We use cookies
We use cookies and similar technologies to improve your experience, analyse traffic, and personalise content. You can accept all cookies or reject non-essential ones.
10 Sep 2026
आठ में से करीब एक ग्राहक ही आपका सर्वे भरता है। आपकी सारी रिपोर्टें उन्हीं जवाबों पर टिकी होती हैं। बाकी सात कुछ नहीं बताते — पर उनका डेटा तो आपके पास पहले से है: उन्होंने क्या खरीदा, आखिरी बार कब लॉगिन किया, सपोर्ट से कितनी बार बात की, किस पर क्लिक किया। आप जानते हैं कि उन्होंने क्या किया। बस यह नहीं जानते कि उन्हें कैसा लगा।
यह पोस्ट SurveyAnalytica के भीतर उसी खाई को पाटने का तरीका स्क्रीन दर स्क्रीन दिखाती है: डेटा जोड़ना, फीचर तैयार करना, सर्वे के जवाबों को लेबल मानकर मॉडल ट्रेन करना, और उन ग्राहकों को स्कोर करना जिन्होंने कभी जवाब नहीं दिया।
आठ में से करीब एक ग्राहक ही आपका सर्वे भरता है। आपकी सारी रिपोर्टें उन्हीं जवाबों पर टिकी होती हैं।
बाकी सात कुछ नहीं बताते। पर उनका डेटा तो आपके पास पहले से है: उन्होंने क्या खरीदा, आखिरी बार कब लॉगिन किया, सपोर्ट से कितनी बार बात की, किस पर क्लिक किया। आप जानते हैं कि उन्होंने क्या किया। बस यह नहीं जानते कि उन्हें कैसा लगा।
यही खाई यह तरीका पाटता है।
यह हर ग्राहक के लिए, हर समय आपके पास रहता है। यह बताता है कि लोगों ने क्या किया, यह नहीं कि उन्हें कैसा लगा।
जवाब सिर्फ़ एक छोटा हिस्सा देता है। पर वही अकेले हैं जिन्होंने बताया कि अनुभव कैसा रहा।
तो रिस्पॉन्स रेट बढ़ाने के पीछे भागने के बजाय, जो जवाब पहले से हैं उन्हीं से मॉडल को सिखाइए कि व्यवहार का मतलब क्या है। फिर उसे हर ग्राहक पर लगा दीजिए।
आपका सर्वे अब रिपोर्ट नहीं रहता। वह उत्तर-कुंजी बन जाता है।
सात चरण। नीचे दिखाई गई हर स्क्रीन असली है, और बटन उन्हीं नामों से हैं जो आपको प्रोडक्ट में मिलेंगे।
चरण 01
Workspace ▸ Data ▸ Create Data Hub · Contact Lists ▸ Import Contacts
दो चीज़ें चाहिए। एक डेटासेट इवेंट रखता है: ऑर्डर, सेशन, टिकट, क्लिकस्ट्रीम। एक कॉन्टैक्ट लिस्ट उन लोगों को रखती है जिनसे ये इवेंट जुड़े हैं। अगर डेटा लगातार आता रहता है तो From a flow चुनिए, और एक बार के काम के लिए Upload a file।
Clickstream का अपना अलग रास्ता है: Connectors Marketplace ▸ Clickstream Publisher ▸ Create Clickstream workflow, फिर SDK इंस्टॉल कीजिए — Vanilla JS, Next.js, React, React Native, Flutter या iOS।
कॉन्टैक्ट भी इन्हीं दो रास्तों से आते हैं: Upload CSV, या एक फ़्लो जो उन्हें आपके सिस्टम में आते ही जोड़ता रहे। इसके बाद फ़ील्ड सेट कीजिए — आगे चलकर मॉडल का जवाब यहीं लिखा जाएगा।
| Field ID | Display Label | Type |
|---|---|---|
| plan | Plan | Dropdown |
| tenure_months | Tenure (months) | Number |
| experience_flag | Experience | Dropdown |
experience_flag अभी जोड़ दीजिए और खाली छोड़ दीजिए। चरण 07 उसी में प्रेडिक्शन लिखेगा। आगे चलकर इसी स्क्रीन पर आप उस पर फ़िल्टर लगाकर सेगमेंट बनाएँगे।
चरण 02
Workspace ▸ Analytics model ▸ Data & Relationships
अपने सोर्स कैनवास पर खींचिए और आपस में जोड़िए। कॉन्टैक्ट लिस्ट रीढ़ है: बाकी सब उसी से जुड़ता है, क्योंकि यही एक टेबल है जो इस बात पर सहमत है कि ग्राहक कौन है।
अगर आपने सर्वे किसी कॉन्टैक्ट लिस्ट को भेजा है, तो कुछ भी मिलाने की ज़रूरत नहीं। हर निमंत्रण के साथ एक सेशन आईडी बनती है जिसमें कॉन्टैक्ट की आईडी, लिस्ट, ईमेल और नाम जुड़े रहते हैं, इसलिए जवाब इसी मुहर के साथ लौटता है कि वह किसका है।
और सर्वे आम तौर पर किसी चीज़ के बारे में भेजा जाता है: अभी-अभी भेजा गया ऑर्डर, अभी-अभी बंद हुआ टिकट, अभी-अभी पहुँची डिलीवरी। उस संदर्भ को कस्टम वेरिएबल के रूप में साथ भेजिए — ऑर्डर आईडी, टिकट नंबर, ट्रांज़ैक्शन आईडी — और वह भी जवाब पर दर्ज हो जाता है। अपने ESP से भेजे गए सर्वे या साइट पर लगे लिंक के लिए भी यही बात है।
इसलिए जवाब सिर्फ़ ग्राहक के स्तर पर तैरता हुआ नहीं लौटता। वह ठीक उसी चीज़ से जुड़कर लौटता है जिसके बारे में वह था।
यानी नीचे दिए मिलान के विकल्प उन सिस्टमों के लिए हैं जो आपके हाथ में नहीं हैं: ऑर्डर डेटाबेस, हेल्पडेस्क का एक्सपोर्ट, फ़ाइनेंस की स्प्रेडशीट। आपका फ़ीडबैक डेटा तो साफ़ ही आता है।
उनके लिए How to match और Normalize keys पूरे डेटा-सफ़ाई प्रोजेक्ट के बिना ही बेमेल सुलझा देते हैं।
customers · contactId · email · plan · tenure_months · experience_flag
csat_responses · contactId · orderId · sid
orders_2026 · orderId · customer_email
आकार पर ध्यान दीजिए: व्यवहार हर किसी के लिए भरा हुआ है, सर्वे के जवाब सिर्फ़ कुछ लोगों के लिए। यही खाई तो पूरी बात है। जिन पंक्तियों में जवाब हैं वे मॉडल को ट्रेन करती हैं। जिनमें नहीं हैं, उन्हीं का अनुमान आप लगाते हैं।
यहाँ ज़रा ठहरना बनता है, क्योंकि ज़्यादातर सर्वे टूल यही नहीं कर पाते। जिस रेटिंग पर ऑर्डर आईडी लगी हो, वह बताती है कि वह किस ऑर्डर से निकली है। ग्राहक के चालीस लेन-देन में से किसने दो-स्टार वाली समीक्षा कराई, यह आपको अंदाज़े से नहीं निकालना पड़ता — आप जानते हैं, और मॉडल भी।
इससे ट्रेनिंग सेट बनाने के दो रास्ते खुलते हैं, और चुनाव इस बात से होता है कि सवाल क्या पूछा जा रहा है:
दोनों काम के हैं और दोनों अलग सवालों का जवाब देते हैं। पहला खराब अनुभव को तब पकड़ता है जब उसे सुधारा जा सकता है। दूसरा बताता है कि इस महीने किसे फ़ोन करना है। दोनों एक ही जुड़े हुए व्यू से बन सकते हैं; समेटने का काम अगले चरण में होता है।
चरण 03
Analytics ▸ Predictions ▸ Feature Engineering ▸ Open Studio
सूची में से कोई ट्रांसफ़ॉर्म चुनिए, या एक्सप्रेशन खुद लिख दीजिए। लेबल के साथ भी यही बात है: 0–10 का कच्चा स्कोर अनुमान लगाने में मुश्किल है, पर उसे promoter, passive और detractor में बाँट दीजिए तो काम सीधा हो जाता है।
लिखी हुई टिप्पणियाँ भी गिनती में आती हैं। Word Count और TF-IDF उस फ़्री-टेक्स्ट बॉक्स को, जिसे पढ़ने का वक्त किसी के पास नहीं था, मॉडल के काम की चीज़ बना देते हैं।
चरण 04
Analytics ▸ Predictions ▸ Model Selection → Data Preparation → Training
कैटलॉग में Classification, Regression, Forecasting, Clustering, Image और Text सब हैं। अगर खुद नहीं चुनना चाहते, तो AI Recommend आपके कॉलम देखकर मॉडल और टारगेट सुझा देता है।
चरण 05
Analytics ▸ Predictions ▸ Results & Comparison ▸ Versions
accuracy के बजाय precision और recall देखिए। दूसरा मॉडल ट्रेन कीजिए, दोनों की तुलना कीजिए, और जिस पर भरोसा हो उस पर Mark as Live दबा दीजिए।
| Version | Primary metric | Trained | |
|---|---|---|---|
| v3 · Boosted Tree | 0.91 ROC AUC | today | LIVE |
| v2 · Logistic Reg. | 0.84 ROC AUC | 2 days ago | Mark as Live |
Feature Importance और Confusion Matrix, Detailed Metrics के नीचे मिलते हैं।
चरण 06
Predictions ▸ Deploy as Agent, then Agents ▸ open the agent ▸ Deploy
डिप्लॉय करने पर आपको एक सर्विस मिलती है जो जानती है कि उसे कौन से इनपुट चाहिए और वह क्या लौटाती है। जो कोड बनता है वह आपका है और आप उसे बदल सकते हैं, इसलिए जो भी आउटपुट आपकी टीम को सचमुच चाहिए, वह जोड़ लीजिए।
experience_flag को Output Schema टैब पर घोषित कीजिए, तभी वह Flow Designer में दिखेगा।
यह बदलाव यहीं, एक बार कर लीजिए। इसके बजाय 0.7 की सीमा नौ अलग-अलग ऑटोमेशन के भीतर लिख दीजिए, तो मॉडल दोबारा ट्रेन होते ही नौ की नौ चुपचाप गलत हो जाएँगी।
चरण 07
Flows ▸ Design ▸ Trigger, then Add Component
इसलिए फ़्लो तभी शुरू कीजिए जब घटना घटे। साइट या ऐप पर लोग क्या करते हैं, उसके लिए Clickstream। ऑर्डर या हेल्पडेस्क सिस्टम के लिए Webhook। फ़ीडबैक आने पर Survey Response। प्रोफ़ाइल बदलने पर Contact List।
AI Agent नोड आपके मॉडल को बुलाता है। फिर Condition अलग-अलग ग्राहकों को अलग-अलग रास्तों पर भेज देता है।
Add Component से नोड खींचिए, कैनवास पर छोड़िए, और जोड़ दीजिए। Condition रास्ता बाँट देता है; किसी शाखा के नीचे का सब कुछ सिर्फ़ उन्हीं रिकॉर्ड के लिए चलता है जो उससे मेल खाए।
यही तीन टुकड़े इनबाउंड भी संभाल लेते हैं। जब कोई ग्राहक आपको WhatsApp, ईमेल या वेब फ़ॉर्म पर लिखता है, तो Message Channel ट्रिगर फ़्लो शुरू कर देता है। मॉडल उसका संदेश और उसके बारे में पहले से पता सब कुछ, दोनों पढ़ता है, और शाखा तय करती है कि यहाँ इंसान चाहिए या जवाब तुरंत दिया जा सकता है।
वही ट्रिगर, वही मॉडल, वही शर्त — बस संकेत दूसरा। जोखिम वाला ग्राहक अगर खुद लिखता है तो वह किसी इंसान तक पहुँचता है। बाकी सबको जवाब तुरंत मिल जाता है।
फ़ील्ड पहले Manage Fields ▸ Add Custom Field से लिस्ट में लिखिए, फिर Advanced Filters में उस पर फ़िल्टर लगाइए और Create Dynamic List दबाइए — सेगमेंट हर बार भेजने पर नए सिरे से बनता है।
Schedule ट्रिगर उन्हीं चीज़ों के लिए रखिए जो सचमुच धीमी हैं: कॉन्ट्रैक्ट नवीनीकरण, अवधि, और महीने में एक बार उन सबकी जाँच जिन्हें इवेंट स्ट्रीम ने कभी छुआ ही नहीं। तेज़ संकेत घटना पर, धीमे संकेत टाइमर पर। बचना सिर्फ़ इस बात से है कि कोई ज़रूरी संकेत रात भर चलने वाली जॉब में पड़ा रह जाए।
अनुमान एक अंदाज़ा है, किसी का कहा हुआ नहीं। मॉडल को लगता है कि यह ग्राहक नाखुश है। ग्राहक ने ऐसा कभी कहा नहीं। अपनी रिपोर्ट में इन दोनों को अलग-अलग रखिए, और किसी से यह मत कहिए कि आप जानते हैं उसे कैसा लग रहा है।
पूछते रहने की वजह भी यही है। नए जवाब ही वह तरीका हैं जिससे आप जाँचते रहते हैं कि मॉडल अब भी सही है। और मॉडल जब बिगड़ता है, चुपचाप बिगड़ता है: स्कोर आते रहते हैं, सब उन पर भरोसा करते रहते हैं, और उन्हें पकड़ने वाले असली जवाब कम होते चले जाते हैं।
No comments yet. Be the first to comment!