如何使用AI,机器人和大数据提高首次联络解决率

来源:
浏览次数: 170

   基于笔者在2018年4月的专栏“使用人工智能,机器人,大数据和分析来减少对支持的需求”,作为客户体验(CX)领导者面临的七大挑战之一,今天我将讨论如何面对第二个挑战,即提高首次联络解决率(FCR)。

如何使用AI,机器人和大数据提高首次联络解决率
  人工智能,机器人,大数据和分析的强大功能现在使我们能够实现“我们如何在多个渠道和接触点创建和维持一致且令人敬畏的客户体验”这一整体目标,从而提高可持续收入,实现更高利润率,并维持更高水平的客户满意度和忠诚度。
如何使用AI,机器人和大数据提高首次联络解决率
  让我们深入探讨第二个挑战,即提高FCR。
  经过研究证实,联络中心和其他支持功能的首次联络解决率(FCR)是客户满意度的最大驱动因素。然而,大多数公司过分依赖平均FCR等点数统计,他们忽略了今天客户开始查询或在线搜索支持的事实,在IVR系统中失败的事实,然后他们才会通过电话、电子邮件或聊天来联系客户服务代表。想一想:如果客户无法在网上得到他们想要的东西,并且在IVR遭到挫折,那么他们与座席的互动是第三次接触=非常不满意,而且代价高昂!
  客户在座席级别了解FCR会不会更好,更令客户满意(哪些座席比其他座席有更高的解决率,哪些座席不会产生重复联络)?并找出第一次难以解决哪些问题,产生重复联络?并分析客户在网站上启动的FCR,并尽可能多地解决这些交互?最后一点还涉及我之前关于减少对联络中心需求的专栏,并在我的第一本书“最佳服务是无服务”和我的第二本书“客户规则”的关键部分中整齐地联系起来!
  在这篇文章中,我将不讨论如何定义和改进IVR遏制,因为还有很多其他的地方可以找到方法。为什么增加FCR如此困难的一些原因,特别是在我提出的全渠道基础上,包括:
  (1) 渠道通常由不同的团体或职能部门“拥有”;
  (2) 渠道发展不协调;
  (3) 渠道报告同样不协调,存放在不同的数据库中;
  (4) FCR没有单一的定义;
  (5) 我们经常依赖FCR的“平均值”,就像处理时间(AHT)等许多其他指标一样,而不是深入到座席级别或问题级别上。
  最后一条是因为缺乏足够精确的数据来预测绩效,因为座席加入,被培训或离职,并且使问题或原因或多或少地变得复杂。
  然而,通过使用AI,机器人,大数据和分析,解决这五个原因并跟踪FCR的持续增长变得更加容易。我将回顾解决这个关键问题的五个步骤:“我们如何预测重复接触;第一次完全解决它们;并专注于开始重复接触过程的问题,原因代码和座席(或创建滚下山的”雪球“),以及能够解决重复接触的过程和座席(或”融化雪球““)?”
  步骤1=在每个渠道和跨渠道定义FCR
  正如所指出的那样,对于FCR没有一致的定义,并且周围的内容被称为渠道不同的东西(网络支持和IVR支持的“遏制”,联络中心的FCR平均值)。让我们首先使用相同的术语来表示重复的,未解决的联系人(“雪球”);在网站上开始客户启动的地方;并发送平均值以达到座席和问题级别。我们可以通过多种方式定义FCR,最受欢迎的是“同一个客户在7天内没有再次与我们联系”;然而,通常引用的“联系人”是在联络中心,而不是在所有渠道上,也不是从网络上开始。因此,让我们将FCR定义为“同一客户没有因为任何渠道中的同一问题在4天内再与我们联系,”,更严格的时间表等同于客户更大程度的不耐烦。
  步骤2=在座席和问题级别收集FCR数据点
  这一步骤大大提升了大数据的力量,以“混搭”无数的数据源,并整理出具有最高预测价值的数据源。这是我们在所有问题上击倒“平均”FCR和整体FCR的地方;相反,我们需要收集所有渠道,座席和问题的数据点,问题=客户语言中的一组有限的“原因代码”,例如“我的退款在哪里?”或“我如何获得另一个过滤器?”您会发现该网站的FCR非常低(我们经常看到平均网络支持FCR约为30%!),值得密切关注,使网络支持变得简单。您会发现某些问题的FCR非常低,可能是因为政策混乱(参见步骤4),有些问题可能接近100%FCR,因此不太注意修复。
  通过构建一个输入--输出表来显示哪些座席解决问题,哪些不解决问题,您最终可以超越平均值并将座席汇总到他们的团队中以生成基于管理员的FCR结果。在这里你会看到一些座席的FCR低于50%,拉低了整体平均FCR,可能是因为培训不足(参见步骤4),有些几乎是完美的100%,值得你持续保持对他们的关注。
  步骤3=在座席和问题级别可视化FCR数据
  现在是有趣的部分......将粒状FCR数据点加载到清晰且可操作的模型中。几年来,我的团队一直在使用Microsoft PowerB I,Qlik或Tableau等工具构建这些模型,还有其他可用的可视化工具。最好将输入,趋势视图和“所有者”显示与所有者=负责开发或改进影响FCR的流程和系统的高管结合起来。
  步骤4=测试预测模型以增加FCR
  通过步骤2中发现的一些假设,使用AI,您可以找到FCR可能驱动程序的原因和结果,例如重新设计的Web支持页面,新培训,简化的知识共享页面以及对座席的反馈(以便每个人都可以看看他们的工作如何影响客户满意度)。您还可以开始预测哪些客户和问题可能是雪球,使劳动力管理能够将他们路由到更专业的座席那里,这些座席具有融合雪球的成熟技能。
  第5步=庆祝成功(并推下加速器)!
  在最后一步中,您将能够识别能够解决更多联系人的座席,而不是送雪球下坡,开发人员能够增加WebFCR,以及可视化专家能够将所有这些都集中在一起。然后,您可以从这些成功中学习,并建立在它们之上,进入持续改进的良性循环当中。
  通过遵循这五个步骤并使用AI,机器人,大数据和分析,您将增加FCR并提高客户满意度。你还会:
  • 避免在座席和问题级别使用更精确的数据点的“平均值”瘟疫;

  • 降低客户支持成本;

  • 让导致问题的“所有者”深入了解解决方法并采取最佳行动。



      原文网址:http://customerthink.com/how-to-increase-first-contact-resolution-with-ai-bots-and-big-data/


  • 相关资讯 More
  • 点击次数: 107
    2021 - 03 - 22
    人们通常认为,良好的客户服务意味着100%的座席都在打电话,让客户尽快与座席通话。与普遍的看法相反,如果你的联络中心是这样工作的,那可能意味着你实际上没有有效地利用你的时间,而且你雇佣了太多的座席。这是呼叫路由可以提供帮助的地方。  呼叫路由是一种联络中心管理功能,其中传入的呼叫被放置在队列中,并根据特定条件转移(换句话说,路由)到座席或自助菜单。呼叫路由系统也被称为自动呼叫分配(ACD)。顾名思义,这些系统致力于自动分配入站呼叫。路由可以基于诸如时间、部门、语言首选项、呼叫量或呼叫复杂性等变量。  为了最有效地优化呼叫路由系统,您需要考虑传入呼叫的上下文以及各个座席的技能。通过优化的呼叫路由,您可以提高首次联络解决率(FCR)和运营的整体生产率。  呼叫的上下文  与其将所有来电尽快转接到下一个可用的座席,不如首先考虑来电背后的原因。通常情况下,你的大部分电话都可以自动化处理,并发送到自助服务,而不是使用宝贵的人力资源。  在大多数情况下,入站操作中至少有3-4种呼叫类型,可以轻松地实现自动化,而无需涉及实时座席。20-40%的入站问题通常可以通过简单地访问相关的客户信息来解决。可以轻松路由到自动自助服务的呼叫包括与包裹交付时间、帐单信息或产品和定价信息相关的呼叫。通过使用自助服务,您可以减少通话量,大大节省人力资源,确保您的座席在最需要的地方使用。  把电话转接给现场座席  当涉及到复杂的呼叫时,主要的问题是:哪个座席能够最有效地处理呼叫?根据呼叫的上下文,将呼叫路由到相应的座席时可以使用多种方法。  大多数现代呼叫路由技术都提供了基于技能的路由选择。此功能使您能够根据指定的条件将呼叫路由到特定的座席或部门。换言之,您将能够将有特定请求的呼叫者引导到具有适当技能集和培训的座席或专门处理其问题的部门。  除了基于技能的路由,您还可以选择使用路由技术创建VIP队列。呼叫路由...
  • 点击次数: 60
    2021 - 03 - 15
    去年三月,新冠疫情爆发使联络中心受到考验。他们几乎立即转变为在家工作(WFH),并面临客户服务请求的激增。一年后,尽管大多数人开始接受处理群众问题的挑战,但许多人仍在努力应对数量增长过快的询问。我现在认为,客户服务面临一个系统性的能力问题。在这个由两部分组成的系列文章中,我将解释这个挑战的含义,并引导您通过技术和组织杠杆来应对它。  容量问题  在WFH过渡的早期,主要的障碍是为座席建立远程工作环境。大多数企业都能迅速做到这一点,但并非所有企业都能做到。虽然流感大流行减少了员工流失,但也使招聘、入职和培训变得更具挑战性。大浪淘沙,留下了与客户服务需求大致相同的座席能力。与此同时,客户咨询量的急剧增加并没有停止。一开始,是关于COVID相关的问题。现在,世界变得越来越倾向于数字化,但即使是数字化进程也仍然需要人类的帮助。  数字化救援  企业已经转向自助服务和自动化,以减少人与人之间的交互。避免打电话的第一步是让客户能够在网上或手机上自助。今天最先进的网络自助服务包括可搜索的帮助中心和页面帮助。帮助中心为客户可能遇到的所有问题提供一站式解决方案,而无需浏览网站或移动应用程序。帮助中心也已经从常见问题(FAQ)演变为可搜索的文章知识库,并可以通过客户相互帮助的论坛进行扩充。  尽管网络和移动应用程序不断提高可用性,提供更多信息,但这还不够。与我交谈的企业一致认为,他们收到的咨询中有50-70%来自无法在线解决问题的沮丧客户。这些联系的主要问题是它们的上下文丢失,因为它们是匿名的,需要从头开始恢复。  企业已经部署了聊天来提供上下文帮助,但人员配置仍然是一个挑战。团队规模很小,这会造成很长的等待时间,并且很难找到所有需要的技能。机器人和会话助理可以在前端聊天,提供一些答案,并缓解反应时间差的问题。虽然这是一个很好的步骤,但只要您能够方便地访问人工,该模型就可以工作。否则,客户付出...
  • 点击次数: 87
    2021 - 03 - 08
    一个运动队从一个剧本开始工作,剧本提供了创造或应对不同环境的策略,并指导每个队员如何发挥他们的作用。同样,联络中心也有解决客户问题和机会的行动手册。随着自助服务的扩展和人工智能的引入,剧本范围需要扩大。  知识管理者  如今,联络中心的剧本中最常见的元素是脚本和知识库,这些脚本和知识库可能由主管或专门的知识管理人员建立和维护。当数据分析师将数据转化为见解时,知识管理人员收集并管理这些见解,决定如何以及在何处最好地使用它们,并建立资产,使其他人可以获得这些见解。一般资产包括:支持客户自助服务的常见问题试剂的罐装和建议响应完整的脚本,指导座席一步一步地完成交互座席搜索的知识库  随着大数据分析和虚拟座席的兴起,知识管理者的工作将发生重大变化。让我们看看其中的一些变化:人工智能现在可以增强建议和响应,以便在实时分析会话上下文的基础上,及时向座席提供建议。数据科学家将向知识管理者寻求用于分析的原始数据,以及作为机器人培训材料使用的见解库。机器人可能会扩充一些现有资产,例如可搜索的知识库,或者公司可能会决定用机器人替换资产。数据科学家将提供丰富的新见解,知识管理者可以在剩余的脚本、知识库和培训模块中部署这些见解。  随着我们的发展,知识管理者变得越来越重要。联络中心需要确保这些岗位上有合适的员工,提供所需的培训,并制定一个良好的流程,以获取知识并将其纳入行动手册,从而使其发挥作用,改善客户服务并降低成本。  教机器人说话--会话设计师  在虚拟座席的世界中,脚本不仅仅是一个会话指南,而且实际上是会话本身。一个人工座席的脚本中的内容不一定适用于机器人,因为人类在破译歧义和上下文方面要比人工智能好得多(尽管人工智能越来越好!)。健谈的设计师不仅把文字放在机器人的嘴里,而且还赋予它个性。  会话设计师需要将三个世界连接起来:问题域客户如何思考和反应机器如何“思考”和反应  他们利用自己的沟...
  • 点击次数: 111
    2021 - 03 - 01
    在今天的联络中心,员工使用来自ACD报告、质量调查和人员配置系统的统计数据来调整路由规则、建议座席辅导计划和调整员工时间表。这些员工中的许多人从联络中心的座席或主管的工作中走出来,甚至可能与联络中心的其他管理人员分担“分析”责任。然而,要想在竞争日益激烈的客户满意度游戏中取得成功,就必须采用不同的方法。  数据是新的石油--数据科学家在联络中心  “数据就是新的石油。它是有价值的,但如果未经提炼就不能真正使用。必须将数据转化为天然气、塑料、化学品等,才能创造一个有价值的实体,推动盈利活动;因此必须对数据进行分解、分析,使其具有价值。”--数据科学家先驱Clive Humby。  数据爆炸正在发生,全球数据总量每3年翻一番,站点也没有尽头。利用这些数据将推动未来的经济。这个领域的专家被称为数据科学家,《哈佛商业评论》(Harvard Business Review)称之为“21世纪最性感的工作”的职业。数据已经给职业体育带来了革命性的变化--只要看看棒球场上的击球手们用“转移”到球场的一边就知道了,这是由于击球手们的统计击球模式造成的。数据也将彻底改变联络中心。  数据通常分为两类:结构化和非结构化。结构化数据长期以来一直是联络中心管理的基础--数据是在一个组织良好的数据库中,可以交叉引用,例如由座席、组和队列组织的通话时间。非结构化数据比会话内容更原始。像聊天和电子邮件这样的数字会话有丰富的文本等待挖掘,随着语音识别技术的进步,语音会话也可以以类似的方式进行挖掘。语音和文本分析可用于破译对话并将其分类到结构化数据库中,例如,为来电者表现出挫败感或座席使用不当语言的互动建立索引。  数据科学家在新兴联络中心的工作是理解所有这些信息,并将其付诸行动以改善业务成果。  分析数据--数据分析师  数据分析师使用专门的分析工具来寻找趋势和获得见解,并帮助设计解决方案。数据分析员在结构...
Copyright ©2017 四川西沃信息技术有限公司
犀牛云提供企业云服务