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: 179

   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: 159
    2022 - 06 - 27
    随着我们进入新的十年,呼叫中心自动化的实施正在加速,因此,企业实施最佳实践至关重要,否则就有可能落后于竞争对手。  机器人过程自动化(RPA)、人工智能(AI)和机器学习(ML)方面的技术进步正在改变客户服务的面貌。然而,仅仅因为您可以在呼叫中心自动化某些事情,并不意味着您应该这样做。要知道哪些任务应该交给人工智能和机器是一个挑战。  在本文中,我们解释了成功实现呼叫中心自动化的最重要的方法,概述了呼叫中心正在实施的一些主要的呼叫中心自动化工具类型,并讨论了在您的CX自动化方法中优化人类和人工智能之间的平衡的好处。  联络中心和呼叫中心的智能自动化  根据我们的经验,最重要的呼叫中心自动化最佳实践是平衡核心服务目标和KPI与自动化,以不断提高客户体验和运营效率。为了优化为客户和员工提供的全渠道服务,您必须知道何时利用来自实时座席的人工交互,以及何时部署人工智能驱动的虚拟助理和自动化流程。在呼叫中心自动化方法中找到这种完美的平衡就是我们所说的'深思熟虑的自动化'。  呼叫中心的智能自动化除了控制成本外,还有几个用途。例如,最常讨论的应用程序是自动化简单的、耗时的应用程序。重复的任务。这有助于减少总体处理时间,并允许联络中心座席参与更复杂的以客户为中心的交互。但这只是自动化改善呼叫中心运营的开始。自动化可以在幕后帮助员工,帮助他们做出更好、更快的决定。它还可以用于扩大数字服务知识获取、编纂和应用,并在长期内提高客户服务质量。  总之,以下是最常见的呼叫中心自动化趋势:  1. 聊天机器人和主动倾听,如自然语言处理(NLP)和自然语言理解(NLU),在客户交互过程中通过聊天机器人或语音助手促进自然语言生成(NLG)和会话UI工具。  2. 机器人过程自动化(RPA)取代了Tier0层面和其他面向任务和可编程的简单交互。数字工人工厂模型不是为每个任务部署单独的机器人...
  • 点击次数: 113
    2022 - 06 - 20
    Odigo 的 Vincent Lascoux 解释了如何在客户服务中建立成功且可持续的对话体验。  一个品牌现在被期望创造出在任何时候、任何地方和所有平台上都可以访问的内容或服务。机器人(语音机器人和聊天机器人)可以满足这些新的客户需求:对话体验的速度和个性化、可用性和全渠道。  它们还通过自动化低优先级、低复杂性的请求(例如关于营业时间的查询)来帮助平衡联络中心的高峰。  公司已经在整合这些原则,会话式 AI 市场正在经历显着加速,预计到 2024 年增长将超过 30%。在客户服务中,成功的会话式体验的关键是会话式用户体验 (UX) 专业知识,但也支持通过全渠道、开放和强大的解决方案。  使用经过验证的用户体验方法构建对话之旅和体验  成功的客户旅程需要会话 UX 专业知识来实现流畅的体验。这些可以最大限度地减少客户的工作量并提供快速访问正确答案的途径。用户体验专家考虑了许多指导对话体验发展的要素:用户意图或需求使用环境历史技术限制。  谷歌 Google Assistant 设计经理 Cathy Pearl 将对话体验进步的目标总结为:'教计算机如何更像人类一样交流,而不是相反。'  机器人对话的措辞自然会影响客户的回答,从而影响识别率,以及识别文本或语音的准确度。  如果遇到问题或遇到客户沉默,系统应配置为提供替代选项、改写或使用封闭式问题。有时休息一下,让客户可以寻找额外的信息(如保单号码),然后从他们离开的地方继续,这是有益的。  为了提高机器人的准确性,可以使用自然的客户对话进行培训,以帮助提供行业特定语言的真实示例以及客户通常表达自己查询的方式。  客户的对话体验可以通过多种渠道进行,而不仅仅是语音,只要集成了不同的人工智能服务,这种共享信息还可以创建更准确的客户旅程个性化。  但是,为了促进客户参与,定义与品牌价值和用例一致的机器人角色或个...
  • 点击次数: 96
    2022 - 06 - 13
    在当今时代,负面的客户体验可以破坏组织的声誉。然而,这种决定成败的关键能力只会在医疗保健领域得到放大。   该领域的来电者不仅是客户--他们是需要帮助、指导和护理的患者。在这个行业中,提供响应迅速、安全和高质量的患者护理和体验是重中之重。  优化联络中心运营的 4 大方法  联络中心是一个信息中心,记录、保留和存储数以千计的客户互动。通过利用这些数据,联络中心有可能提取有意义的见解,以增强客户体验并提高运营效率。  自 1990 年代以来一直处于紧急护理的前沿,Integrated Care 24 (IC24) 开展的工作是医疗保健组织如何利用未使用数据可以带来的丰富知识的一个很好的例子。  通过实施语音和文本分析解决方案,IC24 能够确定医疗保健组织可以优化其联络中心运营的 4 种方式:  1. 识别数据集之间的相关性和趋势  能够识别联络中心内 100% 的对话对于改善患者呼叫处理程序的体验至关重要。通过捕获这些通信,然后可以在分析工具中报告它们,使用包括情绪分析、串扰和非谈话在内的多个指标。  通过这样做,联络中心可以轻松识别数据集之间的相关性,以发现有价值的见解。这反过来又可以帮助纠正患者体验中的任何瓶颈。  2. 查看呼叫处理流程  呼叫处理流程是患者体验的重要组成部分。间歇性地审查这一点可以帮助隔离损坏的工作流程和需要改进的领域。  例如,通过使用分析,IC24 确定呼叫者在呼叫 111 时听到的预先录制的消息在呼叫处理过程的另一部分重复。通过消除重复,IC24 将其总平均通话时间减少了 3.5%,同时呼叫者的满意度也提高了。  此外,从分析解决方案中提取的宝贵数据还使 IC24 能够改进其质量改进工作流程。通过从人口统计数据收集脚本中删除两个呼叫处理程序语句,IC24 受益于整个时间当量 (WTE) 节省超过 66,000 英镑。  3.分析审计过...
  • 点击次数: 103
    2022 - 06 - 06
    许多联络中心正在摆脱传统的轮班模式,以改善客户服务并提高生产力。  现在,他们正在实施几种创新的轮班模式,以更好地满足预测需求和员工偏好。这里有五个很好的例子。  1、拆分班次  拆分班次将工作日分为两个或多个部分。两者之间的间隔超过一个小时的午休时间,让员工有更多时间享受爱好、完成诸如接孩子放学等任务或只是放松一下。  计划人员必须提前安排分班;请求延长休息时间不计算在内。毕竟,WFM团队经常实施分班制,以确保大多数员工在高峰期处理联系人,这需要精心计划。  事实上,大多数操作在一天中间的联系量都处于停顿状态。因此,实施从上午11点到下午2点休息三个小时的分班制是标准做法。  大流行助长了这种分班制的增长,因为它们对远程座席很方便。然而,对于在职团队来说,这通常不是最好的轮班模式。为什么?因为对于大多数员工来说,每天两次通勤上班并不理想。  2、微班次  与拆分班次一样,微班次是远程座席的绝佳选择。这些轮班可以持续短短两个小时甚至30分钟,非常适合在一天中的特定时间经历大量联系的联络中心。  这些转变对于雇用大学生的联络中心特别有利,因为他们可能在讲座和研讨会之间有几个小时的空闲时间来登录。  提供这些轮班也有助于从团队中获得更多时间。例如,一些兼职人员可能喜欢每周多做一两个小时,只要他们能适应他们的日程安排。鉴于当前的生活成本危机,许多座席将欢迎这样的机会,而联络中心则享有更大的覆盖范围。  3、有倾向性的轮班  由领先的WFM供应商injixo创造,倾斜轮班为座席提供了每周工作40小时的机会。但是,每天的时间并没有平均分配。  取而代之的是,工作周折衷为周一工作10小时、周二工作9小时、周三工作8小时、周四工作7小时、周五工作5小时。  这种轮班模式在联系量随着一周的进行而下降的运营中是理想的。此外,许多座席喜欢这样的时间表,因为它可以让他们享受更轻松的一周结束。  ...
Copyright ©2017 四川西沃信息技术有限公司
犀牛云提供企业云服务