Bu yılın başlarında, Neil Smith, Iterable'ın teknik destekten sorumlu başkan yardımcısıCX Today ile şirketinin hayal kırıklığı yaratan otomatik iletişim merkezi kalite güvencesi (Auto-QA) pilot uygulamasını tartıştı.
“Yapay zeka yanlış veya alakasız bilgiler sağladı” dedi. “Yöneticiler hâlâ biletleri manuel olarak incelemek zorundaydı ve geri bildirimler temsilcilere yardımcı olmadı.
“Dört hafta sonra aracın beklenen değeri sağlamadığı sonucuna vardık” ve Iterable pilotu durdurdu.
O zamandan bu yana, diğer birçok iletişim merkezi lideri, Auto-QA çözümleriyle ilgili benzer hayal kırıklığı yaratan deneyimleri paylaştı.
Chris Crosby, VenturesCX Kurucusuyakın tarihli bir LinkedIn gönderisinde bu eğilimi vurguladı. Şöyle yazdı:
Artık yapay zeka veya otomatik kalite güvencesinden (satıcılarını buraya ekleyin) “etkilenmeyen” bir şirketle haftalık olarak konuşuyorum.
Bu başarısız dağıtımların nedenleri nelerdir ve iletişim merkezleri, dağıtımlarının beklenen sonuçları vermesini nasıl sağlayabilir?
Önce temeller oturmalı
Justin Robbins, Metric Sherpa Kurucusu ve Baş Analistiİletişim merkezi liderleriyle ve kalite analistleriyle düzenli olarak konuşuyor.
Geçenlerde bir lider ona derin bir şey söyledi:
Şu anda izlediğimiz yüzde 0,5'lik müşteri iletişimiyle iyi durumda değilsek, otomasyonun sorunları çözeceğine neden inanayım ki?
Bu anlamda, eğer çağrı merkezleri ilk önce temelleri doğru şekilde yapmazlarsa, otomatikleştirilmiş bir çözümle sürdürülebilir iyileştirme sağlayamayacaktır.
Robbins'e göre bu temel, bir temel neden analizi döngüsü oluşturmayı ve öngörücü, proaktif eylemleri sürekli olarak belirlemeyi içeriyor.
“Kalite sürecinde gözlemlediğimiz her şey bir daha yaşanmamalı” dedi.
Amaç sonsuza kadar aynı sorunları yaşamak değil; iş gelişimini teşvik etmek için tasarlanmıştır. Basit ama insanların gözden kaçırması kolay. Bu, bugün yanlış bir şey yapan birini yakalamakla ilgili değil.
Bu iş gelişimini desteklemek için Robbins, Crosby ve diğer sektör profesyonelleri, Auto-QA başarısının önünü açacak daha bağlantılı bir öğrenme stratejisi çağrısında bulunuyorlar.
Bağlantılı bir öğrenme stratejisi geliştirme
Bağlantılı bir öğrenme stratejisi, analistlerin ve koçların performans standartlarını tanımlamak, boşlukları belirleyip kapatmak ve eğitim sonrası takviyeyi uygulamak için birlikte çalışmasını sağlar.
Ayrıca analistler ve koçlar, kalibrasyon oturumlarına katılarak ortak spesifik senaryolarda mükemmel bir hizmet deneyiminin nasıl görüneceği konusunda hemfikirdir.
Analistler buradan performans iyileştirme fırsatlarını keşfeder ve antrenmanlarını bilgilendirmek için bunları koçla paylaşırlar. Analist daha sonra eğitimin etkisini ve temsilci performansındaki değişiklikleri izler.
Herkes aynı yönde hareket ettiğinde Auto-QA'nın değeri artar. Analistler yalnızca iyileştirme fırsatlarını (örneğin, bu temsilcinin daha fazla empati göstermesi gerektiğini) görmekle kalmıyor, aynı zamanda temsilcinin uğraştığı belirli senaryoları da ortaya çıkarabiliyor. Bu da daha hedefe yönelik koçluğa yol açacaktır.
Örneğin, yeni işe alınan bir kişi bakım planındaki belirli bir nüansla mücadele ediyorsa yönetici buna odaklanarak veriye dayalı, hedefe yönelik ve senaryoya özel koçluğa izin verebilir.
Ayrıca iletişim merkezleri tüm bu Auto-QA verilerini almaya ve bunları yeni yöntemlerle nasıl kullanabileceklerini düşünmeye başlayabilir. Crosby, CX Today'e bir örnek paylaştı:
Ayrıca QA, İK, katılım, çağrı kayıtları ve daha fazlasından elde edilen verileri kullanarak işe alımdan işe alıma kadar tüm acente yolculuğunun haritasını çıkarmaya başlıyoruz. Amaç, tüm bunları hem performansı hem de elde tutmayı artıran bütünsel bir vizyonda bir araya getirmektir.
İletişim merkezleri ayrıca yönlendirme motorlarını, aracıların yardım taleplerini ve daha fazlasını bilgilendirmek için amaca özgü verileri kullanmayı düşünebilir. Auto-QA'in geleceği budur. Ancak ekipler birlikte yakın çalışmadığı takdirde bu faydalar uzak olasılıklardan biraz daha fazla olacaktır.
En iyi yerleştirilmiş çözümü seçin
Otomatik QA durumunda, normalde iletişim merkezini çökerten şey teknoloji değil stratejidir. Bununla birlikte, pazara giren bazı Müşterinin Sesi (VoC) ve konuşma istihbaratı sağlayıcıları yarım yamalak çözümler sunuyor.
Bu noktaya değinmek için, Emmanuel Doubinsky, Scorebuddy Ürün Başkan Yardımcısışunları söyledi: “Yapay zekaları zaten çoğu müşteri görüşmesini analiz ettiğinden, uygun bir Otomatik Kalite Güvencesi hizmeti olduğuna inandıkları şeyi sağlamak için genellikle bu görüşmelerin temsilci tarafını da analiz etmeye çalışıyorlar. Ancak genellikle uygulama yolculuklarının ortasında keşfedilen aşağıdaki engellerle karşılaşıyorlar.
Doubinsky'ye göre bu barikatlar şunları içeriyor:
- Model eğitimi uyumsuzluğu: VoC modelleri, QA'nın gerektirdiği belirli uyumluluk kontrolleri ve süreç uyumluluğu yerine, geniş kapsamlı duyarlılık analizi ve tema tespitleri için optimize edilmiştir.
- Puanların yetersiz ayrıntı düzeyi: VoC sistemleri, trendlere uygun yüksek düzeyde duyarlılık puanları sağlayabilir ancak bireysel aracıların performansını değerlendirmek için gerekli olan ayrıntılı, çok kriterli puanlama hassasiyetinden yoksundur.
- İş akışındaki boşluklar: VoC platformları, başarılı bir QA programı için gerekli olan temsilci katılımı iş akışlarından yoksundur. Ayrıca QA'nın temsilci performansını ölçmek ve iyileştirmek için ihtiyaç duyduğu koçluk ve öğrenme iş akışlarından da yoksundurlar.
Bu nedenle, en iyi konumdaki otomotiv kalite güvence çözümünü arayan alıcılar, sonuçları güvence altına almak için potansiyel tedarikçilere bu üç temel unsur konusunda meydan okumalıdır.
Bir yanıt yazın