客户支持中数据科学的秘密力量
客户支持中数据科学的秘密力量
towardsdatascience.com/the-secret-power-of-data-science-in-customer-support/
我记得第一次被拉进客户体验团队会议时，我完全不知所措。我不知道该期待什么，也不知道数据实际上如何帮助他们。但现在，我已经作为他们的数据科学合作伙伴与他们共事超过三年了，从我们刚开始几乎没有数据报告的早期，到现在我们深深嵌入到该职能并支持数据驱动的决策。在下文中，让我带你们了解客户体验中常见的应用数据科学案例。
1. 指标跟踪
在你能够改进任何事物之前，你必须对其进行衡量——客户体验也不例外。建立指标也是与利益相关者建立信任的好方法。
对于客户体验（CX）而言，一些常见的指标包括：
-
SLA (服务水平协议): 这是客户支持团队对客户联系响应速度的承诺或目标。例如，“3 分钟内回复所有聊天。” 监控团队是否始终遵守 SLA 至关重要。这通常以符合此目标的客户支持互动的百分比来衡量。
-
TTR (解决时间): 服务水平协议关注的是每次互动是否及时完成，而 TTR 衡量解决客户支持工单所需的总时间——包括所有来回。想象一下，作为用户，你通过电子邮件联系客户支持询问产品问题。他们每次回复都很迅速，但没有任何回复真正解决了问题。在这种情况下，服务水平协议看起来很好，但 TTR 会很长。这就是为什么我们需要两者来完整这个故事。
-
FCR (首次接触解决率): 理想情况下，客户将在第一次对话中就得到他们所寻找的确切信息。因此，FCR 旨在衡量无需后续跟进即可解决的客户支持工单的百分比。自然地，低 FCR 与高 TTR 相关。
-
CSAT（客户满意度评分）：上述指标都是衡量我们多快回到客户那里并解决问题的内部指标，而 CSAT 是衡量客户对所收到的支持满意度的直接外部指标。它通常在支持工单解决后通过调查来捕捉，例如“你对所收到的支持满意吗？”（评分 1 到 5）。
-
接触率：我们关注服务质量，但同样重要的是了解产生了多少支持案例。将案例量正常化的一个好方法是计算接触率，即
案例数量 / 活跃客户数量。这告诉我们客户遇到问题并需要帮助的频率，因此它也是产品摩擦的衡量标准。
当然，我们为 CX 团队构建了更多指标，但上述指标应该能让你对 CX 团队关注的数据有一个良好的初步了解。当然，这些指标是组织并展示在仪表板上的，这样团队可以监控性能并深入分析特定案例类型、团队或客户细分市场。在我的公司，数据团队还共同主持每周的指标审查会议，以发现趋势、提出见解并推动讨论。
现在我们有了所有这些指标，我们该如何利用它们来推动变革呢？这正是数据科学真正力量的所在。请看以下用例。
2. 工作人员管理
每次客户支持互动都会产生劳动力成本、技术成本、管理费用以及其他与之相关的运营成本。因此，准确监控容量并预测未来的支持需求对于人员配备和规划至关重要。
数据团队在这里可以提供很多价值：
-
预测接触量：这是一个复杂但影响巨大的任务。首先需要跨职能协作，以获得正确的客户增长预测假设，并根据产品发布和改进调整接触率预期。然后，数据科学家可以利用时间序列模型等数据工具包，将所有假设 baked in 并预测支持案例量。
-
容量规划：一旦我们获得了良好的接触量预测，下一个问题是我们需要多少支持代表来维持良好的服务水平。这需要模拟代表的表现和可用性，并优化代表班次表，以确保我们满足服务级别协议（SLA）而不过度配备人员。
3. 流程改进
数据不仅有助于跟踪团队绩效，还可以推动真正的流程改进。以下是我看到的一些例子：
-
TTR 分析：TTR 只是一个没有意义的随机大数字。数据团队可以分析 TTR 以识别导致长时间解决时间的原因，并利用这些信息来指导流程改进。例如，如果与入职相关的案例通常需要更长的时间，并且有很多来回，这可能意味着 CX 团队需要更多关于当前入职流程的培训，或者入职流程过于复杂，因此客户经常感到困惑。如果来自电子邮件的案例通常需要很长时间才能解决，并且 CSAT 评分低，我们可能需要分配更多资源来回答电子邮件队列以加快响应速度，或者提供更好的工具支持以帮助代理撰写电子邮件。
-
支持分层策略：并非所有客户对业务的价值都相同。因此，常见的做法是在客户之间创建支持层级，并优先处理顶级客户的联系。数据团队可以帮助根据客户价值制定分层系统，并随着时间的推移监控其有效性。
-
支持流程的 A/B 测试：我们应该把实时聊天按钮放在哪里？如何使客户更容易发现支持中心？某种自动回复电子邮件格式是否比另一种更好？A/B 测试方法帮助我们回答这些支持流程设计问题。
-
自助服务增强：理想的客户支持世界是不需要任何人工支持 😊 虽然这几乎是不可能实现的，但数据团队可以帮助我们更接近这个目标。例如，我们研究了用户通过帮助中心未能解决的问题类型。这有助于确定应该添加哪些新主题到帮助文章中，以及如何改进帮助中心的搜索功能。
-
聊天机器人改进：聊天机器人是回答客户问题而不需要路由到真实代理的常用工具。特别是在这个 AI 时代，我们看到了聊天机器人质量和可用性的显著提升。我们的数据团队在 CX 团队的两轮聊天机器人供应商评估中发挥了关键作用——建立数据管道，对不同聊天机器人选项进行 A/B 测试，评估聊天机器人性能，识别表现不佳的联系人类别，并帮助微调机器人以实现更好的聊天机器人控制率。
4. 客户反馈分析
最后但同样重要的是，支持联系人产生了大量的文本数据——它们直接来自客户，可以用来了解客户的痛点以及产品差距。
-
案例分类：支持案例可以由 CX 团队手动分类，或者通过基于规则的框架进行分类，但数据团队可以帮助自动化这一步骤，尤其是在今天 AI 的力量下。通过简单的提示工程，今天的大多数 LLM 可以根据您的产品背景以相当高的准确性对每个案例进行分类。
-
文本分析：除了分类之外，AI 还可以对整个案例记录进行总结和识别客户痛点。我的团队与工程师合作开发了一个内部 AI 产品，名为“客户之声”，该产品通过 LLM 处理所有案例细节，并呈现每个产品领域中最常见的客户投诉。这是一个将 CX 洞察带给整个公司的完美机会，并与产品和营销部门关闭反馈循环。我们已经看到它被积极用于产品路线图规划中。
与 CX 团队合作是我数据科学之旅中一个意外但收获颇丰的部分。从跟踪团队绩效，支持容量规划，到优化内部流程，以及提升客户体验，数据科学真的可以彻底改变客户支持团队的运营方式。
浙公网安备 33010602011771号