会話分析技術の解説
音声認識テキストの特徴と分析上の課題
音声認識テキストの特徴とその分析上の課題についてご説明いたします。
まず、音声認識テキストはビッグデータであるということです。音声認識をすると、話すスピードにも依りますが、５分間で１５００文字程度の文字数となります。例えば、１００席のコールセンターで考えると、単純計算で、１日３００万文字のテキストが蓄積されるという計算になり、文字通り、ビッグデータになります。
難しいのはビッグデータであることだけではありません。まず、会話のデータは話し言葉で冗長な表現という難しさがあります。具体的には、通常の会話には、そうですね、ええ、はい、かしこまりました、といった相槌が必ずありますが、分析の際には、それらの相槌表現をうまく除去しないと、重要な情報が埋もれてしまい、効果的な分析ができません。
また、もう１つの難しさは、会話はオペレーターとカスタマーの対話で構成されるという点です。会話のやり取りで話が進んでいきますので、対話を保ったまま分析をしないと、話題をとらえるのは困難となります。よく、単語やフレーズ単位で分析をするツールがありますが、会話テキストの場合、それでは情報が断片的になってしまい、その単語が何を意味していたのか？というのが分からなくなってしまいます。
音声マイニング（音声認識データの分析）の課題解決に有効な機能や手法をご紹介します。
不要語削除機能
それらの問題に対して、会話分析機能を用いることで分析が可能となります。
まずは不要語削除機能です。不要語とは「お世話になっております」「少々お待ちください」「そうですね」といった相槌表現であり、不要語削除機能を用いることで、そのような相槌表現を一括で削除できるようになっています。
特徴は、語尾変化が多岐に渡る不要表現をまとめて抽出できる点です。例えば、「お世話になっております」という表現１つを取っても、「お世話なっております」や、「お世話になります」など、人が話す言葉なので様々なバリエーションがありますが、それらを全てキーワードで登録するのは困難です。
それに対して、不要語削除機能では、「お世話になっております」という代表文章と、「関連度」という数字に８０％などと設定をするだけで、「お世話になっております」に関連の近い文章、つまり類似する文章を一括で削除するということが可能となります。
会話表現に含まれる不要表現を概念検索で一括抽出します
セグメント分割機能（話題の自動分割機能）
次に、セグメント分析機能についてご説明いたします。
「セグメント」とは会話中の話題の単位を表した言葉であり、「セグメント分割」とは、会話内容を話題の単位で自動分割する機能になります。
具体的には、会話というのは、例えば、最初にお客様情報の確認があり、その後に要件確認、回答、手続きの案内といった形で、話題が遷移していくものですが、セグメント分割機能は、話題が遷移するタイミングで、自動的に会話を分割して、話題を抽出することが可能です。
これによって、オペレーターとカスタマーの対話関係を保ったまま話題の抽出ができ、会話の中から効率的に話題を抽出する、ということが可能となります。
話題単位での分析のメリットとしては、例えば、カスタマー側の認識率が低く、誤認識があったとしても、それに応答するオペレーターの発話を見て、対話関係から話題が特定できる、という点です。つまり、一部誤認識があったとても、分析が可能、ということになります。（※認識率が著しく低い場合は、分析が困難となる場合もございます）
・会話内容を話題の単位（セグメント単位）に自動分割
⇒会話特有の対話形式を維持した分析が可能です。
文脈分析機能
セグメント分割によって話題を抽出することで、さらに、その話題の遷移パターンを可視化することが可能となります。これを文脈分析機能と呼んでおります。
使用用途としては、例えば、新人のオペレーターの話題の遷移パターンと、ベテランのオペレーターの話題の遷移パターンを比較することで、ベテランのオペレーターに特徴的な遷移パターンを抽出することができ、トークノウハウを可視化・抽出することができます。
また、文脈分析結果から、トークスクリプトのベースデータを自動生成し、トークスクリプトの生成を効率化する、といった使い道も可能です。
これら「不要語削除機能」「セグメント分割機能」「文脈分析機能」を合わせて、「会話分析技術」と呼んでおり、弊社の音声マイニングソリューションは、この「会話分析技術」をベースに開発されております。
・話題の遷移（＝文脈）を可視化する機能
・VOCの詳細分析や、オペレーターのトークノウハウの分析に有効
