GN benytter maskinlæring for å analysere kundefeedback

Kundecase

Dette gjør at de nå får verdifull innsikt i hva kundene deres egentlig synes om produktene deres.

Forvandle kundefeedback til data

I sin over 150 år lange historie har GN produsert noen av de mest innovative lydløsningene i verden. Dette er ekspertisen de for tiden bruker i sin lydavdeling for å produsere de populære Jabra-hodetelefonene.

Men hvordan kan du bruke data til å ytterligere forbedre produktene dine? Det er spørsmålet Søren Christensen stilte seg selv og teamet sitt tilbake i 2018. Han er for øyeblikket leder for Data og Analyse i GN Group, men var på den tiden leder for GN Audio sin avdeling for kundekvalitet.

Han ønsket en løsning som kunne gi systematisk innsikt i det som for mange selskaper er et helt avgjørende spørsmål: Hva mener brukerne våre om produktene våre? Brukernes mottakelse er helt avgjørende for GN Audio's suksess og har en direkte innvirkning på produktsalget deres.

Å strukturere ustrukturerte data

Utfordringen med kundetilbakemeldinger er selvfølgelig at det er tekst. Dette betyr ustrukturerte data som ikke bare kan plukkes opp og analyseres.

GN begynte derfor å manuelt kopiere og lime inn tilbakemeldinger og poengsummene til Jabra-produktene. Et antall kategorier ble definert, som batteri, tilkobling og lydopplevelse, og for hver av disse kategoriene bestemte GNs ansatte om tilbakemeldingen var negativ eller positiv.

Rapportering ble gjort basert på denne analysen slik at relevante sluttbrukere kunne se hvordan produktene presterte og hvilke kategorier det var rom for forbedring på. Løsningen fungerte og ble brukt av virksomheten, men GN ønsket en bedre og mindre ressurskrevende løsning:

"Selve utfordringen med å behandle tilbakemeldinger på denne måten er at det var svært ressurskrevende. Vi hadde en heltidsstilling for å håndtere og behandle data fra kundefeedback. Samtidig hadde vi et økende behov for å bruke tilbakemeldinger på flere av våre egne og konkurrerende produkter, og det ville være uhåndterlig å håndtere alt manuelt," sier Søren Christensen.

Automatisert analyse av kundefeedback

GN Audio begynte å se på hvordan de kunne automatisere prosessen slik at de kunne behandle mer data samtidig som de sparer ressurser.

Dette er hvor samarbeidet med twoday begynte. Etter en rekke innledende PoC-er (Proof of Concepts), der ulike løsninger ble testet, kom twoday i samarbeid med GN Audio opp med en maskinlæringsmodell som med høy sannsynlighet kunne avgjøre om en tekst var positiv eller negativ fra de forhåndsdefinerte kategoriene.

Modellen ble satt i produksjon i Microsoft Azure og har siden 2019 analysert kundefeedback for GN Audio.

Dette bruker GN Audio kundefeedback analysen til:

Overvåking av produkter som allerede er på markedet:

Hva synes brukerne om de nåværende produktene? Er det kategorier der produktet har lav score, og må det gjøres justeringer eller forbedringer på produktet?

Tilbakemeldinger for fremtidig produktutvikling:

Hvordan kan fremtidige produkter forbedres basert på hva brukerne mener om nåværende produkter?

Konkurrentanalyse:

Konkurrerende produkter gjennomgås gjennom det samme maskinlæringsrammeverket, noe som gir GN Audio en bredere forståelse av markedet. Er en lav score innenfor en kategori spesifikk for deres produkt, eller er det en generell utfordring for lignende produkter i markedet?

"Det er faktisk akkurat den samme øvelsen vi gjør i dag som da vi manuelt håndterte tilbakemeldinger fra kunder. Nå er det bare en algoritme som gjør jobben for oss. Og den store fordelen med det er at den kan håndtere betydelig mer data slik at vi kan utvide antall produkter vi kan behandle. Samtidig har vi spart en stilling på heltid som tidligere behandlet disse dataene."

Søren Christensen, leder for Data og Analyse i GN Group

Teknisk sett: slik fungerer løsningen

GN henter tilbakemeldinger fra Amazon og Best Buy daglig. Tilbakemeldingene analyseres setning for setning i en maskinlæringsmodell som har lært mønstrene i data med formål å sortere teksten inn i 16 ulike ytelseskategorier og vurdere om teksten er positiv, nøytral eller negativ.

Maskinlæringsmodellen er bygget i Python og satt i produksjon i Microsofts Azure-skybaserte miljø med twodays rammeverk for beste praksis for implementering av batch ML-modeller.

Azure DevOps brukes til å sette opp CI/CD-pipelines og infrastruktur som kode med sikte på å gjøre det enkelt å oppdatere applikasjonskoden, mens implementeringsrammeverket holder styr på pipelinen.

Ettersom GN Audio manuelt validerte flere anmeldelser, ble det skapt mer og mer data som maskinlæringsmodellen kunne lære av. Derfor ble det opprettet en re-opplæringspipeline som gjorde det mulig for GN å trene modellen igjen og igjen på ny data.

I fjor bygde GN videre på modellen og bestemte seg for å bytte til Googles nye åpne kildekode BERT-algoritme, som presterte bedre i tester. Den grunnleggende arkitekturen til modellen er den samme, og dataen er fortsatt i Microsoft Azure.

Vil du gjøre noe lignende i bedriften din?
Her er Søren Christensens råd

Søren Christensen har vært svært fornøyd med prosessen med å innføre maskinlæring i avdelingen sin. Han mener dette i stor grad skyldes det faktum at GN Audio hadde en tydelig idé om hvordan sluttresultatet skulle se ut og hva de trengte å gjøre for å komme dit.

Søren Christensen har vært takknemlig for å få twoday med på laget for å implementere prosjektet.

"Gjennom hele prosessen med twoday var det en god dialog, og konsulenten fra twoday var svært bevisst på mulige fallgruver og utfordringer. Vi følte at fokuset alltid var på å skape et godt og funksjonelt sluttprodukt heller enn å presse gjennom en bestemt løsning," konkluderer Søren Christensen.

På spørsmål om hva han mener er viktig for selskaper som vurderer et lignende maskinlæringsprosjekt, nevner han tre grunnleggende ting:

Vær klar over hva du prøver å oppnå for virksomheten og hvordan resultatet kan se ut.
Forsikre deg om at du har et solid datagrunnlag for maskinlæringsmodellen din.
Hvis du ikke allerede har god datastyring, sørg for å fokusere på dette først.

Om GN

GN er et historisk selskap grunnlagt av danske C.F. Tietgen i 1869. I dag har de mer enn 6 000 ansatte over hele verden, og kjernevirksomheten deres er delt inn i GN Hearing, som produserer høreapparater, og GN Audio, som produserer hodetelefoner for arbeidsplasser og forbrukere.

Les mer på GN sine nettsider