Tauchen Sie ein in die Welt der Natürlichen Sprachverarbeitung! Entdecken Sie modernste NLP-Rollen, die zu Ihren Fähigkeiten und Leidenschaften passen.
NLP-Jobs entdeckenIst es möglich, mithilfe von Natural Language Processing (NLP) zwischen unerwünschten Verkaufsansprachen und vielversprechenden Leads für das Kundenbeziehungsmanagement eines Unternehmens zu unterscheiden?
Jede Woche erhalte ich eine Reihe unaufgeforderter geschäftlicher Anfragen, und es fällt mir oft schwer zu erkennen, wer sich geschäftlich an mich wendet oder ein echtes Problem im Bereich maschinelles Lernen hat, bei dem ich helfen kann, und wer mir etwas verkaufen möchte. Häufig verwenden die Verkäufer Ausdrücke wie „Partnerschaft“, anstatt direkt zu sagen, dass sie mir ein Produkt oder eine Dienstleistung verkaufen möchten, und daher ist es nicht immer einfach herauszufinden, wer wer ist.
Manchmal bin ich überrascht worden – zum Beispiel habe ich angenommen, dass es sich bei einer E-Mail um eine Verkaufsansprache handelte, und dann hat die Person mich später angerufen und sich als echter Geschäftsinteressent herausgestellt, und bei anderen Gelegenheiten habe ich eine halbe Stunde damit verbracht Ich habe mit jemandem gesprochen, bevor mir klar wurde, dass er mir ein Produkt verkaufen wollte. Daher ist die Unterscheidung selbst für einen Menschen sehr schwierig.
Ich habe ein maschinelles Lernmodell entwickelt und trainiert, um zwischen potenziellen Geschäftsinteressenten und wahrscheinlichen Verkaufsansätzen zu unterscheiden, und ich habe es so eingerichtet, dass es mir eine SMS sendet, wenn ein echter Geschäftsinteressent erkannt wird.
Ich habe die Verwendung von Customer-Relationship-Management-Software (CRM) wie Salesforce , Monday.com und HubSpot ausprobiert, die sehr gut in der Verwaltung von Leads sind, aber nicht zwischen guten und schlechten Interessenten unterscheiden. Mit der Software können Sie Leads erstellen, die Wahrscheinlichkeit, dass dieser Lead in einen Verkauf umgewandelt wird, wird jedoch nicht bewertet (zumindest habe ich diese Funktion nicht gefunden).
Nachdem ich die Frustration der CRMs erlebt hatte, kam mir die Idee, ein maschinelles Lernmodell zu entwickeln, um meine eingehenden E-Mails mithilfe von NLP zu klassifizieren.
Ich habe alle neuen Kontaktanfragen in meinem Gmail ausgewählt und dann Google Takeout verwendet, um die Nachrichten auf meinem Computer zu speichern.
Ich habe 149 unerwünschte Nachrichten gespeichert. Ich hatte auf 31 davon geantwortet, was bedeutet, dass 31 davon für mich interessant waren und die restlichen 118 hauptsächlich Leute waren, die versuchten, mir Produkte zu verkaufen.
Ein kleiner Datensatz von 149 Dokumenten reicht für einen neuronalen Netzwerk- oder Deep-Learning-Ansatz nicht aus. Deshalb habe ich einen Naive-Bayes-Klassifikator verwendet, der einfach das Vorhandensein oder Fehlen von Wörtern in Dokumenten verwendet, um eine Entscheidung zu treffen. Dieses Modell ignoriert Wortreihenfolge und Syntax und wird daher manchmal als „Wortbeutel“-Modell bezeichnet, da jedes Dokument auf einen Beutel ungeordneter Wörter ohne Kontext reduziert wird.
Ich habe herausgefunden, dass die Top-Themen bei den echten Leads (den Leuten, die potenzielle Kunden zu sein scheinen) oft Phrasen wie „wir suchen“ oder „wir haben ein Projekt“ sind – also Leute, die daran interessiert sind, eine Dienstleistung von mir zu kaufen wird sehr direkt und prägnant beschreiben, was sie brauchen und wie schnell sie es brauchen.
Interessanterweise verwenden diese Leute auch eher meinen Namen oder erwähnen Fast Data Science namentlich. Zum Beispiel, lieber Thomas, wir haben ein dringendes Projekt zur Verarbeitung natürlicher Sprache, für das wir X benötigen – wären Sie diese Woche für ein Gespräch verfügbar?
Fast Data Science - London
Wortwolke der Top-Wörter, die darauf hinweisen, dass eine Nachricht einen vielversprechenden Hinweis für die Weiterverfolgung darstellt
Auf der anderen Seite verwenden die Nicht-Leads, bei denen es sich meist um Verkäufer und Jobsuchende handelt, häufig Ausdrücke wie „meine Dienstleistungen“ und „unser SEO-Geschäft“ und fügen zahlreiche Links hinzu. Zum Beispiel: Sehr geehrte Damen und Herren, ich bin SEO-Experte und möchte einen Artikel für Ihre Website schreiben .
Diese Personen neigen dazu, allgemeinere Begrüßungen zu verwenden, anstatt explizit meinen Namen oder den Namen meines Unternehmens zu verwenden, und sprechen mehr über sich selbst und die von ihnen angebotenen Dienstleistungen.
Der Name einer Person ist für diese Person der süßeste und wichtigste Klang in jeder Sprache.
Dale Carnegie, „How to Win Friends and Influence People“ (ein Bestseller zur Selbsthilfe, der erstmals 1939 veröffentlicht wurde und häufig zur Schulung von Verkäufern verwendet wird)
Die folgende Wortwolke fasst die Top-Begriffe der Non-Lead-Ansätze zusammen:
Wortwolke mit Top-Begriffen, die darauf hinweisen, dass es sich bei einer Nachricht um eine Verkaufsansprache und nicht um einen Lead handelt. Sie sehen, dass Pronomen und Links in der ersten Person bei Verkaufsansätzen häufiger vorkommen als bei echten Leads.
Als ich meinen Klassifikator auf 80 % der Daten trainierte und die restlichen 20 % testete, erreichte er eine Genauigkeit von 61 % bei der Identifizierung vielversprechender Leads – die ROC-Kurve ist unten dargestellt.
Als ich nur 149 E-Mails ohne Anpassung verwendete, stellte ich fest, dass ich am Ende einen Textklassifikator hatte, der die meisten Leads als nutzlos einstufte. Da es sich bei den meisten Beispielen, die der Klassifizierer während des Trainings sieht, um Nicht-Leads handelt, verhält sich der Klassifikator etwas konservativ und neigt dazu, fast alles als „uninteressant“ zu klassifizieren.
Um dem entgegenzuwirken, habe ich den Trainingsdaten einige zusätzliche Kopien der „interessanten“ E-Mails hinzugefügt, was zu einem ausgewogeneren Datensatz führte. Diese Technik wird Upsampling genannt und ist eine der vielen Möglichkeiten, wie wir Klassenungleichgewichte beim maschinellen Lernen bekämpfen können.
Als ich die Daten hochsamplingte, ging die Leistung meines Modells leicht zurück, aber ich fand, dass das Modell als Klassifikator praktischer zu verwenden war, da es nicht dazu neigte, so viele vielversprechende Verkaufskontakte zu übersehen.
Die offensichtliche Frage, die sich danach stellte, war: Ist es möglich, mithilfe eines Textklassifikators das Endergebnis einer Geschäftsbeziehung, also den Gesamtrechnungsbetrag, vorherzusagen?
Ich habe versucht, mein CRM zu verwenden, um meine Leads mit meinen Rechnungsdaten zu verknüpfen. Ich konnte einen Textklassifikator trainieren, allerdings waren die Daten zu diesem Zeitpunkt bereits sehr spärlich (da die meisten Dialoge nicht zu einem Verkauf führen) und der Klassifikator zeigte keine besonders gute Leistung. Ein größeres Unternehmen wäre jedoch durchaus in der Lage, ein Lead-to-Revenue-Prognosemodell zu entwickeln.
Neben sprachlichen Merkmalen gibt es eine Reihe weiterer Merkmale, die auf das Potenzial eines Verkaufsinteressenten hinweisen können. Unter diesen
Ich habe versucht, Azure Functions zu verwenden, um mein Textklassifizierungsmodell statt auf meinem Laptop live im Web zum Laufen zu bringen (bereitzustellen). Azure Functions ist eine schöne, leichtgewichtige Lösung, da ich jedes Mal, wenn das Modell verwendet wird, nur ein paar Cent bezahle – ich muss nicht für die Zeit bezahlen, in der es nicht verwendet wird.
Ich habe das Tool Zapier eingerichtet, um die eingehenden E-Mails auf Vertriebs-Leads zu überwachen und mir eine SMS zu senden, wenn eine Wahrscheinlichkeit von mehr als 20 % besteht, dass es sich bei einer Nachricht um einen potenziellen Geschäfts-Lead handelt. Mal sehen, wohin das führt.
Zapier ist eine Website, auf der Sie über eine No-Code-Schnittstelle Aktionen wie das Versenden einer SMS unter bestimmten Bedingungen einrichten können. Hier ist mein Ablauf, um mir selbst eine Benachrichtigung zu senden, wenn ein vielversprechender Lead eingeht.
Ich begann, Textbenachrichtigungen für vielversprechende Vertriebskontakte zu erhalten, einschließlich Wahrscheinlichkeiten. Dies ist ein Screenshot einiger meiner SMS-Benachrichtigungen für potenzielle Leads.
Ich habe ungefähr eine Stunde gebraucht, um einen Textklassifikator zu erstellen, der zwischen unerwünschten Verkaufsansätzen und vielversprechenden Leads unterscheidet, und noch etwa eine weitere Stunde, um ihn zu verknüpfen, sodass ich per SMS auf vielversprechende Verkaufsleads aufmerksam gemacht werde.
Eine große Anzahl der textbasierten Funktionen, die sich aus dem Training dieses Modells ergaben, ließen sich gut verallgemeinern und sind nicht spezifisch für Fast Data Science oder die Beratungs- und Technologiebranche.
Korrespondenten, die über sich selbst oder ihr Unternehmen sprechen, verkaufen wahrscheinlich etwas, während diejenigen, die über mich, meine Arbeit oder mein Unternehmen sprechen, eher bei mir kaufen möchten. Ich könnte mir vorstellen, dass Geschäftsleute in anderen Branchen ähnliche Beobachtungen gemacht haben.
Korrespondenten, die „Partnerschaften“ erwähnen, sind besonders schwierig zu klassifizieren, da diese Formulierung von einigen echten Kunden verwendet wird, aber offenbar auch von Verkäufern verwendet wird, um einen Verkaufsansatz zu verschleiern.
Da die Software für das Kundenbeziehungsmanagement immer ausgefeilter wird, sehen wir möglicherweise einen Trend hin zu KI, die in der gesamten End-to-End-Vertriebspipeline eingesetzt wird und als Standardbestandteil der CRM-Software verfügbar ist.
Es wäre wunderbar, wenn ein CRM eingehende Leads anhand sprachlicher Merkmale als hohe oder niedrige Conversion-Wahrscheinlichkeit kennzeichnen könnte, sodass Vertriebsteams ihre Bemühungen auf Interessenten mit einer höheren Conversion-Chance oder einem höheren erwarteten Umsatz konzentrieren oder den Umsatz pro Jahr maximieren könnten Stunde gearbeitet.
Mir ist kein CRM-Paket bekannt, das diese Analyseebene standardmäßig bietet, aber ich würde gerne mehr erfahren, wenn Sie jemanden kennen, der diesen Ansatz verfolgt. Bitte kontaktieren Sie mich , ich würde mich freuen, von Ihnen zu hören.
Entfesseln Sie das Potenzial Ihrer NLP-Projekte mit dem richtigen Talent. Veröffentlichen Sie Ihre Stelle bei uns und ziehen Sie Kandidaten an, die genauso leidenschaftlich über natürliche Sprachverarbeitung sind.
NLP-Experten einstellen
Mittlerweile sind es Organisationen aller Größenordnungen und fast aller Sektoren werden zunehmend datengesteuert, insbesondere als größere Datenspeicher Systeme und schnellere Computer treiben die Leistungsgrenzen immer weiter voran.
Aufgrund des umfangreichen Einsatzes von Technologie und der Arbeitsteilung hat die Arbeit des durchschnittlichen Gig-Economy-Arbeiters jeden individuellen Charakter und damit auch jeden Charme für den Arbeitnehmer verloren.
Die Auswirkungen von KI auf die Humanressourcen Die Arbeitswelt verändert sich rasant, sowohl aufgrund der Einführung traditioneller Data-Science-Praktiken in immer mehr Unternehmen als auch aufgrund der zunehmenden Beliebtheit generativer KI-Tools wie ChatGPT und Googles BARD bei nicht-technischen Arbeitnehmern.
What we can do for you
