Speech Analytics

revoluciona el control
de calidad en el
centro de contacto

White Paper

PROPIETARIO Y CONFIDENCIAL 1
Tabla de contenidos
Introducción .................................................................................................................................................. 3
Problemas que presentan los procesos tradicionales de control de calidad ............................................... 3
Problema #1: Muestra reducida ............................................................................................................... 3
Problema #2: Determinación de criterios de evaluación objetivos y confiables...................................... 3
La solución: Analytics-Driven Quality Management .................................................................................... 5
Objetividad en la definición de las habilidades de los agentes con Speech Analytics.............................. 5
Exactitud en la evaluación de las conversaciones con Speech Analytics.................................................. 5
Conclusión ..................................................................................................................................................... 7

PROPIETARIO Y CONFIDENCIAL 2
Introducción
En la actualidad, la mayoría de los centros de contacto graban algunas o todas sus llamadas entrantes y
salientes como forma de evaluar la calidad del servicio y controlar que los agentes sigan los
procedimientos establecidos. La manera más eficaz de lograr tales objetivos es optimizando el
rendimiento de los agentes, puesto que con ello también mejora la experiencia del cliente y se cumplen
las normas y, por ende, se obtienen resultados comerciales más positivos. Por lo tanto, el objetivo
principal de todo proceso de medición de calidad en un centro de contacto es medir (y, de ser posible,
mejorar) el rendimiento de los agentes.

Problemas que presentan los procesos tradicionales de control de

calidad
Los sistemas convencionales de control de calidad, por lo general, dependen de una persona,
normalmente un supervisor o analista especializado que escucha la grabación de las llamadas y califica
manualmente los eventos en un formulario de evaluación. Este proceso manual demanda mucho
tiempo y resulta muy costoso.

Problema #1: Muestra reducida

Como este proceso es tan costoso, normalmente se evalúa una muestra reducida de llamadas que no
excede el 1% del total de llamadas de un centro de contacto, lo que, como es de imaginar, resulta poco
confiable estadísticamente hablando. Además, dicha muestra suele ser aleatoria. Los gerentes,
entonces, no saben a ciencia cierta si los resultados del monitoreo reflejan con exactitud el rendimiento
de los agentes y, por consiguiente, dudan a la hora de adoptar medidas. Por otra parte, este sistema se
presta a que los agentes cuestionen los resultados, en algunos casos con causa justificada, por no
considerarlos representativos de su rendimiento. Otra consecuencia de analizar solo una pequeña
cantidad de llamadas es que resulta difícil identificar si se han producido cambios en el rendimiento o
desempeño de los agentes. Es decir, si un agente ha realizado un entrenamiento en un área específica,
es complicado determinar a partir de una única sesión de monitoreo si ha aplicado los conocimientos
adquiridos. Si bien puede argumentarse que la solución a este problema es agrandar la muestra, resulta
impracticable por cuestión de costos. Es muy poco frecuente que se apruebe el presupuesto para
incrementar el tamaño de la muestra y, de aprobarse, es muy probable que se recorte a la brevedad.

Problema #2: Determinación de criterios de evaluación objetivos y confiables

Otro de los problemas que plantean los sistemas tradicionales de monitoreo es la dificultad de crear
categorías de rendimiento que arrojen mediciones confiables. Es decir, las categorías pueden ser muy
vagas, y esto impide la medición eficaz. La subjetividad a la hora de definir el rendimiento abre la puerta
para que los evaluadores utilicen el propio criterio, lo que genera desacuerdo entre ellos y exige un
proceso de calibración costoso para unificar tales criterios de calificación. Además, las categorías de
desempeño pueden tener diversos componentes. Es decir, si un agente exhibe un buen rendimiento en
uno de los componentes de la categoría y un bajo rendimiento en otro, ¿qué calificación otorga el
evaluador, entonces?

PROPIETARIO Y CONFIDENCIAL 3
A continuación, y a modo de ilustración, presentamos un ejemplo que muestra cómo define una gran
empresa estadounidense las distintas categorías de su proceso de evaluación de llamadas.

• “Engagement del cliente”

- “Mantiene un tono amable y servicial a lo largo de la llamada”.
- “Se mantiene atento a las necesidades del cliente”.
- “Escucha y responde activamente”.
• “Genera lealtad”
- “Cumple con el objetivo de ser el proveedor preferido del cliente”.
- “Motiva al cliente a utilizar el producto”.
- “Agradece la lealtad del cliente”.
- “Intenta resolver el problema en una sola llamada”.
- “Intenta evitar problemas futuros”.
- “Se responsabiliza por la llamada”.
- “Hace un resumen de la llamada para confirmar la solución”.

En la categoría “Engagement del cliente”, ¿cómo podría decidir el evaluador si el agente mantuvo un
tono amable y servicial? ¿En qué conducta específica se centra el evaluador? ¿O se basa en su propio
criterio y da lugar al desacuerdo con el resto de los evaluadores? Además, ¿qué ocurre si el agente fue
amable solo en la primera mitad de la llamada? ¿Se reconoce al agente por esa habilidad? Si el
formulario de evaluación utiliza una escala de cinco puntos, ¿el agente obtiene un cero, un dos o un
cuatro? La ambigüedad en los criterios de medición genera una variabilidad periódica en las
calificaciones que no se relaciona en absoluto con el rendimiento real del agente.

En la categoría “Genera lealtad”, ¿qué ocurre si el agente agradece la lealtad del cliente pero no lo
motiva a utilizar el producto? ¿Aprueba la categoría o no? Además, ¿cómo podría decidir el evaluador si
el agente ha intentado evitar problemas futuros?

Este ejemplo demuestra lo complicado que resulta crear un formulario de evaluación que garantice que
todos los evaluadores, ya sea supervisores, analistas o los mismos agentes, escuchan y evalúan la
llamada de la misma manera.

PROPIETARIO Y CONFIDENCIAL 4
La solución: Analytics-Driven Quality Management
Speech Analytics resuelve tales problemas porque realiza un análisis detallado y automático de la
actividad de los agentes durante las llamadas y, por ende, reduce o quizás elimina por completo la
necesidad de tener que escuchar y evaluar las llamadas manualmente. La implementación de Speech
Analytics en el proceso de monitoreo de la calidad ofrece las siguientes ventajas:

En primer lugar, Speech Analytics analiza y mide todas las llamadas, por lo que carece de toda
importancia el tamaño de la muestra. Esto significa que tanto supervisores, gerentes, agentes,
instructores o empleados de recursos humanos pueden confiar en que los resultados son fidedignos y
reflejan efectivamente el comportamiento característico de cada agente.

En segundo lugar, para que Speech Analytics funcione adecuadamente, los eventos que mide deben
definirse según el proceder o comportamiento. En otras palabras, los eventos se definen por lo que dice
específicamente el agente, no por conceptos generales de conducta que pueden prestarse a diversas
interpretaciones. De esta manera, las organizaciones tendrán una disciplina mucho más rigurosa
respecto de la forma de evaluación. Además, si una categoría de evaluación contiene varias destrezas,
como el caso de “Genera lealtad” descripto arriba, el sistema mide e informa sobre cada una de esas
habilidades de modo que el agente pueda ser reconocido por lo que hace bien y, al mismo tiempo,
puedan detectarse las falencias.

Objetividad en la definición de las habilidades de los agentes con Speech

Analytics
Por ejemplo, un estudio reciente para un cliente interesado en automatizar el proceso de control o
monitoreo de la calidad reflejó que una de las categorías en su formulario de evaluación era “Presentar
ofertas”. Parte de la definición de esa categoría indicaba que el agente “era eficaz en su esfuerzo de
venta”. El problema aquí es definir qué se entiende por “eficaz” y “esfuerzo”. Para dirimir esta cuestión,
Genesys definió la habilidad desde el punto de vista del comportamiento o proceder del agente, de la
siguiente manera: “¿El agente ofreció el producto X?” Todas las frases que el agente podría decir en ese
contexto, tales como “Tenemos el producto X” o “¿Pensó usted en el producto X?, fueron definidas e
incorporadas al sistema de Speech Analytics de modo que este pudiera identificarlas automáticamente
cuando el agente las dijera y, por consiguiente, medir esa habilidad. Si el agente ofrecía el producto, se
reconocía su desempeño en esta categoría. Si no lo hacía, no obtenía reconocimiento alguno.

Exactitud en la evaluación de las conversaciones con Speech Analytics

Es indispensable para este tipo de análisis reconocer fehacientemente frases enteras que un agente
puede llegar a utilizar en su conversación con el cliente o con futuros clientes. A diferencia de los otros
productos de Speech Analytics disponibles en el mercado, que convierten la voz en texto o fonemas y
luego extraen contenido de la voz convertida, la tecnología patentada de reconocimiento de frases
(Speech-to-Phrase Recognition) de Genesys Speech Analytics aplica un algoritmo de reconocimiento de
frases comunes directamente al audio. Este algoritmo arroja resultados mucho más exactos y completos
que cualquier otro, en especial, cuando se analizan las habilidades de los agentes, las que deben
definirse por grupos de frases.

PROPIETARIO Y CONFIDENCIAL 5
Además, Speech Analytics y Analytics-Driven Quality Management de Genesys controlan automática y
constantemente que todos los agentes utilicen las habilidades clave en todas y cada una de sus
conversaciones y envían alertas a los supervisores y agentes cuando identifican que el desempeño debe
mejorarse.

Este nivel de especificidad y exactitud es crucial para poder medir con precisión el desempeño de los
agentes, y puede pintar un panorama muy distinto del que se obtiene con los métodos convencionales.
En efecto, el procedimiento tradicional que utilizaba la empresa antes mencionada para evaluar la
categoría “Generar confianza y lealtad” otorgaba a los agentes una calificación promedio alta, del 84%.
Sin embargo, cuando se definió cada uno de los componentes de la categoría como frases en Speech
Analytics y se sometió a medición, la calificación promedio bajó al 29%.

Tabla 1: Comparación de las calificaciones promedio de los sistemas tradicionales y el sistema

Calificación promedio del

Calificación promedio del
agente con sistemas
agente con Analytics-Driven
tradicionales de control de
Quality Management
calidad
Generar confianza y lealtad
Valoración del cliente 45%
Tarjeta preferida 22%
Estimula el uso 20%
Promedio 29% 84%

Agregar valor
Menciona el retiro de efectivo 43%
Menciona el sorteo 24%

Menciona el plan de pago automático 13%

Menciona el sitio web 23%
Menciona el boletín de la empresa 13%
Menciona la cuenta del cliente 13%
Promedio 21% 43%
Analytics-Driven Quality Management

En la categoría “Agregar valor”, que involucraba la oferta de productos y servicios con valor agregado,
los sistemas tradicionales arrojaban un promedio de 43%, mientras que la herramienta de Genesys
redujo a menos de la mitad esa calificación, a un 21%. Nuevamente, el término “Agregar valor” es
relativamente vago o amplio y se presta a diversas interpretaciones; no obstante, como se muestra en la
tabla de arriba, Genesys Speech Analytics a través de su herramienta de reconocimiento de frases midió
con objetividad cada uno de los componentes de esa categoría. Luego, se definieron esos componentes

PROPIETARIO Y CONFIDENCIAL 6
con frases específicas que el agente utilizaría. De esta manera, se obtiene una medición uniforme y
objetiva de cada uno de los agentes en cada una de sus llamadas.

En este caso, Analytics-Driven Quality Management logró demostrar que los resultados propuestos por
los sistemas tradicionales reflejaban todo lo contrario de lo que los agentes verdaderamente hacían. De
esta manera, la empresa identificó con rapidez la oportunidad de incrementar sus ventas y la retención
de clientes.

Conclusión
Speech Analytics revoluciona la metodología tradicional de control de calidad porque mide todas las
llamadas, no solo una pequeña muestra, y define criterios de monitoreo que elevan significativamente
el nivel de objetividad de las mediciones. De este modo, la evaluación se torna mucho más fidedigna, y
todos confían plenamente en sus resultados. Esto, a su vez, permite a las empresas adoptar medidas
fundamentadas en tales resultados en vez de perder tiempo debatiendo su validez. Este nivel de
precisión, por lo general, permite identificar importantes oportunidades de venta así como habilidades o
conductas específicas para un mejor desempeño, algo imposible de lograr a través de los procesos
tradicionales.

Asimismo, las organizaciones pueden monitorear si ha mejorado el rendimiento o no después de alguna

capacitación o sesión de coaching. Pueden utilizar esa información para evaluar si el agente está
dispuesto y tiene la capacidad de mejorar, si la capacitación fue buena y la empresa respaldó esa
iniciativa, y si se ha aplicado lo aprendido en el trabajo. Puesto que el proceso es automático, se reduce
significativamente el costo asociado al monitoreo de la calidad, y el personal dedicado a esa tarea puede
centrarse en otras o trabajar con los agentes para ayudarlos a mejorar, en vez de abocarse solo a medir
aleatoriamente su desempeño. El resultado inmediato: una considerable mejora en el desempeño de los
agentes y un significativo impacto financiero.

PROPIETARIO Y CONFIDENCIAL 7