7 minutes de lecture
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 en contact avec la clientèle, que ce soit de la part de leurs équipes de vente ou de support client.
Comment transformer toutes ces informations en données 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 voix au 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 éléments d'information importants 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 passer en revue manuellement chacun de ces appels ou autres enregistrements vocaux et les analyser pour en extraire des détails importants, c'est pourquoi nous avons rendu le processus aussi simple que possible.
Vous pouvez automatiser chaque étape. De la transcription jusqu'à l'importation des données dans votre CRM (ou autre logiciel). Cela permet à nos utilisateurs de mieux comprendre leurs clients, d'avoir une meilleure idée des performances globales de leur entreprise et d'utiliser ces informations pour améliorer leurs processus de vente et de support client.
Vos appels téléphoniques avec vos clients et prospects sont l'un des aspects les plus importants de votre activité. C'est souvent le meilleur, et parfois le seul, moyen de communiquer directement avec un client ou un prospect. Alors, comment une entreprise peut-elle transformer ces interactions individuelles en grands ensembles de données permettant d'identifier des tendances, de rechercher des informations clés et de surveiller les performances de l'entreprise ? La réponse est 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 de vos transcriptions d'appels et d'autres cas d'utilisation de la voix au texte, vous permettre d'enrichir votre CRM avec des données clés provenant 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) du traitement du langage naturel pour les débutants
Le premier exemple de traitement du langage naturel a été démontré en 1954 lorsque l'ordinateur central 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 de l'intelligence artificielle qui se développe le plus rapidement et qui est le plus avancé.
Le traitement du langage naturel permet aux ordinateurs de comprendre le langage humain. Nous appelons généralement le langage utilisé par les ordinateurs "code machine" ou "langage machine", ce qui paraîtrait totalement absurde à quiconque ne connaît pas le génie logiciel. On peut considérer le traitement du langage naturel comme le pont entre ce code machine et le langage humain. Le sens de la langue est extrait en décomposant le texte en mots, en établissant une relation contextuelle entre les différents mots et en structurant ces informations en données.
Ses applications peuvent être observées dans une grande variété de domaines différents et la plupart des gens seront en contact avec une forme de traitement du langage naturel sur une base pratiquement quotidienne. Que ce soit sous la forme d'un traducteur de langue, comme IBM l'a démontré pour la première fois, ou par le biais de chatbots ou d'assistants vocaux, le traitement du langage naturel est à la base de tous les systèmes interactifs.
Le traitement du langage naturel a progressé depuis ces premiers jours 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. Sans préjugés. Implacable.
Mais comment fonctionne exactement le traitement du langage naturel ? Si vous êtes un scientifique ou un développeur de données, tout cela vous semblera assez basique et vous pouvez passer directement à la section suivante, mais si vous êtes nouveau dans le monde des NLP, il est certainement utile de comprendre un peu 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 de la machine, mais l'objectif final est toujours le même.
En faisant passer une série d'exemples par un modèle d'intelligence artificielle (IA) et en lui apprenant progressivement les relations entre les différents mots et expressions, il est finalement capable de décomposer un texte non structuré en éléments plus petits, d'identifier ces associations et de comprendre leur signification.
Grâce aux progrès des NLP, les techniques d'apprentissage profond permettent 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 de la ponctuation incorrecte. Ce processus est extrêmement important pour la plupart des applications NLP modernes, car il transforme un texte compliqué et non structuré en une structure numérique utilisable par les applications en aval.
C'est ce même processus qui permet à votre fournisseur de courrier électronique d'identifier les spams ou à votre assistant personnel de jouer la chanson que vous lui demandez désespérément en criant. Qui voudrait vivre dans un monde où votre enceinte intelligente joue Ryan Adams alors que vous cherchez vraiment à revivre vos jours de gloire en appréciant avec nostalgie l'icône canadienne Bryan Adams. Je frémis à cette idée.
Ces principes fondamentaux de la PNL aident ensuite les modèles et les plateformes d'IA plus avancés à effectuer des tâches plus complexes, notamment :
- Catégorisation du contenu : cela comprend la recherche, l'indexation et la détection des doublons.
- La découverte et la modélisation des sujets : Identifier le sens et les thèmes au sein d'un texte.
- Analyse de corpus : Comprendre la structure du document et le préparer pour d'autres modèles.
- L'extraction contextuelle : Tirer automatiquement des informations structurées de sources textuelles.
- Traduction automatique : traduire un texte ou un discours d'une langue à une autre.
- Le résumé de documents : Générer des synopsis de textes plus importants.
- Speech-to-text et text-to-speech: Nous n'avons probablement pas besoin de l'expliquer.
- L'analyse des sentiments : Identifier l'humeur ou l'émotion exprimée dans un texte.
Et écoutez, nous savons ce que vous pensez. Les traductions en ligne ne sont pas si précises, les filtres anti-spam passent à côté de beaucoup de mauvais courriels, les chatbots peuvent être assez exaspérants et votre assistant vocal ne vous comprend souvent pas. Mais il ne s'agit pas d'un problème de technologie, mais simplement du degré de spécialisation et de personnalisation de la PNL avec laquelle vous interagissez.
C'est pourquoi il est essentiel de choisir la bonne PNL et de former 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 quelques-uns des 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 d'effectuer les tâches qui en ont fait une partie intégrante de la vie quotidienne. Il y a de fortes chances que votre entreprise utilise déjà le traitement du langage naturel d'une manière ou d'une autre, mais une nouvelle façon pour les entreprises de tirer profit de cette technologie est de l'utiliser pour enrichir leur CRM avec des informations provenant de transcriptions d'appels et de la conversion de la voix en texte.
Utilisez un NLP pour enrichir votre CRM avec des données provenant de transcriptions d'appels
Ce guide rapide du traitement du langage naturel mentionnait de nombreuses applications de cette technologie, mais révélait également son utilité pour toute personne cherchant à extraire des données de ses transcriptions d'appels.
Le problème, c'est que tous les PNL disponibles sur le marché ne sont pas spécialisés dans le traitement des données textuelles et que la création de votre propre PNL exige beaucoup de ressources - en termes de compétences, de temps et d'argent. En outre, l'automatisation du flux de travail peut s'avérer difficile et la saisie manuelle des informations à chaque étape du processus constitue un obstacle majeur au projet lui-même.
Et nous savons ce que vous pensez peut-être, vous utilisez déjà un logiciel pour transcrire automatiquement vos appels et ceux-ci sont suivis et examinés par les responsables. De plus, votre équipe de vente est sans doute capable d'enregistrer la plupart des informations de ses appels dans votre CRM.
Mais, nous sommes désolés de vous l'apprendre, mais des informations manquent définitivement dans ces appels. Non pas par incompétence ou mauvaise gestion, mais simplement parce qu'il est impossible d'enregistrer manuellement toutes ces informations, surtout lorsqu'il s'agit d'interactions avec le service clientèle ou l'assistance.
Environ 80 % de la base de données d'un CRM moyen est non structurée, et une grande partie de cette base est constituée d'informations provenant de transcriptions d'appels. Cela signifie que vous prenez de nombreuses décisions en matière de vente ou de succès client sur la base de seulement 20 % des informations dont vous disposez. Et cela signifie que vous passez certainement à côté d'informations ou de tendances qui pourraient avoir un impact considérable sur les performances.
Mais l'impact de l'enrichissement de votre CRM avec 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 ayant exprimé une expérience ou une opinion négative au cours du mois écoulé. Si vous vous fiez à l'enregistrement manuel des appels, vous passerez à côté de la grande majorité des clients qui entrent dans cette catégorie.
Mais avec le bon NLP, vous pourrez automatiser ce processus en créant une étiquette pour une expérience négative, faire en sorte que les clients soient automatiquement affectés à cette étiquette via les résultats du traitement du langage naturel, et inclure chacun de ces profils dans votre prochaine campagne d'e-mailing.
Disons même que vous voulez vous assurer que les clients qui manifestent un intérêt pour un certain produit ou qui ont un type de plainte spécifique reçoivent automatiquement un rappel. Cette information sera mise en évidence, incluse dans votre CRM, et vos équipes seront averties du fait qu'un appel doit être effectué.
Enrichir votre CRM avec des données non structurées améliorera votre processus de prise de décision, vos processus et votre efficacité. Il permet à votre équipe de vente et à vos équipes de réussite client de se concentrer sur la personne à l'autre bout du fil et non sur les notes qu'ils pourraient avoir à prendre. Il garantit que chaque appel reçoit exactement le même niveau de soin, d'analyse et d'attention.
La solution Lettria
C'est pourquoi Lettria est particulièrement bien placé pour répondre à ce cas d'utilisation particulier. Non seulement la plateforme offre les avantages d'une solution standard combinée à la précision et aux forces d'une solution entièrement personnalisée NLP, mais nous avons également développé des intégrations et des fonctionnalités spécifiques qui permettent d'enrichir votre CRM avec des données provenant de vos transcriptions d'appels et d'autres enregistrements... et bien... en quelque sorte facilement.
Nous le savons. Facile n'est jamais un terme que vous voulez entendre appliqué à une technologie ou un logiciel assez complexe et cela pourrait même être un drapeau rouge pour certains de nos lecteurs. Mais faites-nous confiance. Nous avons vraiment travaillé dur sur ce projet et avons essayé de rendre ce processus aussi simple que possible. Nous avons construit une plateforme qui vous permet de transformer une base en un PNL personnalisé et nous avons trouvé tous les moyens possibles pour 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 de cas d'utilisation sur lesquels nous avons travaillé avec des clients.
Venons-en maintenant à la façon dont Lettria traite le problème de l'enrichissement de votre CRM avec vos données non structurées.
À ce stade, vous devriez au moins avoir une idée du fonctionnement du traitement du langage naturel. Ce que vous ne savez peut-être pas encore, ce sont les deux principaux défis qui rendent difficile l'enrichissement d'un CRM avec des données non structurées.
Le premier est de 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 est de disposer d'un NLP qui automatise les deux autres étapes clés de ce flux de travail, à savoir le traitement automatique des transcriptions d'appels et la transmission de ces données à votre CRM une fois le traitement terminé.
Lettria relève ces deux défis en rendant le processus aussi simple que possible. En ce qui concerne le premier point, notre approche de plate-forme signifie que vous commencez avec une sorte de base NLP que vous pouvez adapter à vos spécifications.
Comme nous l'avons déjà évoqué pour toute décision concernant un logiciel technique, vous devez toujours vous demander s'il est plus efficace de construire ou d'acheter ce dont vous avez besoin. L'avantage majeur associé à la création de votre propre solution PNL serait le fait qu'elle serait spécialisée pour votre industrie, les termes utilisés par vos prospects et employés, et toutes les spécifications qui pourraient être uniques à votre entreprise, projet ou secteur. Le problème est que la plupart des entreprises ne disposent pas des ressources nécessaires pour construire avec succès leur propre NLP.
Ce manque de ressources oblige automatiquement la plupart des entreprises à se tourner vers des solutions prêtes à l'emploi. Celles-ci nécessitent moins de spécialistes en interne et peuvent être beaucoup plus rapides à mettre en œuvre, mais cela signifie parfois que vous devez sacrifier un certain niveau de spécialisation.
L'approche de Lettria, basée sur une plateforme, vous permet de bénéficier du meilleur des deux mondes. Avec 15 modèles multilingues pré-entraînés comme point de départ, vous avez accès à un modèle d'IA qu'il vous suffit d'affiner pour obtenir les meilleurs résultats. Le lancement d'un projet avec Lettria est donc 4 fois plus rapide que la création d'un modèle par vous-même, mais beaucoup plus précis que les autres solutions standard.
La plateforme Lettria vous permet également de vous connecter à des logiciels tiers via une API et de résoudre tous les problèmes 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'elle traite.
En bref. Vous obtenez une plateforme NLP spécialisée qui nécessite moins de temps à mettre en place et moins de temps à gérer au quotidien. C'est une victoire sur toute la ligne.
Mais les avantages ne s'arrêtent pas là. Cela peut ressembler à une publicité, mais c'est dans cette section que je vous montre la fonction bonus dont vous n'aviez peut-être pas encore réalisé le besoin. De quoi s'agit-il ? La collaboration.
Mais les avantages ne s'arrêtent pas là. Cela peut ressembler à une publicité, mais c'est dans cette section que je vous montre la fonction bonus dont vous n'avez peut-être pas encore réalisé que vous aviez besoin. De quoi s'agit-il ? La collaboration.
En réalité, alors que vos data scientists et vos développeurs pourraient être plus intéressés et à l'aise avec l'entraînement d'un modèle d'IA et l'amélioration de la précision, ce sont vos équipes de vente ou de succès client qui seront les plus intéressées par les résultats réels.
C'est clairement le cas lorsque vous vous penchez sur un problème tel que la valorisation des données non structurées de votre CRM. Bien sûr, vos scientifiques des données tomberont amoureux de la précision de la plate-forme Lettria, mais ce sont vos équipes de vente et de support client qui bénéficieront des tendances identifiées, des processus automatisés et du temps gagné.
Là où d'autres NLP ne parviennent pas à impliquer activement les profils non techniques dans le projet, la plate-forme 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 d'avoir des compétences techniques avancées pour utiliser la plateforme et que vos équipes non techniques pourront être impliquées dans le projet dès le début.
Cela présente un certain nombre d’avantages :
- Elle favorise l'adhésion au projet, ce qui est souvent la chute des nouvelles initiatives. Je suis sûr que nous avons tous vu des projets qui ont échoué presque avant d'avoir commencé à cause du scepticisme ou de la réticence à changer ou à s'adapter de certaines des parties prenantes.
- Tout le monde comprend ce que le projet vise à faire. Les équipes non techniques se voient souvent présenter des projets compliqués où on leur dit à quel point les résultats seront incroyables, mais souvent elles ne comprennent pas vraiment ce qui se passe ou d'où viennent les données. En introduisant une plateforme collaborative, vous vous assurez que vos équipes de vente et de réussite client (ou qui que ce soit) comprennent ce qui se passe dès le début.
- Le projet bénéficie d'un éventail de compétences et de connaissances différentes. Le traitement du langage naturel pourrait être le domaine naturel des data scientists et des développeurs, mais ils peuvent tout de même bénéficier des connaissances dont disposent 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 beaucoup plus efficace et efficient.
La collaboration est vraiment l'étape finale pour s'assurer que vous pouvez enrichir votre CRM en utilisant les données non structurées de vos transcriptions. Si vous recherchez des solutions NLP qui n'encouragent pas et ne permettent pas aux profils non techniques de jouer un rôle actif dans un projet, vous réduisez considérablement vos chances de réussite.
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 voulons aborder. Et nous pensons que nous sommes plutôt bons lorsqu'il s'agit de traiter des données textuelles non structurées et d'enrichir votre CRM avec les informations contenues dans vos transcriptions d'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'ont-ils en commun ? L'énorme défi de prendre de grands ensembles de données textuelles non structurées et d'en extraire des informations clés qui peuvent améliorer les processus, augmenter l'efficacité des ressources et leur permettre de gérer par exception.
Avant d'en arriver là, nous allons aborder l'éléphant dans la pièce, à savoir le fait que les deux cas d'utilisation proviennent d'organisations françaises. Lettria est une société 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.
Voyons cela de plus près.
Résoudre le problème des données non traitées dans les CRM
Créée en 1991, La Poste était à l'origine le service postal national français. Elle fait aujourd'hui partie du Groupe La Poste, qui s'est étendu pour inclure une banque et une compagnie d'assurance (La Banque Postale), un prestataire 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 différents métiers. La Poste compte plus de 17 000 agences et bureaux de poste en France et s'efforce d'offrir un niveau constant de service et d'expérience à ses clients.
La nature de son activité l'amène à communiquer quotidiennement par téléphone avec ses clients et prospects. Leurs centres d'appels et leurs équipes de vente constituent l'épine dorsale de leur activité. Comme beaucoup d'autres entreprises, La Poste a mis en place des politiques et des logiciels qui lui permettent d'assurer la cohérence de ces appels, mais l'extraction de données clés à partir des appels eux-mêmes était un problème qu'elle avait du mal à résoudre.
Le problème de La Poste n'est en rien unique. Toute entreprise traitant des milliers d'appels sait à quel point il est difficile d'extraire des informations clés de chaque échange et de les incorporer dans son CRM, sa base de connaissances et sa stratégie commerciale. Seuls 3% de leurs appels étaient traités et rapportés à leur CRM, il ne faisait donc aucun doute que des données précieuses leur échappaient.
Lorsqu'ils ont commencé à chercher un moyen de résoudre ce problème, ils ont constaté que le traitement du langage naturel était non seulement la seule option viable, mais aussi la solution parfaite. Après avoir comparé plusieurs solutions et consulté Illuin Technology, La Poste a décidé qu'elle avait besoin de la personnalisation qui peut être associée à une solution open-source combinée aux avantages offerts par une approche de plate-forme.
La plateforme Lettria correspondait exactement à ce qu'elle recherchait et elle a lancé son projet NLP en septembre 2021. Alors que la plupart des projets de traitement du langage naturel prennent beaucoup de temps à démarrer, la plateforme Lettria aide les utilisateurs à réduire leur délai de commercialisation de 75 % et la preuve de concept de La Poste a été publiée après seulement 4 mois.
Entraîner votre propre modèle d'intelligence artificielle peut prendre du temps et nécessiter beaucoup de ressources, mais Lettria s'est efforcée d'optimiser ce processus en vous permettant de personnaliser les modèles pré-formés. Ainsi, le projet de La Poste n'a nécessité qu'une moyenne de deux heures d'ateliers par semaine pendant la phase de développement et moins de 100 heures de travail pour développer un modèle d'intelligence artificielle entièrement personnalisé.
Pour rendre les choses encore plus simples pour La Poste, Lettria a développé des connecteurs pour leur fournisseur speech-to-text (Allo-Media) et leur 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 pousser les données structurées directement vers Microsoft Dynamics.
Bien que de nombreux projets NLP soient exclusivement gérés par des data scientists et des équipes de développement, la plateforme Lettria encourage la collaboration et l'inclusion de profils métiers qui aident les utilisateurs à tirer le meilleur parti de leurs projets.
Dans le cas de La Poste, cela signifie que les chefs de projet, les superviseurs des centres d'appels et les vendeurs ont tous été inclus dans le processus afin de tirer parti de leurs connaissances et de s'assurer que la plateforme était utilisée par chaque partie prenante susceptible de bénéficier des informations qu'elle a identifiées.
En l'espace de quelques semaines, 32 étiquettes ont été créées et identifiées dans les conversations. Ces étiquettes font directement référence à des champs CRM, ce qui permet à l'IA de s'entraîner à des modèles de classification très précis. Ce modèle de classification linguistique combiné à une API permet d'analyser du texte brut et d'en extraire des éléments clés (comme les sujets et les entités).
Même avec les réductions des délais de mise sur le marché qu'offre Lettria, il peut être facile de se concentrer sur le travail lourd qui peut être nécessaire au début de tout projet NLP, mais les avantages sont évidents une fois qu'un projet est opérationnel.
Alors qu'auparavant La Poste ne traitait que 3% de ses appels, 75% des appels ont maintenant au moins une étiquette, et, à l'avenir, Lettria leur permettra de traiter automatiquement chaque appel téléphonique et d'entrer ces données directement dans leur 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 perspectives identifiées par l'analyse.
Le cas d'utilisation de La Poste est un excellent exemple de la façon dont une entreprise peut bénéficier de l'enrichissement de son CRM avec des données provenant de transcriptions d'appels. Mais, plus que cela, c'est aussi un exemple de l'importance de choisir une option NLP qui permet aux profils techniques et non techniques de prendre un rôle actif dans le projet.
En choisissant Lettria, La Poste a pu s'assurer que les équipes de vente et de succès client pouvaient contribuer au projet, comprendre sa valeur et bénéficier des insights qui étaient identifiés.
Après tout, comme nous l'avons vu dans la section ci-dessus, bien que les projets NLP soient souvent considérés comme le domaine exclusif des scientifiques et des développeurs de données, les utilisateurs finaux des informations qu'ils produisent sont souvent ceux qui ont un profil commercial.
Voilà donc un exemple de la façon dont Lettria a été utilisée pour extraire des informations clés des données non structurées des transcriptions d'appels, mais toutes les entreprises n'utilisent pas notre plateforme pour le même cas d'utilisation ou le même défi.
Améliorer les processus et structurer les données des patients
Les applications de l'utilisation du traitement du langage naturel pour analyser les transcriptions d'interactions vocales vont en fait bien au-delà des appels des équipes de vente et du support client. Il existe des cas où le traitement des données non structurées provenant d'autres enregistrements et de la conversion de la voix en texte peut également profiter à votre organisation.
Comme La Poste, l'Assistance Publique Hôpitaux de Paris (AP-HP) s'est trouvée dans une situation où elle avait plus de données non structurées qu'elle ne pouvait en traiter. Avec près de 40 hôpitaux, c'est le plus grand hôpital universitaire d'Europe et avec 100 000 employés, c'est aussi le plus grand employeur de la région parisienne.
Tous ces hôpitaux représentent un grand nombre de patients. Et qui dit beaucoup de patients dit beaucoup de données. Tous ces rapports sur les patients contiennent des informations cruciales qui, dans ce cas, peuvent être une question de vie ou de mort. Mais vous ne voulez pas que les médecins et les infirmières aient à s'occuper de la production de rapports alors qu'ils pourraient se concentrer sur les patients eux-mêmes.
Depuis 2020, l'AP-HP gère la chaire d'innovation BoPA qui s'attache à identifier les problèmes du bloc opératoire afin de trouver des solutions humaines et technologiques. Ce projet innovant s'appuie sur 5 blocs majeurs : le bloc facteur humain, le bloc Viz, le bloc Bot, le bloc lumière, le bloc tactile et le bloc Box (nom dérivé de la boîte noire qui sert aux enregistrements de vol dans les avions).
Ils se concentrent sur les domaines de la communication chirurgien-patient, de la capture d'images chirurgicales, de l'analyse du langage naturel dans la salle d'opération, de la réalité augmentée en utilisant le double numérique ou la lumière fluorescente, de la robotique collaborative ou cobotique (conception de robots collaboratifs), et de la protection des données de la salle d'opération et des patients.
Le projet comprend une collaboration avec un certain nombre d'autres organisations et institutions, dont l'INRIA, l'Institut Mines-Télécom et l'Université Paris-Sacaly, et rassemble 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 est le fait que les rapports des patients sont très difficiles à gérer. Ils sont générés à chaque étape du parcours d'un patient (pré, péri et post) et changent constamment de format et d'utilisation des termes techniques.
Même une chose aussi simple qu'une dictée vocale nécessitait trois étapes :
- La dictée devait être transcrite à la main par un assistant.
- Le texte devait ensuite être mis dans un rapport sur le papier à en-tête de l'hôpital par un service séparé.
- puis le rapport pouvait être analysé par une secrétaire médicale pour détecter des variables clés sur le patient qui pouvaient ensuite être ajoutées à son dossier médical électronique (DME).
Ce processus nécessitait 25 minutes de temps humain par rapport et c'était un domaine dans lequel le président de l'innovation de la BoPA pensait 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 d'être plongé dans une pandémie mondiale qui exercerait une pression sans précédent sur les infrastructures 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 réussite incroyable compte tenu des circonstances dans lesquelles il a été développé. Avec des dizaines de milliers de rapports générés chaque mois, le traitement du langage naturel et le traitement automatique du langage (ALP) permettent à l'AP-HP de gagner un temps fou en automatisant le traitement et l'analyse de chaque rapport.
Le problème n'est pas unique, mais les cas d'utilisation peuvent l'être.
Cela montre à quel point l'application du traitement du langage naturel pour enrichir les CRM et d'autres logiciels avec des informations provenant de données non structurées se retrouve dans pratiquement tous les secteurs. Cet article s'est concentré sur le cas d'utilisation de la transcription des appels, car c'est le plus courant, mais il existe de nombreuses situations dans lesquelles le traitement du langage naturel peut faire économiser des ressources à une organisation et l'aider à améliorer ses processus.
C'est d'ailleurs en partie la raison pour laquelle nous créons ce type de contenu. Nous savons combien notre solution est puissante, 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 les 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 la créativité avec laquelle 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 plate-forme 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 vous avons expliqué le problème et montré la solution, alors qu'attendez-vous ? Si votre entreprise traite 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 suffisants. Ils vous ont mené jusqu'ici, alors pourquoi chercher quelque chose de mieux ? Mais dans ce cas, il s'agit de transformer les données dont vous disposez 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 de vos besoins professionnels, il est peu probable qu'elle ait les capacités requises pour rendre ce processus simple et automatisé.
La décision de Lettria de se spécialiser dans le traitement des données textuelles la différencie de la plupart des NLP prêts à l'emploi disponibles sur le marché. L'approche de sa plate-forme et ses fonctionnalités la rendent également particulièrement adaptée à des cas d'utilisation comme celui-ci.
Si vous pensez pouvoir bénéficier de ce type de projet, vous devriez cliquer sur l'un des liens utiles que nous avons insérés dans cet article et prendre contact avec notre équipe. Nous pouvons vous aider à développer une plateforme NLP entièrement personnalisée en une fraction du temps.
Nous savons que cet article est long et contient beaucoup d'informations, mais c'est justement le genre de choses dans lesquelles nous sommes spécialisés. Vous avez géré l'analyse à cette occasion, automatisons ce processus pour vos transcriptions d'appels.
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.