AI智能质检新实践:如何借助「流程质检」,提升客服或销售的执行力

很多人不知道:原来对销售和客服的沟通过程,能做到这么精细的管理。

想了解一家企业是否值得信赖,打一次热线电话就知道了。

电话那头的客服或销售人员,代表企业直接与客户打交道,他们能否快速定位和解答问题,往往可以反应出企业的专业性和规范性。为了赢得更多客户信赖,企业不断总结出客户常见问题的标准作业流程(SOP),要求业务人员按流程帮助客户定位和解答问题。

但是,如何监督业务人员在遇到特定场景或客户的特定问题时,有没有执行标准流程,有没有按要求进行回复呢?可以使用流程质检(或者叫场景质检、问答质检)功能。

什么是“流程质检”?

流程质检的主要目标是,判断员工与客户沟通时“是否按照规范流程,回答了客户的问题”。

具体来看,流程质检的质检项,首先需要判断一个对话是在讲什么事情,然后再判断针对这件事情,业务人员的回答是否满足一个或多个规范条件。

其实,也可以认为“流程质检”是一种 2 个以上质检项(语义点)的复合质检。复合质检若想做到比较好的效果,需要每个语义点都能实现较高的召回率和准确率。因此,在传统的“关键词+正则”模式之外,引入效果更好的、基于深度学习模型的“非正则”模式来生产质检项(语义点)势在必行。

下面,我们来看两个实际的例子,帮助大家理解循环智能的“流程质检”功能是如何工作的。

实例:“单条件”流程质检

“单条”流程质检指的是,当客户提到某个具体的场景,业务人员在回复中必须出现某个语义点(单个)。

例如,很多企业的服务规范,要求业务人员遇到“客户要求反馈”的场景时,及时作出“安抚解释”。如果没有出现“安抚解释”的语义点,即判定该客服或销售人员未按流程提供服务,须减去一定的分值。

首先,我们要配置好“客户要求反馈场景”的流程质检项:

配置完成之后,在机器质检系统中搜索“客户要求反馈场景”,就可以找出所有命中该场景的不合格对话:

在这个例子中,机器质检系统判定在这通对话中,客服人员没有进行“安抚解释”,所以要扣除一定的分数:

最后一步,人工进行复检,看看机器有没有误判或漏判。

实例:“多条件”流程质检

“多条件”流程质检,指的是当客户提到某个具体的场景,业务人员在回复中必须出现多个特定的语义点。

例如,某个专业的、提供居住服务的企业,要求当客户提到“空调不运转”的场景时,在线客服人员需要向客户确认“插座是否通电”、“物业地址”和“维修时间”,如果没有提到其中任何一个,都会被判定为不合格。

同样,首先我们要配置好“空调不运转场景”的流程质检项:配置完成之后,在机器质检系统中搜索“空调不运转场景”,即可找出所有命中该场景的不合格对话:

在这个例子中,在线客服人员没有提到“插座是否通电”,因此被判定为不合格,需要扣除一定的分数:

最后一步,同样是人工进行复检,看看机器有没有误判或漏判。

监督不是目的

重视客户体验的中大型企业,往往对客服人员的规范执行情况要求更加严格,对“流程质检”的需求比较大。最近,我们发现,有越来越多企业也开始重视销售场景的标准作业流程(SOP),因此,通过“流程质检”功能监督销售人员执行力的需求,也逐渐增多了。

不过,无论是面向客服人员,还是销售人员,“监督”从来不是目的。对企业而言,找到更好的方法监督员工的执行力,最终还是为了提升员工的执行力和企业的运营效率。

循环智能(Recurrent AI)
循环智能(Recurrent AI)

循环智能是一家企业服务公司,通过机器学习的方法,分析企业与客户之间的语音沟通记录、文本沟通。公司的主产品是基于对话数据的 AI 销售中台。

https://www.rcrai.com/
产业AI智能质检
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

找到机构
推荐文章
暂无评论
暂无评论~