一般性BI和分析的NLP进展

Tableau软件在呼叫数据的测试版中具有新功能，使用户能够提出有关销售，盈利等的问题并获得自然语言答案。两个画面和Qlik.具有叙述性的科学扩展，可自动在仪表板中添加各自的图表和图表，具有自然语言叙述。Microsoft Power BI支持自然语言查询，尽管报告和仪表板还没有实现特色奇偶校验。

虽然这些示例演示了利用NLP的一般BI和分析平台，但单独的问题正在使用NLP进行特定类型的分析。例如，lexalytics智能平台分析了非结构化文本数据库，数据仓库，数据湖泊，搜索引擎，社交媒体和web爬虫。可能是一个更讨论的非结构化文本分析的用例之一是社交媒体情绪分析。

通常，当数据科学家想要的时候理解非结构化数据，他们使用两种技术中的一种：分类使用监督机器学习将文本分成预定义或标记的类，如正面和负面情绪聚类使用非结构化机器学习将文本分成组而不使用预定义标签。

Lendio是一个小型企业贷款市场，正在考虑应用聚类分析客户服务调用记录根据Lendio数据分析师Katherine Chandler的说法，为了确定常见问题，客户情绪和趋势，因此服务代表不必倾听电话。

“我们目前有一些成绩单，我们向我们的呼叫中心提供给人们，但如果我们可以访问曾经发生过的所有电话，我们希望我们能够培养一些更好的成绩单，”Chandler说。“我们的第一个目标是使用此工具确保合规性。我们的第二个目标是开发更好的电话成绩单。”

同样，跨国技术服务提供商希望改善客户体验，但它可以使用调查和手动质量控制来追踪客户交互的5％。该公司与客户体验分析平台提供商Summatti合作，提高了洞察的质量。

准备平台正在进行的监测和分析文本，本公司分析了六个月的客户关系管理和交互式语音响应数据，以识别正面和负面体验。它还纳入了客户服务成功指标（关键绩效指标）。安装后，平台通过电话，电子邮件和聊天监控和分析了客户交互，因此公司可以识别和主动地解决问题，监控员工绩效并提高渠道保留率。

还没有那么

最终用户倾向于期待更多来自NLP它可以提供，因为人类语言是一种比SQL查询或布尔搜索更自然的沟通形式。还有一个常见的误解，即在包括NLP的所有分支机构中的AI是一般形式的机器智能，可以简单地应用于狭隘问题。狭窄的ai是现有技术因此，建造的产品在做情绪分析方面非常有效地进行情感分析，但没有合同审查。

“对于供应商来教育他们的用户是不可能的，”Omnichannel Analytics主任Brian Atkiss在数字体验咨询和经销商Anexinet公司的使用NLP了解客户互动。“[如果你只是想知道]我的团队到今天的潜在客户有多少客户或有多少潜在客户，但是根本原因分析，更先进的分析类型有点偏离。”

为了帮助用户在波士顿咨询小组进行演示时，史蒂文米尔斯和波士顿咨询集团的机器学习副主任史蒂文厂，使其成为幽默的方式呈现NLP进展的缺点。“最大的限制，”他说，“你不能询问你想要的任何你想要的东西。你仍然必须遵循某种格式的结构，并且有很大的影响。我们想要到来的地方是一个问题- 答案类型界面，但这些类型的自然语言理解和功能只是如此美好。我们希望系统能够解释复杂的问题，但我们还没有。“

踢跳跃

对NLP进展的一个挑战是意图;人们所说或类型不一定是他们的意思。使用NLP的BI或分析平台应该能够推断用户的意图并提供相关结果。为此，系统需要了解查询的相关变体。它还必须了解查询的上下文。

数据使用情况也很重要。大多数部门使用的软件应用程序具体到他们的功能。虽然这些部门系统中的数据可以通过API与BI或Analytics访问，但是需要相应地处理其最初预期的上下文之外的数据。因为上下文是如NLP的一个大问题，因此一个部门的成功NLP飞行员可能不会在整个企业中展示很好，甚至是另一个部门，因为每个部门可能需要不同的型号实现目标的数据或数据集成。

更多BI和Analytics供应商正在为其产品添加NLP功能以改善用户体验。最终，用户将能够使用这些工具进行交互式对话，以便在不通过分析仪表板或BI报告的情况下快速获取他们需要的信息。但在广泛推出NLP动力系统之前，它是明智的了解其能力和限制因此，可以设置适当的最终用户期望。