Tahmine dayalı istatistikler geleceği tahmin edebilir.
Bazıları bunu, olası sonuçları tahmin etmek için çok miktarda geçmiş veriyi tarayan tahmine dayalı modeller kullanarak yapıyor.
Planlamacılar iletişim hacimlerini, işlem sürelerini ve doluluk oranlarını tahmin ettiğinden, iletişim merkezi iş gücü yönetiminde (WFM) bu tahmine dayalı ölçümler zaten yaygındır.
Bununla birlikte, yakın zamana kadar, sadece tahmin yapmanın ötesinde, tahmine dayalı ölçümlerin daha geniş uygulamasını çok az hizmet şirketi benimsemişti. GenAI bunu değiştirmeye yardımcı oluyor.
GenAI, akıl yürütme yeteneklerini kullanarak bir rolü yerine getirebilir ve ardından etkileşime dayalı olarak en olası sonucu tahmin edebilir.
Örneğin, yaygın olarak kullanılan bir iletişim merkezi kalite güvence (QA) platformu olan evaluagentCX'te bulunan beklenen net destekçi puanına (xNPS) bir göz atın.
xNPS, kendinizi müşterinin yerine koymak ve hizmet etkileşimine dayalı olarak müşterinin bir NPS anketinde bırakacağı sonucu paylaşmak için GenAI'yi kullanır. Yani artık anket doldurmalarına gerek yok.
daha derine dalın, Ben Cave, Evaluagent'ın ürün direktörüsöz konusu:
“Vakaların yüzde 85'inden fazlasında çözüm, müşterinin görüşmede belirttiği NPS sonucunun aynısını öngörüyor.”
Cave'e göre müşterilerin yüzde 97'ye varan oranı, görüşme sonrasında NPS anketini görmezden geliyor. Bu nedenle, CX ekipleri, ek satışa açık veya ayrılma ihtimali olan müşterilerin yüzde 97'sini kaçırabilir.
xNPS bunu değiştirebilir ve tahmine dayalı istatistiklerin gelecekteki iletişim merkezini nasıl geliştirebileceğini gösterir.
Geçtiğimiz günlerde düzenlenen İletişim Merkezi Performans Zirvesi'ndeki oturumu sırasında Cave bu konuyu daha da araştırdı ve tahmine dayalı ölçümlerin yarının iletişim merkezini şekillendirecek dört yolunu paylaştı.
1. Tahmine dayalı ölçümler daha kişiselleştirilmiş ve benzersiz deneyimleri destekleyecektir
Günümüzde pek çok iletişim merkezi, canlı temsilciye self-servis teklif ederek, önceden bilgi toplayarak veya yalnızca müşterinin iletişim nedenini açıklayarak otomatik hizmetler önermektedir.
Ancak kontrol altına alma merkezi bir hedef olduğundan, bazı şirketler müşterilerini konuşmaya dayalı yapay zeka arayüzünde tutmak için ellerinden gelen her şeyi yapıyor.
Bu, canlı bir temsilciyle konuşmak isteyen müşterileri rahatsız ediyor. Birçok iletişim merkezi bunu yeterince dikkate almıyor.
Bunun bir nedeni, hangi müşterilerin insan-insan etkileşimini güçlü bir şekilde tercih ettiğini tahmin etmenin zor olmasıdır. Cave bunu fark etti ve şöyle dedi:
“Bir müşterinin iletişim merkeziyle nasıl iletişim kurmak isteyeceğini daha iyi tahmin etmenin ve böylece onu en iyi şekilde yönlendirebilmenin yolları üzerinde çalışıyoruz.”
Cave, değerlendiricinin bireysel bir müşteriye hangi çözümün en uygun olacağını tahmin etmeye ve bu bilgiyi bir insan veya yapay zeka temsilcisinin yanıtlarını uyarlamak için kullanmaya yaklaştığını öne sürüyor.
“Bütün bunlar, bir müşterinin ne söylediğine, geçmiş etkileşimlerine ve daha geniş bir müşteri yolculuğuna dayanarak ne istediği hakkında daha fazla tahminde bulunmakla mümkündür” diye ekledi.
“Gelecekte bu tahmine dayalı metriklerin daha fazlasının kullanılmasıyla hiçbir iki kişinin iletişim merkezi deneyimi tamamen aynı olmayacak.”
2. Tahmine dayalı ölçümler, temsilci performansının daha adil değerlendirilmesine olanak tanıyacak
Sektör genelinde canlı temsilciler daha karmaşık müşteri sorgularıyla uğraşmak zorunda kalırken yapay zeka, onların nefeslerini tutmak için kullandıkları tüm basit, işlemsel soruları yanıtlıyor.
Bu geçiş, aşırı uzmanlaşmış aracılara, geliştirilmiş yönlendirmeye ve geliştirilmiş yönetici desteğine odaklanmayı içermelidir. Ancak iletişim merkezlerinin temsilcilerinin performans ölçümlerini de yeniden ayarlaması gerekiyor.
Sonuçta, uzun bir dizi zorlu konuşma yapmak zorunda kalmış olabilecek temsilciler için temaslar giderek zorlaştıkça.
Bu mutlaka adil değil ve değerlendirici tahmine dayalı istatistiklerle mücadele ediyor. Grot'un yorumu şu şekilde:
“Çağrıların karmaşıklığını hesaba katabilmeniz için QA platformunda temsilcilere verilen puanları ayarlama olanağına sahibiz.”
Değerlendirme aracısı, müşterinin ne kadar suiistimal yaptığı ve çözümleri ne kadar kolay kabul ettiği gibi sinyalleri izler. Puanlar daha sonra buna göre ayarlanarak temsilci performansına ilişkin daha adil bir tablo sunulur.
Ek olarak satıcı, bir aracının son üç aydaki performans verilerini kullanarak ileriyi modellemek, daha uzun vadeli bir eğilimi belirlemek ve rotasını tahmin etmek için uygunluk tahmini sunuyor.
Örneğin temsilci takım lideri olma yolunda mı? Doğru boyuttalar mı? Yoksa mevcut sorumluluklarını yönetmekte zorluk mu yaşıyorlar? Bu bilgi, memurun görevde kalmasını ve katılımını sağlamak için etkili önleyici müdahalelere olanak sağlayabilir.
3. Tahmine dayalı ölçümler QA ekiplerini müşteri uzmanlarına dönüştürecek
İletişim merkezi QA ekiplerinin yaptığı işlerin çoğu hala rutin, manuel ve hantaldır.
Çağrı kayıtlarında arama yapmak, kutuları işaretlemek, anahtar sözcükleri dinlemek… bunların hepsi iletişim merkezlerinin hızla otomatikleştirebileceği, zaman kaybettiren faaliyetlerdir.
İş operasyonları bunu yaptıkça ileriye dönük iletişim merkezlerindeki QA ekipleri, çağrı zekası trendlerini daha derinlemesine incelemek ve yeni performans öngörülerini vurgulamak için daha fazla zamana sahip olacak.
Örneğin, müşterinin niyetini tahmin etmek için teknolojiyi kullanabilirler. Daha sonra etkileşimleri gruplandırabilir, bozuk süreçleri izole edebilir, şirket genelinde içgörüleri paylaşabilir ve yeni müşteri yolculuklarını düzenleyebilirler.
Cave, “QA analistleri iletişim merkezinde dedektiflere dönüşüyor” dedi. “Rutin form dolduruculardan analistlere/araştırmacı gazetecilere geçiş yapıyorlar.”
Bu trend hızlandıkça, QA ekipleri müşteri uzmanlarına dönüşecek ve acentelere daha iyi koçluk yaparak ve işletmelerine tavsiyelerde bulunarak değer yaratacak.
4. Tahmine dayalı ölçümler, yapay zeka aracısı uygulamalarına bilgi verecek
GenAI destekli yapay zeka aracıları, ilgili bilgi tabanı ve web sitesi içeriği oluşturarak müşteri sorgularını ele alır. Bu nedenle, bu kaynakların kalitesi başarılarını sınırlamaktadır.
Konuşmaya dayalı yapay zeka alanındaki bazı liderler bunun farkındadır ve temsilcilerin belirli sorguları nasıl ele aldığını takip ederek ve yaklaşımlarına göre makaleler oluşturarak bu bilgiyi genişletmektedir.
Ancak ideal durumda, AI temsilcilerini yalnızca bir iletişim merkezinin en iyi temsilcilerine göre modelleyeceklerdir. “Müşterilerin C+ cevabını almasını istemiyoruz; Onlara A* cevabını vermek istiyoruz” dedi Cave.
Evaluagent, belirli bir konudaki en iyi müşteri görüşmelerini belirlemek ve AI temsilcisinin çalışabileceği ideal çözüm yolunu sağlamak için tahmine dayalı ölçümler kullanarak bunu mümkün kılar.
Cave şöyle devam etti: “İnsanları konuşabilen yapay zeka temsilcilerinin eğitimine dahil etme konusuna da ilginin arttığını görüyoruz ve cevabımız şu: kalite ekibinden daha iyi kim var?”
QA ekibi – veya “müşteri uzmanları” – özellikle de bu eğitimin çoğunun doğal dil arayüzleri aracılığıyla mümkün olduğu günümüzde, sorguları daha iyi ele almaları için AI temsilcilerine rehberlik edebilir.
Değerlendirme Temsilcisi: Tahmine dayalı metriklerle yol gösteriyor
Bilim adamı Lord Kelvin'in bir zamanlar söylediği gibi, “Eğer ölçemezseniz geliştiremezsiniz.” Bu aynı zamanda iletişim merkezi için de geçerlidir.
Ancak performansı tam olarak anlamak için büyük iletişim merkezlerinin QA, konuşma zekası, chatbot gözlemlenebilirliği, oyunlaştırma ve diğer çözümlerden gelen verileri izlemesi gerekir.
Bu çözümler genellikle birbirinden kopuktur, entegre edilmesi zordur ve bazen dar nişlere sahip pahalı uzmanlar gerektirir.
Evaluagent, yukarıdaki araçları kalite ve içgörü ekipleri için süreçleri basitleştiren tek bir platformda birleştirerek kendisini farklılaştırıyor.
Bunu yaparken içgörüler toplar, yeni dalga metriklerini takip eder ve iletişim merkezlerine yeni bilgiler sağlamak için tahmine dayalı metriklerin en iyi nasıl kullanılacağını değerlendirir.
Görev ve yazılım hakkında daha fazla bilgi için değerlendiriciyi ziyaret edin.
Bir yanıt yazın