AI时代客户中心数据运营

    |     2018年11月16日   |   2018年, 客世原创   |     0 条评论   |    518

随着人工智能、大数据等新技术的成熟,企业服务思维的转变,服务作为企业产品的延长线而存在,其在日常运营中会获取、使用、产生大量的数据,而这些数据成为客户中心转型的一个关键所在。

首先,在AI技术快速发展的大背景下,企业的数据构成、数据分析方法以及应用场景都与以往有了显著的不同,在全媒体平台和应答机器人逐渐普及情况下,产生了海量的非结构化数据,针对这部分数据结合企业中原有的结构化数据的整合运营,是实现客户中心服务创新的一个基础。其次,用户消费习惯发生很大的转变,尤其是年轻一族更趋向于以在线的方式获取信息和服务,而不是面对面的方式,这种客户流量的转移,导致客服中心做服务转营销已经成为常态。第三,企业与客户的接触点增多,意味内部协同运作的节点也增加了,不同的节点之间除了做到最基本的服务一致性和规范性以外,更加急迫的是在跨渠道、多场景的情况下保障服务水平和成本效益之间的平衡,这是一个多因素考量、资源协同的过程,必须通过数据运营的经营理念来实现。

目前全球AI产业的聚焦点都在客服中心,因为这个领域丰富的对话场景是训练机器人,是机器模拟人类特征的最佳的环境,因此全行业的聚焦加速技术突破的速度。许多企业里面做数据分析及运营的部门名称也发生了改变,原来普遍命名业务支撑部,现在许多机构的相关部门已改名为数据分析运营部、决策分析部、智能决策部等,数据运营从原来业务支撑的定位,转化为驱动业务运营的定位。

当前,不同企业的数据运营阶段不同,需要深入分析每个企业的业务现状和未来的业务发展客观制定属于企业自身的数据运营理念。

客服中心最有价值的数据是服务过程中产生的会话数据,而此类数据以语音、文本等非结构的形式存在,为了从此类数据中提炼数据价值,需要以业务为导向,通过大规模机器学习和深度学习技术,对海量结构化和非结构化数据进行处理、分析和挖掘,提炼数据中有价值的信息和知识,并通过建立模型寻求问题的解决方案,帮助企业从数据中改善客户体验,从服务中实现客户增长,从而加强客服中心作为企业客户经营中心地位。以下从数据驱动运营的角度来构建服务过程中各个节点的运营场景。

一、客服中心的数据特点及处理方式

对客服中心会话数据进行分析,需要将非结构化的会话数据转化成结构化数据,而会话数据往往是非线性的,在一次沟通过程中会涉及到多个话题点之间的交叉,这就需要设计一个多维度的立体模型来实现信息映射(如图1)。

这种立体化多维度模型的构建需要又NLP相关的技术并结合特定的业务场景来实现(如图2)。

二、建立数据分析体系,实现数据分析工业化、体系化

数据分析是一个系统化的工程,需要分析人员掌握分析工具、分析方法和业务知识,这就极大地依赖于分析人员的个人逻辑思维能力、技能和知识的积累, 是一种高度个人艺术化的行为, 难以进行体系化、 工业化地改进, 制约了数据分析行业水平的提升。

为此,我们提出在用户的交互分析过程中记录用户分析思路发展过程,用“分析导图”方式予以展现(如图3)。让思考过程历历在目,在降低分析难度的同时拓展了分析深度与广度,同时打开人类分析思考的黑盒子,让用户能与他人一起对思考过程进行回顾、扩展、优化,从而让数据分析从一种个人艺术行为上升为一门可以开展体系化、工业化改进的行为,提升数据分析水平,让大数据真正创造大价值(如图4)。

三、构建分析应用场景模型,对服务全过程实现AI赋能

在客户服务的全生命周期内应用客户交互旅程分析,构建客户体验地图;基于数据识别客户身份,描述客户的处境和特征;分析洞察客户需求,预测客户的价值和行为,从而构建9大业务模型。

① 主动服务模型——以服务蓝图为脉络,搭建提醒服务标准规范体系,促进服务与营销、前台与后台的协同,最终提高客户感知,实现关键时刻主动服务,在问题出现之前未雨绸缪。

② 服务资源适配模型——基于话务结构分析,计算话务价值,设计话务分流策略;基于客户特征分析,匹配最佳服务人员,实现有针对性的配置服务资源,提升客户体验感知度。

③ 服务营销模型——基于实时会话内容,采用意图识别技术,提取客户的营销意向,结合客户标签和业务规则推荐产品或服务。

④ 客户声音分析模型——对客户接触数据进行挖掘,带给后台部门更多价值,参与企业运营,为企业输送数据决策。

⑤ 服务效率与效能分析模型——构建坐席能力评估模型,输出坐席能力报告图谱:找出员工能力短板,输出相应的业务培训、情绪辅导等建议,提升整体效能水平。

⑥ 合规性分析模型——采用智能化技术对服务内容进行合规性质检,有效提升质检的效率。

⑦ 情感分析模型——在现有智能客服系统基础上有效地结合情感计算技术,按队列、组别、个人不同维度分别展示用户情感的分布情况,提供服务和运营的指导。

⑧ 根本原因分析模型——采用结构化的问题处理法,确定和分析问题原因,找出问题解决办法,并制定预防措施。可用于热线/在线客服坐席服务质量检测、风险监控识别、服务策略优化、满意度分析、通话时长分析、客户投诉问题分析等场景。

⑨ 内容标签提炼模型——可基于业务场景从内容钟提炼用户标签,将客户的声音力和行为有效地转换为客户的洞察力,进而实现相应的产品与服务创新。

四、实现服务整合,构建以应用为导向的客户画像

以应用为导向,基于分析结果建立用户标签,根据所得用户标签,对用户进行特征归类,搭建用户标签体系(如图5)。

在客户标签体系的基础上,按照应用场景,形成“千人千面”的客户画像,并将客户画像与生产系统关联,辅助人员对来话进行预判及精准营销与服务,进而支撑一线的精准营销及服务。

五、采用智能辅助手段,改善运营流程

以业务场景为单位,以客户画像为基础,以六西格玛为策略,对服务流程进行智能化和数据化的改善,并通过最小化的方式将智能注入到现有的以业务为驱动的流程当中,以实现将数据与智能服务融入到一线话务的工作过程中(如图6)。

以上,通过业务驱动构建起数据运营在客户中心的价值体系,但是,在落地实施层面,为实现数据的分层与水平解耦,沉淀公共的数据能力,实现数据模型、数据服务与数据开发,建议企业建立可处理海量客户数据、支撑深挖数据价值、助力企业数据运营的数据中台,从而通过数据建模实现跨域数据整合和知识沉淀,通过数据服务实现对于数据的封装和开放,快速、灵活满足上层应用的要求,通过数据开发工具满足个性化数据和应用的需要。

本文刊载于《客户世界》2018年11月刊;作者吕晓宇,作者为佰聆数据公司副总裁。

 

转载请注明来源:AI时代客户中心数据运营

相关文章

回复 取消