|
2017-08-02 18:30 来源:IBM中国 操作系统 本文作者：Al Martin，j2直播，IBM分析主管，多产博客文章作者，本文代表的是其个人的观点。
在我的职业生涯中，我每天都在为帮助客户实现成功而努力… 我一直在思考如何交付更好、更清晰、更具个性化的客户支持，以及如何在做到这些的同时控制成本。在以往，这意味着我们要维护最好的知识库及故障修复指南，聘请并培训一流的客户服务代理，并构建自助服务系统，同时密切监控系统是否出现了会令客户感到被抛弃或愤怒的事件。 时至今日，这些战略同样非常关键，但我们面对的挑战也在不断升级： �� 如何迅速地了解问题症状与解决方案之间的关联，尤其是在产品日益多样化的情况下？ �� 如何摄入日益复杂的故障修复数据并与客服代理共享这些数据？ �� 如何充分利用已收集的客户信息来加快客户获得所需信息的进程？ �� 如何综合运用不同的门户（电话、在线交谈、电子邮件），以及如何构建移动、社交、增强现实等新的互动方法？ 无论是哪个行业，都会面临这些挑战。无论我们的客户是有线电视公司、制药公司还是企业软件供应商，他们都希望能够及时得到响应和帮助。这意味着我们在客户支持方面，不仅要确保个性化，还要兼顾速度与精度。 今天我想就此做一些深入探讨。 从数据入手，看客户支持的需求 随着机器学习开始真正变得流行，越来越多的企业已经发现它有助于推动变革客户支持的组织与交付方式，确保实现客户与服务支持提供商的双赢。 我认为，首先要从数据入手 ... 本质上，我们希望利用不同来源的数据来训练模型，以便预测客户当前及未来的需求。我曾经工作过的许多组织都拥有海量的专有数据，但这些数据并未得到有效利用，而这些数据经过挖掘后，有助于作出极具价值的预测。 总体来说，数据主要分为以下三类，不过相互之间稍有重叠： 1. 客户本身相关的数据 2. 服务支持提供商联系人相关的数据 3. 可用于解决客户问题的数据 第一类数据由常规的人口统计数据和组织数据构成，还包括客户偏好的接触门户、客户隐私规定、个人或组织成为客户有多长时间、组织内的联系人、所用的产品和服务及这些产品和服务的配置等详细数据。 “ 我们可以通过电话或者聊天来回复客户的问题，这些问题可能已经有现成答案。但是有没有什么方式更有助于与客户建立融洽的关系呢？ ” 第二类数据是与服务支持联系人相关的数据；该类数据的范围看似很窄，但实际上涵盖的数据类型非常广泛，包括：导致出现问题的产品或服务、呼叫的时间和日期、个人等待响应的时间、在以往解决客户问题所用的时间、个人是否重新提出了已解决的问题、距最近一次支持的时长、之前互动负责人的相关信息等等。 还有第三类数据，即：可用于解决客户问题的数据。 通常来说，这类数据包括知识库文章、故障修复指南、白皮书、FAQ 及论坛贴文等等，不过我们也逐渐将与之前客户交互相关的非结构化数据归为这一类，例如之前服务支持问题提交凭证的文本和标注资料，甚至还包括社交媒体站点上与组织、产品、服务相关的评论数据。 （在许多组织中，还存在我们所说的第四类数据，即公用或外部可用的数据，例如：天气预报数据、路况数据、利息数据等等。） 再到机器学习，实现预测性服务 机器学习的本质是将数据输入到模型中，然后由模型提供合理的预测结果。对于客户支持而言，客户服务代理可利用这些预测结果快速地进一步发掘客户的具体需求。 不过若要做到这一点，不仅要深入了解当前客户的概要信息，还需要对比所有客户的信息，以便得出共性问题，比如说“这类客户都会遇到这样的问题”。 举例来说，每个月都会打电话询问付款情况的客户可能会绕过电话服务代理，直接咨询能够让其放心的联系人。 或者还有一种更复杂的场景，即：通过机器学习算法确定已安装了两种特定产品，而且很少呼叫服务支持，同时可能会在午夜时段打电话咨询某次升级特定配置参数建议的客户。 企业固然可以通过电话或者聊天来回复客户的问题，这些问题可能已经有现成答案。但是有没有什么方式更有助于与客户建立融洽的关系呢？ (责任编辑：本港台直播) |
