ou des erreurs de ponctuation. Ceci est extrêmement important pour la plupart des applications NLP modernes, car il permet de transformer un texte non structuré complexe en une structure numérique utilisable par les applications en aval.

C'est ce processus qui permet à votre fournisseur de messagerie d'identifier le spam ou à votre assistant personnel de jouer la chanson pour laquelle vous lui criez désespérément dessus. Qui voudrait vivre dans un monde où votre enceinte intelligente diffuse Ryan Adams alors que vous souhaitez vraiment revivre vos jours de gloire grâce à la nostalgie de l'icône canadienne Bryan Adams. Je frémis à l'idée.

Ces principes fondamentaux de la PNL aident ensuite les modèles et plateformes d'IA plus avancés à effectuer des tâches plus complexes, notamment :

  • Catégorisation du contenu : cela inclut la recherche, l'indexation et la détection des doublons
  • Découverte de sujets et modélisation : identification du sens et des thèmes d'un texte
  • Analyse de corpus : comprendre la structure du document et la préparer pour d'autres modèles
  • Extraction contextuelle : extraction automatique d'informations structurées à partir de sources textuelles
  • Traduction automatique : traduction de texte ou de discours d'une langue à une autre
  • Récapitulatif des documents : génération de synopsis à partir d'un texte plus grand
  • Synthèse vocale et synthèse vocale : nous n'avons probablement pas besoin d'expliquer cela
  • Analyse des sentiments : identification de l'humeur ou de l'émotion exprimée dans un texte

{{line}}

Et écoutez, nous savons ce que vous pensez. Les traductions en ligne ne sont pas très précises, les filtres anti-spam passent à côté de nombreux e-mails indésirables, il peut être assez exaspérant de parler à des chatbots et votre assistant vocal ne vous comprend souvent pas. Mais ce n'est pas un problème de technologie, il s'agit simplement de savoir à quel point la spécialisation et la personnalisation de la PNL avec laquelle vous interagissez sont avancées.

C'est pourquoi il est essentiel de choisir le bon NLP et d'adapter votre modèle d'IA à vos besoins spécifiques si vous voulez obtenir les résultats dont vous avez besoin. Les fonctions et les exemples que nous venons de fournir sont simplement des cas d'utilisation très courants et certains moments où vous êtes susceptible de rencontrer une interaction réelle avec le traitement du langage naturel.

Chacune de ces fonctions plus spécifiques permet aux PNL de mener à bien les tâches qui en ont fait une partie intégrante de la vie quotidienne. Il est fort probable que votre organisation utilise déjà le traitement du langage naturel d'une manière ou d'une autre, mais une nouvelle façon pour les entreprises de tirer parti de cette technologie consiste à l'utiliser pour enrichir leurs CRM avec des informations provenant des transcriptions d'appels et de la synthèse vocale.

Utiliser un NLP pour enrichir votre CRM avec des données issues des transcriptions d'appels

Ce guide rapide sur le traitement du langage naturel mentionnait de nombreuses applications de cette technologie, mais révélait également à quel point elle pouvait être utile pour quiconque souhaitait extraire des données de ses transcriptions d'appels.

Le problème, c'est que toutes les PNL prêtes à l'emploi ne sont pas spécialisées dans le traitement des données textuelles et que la création de la vôtre nécessite beaucoup de ressources, en termes de compétences, de temps et d'argent. En outre, l'automatisation du flux de travail peut être un défi et la saisie manuelle des informations à l'une des étapes du processus constitue un obstacle majeur pour le projet lui-même.

Et nous savons ce que vous pensez : vous utilisez déjà un logiciel pour transcrire automatiquement vos appels et ceux-ci sont surveillés et revus par les responsables. En plus de cela, votre équipe commerciale peut être assez douée pour enregistrer la plupart des informations de ses appels dans votre CRM.

Mais nous n'avons pas envie de vous l'annoncer, mais des informations sont définitivement absentes de ces appels. Non pas par incompétence ou mauvaise gestion, mais simplement parce qu'il est impossible d'enregistrer manuellement toutes ces informations, en particulier lorsqu'il s'agit de support client ou d'interactions avec le service client.

Environ 80 % de la base de données d'un CRM moyen n'est pas structurée et une grande partie de celle-ci sera composée d'informations provenant de transcriptions d'appels. Cela signifie que vous prenez de nombreuses décisions relatives à la vente ou à la réussite de vos clients en vous basant sur seulement 20 % des informations dont vous disposez. Cela signifie qu'il vous manque définitivement des informations ou des tendances qui pourraient avoir un impact considérable sur les performances.

Mais l'impact de l'enrichissement de votre CRM grâce à la valeur de ces données non structurées va bien au-delà de votre capacité à prendre des décisions commerciales plus intelligentes. Dans un monde où nous cherchons constamment à automatiser les processus, cela améliore également votre capacité à programmer avec précision les flux de travail.

Supposons que vous souhaitiez envoyer automatiquement un e-mail à chaque client qui a exprimé une expérience ou une opinion négative au cours du mois dernier. Si vous vous fiez à l'enregistrement manuel des appels, vous passerez à côté de la grande majorité des clients qui entreraient dans cette catégorie.

Mais avec le bon NLP, vous serez en mesure d'automatiser ce processus en créant un tag pour une expérience négative, en assignant automatiquement ce tag aux clients via les résultats du traitement en langage naturel et en incluant chacun de ces profils dans votre prochaine campagne d'emailing.

Supposons même que vous souhaitiez vous assurer que les clients qui expriment un intérêt pour un certain produit ou un type de réclamation spécifique reçoivent automatiquement un rappel. Ces informations seront mises en évidence, incluses dans votre CRM, et vos équipes seront alertées du fait qu'un appel doit être passé.

Enrichir votre CRM avec des données non structurées améliorera votre processus de prise de décision, améliorera vos processus et augmentera votre efficacité. Cela permet à votre équipe commerciale et à vos équipes chargées de la réussite client de se concentrer sur la personne à l'autre bout du fil et non sur les notes qu'elle pourrait avoir besoin de prendre. Cela garantit que chaque appel reçoit exactement le même niveau de soin, d'analyse et d'attention.

Want to learn how to build a private ChatGPT using open-source technology?

La solution Lettria

C'est pourquoi Lettria est idéalement positionnée pour répondre à ce cas d'utilisation particulier. Non seulement la plateforme offre les avantages d'une solution prête à l'emploi combinés à la précision et aux atouts d'un NLP entièrement personnalisé, mais nous avons également développé des intégrations et des fonctionnalités spécifiques qui permettent d'enrichir votre CRM avec des données provenant des transcriptions de vos appels et d'autres enregistrements... eh bien... en quelque sorte facilement.

Nous le savons. Facile n'est jamais un terme que vous voulez entendre appliqué à une technologie ou à un logiciel assez complexe et cela pourrait même être un signal d'alarme pour certains de nos lecteurs. Mais fais-nous confiance. Nous avons vraiment travaillé dur là-dessus et avons essayé de rendre ce processus aussi simple que possible. Nous avons créé une plateforme qui vous permet de transformer une base en une PNL personnalisée et avons trouvé tous les moyens possibles de vous faire gagner du temps sans réduire vos capacités.

Vous ne nous croyez pas encore ? Nous comprenons, mais continuez à lire et vous découvrirez comment Lettria résout ce problème particulier et quelques exemples tirés de certains cas d'utilisation sur lesquels nous avons travaillé avec des clients.

Passons maintenant à la manière dont Lettria gère le problème de l'enrichissement de votre CRM avec vos données non structurées.

À présent, vous devriez au moins avoir une certaine compréhension du fonctionnement du traitement du langage naturel. Ce que vous ne connaissez peut-être pas encore, ce sont les deux principaux défis qui rendent difficile l'enrichissement d'un CRM avec des données non structurées.

La première consiste à créer un NLP spécialisé capable de traiter des données textuelles non structurées selon vos besoins et de les utiliser pour remplir les champs de votre CRM. La seconde consiste à disposer d'un NLP qui automatise les deux autres étapes clés de ce flux de travail : le traitement automatique des transcriptions des appels, puis la transmission de ces données à votre CRM une fois le traitement terminé.

Lettria fait face à ces deux défis en simplifiant au maximum le processus. Pour le premier numéro, notre approche basée sur une plateforme signifie que vous pouvez commencer par une sorte de base de NLP que vous pouvez affiner en fonction de vos spécifications.

Comme nous en avons déjà discuté lors de toute décision technique concernant un logiciel, vous devez toujours vous demander s'il est plus efficace de créer ou d'acheter ce dont vous avez besoin. Le principal avantage associé à la création de votre propre solution de NLP serait le fait qu'elle serait spécialisée pour votre secteur d'activité, les termes utilisés par vos prospects et vos employés, et toutes les spécifications qui pourraient être propres à votre entreprise, votre projet ou votre secteur. Le problème est que la plupart des entreprises ne disposent pas des ressources nécessaires pour créer avec succès leur propre NLP.

Ce manque de ressources oblige automatiquement la plupart des entreprises à rechercher des solutions prêtes à l'emploi. Ils nécessitent moins de spécialistes internes et peuvent être mis en place beaucoup plus rapidement, mais cela signifie parfois que vous sacrifiez un certain niveau de spécialisation.

L'approche de plateforme de Lettria vous permet de tirer le meilleur parti des deux mondes. Avec 15 modèles multilingues pré-entraînés, vous avez accès à un modèle d'IA que vous n'avez qu'à peaufiner pour obtenir les meilleurs résultats. Cela permet de démarrer un projet avec Lettria 4 fois plus rapidement que d'en créer un vous-même, mais beaucoup plus précis que d'autres solutions prêtes à l'emploi.

La plateforme Lettria vous permet également de vous connecter à des logiciels tiers via une API et de résoudre tout problème d'intégration. Cela signifie que vous pouvez automatiser l'importation des transcriptions d'appels dans votre plateforme NLP et enrichir automatiquement votre CRM avec les données qu'il traite.

Bref. Vous bénéficiez d'une plateforme NLP spécialisée qui nécessite moins de temps à configurer et moins de temps à gérer au quotidien. C'est une victoire sur tous les plans.

Mais les avantages ne s'arrêtent pas là. Cela ressemble peut-être un peu à une infopublicité, mais c'est la section où je vous montre cette fonctionnalité bonus dont vous n'avez peut-être pas encore réalisé que vous aviez besoin. Qu'est-ce que tu demandes ? Collaboration.

La plupart des projets NLP sont gérés exclusivement par des data scientists et des développeurs. Pour certains projets, cela peut être acceptable, mais ce n'est pas le cas pour beaucoup d'entre eux. En fait, 85 % des projets de PNL échouent en raison de la difficulté de passer du stade du développement à celui de la production.

En réalité, si vos data scientists et développeurs sont peut-être plus intéressés et plus à l'aise avec la formation d'un modèle d'IA et l'amélioration de la précision, ce sont vos équipes commerciales ou chargées de la réussite client qui seront les plus intéressées par les résultats réels.

C'est clairement le cas lorsque vous abordez un problème tel que l'optimisation de la valeur des données non structurées de votre CRM. Bien sûr, vos data scientists adoreront la précision de la plateforme Lettria, mais ce sont vos équipes commerciales et de support client qui bénéficieront des tendances identifiées, des processus automatisés et du temps économisé.

Lorsque les autres PNL n'impliquent pas activement des profils non techniques dans le projet, la plateforme Lettria encourage la participation et la rend suffisamment simple pour que tout le monde puisse l'utiliser. L'approche no-code signifie que vous n'avez pas besoin de compétences techniques avancées pour utiliser la plateforme et que vos équipes non techniques pourront participer au projet dès le début.

Cela présente de nombreux avantages :

  • Il encourage l'adhésion aux projets, ce qui entraîne souvent l'échec de nouvelles initiatives. Je suis sûr que nous avons tous vu des projets échouer presque avant d'avoir commencé en raison du scepticisme ou de la réticence de certaines parties prenantes à changer ou à s'adapter.
  • Tout le monde comprend l'objectif du projet. Les équipes non techniques sont souvent confrontées à des projets complexes où l'on leur explique à quel point les résultats seront incroyables, mais elles ne comprennent souvent pas vraiment ce qui se passe ni d'où proviennent les données. En introduisant une plateforme collaborative, vous vous assurez que vos équipes de vente et de réussite client (ou qui que ce soit d'autre) comprennent ce qui se passe dès le début.
  • Le projet bénéficie d'un large éventail de compétences et de connaissances. Le traitement du langage naturel est peut-être le domaine naturel des data scientists et des développeurs, mais ils peuvent tout de même bénéficier des connaissances de vos équipes non techniques. Qu'il s'agisse de les aider à former le modèle d'IA aux bons termes ou d'améliorer la façon dont les données peuvent être enregistrées dans votre CRM, leurs connaissances peuvent rendre le projet bien plus efficient et efficace.

{{line}}

La collaboration est vraiment la dernière étape pour vous permettre d'enrichir votre CRM en utilisant les données non structurées de vos transcriptions. Si vous recherchez des solutions de NLP qui n'encouragent pas et ne permettent pas à des profils non techniques de jouer un rôle actif dans un projet, vous réduisez considérablement vos chances de succès.

Chez Lettria, nous n'avons pas essayé de développer un NLP pour chaque cas d'utilisation, mais nous avons essayé de développer la meilleure plateforme NLP pour les cas d'utilisation que nous souhaitons traiter. Et nous pensons que nous sommes assez bons lorsqu'il s'agit de gérer des données textuelles non structurées et d'enrichir votre CRM avec les informations contenues dans les transcriptions de vos appels.

Mais ne vous contentez pas de nous croire sur parole. Voici quelques exemples concrets de clients qui ont utilisé Lettria pour des projets très différents. Qu'est-ce qu'ils ont en commun ? L'énorme défi que représente le fait de prendre de grands ensembles de données textuelles non structurées et d'en extraire des informations clés susceptibles d'améliorer les processus, d'accroître l'efficacité des ressources et de leur permettre de les gérer par exception.

Avant d'en arriver là, nous allons aborder le problème du fait que les deux cas d'utilisation proviennent d'organisations françaises. Lettria est une entreprise française et, bien que nous soyons fiers de nos modèles multilingues avancés et de notre présence internationale, certains de nos projets les plus avancés proviennent d'entreprises qui ont commencé à nous utiliser très tôt.

Regardons-le de plus près.

Résoudre le problème des données non traitées dans les CRM

Créée en 1991, La Poste a débuté en tant que service postal national français mais fait désormais partie du Groupe La Poste, qui s'est étendu pour inclure une banque et une compagnie d'assurance (La Banque Postale), un fournisseur de services logistiques (Geopost) et un opérateur de réseau mobile (La Poste Mobile).

Avec un chiffre d'affaires annuel de plus de 34 milliards d'euros, le groupe emploie aujourd'hui environ 250 000 personnes dans ses différentes activités. La Poste compte plus de 17 000 agences et bureaux de poste en France et s'attache à fournir un niveau constant de service client et d'expérience dans l'ensemble de ses activités.

La nature de leur activité signifie qu'ils communiquent quotidiennement avec les clients et les prospects par le biais d'appels téléphoniques. Leurs centres d'appels et leurs équipes commerciales constituent l'épine dorsale de leur activité. Comme de nombreuses autres organisations, elles ont mis en place des politiques et introduit des logiciels qui leur permettent de garantir la cohérence de ces appels, mais l'extraction des données clés des appels eux-mêmes était un problème qu'elles avaient du mal à résoudre.

Le problème de La Poste n'est pas unique. Toute entreprise qui gère des milliers d'appels sait à quel point il est difficile d'extraire des informations clés de chaque échange et de les intégrer à son CRM, à sa base de connaissances et à sa stratégie commerciale. Seuls 3 % de leurs appels étaient traités et signalés à leur CRM. Il ne faisait donc aucun doute que des données précieuses avaient été oubliées.

Lorsqu'ils ont commencé à chercher un moyen de résoudre ce problème, ils ont découvert non seulement que le traitement du langage naturel était la seule option viable, mais qu'il s'agissait en fait de la solution parfaite. Après avoir comparé différentes solutions et consulté Illuin Technology, La Poste a décidé qu'elle avait besoin de la personnalisation généralement associée à une solution open source combinée aux avantages offerts par une approche de plateforme.

La plateforme Lettria était exactement ce qu'ils recherchaient et ils ont lancé leur projet de PNL en septembre 2021. Alors que la plupart des projets de traitement du langage naturel prennent beaucoup de temps à démarrer, la plateforme de Lettria aide les utilisateurs à réduire leurs délais de mise sur le marché de 75 % et la validation de concept de La Poste a été publiée au bout de 4 mois seulement.

La formation de votre propre modèle d'IA peut prendre énormément de temps et de ressources, mais Lettria s'est attachée à optimiser ce processus en vous permettant de personnaliser les modèles pré-entraînés, ce qui signifie que le projet La Poste n'a nécessité en moyenne que 2 heures d'ateliers par semaine pendant la phase de développement et moins de 100 heures de travail pour développer un modèle d'IA entièrement personnalisé.

Afin de simplifier encore les choses pour La Poste, Lettria a développé des connecteurs à la fois pour son fournisseur de synthèse vocale (Allo-Media) et pour son CRM (Microsoft Dynamics) afin de simplifier l'intégration. Cela permet à Lettria d'extraire automatiquement les données une fois qu'elles ont été traitées par Allo-Media et de transmettre les données structurées directement à Microsoft Dynamics.

Bien que de nombreux projets NLP soient gérés exclusivement par des data scientists et des équipes de développement, la plateforme Lettria encourage la collaboration et l'inclusion de profils commerciaux qui aident les utilisateurs à tirer le meilleur parti de leurs projets.

Dans le cas de La Poste, cela signifiait que les chefs de projet, les superviseurs des centres d'appels et les vendeurs étaient tous associés au processus afin de tirer parti de leurs connaissances et de s'assurer que la plateforme était utilisée par toutes les parties prenantes susceptibles de bénéficier des informations identifiées.

En quelques semaines à peine, 32 étiquettes ont été créées et identifiées au cours de conversations. Ces étiquettes font directement référence à des champs CRM permettant à l'IA de s'entraîner à utiliser des modèles de classification très précis. Ce modèle de langage de classification combiné à une API permet d'analyser le texte brut et d'extraire des éléments clés (tels que des sujets et des entités).

Malgré les réductions des délais de mise sur le marché proposées par Lettria, il peut être facile de se concentrer sur les tâches les plus lourdes qui peuvent être requises au début de tout projet de PNL, mais les avantages sont évidents une fois qu'un projet est opérationnel.

Alors que La Poste ne traitait auparavant que 3 % de ses appels, 75 % des appels comportent désormais au moins une étiquette et, à l'avenir, Lettria leur permettra de traiter automatiquement chaque appel téléphonique et de saisir ces données directement dans son CRM.

Ces informations précieuses ont permis à La Poste de développer une compréhension plus complète et plus sophistiquée de ses clients, d'améliorer la cohérence et la standardisation des appels téléphoniques et d'adapter ses offres commerciales en fonction des informations commerciales identifiées lors de l'analyse.

Le cas d'utilisation de La Poste est un excellent exemple de la manière dont une entreprise peut bénéficier de l'enrichissement de son CRM avec des données provenant des transcriptions d'appels. Mais plus que cela, c'est aussi un exemple de l'importance de choisir une option de PNL qui permette aux profils techniques et non techniques de jouer un rôle actif dans le projet.

En choisissant Lettria, La Poste a pu s'assurer que les équipes commerciales et chargées de la réussite client pouvaient contribuer au projet, comprendre sa valeur et bénéficier des informations identifiées.

Après tout, comme nous l'avons vu dans la section précédente, bien que les projets de NLP soient souvent considérés comme le domaine exclusif des data scientists et des développeurs, les utilisateurs finaux des informations qu'ils produisent sont souvent ceux qui ont un profil professionnel.

Voici donc un exemple de la manière dont Lettria a été utilisée pour extraire des informations clés à partir des données non structurées des transcriptions d'appels, mais toutes les entreprises n'utilisent pas notre plateforme exactement pour le même cas d'utilisation ou pour le même défi.

Améliorer les processus et structurer les données des patients

Les applications utilisant le traitement du langage naturel pour analyser les transcriptions des interactions orales vont bien au-delà des appels des équipes commerciales et du support client. Dans certains cas, le traitement des données non structurées provenant d'autres enregistrements et de la conversion de la voix en texte peut également bénéficier à votre organisation.

À l'instar de La Poste, l'Assistance publique-Hôpitaux de Paris (AP-HP) s'est retrouvée dans une situation où elle disposait de plus de données non structurées qu'elle ne pouvait en gérer. Avec près de 40 hôpitaux, c'est le plus grand hôpital universitaire d'Europe et avec 100 000 employés, c'est également le premier employeur de la région parisienne.

Tous ces hôpitaux accueillent un grand nombre de patients. Et un grand nombre de patients signifie beaucoup de données. Tous ces rapports de patients contiennent des informations cruciales qui, dans ce cas, pourraient être cruciales pour la vie ou la mort. Mais il ne faut pas que les médecins et les infirmières soient contraints de générer des rapports alors qu'ils pourraient se concentrer sur les patients eux-mêmes.

Depuis 2020, l'AP-HP gère la chaire d'innovation BoPA qui vise à identifier les problèmes depuis le bloc opératoire afin de trouver des solutions humaines et technologiques. Ce projet innovant repose sur 5 grands blocs : le Bloc du facteur humain, le Via Block, le Bloquer les robots, le Bloc lumineux, le Bloc tactile, et le Bloc de boîtes (nom dérivé de la boîte noire utilisée pour les enregistrements de vol à bord des avions).

Ils se concentrent notamment sur les domaines de la communication chirurgien-patient, de la capture d'images chirurgicales, de l'analyse du langage naturel en salle d'opération, de la réalité augmentée utilisant la lumière numérique double ou fluorescente, la robotique collaborative ou la cobotique (conception de robots collaboratifs) et la protection des données des salles d'opération et des patients.

Le projet inclut une collaboration avec un certain nombre d'autres organisations et institutions, dont l'INRIA, l'Institut Mines-Telecom et l'Université Paris-Sacaly, et réunit des chercheurs de premier plan dans les domaines de la réalité virtuelle, des jumeaux numériques et de l'intelligence artificielle.

L'un des problèmes identifiés par cette initiative était le fait que les rapports des patients étaient très difficiles à gérer. Ils sont générés à chaque étape du parcours du patient (avant, péri et post-traitement) et changent constamment de format et d'utilisation de termes techniques.

Même quelque chose de simple comme une dictée vocale nécessitait 3 étapes :

  • La dictée a dû être transcrite à la main par un assistant
  • Le texte a ensuite dû être inséré dans un rapport sur papier à en-tête de l'hôpital par un service distinct.
  • puis le rapport pourrait être analysé par un secrétaire médical afin de détecter les principales variables concernant le patient, qui pourraient ensuite être ajoutées à son dossier de santé électronique (DSE).

{{line}}

Ce processus nécessitait 25 minutes de temps humain par rapport et c'est un domaine dans lequel la chaire d'innovation du BoPA a estimé que la technologie pouvait accélérer le processus et réduire la quantité de ressources impliquées dans l'analyse et la saisie des données.

Ainsi, en février 2020, juste avant que le monde ne soit sur le point de plonger dans une pandémie mondiale qui mettrait à rude épreuve les infrastructures de santé et les ressources médicales, l'AP-HP a décidé de travailler avec Lettria pour créer un modèle d'IA spécifique au secteur de la santé.

Ce processus n'a duré que trois mois, ce qui constitue une réalisation incroyable compte tenu des circonstances dans lesquelles il a été élaboré. Avec des dizaines de milliers de rapports générés chaque mois, le traitement du langage naturel et le traitement automatique du langage (ALP) devraient permettre à l'AP-HP de gagner un temps incroyable en automatisant le traitement et l'analyse de chaque rapport.

Le problème n'est pas unique, mais les cas d'utilisation peuvent être

Cela ne fait que montrer comment l'application de traitement du langage naturel pour enrichir les CRM et autres logiciels avec des informations provenant de données non structurées peut être trouvée dans pratiquement tous les secteurs d'activité. Cet article s'est principalement concentré sur le cas d'utilisation de la transcription des appels, car il s'agit du cas le plus courant, mais il existe de nombreuses situations dans lesquelles il peut économiser des ressources à une organisation et l'aider à améliorer ses processus.

C'est en partie la raison pour laquelle nous créons ce type de contenu. Nous connaissons la puissance de notre solution, mais nous ne connaissons pas toujours les problèmes qu'elle peut aider nos utilisateurs à résoudre. En présentant quelques exemples et en vous laissant réfléchir à votre propre activité, il y a de fortes chances que de nouveaux utilisateurs viennent nous voir avec de nouveaux cas d'utilisation pour lesquels nous pouvons les aider.

Comme pour tout bon logiciel, nous avons essayé de créer le meilleur outil possible et nous sommes toujours heureux de voir les manières créatives dont nos utilisateurs l'utilisent pour répondre à leurs besoins. Mais une chose est sûre : en nous spécialisant dans le traitement des données non structurées et en simplifiant l'intégration avec tous les outils tiers que vous utilisez déjà, nous avons fait de la plateforme Lettria une solution incroyablement puissante pour trouver les informations clés qui vous manquent actuellement.

Commencez à enrichir votre CRM avec des informations issues de données non structurées

Nous avons expliqué le problème et vous avons montré la solution, alors qu'attendez-vous ? Si votre entreprise gère un grand nombre d'appels téléphoniques avec des prospects ou des clients, il est absolument certain qu'elle peut bénéficier de l'enrichissement de son CRM avec des informations provenant de données non structurées.

Trop souvent, nous tombons dans le piège de penser que les processus et les solutions logicielles sont suffisamment bons. Ils vous ont mené jusqu'ici, alors pourquoi chercher quelque chose de mieux ? Mais dans ce cas, il s'agit de transformer les données que vous possédez déjà en données que vous pouvez réellement utiliser.

Toutes ces transcriptions d'appels contiennent des informations et des tendances commerciales qui pourraient faire la différence pour votre prochaine campagne, votre prochain trimestre ou votre prochain produit. Et même si vous utilisez déjà une forme de traitement du langage naturel pour certains des besoins de votre entreprise, il est peu probable qu'il possède les fonctionnalités requises pour simplifier et automatiser ce processus.

La décision de Lettria de se spécialiser dans le traitement des données textuelles la différencie de la plupart des NLP disponibles sur le marché. Son approche de plate-forme et ses fonctionnalités en font également une solution idéale pour des cas d'utilisation comme celui-ci.

Donc, si vous pensez que ce type de projet pourrait vous être bénéfique, vous devriez cliquer sur l'un des liens utiles que nous aurons mis dans cet article et entrer en contact avec notre équipe. Nous pouvons vous aider à développer une plateforme NLP entièrement personnalisée en une fraction du temps qu'il faudrait pour développer votre propre solution ou même pour mettre en place une autre NLP.

Nous savons que c'est un long article contenant beaucoup d'informations, mais c'est exactement le genre de choses dans lesquelles nous sommes spécialisés. Vous avez effectué l'analyse à cette occasion, automatisons ce processus pour les transcriptions de vos appels.

Callout

Créez votre pipeline NLP gratuitement
Commencez ->