CTI論壇(ctiforum.com)（編譯/老秦）:TerriKocon:我們都知道，我們從客戶那里獲得的溝通渠道和數據渠道將繼續增加。我們有內置互聯網接入設備。基本上到處都是。Alexa到處都是。這些都是關鍵的數據渠道。因此，更重要的是，我們在這些數據的基礎上擁有工具，讓我們能夠真正了解聯絡中心內發生的事情。
所以我要把它分解一下，我會給你舉一些例子，說明人工智能和機器學習是如何被用來提供預測性和規范性的分析方法的，這些方法可以真正幫助你的聯絡中心開始采取主動而不是被動的措施，并且能夠執行一些事情，比如有針對性的質量評分，而不是隨機分析，幫助你發現問題座席績效和客戶滿意度趨勢，而不必尋找它們。它們會自動被發現。
所以，給大家舉一個機器學習技術的例子，我將從我熟悉的產品的上下文說起，這顯然是Calabrio產品。我們使用機器學習的關鍵技術之一就是我們的預測能力。因此，特別是關于預測性評估和預測性NPS（凈推薦得分）。按照這種方式，我們使用源數據，這些數據將被記錄下來。我們將把它與我們在這些交互中擁有的所有元數據結合起來。這包括ACD的元數據，CRM的元數據，以及我們可能合并到聯系人中的任何其他源。然后我們用我們擁有的分析數據來分層，包括語音分析、文本分析、桌面分析、通話事件、互動過程中的沉默等等。所以我們把所有這些數據都和上下文關聯，我們把它們和評估分數聯系起來。
所以現在我們知道了，比如說，高分聯系人的共同點是什么，低分聯系人的共同點是什么，以及兩者之間的一切。然后我們就可以使用它了。我們能夠推斷出我們100%的聯系人，預測的評估分數是多少。或者，舉個例子，對于預測性凈推薦得分的調查，如果是帶有NPS問題的調查數據，我們也會做同樣的事情。所以我們可以從手工調查的聯系人中抽取一個小樣本，用它來關聯高分聯系人和低分聯系人的共同點，然后用它來推斷出，100%的聯系人，預測的凈推薦人得分是多少。同樣，如果一個聯絡中心幸運的話，他們可以手動回顧他們2%的互動。
然后我們就可以拿這2%，通過應用機器學習的概念，我們可以在100%的交互中推斷出2%的評估或2%的調查數據。然后，聯絡中心將有一個更全面，更完整的畫面，描繪它是如何執行整體。這就是機器學習技術的一個例子，以及它是如何工作的。
另一個同樣利用機器學習的人工智能例子是情感分析。在這里，我們試圖重現人類可能經歷的思維過程，這是使用一種算法來處理情感或情感檢測等概念。這是一個更復雜的問題。打電話的人對這種互動感覺如何？什么是情緒？這是一種積極的互動，一種消極的互動，還是一種中立的互動？
有憤怒的表現嗎？人工智能引擎可以從哪些不同的線索中獲取信息，以便讓我們了解情感內容或特定接觸的情感？再說一次，這是一個非常強大的工具，讓我們能夠真正理解作為客戶服務專業人員必須問的一個最重要的問題：我們是否取悅我們的客戶？這應該是我們每天都在問自己的問題。情感檢測和情感分析幫助我們達到目的。
聲明:版權所有 非合作媒體謝絕轉載
原文網址：
https://www.destinationcrm.com/Articles/Web-Exclusives/Short-Cuts/How-to-Leverage-Predictive-Analytics-in-the-Contact-Center-147553.aspx
