所以我要把它分解一下，我會(huì )給你舉一些例子，說(shuō)明人工智能和機器學(xué)習是如何被用來(lái)提供預測性和規范性的分析方法的，這些方法可以真正幫助你的聯(lián)絡(luò )中心開(kāi)始采取主動(dòng)而不是被動(dòng)的措施，并且能夠執行一些事情，比如有針對性的質(zhì)量評分，而不是隨機分析，幫助你發(fā)現問(wèn)題座席績(jì)效和客戶(hù)滿(mǎn)意度趨勢，而不必尋找它們。它們會(huì )自動(dòng)被發(fā)現。

　　所以，給大家舉一個(gè)機器學(xué)習技術(shù)的例子，我將從我熟悉的產(chǎn)品的上下文說(shuō)起，這顯然是Calabrio產(chǎn)品。我們使用機器學(xué)習的關(guān)鍵技術(shù)之一就是我們的預測能力。因此，特別是關(guān)于預測性評估和預測性NPS（凈推薦得分）。按照這種方式，我們使用源數據，這些數據將被記錄下來(lái)。我們將把它與我們在這些交互中擁有的所有元數據結合起來(lái)。這包括ACD的元數據，CRM的元數據，以及我們可能合并到聯(lián)系人中的任何其他源。然后我們用我們擁有的分析數據來(lái)分層，包括語(yǔ)音分析、文本分析、桌面分析、通話(huà)事件、互動(dòng)過(guò)程中的沉默等等。所以我們把所有這些數據都和上下文關(guān)聯(lián)，我們把它們和評估分數聯(lián)系起來(lái)。

　　所以現在我們知道了，比如說(shuō)，高分聯(lián)系人的共同點(diǎn)是什么，低分聯(lián)系人的共同點(diǎn)是什么，以及兩者之間的一切。然后我們就可以使用它了。我們能夠推斷出我們100%的聯(lián)系人，預測的評估分數是多少。或者，舉個(gè)例子，對于預測性?xún)敉扑]得分的調查，如果是帶有NPS問(wèn)題的調查數據，我們也會(huì )做同樣的事情。所以我們可以從手工調查的聯(lián)系人中抽取一個(gè)小樣本，用它來(lái)關(guān)聯(lián)高分聯(lián)系人和低分聯(lián)系人的共同點(diǎn)，然后用它來(lái)推斷出，100%的聯(lián)系人，預測的凈推薦人得分是多少。同樣，如果一個(gè)聯(lián)絡(luò )中心幸運的話(huà)，他們可以手動(dòng)回顧他們2%的互動(dòng)。

　　然后我們就可以拿這2%，通過(guò)應用機器學(xué)習的概念，我們可以在100%的交互中推斷出2%的評估或2%的調查數據。然后，聯(lián)絡(luò )中心將有一個(gè)更全面，更完整的畫(huà)面，描繪它是如何執行整體。這就是機器學(xué)習技術(shù)的一個(gè)例子，以及它是如何工作的。

　　另一個(gè)同樣利用機器學(xué)習的人工智能例子是情感分析。在這里，我們試圖重現人類(lèi)可能經(jīng)歷的思維過(guò)程，這是使用一種算法來(lái)處理情感或情感檢測等概念。這是一個(gè)更復雜的問(wèn)題。打電話(huà)的人對這種互動(dòng)感覺(jué)如何？什么是情緒？這是一種積極的互動(dòng)，一種消極的互動(dòng)，還是一種中立的互動(dòng)？

　　有憤怒的表現嗎？人工智能引擎可以從哪些不同的線(xiàn)索中獲取信息，以便讓我們了解情感內容或特定接觸的情感？再說(shuō)一次，這是一個(gè)非常強大的工具，讓我們能夠真正理解作為客戶(hù)服務(wù)專(zhuān)業(yè)人員必須問(wèn)的一個(gè)最重要的問(wèn)題：我們是否取悅我們的客戶(hù)？這應該是我們每天都在問(wèn)自己的問(wèn)題。情感檢測和情感分析幫助我們達到目的。

　　原文網(wǎng)址：

　　https://www.destinationcrm.com/Articles/Web-Exclusives/Short-Cuts/How-to-Leverage-Predictive-Analytics-in-the-Contact-Center-147553.aspx