人工智能，機器人，大數據和分析的強大功能現在使我們能夠實(shí)現“我們如何在多個(gè)渠道和接觸點(diǎn)創(chuàng )建和維持一致且令人敬畏的客戶(hù)體驗”這一整體目標，從而提高可持續收入，實(shí)現更高利潤率，并維持更高水平的客戶(hù)滿(mǎn)意度和忠誠度。

　　讓我們深入探討第二個(gè)挑戰，即提高FCR。

　　經(jīng)過(guò)研究證實(shí)，聯(lián)絡(luò )中心和其他支持功能的首次聯(lián)絡(luò )解決率（FCR）是客戶(hù)滿(mǎn)意度的最大驅動(dòng)因素。然而，大多數公司過(guò)分依賴(lài)平均FCR等點(diǎn)數統計，他們忽略了今天客戶(hù)開(kāi)始查詢(xún)或在線(xiàn)搜索支持的事實(shí)，在IVR系統中失敗的事實(shí)，然后他們才會(huì )通過(guò)電話(huà)、電子郵件或聊天來(lái)聯(lián)系客戶(hù)服務(wù)代表。想一想：如果客戶(hù)無(wú)法在網(wǎng)上得到他們想要的東西，并且在IVR遭到挫折，那么他們與座席的互動(dòng)是第三次接觸=非常不滿(mǎn)意，而且代價(jià)高昂！

　　客戶(hù)在座席級別了解FCR會(huì )不會(huì )更好，更令客戶(hù)滿(mǎn)意（哪些座席比其他座席有更高的解決率，哪些座席不會(huì )產(chǎn)生重復聯(lián)絡(luò )）？并找出第一次難以解決哪些問(wèn)題，產(chǎn)生重復聯(lián)絡(luò )？并分析客戶(hù)在網(wǎng)站上啟動(dòng)的FCR，并盡可能多地解決這些交互？最后一點(diǎn)還涉及我之前關(guān)于減少對聯(lián)絡(luò )中心需求的專(zhuān)欄，并在我的第一本書(shū)“最佳服務(wù)是無(wú)服務(wù)”和我的第二本書(shū)“客戶(hù)規則”的關(guān)鍵部分中整齊地聯(lián)系起來(lái)！

　　在這篇文章中，我將不討論如何定義和改進(jìn)IVR遏制，因為還有很多其他的地方可以找到方法。為什么增加FCR如此困難的一些原因，特別是在我提出的全渠道基礎上，包括：

　　（1） 渠道通常由不同的團體或職能部門(mén)“擁有”；

　　（2） 渠道發(fā)展不協(xié)調；

　　（3） 渠道報告同樣不協(xié)調，存放在不同的數據庫中；

　　（4） FCR沒(méi)有單一的定義；

　　（5） 我們經(jīng)常依賴(lài)FCR的“平均值”，就像處理時(shí)間（AHT）等許多其他指標一樣，而不是深入到座席級別或問(wèn)題級別上。

　　最后一條是因為缺乏足夠精確的數據來(lái)預測績(jì)效，因為座席加入，被培訓或離職，并且使問(wèn)題或原因或多或少地變得復雜。

　　然而，通過(guò)使用AI，機器人，大數據和分析，解決這五個(gè)原因并跟蹤FCR的持續增長(cháng)變得更加容易。我將回顧解決這個(gè)關(guān)鍵問(wèn)題的五個(gè)步驟：“我們如何預測重復接觸；第一次完全解決它們；并專(zhuān)注于開(kāi)始重復接觸過(guò)程的問(wèn)題，原因代碼和座席（或創(chuàng )建滾下山的”雪球“），以及能夠解決重復接觸的過(guò)程和座席（或”融化雪球““）？”

　　正如所指出的那樣，對于FCR沒(méi)有一致的定義，并且周?chē)�的內容被稱(chēng)為渠道不同的東西（網(wǎng)絡(luò )支持和IVR支持的“遏制”，聯(lián)絡(luò )中心的FCR平均值）。讓我們首先使用相同的術(shù)語(yǔ)來(lái)表示重復的，未解決的聯(lián)系人（“雪球”）；在網(wǎng)站上開(kāi)始客戶(hù)啟動(dòng)的地方；并發(fā)送平均值以達到座席和問(wèn)題級別。我們可以通過(guò)多種方式定義FCR，最受歡迎的是“同一個(gè)客戶(hù)在7天內沒(méi)有再次與我們聯(lián)系”；然而，通常引用的“聯(lián)系人”是在聯(lián)絡(luò )中心，而不是在所有渠道上，也不是從網(wǎng)絡(luò )上開(kāi)始。因此，讓我們將FCR定義為“同一客戶(hù)沒(méi)有因為任何渠道中的同一問(wèn)題在4天內再與我們聯(lián)系，”，更嚴格的時(shí)間表等同于客戶(hù)更大程度的不耐煩。

　　這一步驟大大提升了大數據的力量，以“混搭”無(wú)數的數據源，并整理出具有最高預測價(jià)值的數據源。這是我們在所有問(wèn)題上擊倒“平均”FCR和整體FCR的地方；相反，我們需要收集所有渠道，座席和問(wèn)題的數據點(diǎn)，問(wèn)題=客戶(hù)語(yǔ)言中的一組有限的“原因代碼”，例如“我的退款在哪里？”或“我如何獲得另一個(gè)過(guò)濾器？”您會(huì )發(fā)現該網(wǎng)站的FCR非常低（我們經(jīng)常看到平均網(wǎng)絡(luò )支持FCR約為30％！），值得密切關(guān)注，使網(wǎng)絡(luò )支持變得簡(jiǎn)單。您會(huì )發(fā)現某些問(wèn)題的FCR非常低，可能是因為政策混亂（參見(jiàn)步驟4），有些問(wèn)題可能接近100％FCR，因此不太注意修復。

　　通過(guò)構建一個(gè)輸入--輸出表來(lái)顯示哪些座席解決問(wèn)題，哪些不解決問(wèn)題，您最終可以超越平均值并將座席匯總到他們的團隊中以生成基于管理員的FCR結果。在這里你會(huì )看到一些座席的FCR低于50％，拉低了整體平均FCR，可能是因為培訓不足（參見(jiàn)步驟4），有些幾乎是完美的100％，值得你持續保持對他們的關(guān)注。

　　現在是有趣的部分......將粒狀FCR數據點(diǎn)加載到清晰且可操作的模型中。幾年來(lái)，我的團隊一直在使用Microsoft PowerB I，Qlik或Tableau等工具構建這些模型，還有其他可用的可視化工具。最好將輸入，趨勢視圖和“所有者”顯示與所有者=負責開(kāi)發(fā)或改進(jìn)影響FCR的流程和系統的高管結合起來(lái)。

　　通過(guò)步驟2中發(fā)現的一些假設，使用AI，您可以找到FCR可能驅動(dòng)程序的原因和結果，例如重新設計的Web支持頁(yè)面，新培訓，簡(jiǎn)化的知識共享頁(yè)面以及對座席的反饋（以便每個(gè)人都可以看看他們的工作如何影響客戶(hù)滿(mǎn)意度）。您還可以開(kāi)始預測哪些客戶(hù)和問(wèn)題可能是雪球，使勞動(dòng)力管理能夠將他們路由到更專(zhuān)業(yè)的座席那里，這些座席具有融合雪球的成熟技能。

　　在最后一步中，您將能夠識別能夠解決更多聯(lián)系人的座席，而不是送雪球下坡，開(kāi)發(fā)人員能夠增加WebFCR，以及可視化專(zhuān)家能夠將所有這些都集中在一起。然后，您可以從這些成功中學(xué)習，并建立在它們之上，進(jìn)入持續改進(jìn)的良性循環(huán)當中。

　　通過(guò)遵循這五個(gè)步驟并使用AI，機器人，大數據和分析，您將增加FCR并提高客戶(hù)滿(mǎn)意度。你還會(huì )：

　　作者：比爾.普萊斯（Bill Price）

　　原文網(wǎng)址：http://customerthink.com/how-to-increase-first-contact-resolution-with-ai-bots-and-big-data/