Die geheime Kraft der Datenwissenschaft im Kundenunterstützung

Content material On-line konzentriert sich darauf, wie es im Produkt oder Advertising angewendet werden kann – die beiden häufigsten Bereiche, in denen Datenwissenschaftler einen großen Wert schaffen. Wenn ich jedoch bei einem Startup arbeitete, musste ich mit vielen weiteren Funktionen außerhalb dieser beiden arbeiten. Daten existieren im gesamten Unternehmen, und die Realität ist, dass jede Abteilung von Knowledge Science und profitieren kann und Analyse Verbesserung der Effizienz und Steigerung des Geschäftswerts. In diesem Artikel werde ich eines dieser weniger bedeckten Themen diskutieren-Knowledge Science for the Buyer Assist (CX) -Group.

Ich erinnere mich, dass ich das erste Mal, als ich in ein Treffen mit dem CX -Group gezogen wurde, völlig ahnungslos conflict. Ich wusste nicht, was mich erwarten würde oder wie Daten ihnen tatsächlich helfen könnten. Aber jetzt habe ich seit über drei Jahren mit dem Group als ihre zusammengearbeitet Datenwissenschaft Associate, in den frühen Tagen, als wir kaum Datenberichterstattung hatten, als wir tief in die Funktion eingebettet sind und datengesteuerte Entscheidungen unterstützen. Lassen Sie mich in den folgenden Abschnitten die Anwendungsfälle für gemeinsame Datenwissenschaft in CX durchgehen.

1. Metriken Monitoring

Bevor Sie etwas verbessern können, müssen Sie es messen – und CX ist keine Ausnahme. Der Aufbau von Metriken ist auch eine gute Möglichkeit, Vertrauen in Ihre Stakeholder zu schaffen.

Für CX sind einige gängige Metriken vorgesehen:

• SLA (Service Stage -Vereinbarung): Dies ist das Engagement oder das Ziel dafür, wie schnell das Kundendienstteam auf Kundenkontakte reagiert. Zum Beispiel „Antworten Sie auf alle Chats innerhalb von 3 Minuten.“ Es ist wichtig zu überwachen, ob das Group immer der SLA entspricht. Es wird typischerweise als Prozentsatz der Unterstützungsinteraktionen gemessen, die dieses Ziel entsprechen.
• TTR (Zeit bis zur Auflösung): SLA kümmert sich darum, ob jede Wechselwirkung rechtzeitig durchgeführt wurde, während TTR die Gesamtzeit misst, die für die Lösung eines Assist -Tickets erforderlich ist – einschließlich aller Hin- und Her. Stellen Sie sich vor, Sie haben sich als Benutzer per E -Mail an den Kundensupport angewendet, um eine Produktfrage zu erhalten. Sie antworteten jedes Mal schnell, wenn Sie sie angetrieben haben, aber keiner der Antworten löste die Frage tatsächlich. In diesem Fall würde SLA intestine aussehen, aber TTR wäre lang. Deshalb brauchen wir beide, um die Geschichte zu vervollständigen.
• FCR (erste Kontaktauflösung): Idealerweise wird der Kunde mit dem versorgt, wonach er im ersten Gespräch genau sucht. Daher soll FCR den Prozentsatz der Unterstützungskarten messen, die ohne Nachsorge aufgelöst werden. Natürlich korreliert eine niedrige FCR mit einem hohen TTR.
• CSAT (Kundenzufriedenheit): Die oben genannten Metriken sind alle internen Maßnahmen dafür, wie schnell wir zu unseren Kunden zurückkehren und die Probleme lösen, während CSAT ein direktes externes Maß dafür ist, wie zufrieden die Kunden mit der Unterstützung sind, die sie erhalten haben. Es wird oft über eine Umfrage erfasst, nachdem ein Assist -Ticket gelöst wurde, mit einer Frage wie „Wie zufrieden waren Sie mit der Unterstützung, die Sie erhalten haben?“ (Punktzahl 1 bis 5).
• Kontaktrate: Wir kümmern uns um die Qualität des Dienstes, aber es ist ebenso wichtig zu verstehen, wie viele Unterstützungsfälle generiert werden. Eine gute Möglichkeit, das Fallvolumen zu normalisieren, besteht darin, die Kontaktrate als die zu berechnen variety of instances / variety of energetic clients. Dies zeigt uns, wie oft Kunden auf Probleme stoßen und Hilfe benötigen. Daher ist dies auch ein Maß für die Produktreibung.

Natürlich gibt es noch viele weitere Metriken, die wir für das CX -Group aufgebaut haben, aber die oben genannten Metriken sollten Ihnen einen guten ersten Einblick in die Daten für das CX -Group geben. Sie werden natürlich organisiert und in Dashboards präsentiert, damit das Group die Leistung überwachen und auf bestimmte Falltypen, Groups oder Kundensegmente eintauchen kann. In meinem Unternehmen veranstaltet das Knowledge-Group auch ein wöchentliches Bewertungsreffen für Metriken, um Developments, Oberflächenerkenntnisse und Diskussionen zu erkennen.

Wie sollen wir sie jetzt, wo wir all diese Metriken haben, sie nutzen, um Änderungen voranzutreiben? Hier kommt die tatsächliche Macht der Datenwissenschaft ins Spiel. Siehe die folgenden Anwendungsfälle.

2. Personalmanagement

Jede Interaktion zwischen Kundendienst führt zu Arbeitskosten sowie zu Technologiekosten, Gemeinkosten und anderen damit verbundenen Betriebskosten. Daher ist es entscheidend, die Kapazitäten genau zu überwachen und die zukünftige Unterstützung der Nachfrage nach Private und Planung zu prognostizieren.

Das Datenteam kann hier viel Wert bieten:

• Vorhersage des Kontaktvolumens: Dies ist eine komplexe, aber hochwirksame Aufgabe. Es erfordert zunächst eine funktionsübergreifende Zusammenarbeit, um die richtige Annahme von Prognosen für das Kundenwachstum zu erhalten und die Kontaktratenerwartung angesichts der Produkteinführungen und -verbesserungen anzupassen. Anschließend können Datenwissenschaftler Daten -Toolkits wie Zeitreihenmodelle verwenden, um in allen Annahmen zu backen und das Unterstützungsvolumen vorhersagen zu können.
• Kapazitätsplanung: Sobald wir eine gute Vorhersage des Kontaktvolumens erhalten haben, ist die nächste Frage, wie viele Assist -Agenten wir benötigen, um ein gutes Dienstleistungsniveau aufrechtzuerhalten. Dies erfordert eine Szenariosimulation der Agentenleistung und -verfügbarkeit sowie die Optimierung der Agentenverschiebungspläne, um sicherzustellen, dass wir SLAs ohne Überbeamten erfüllen.

3. Prozessverbesserungen

Daten sind nicht nur hilfreich, um die Teamleistung zu verfolgen, sondern kann auch echte Prozessverbesserungen vorantreiben. Nur um Ihnen ein paar Beispiele zu geben, die ich gesehen habe:

• TTR -Analyse: TTR ist nur eine zufällige große Zahl, ohne einen Sinn daraus zu machen. Das Knowledge -Group kann TTR analysieren, um Treiber mit langer Auflösung zu identifizieren und diese zu verwenden, um die Prozessverbesserungen zu informieren. Wenn beispielsweise die Onboarding-Fälle beispielsweise bei vielen Hin- und Her-Fällen oft länger dauern, kann dies bedeuten, dass das CX-Group mehr Schulungen zum aktuellen Onboarding-Prozess benötigt oder der Onboarding-Fluss überkompliziert ist, sodass Kunden es ständig verwirrend empfinden. Wenn die von E -Mail stehenden Fälle in der Regel eine lange Zeit bis zur Auflösung mit einem niedrigen CSAT haben, sollten wir möglicherweise mehr Ressourcen bereitstellen, um die E -Mail -Warteschlange zu beantworten, um die Antworten zu beschleunigen, oder einen besseren Assist für Werkzeuge bieten, um den Agenten zu helfen, ihre E -Mails zu entwerfen.
• Unterstützung der Tierstrategie: Nicht alle Kunden sind für ein Unternehmen gleichwertig. Daher besteht eine gängige Praxis darin, Unterstützungsstufen zwischen Kunden zu erstellen und die Kontakte von Prime-Tier-Kunden zu priorisieren. Das Knowledge -Group kann dazu beitragen, das Tier -System basierend auf dem Kundenwert zu entwickeln und die Effektivität im Laufe der Zeit zu überwachen.
• A/B -Take a look at des Stützflusses: Wo sollen wir den Stay -Chat -Style setzen? Wie kann das Assist Heart für Kunden auffindbarer werden? Ist ein bestimmtes automatisches E-Mail-Format besser als ein weiteres? Die A/B -Testmethode hilft uns, diese Assist -Circulate -Design -Fragen zu beantworten.
• Selbstbedienungsverbesserungen: Die ideale Welt der Kundenunterstützung ist keine menschliche Unterstützung erforderlich. Dies ist jedoch nahezu unmöglich zu erreichen. Das Knowledge -Group kann dazu beitragen, näher zu kommen. Zum Beispiel haben wir uns angesehen, welche Artwork von Fragen die Benutzer nicht über das Assist -Heart lösen konnten. Dies informiert, welche neuen Themen zu den Assist -Artikeln hinzugefügt werden sollen und wie die Funktion zur Suchfunktion des Assist Heart verbessert werden sollte.
• Chatbot -Verbesserungen: Chatbot ist ein gemeinsames Software, um die Fragen der Kunden zu beantworten, ohne echte Agenten zu leiten. Insbesondere in dieser KI -Ära haben wir signifikante Verbesserungen in der Chatbot -Qualität und -verfügbarkeit verzeichnet. Unser Knowledge-Group hat eine entscheidende Rolle in zwei Runden der Chatbot-Anbieter-Bewertung mit dem CX-Group gespielt, in dem die Knowledge-Pipeline eingerichtet, A/B-Assessments verschiedener Chatbot-Optionen eingerichtet, die Chatbot-Leistung bewertet, die Leistungskategorien mit geringer Leistung identifiziert und die Bots zur Feinabstimmung der Bots helfen, einen besseren Chatbot-Eindämmerungsrate zu erzielen.

4. Kundenfeedback -Analyse

Final however not least erzeugen Assist -Kontakte eine große Menge an Textdaten – sie kommen direkt von den Kunden und können verwendet werden, um Kundenschmerzpunkte und Produktlücken zu verstehen.

• Fallkategorisierung: Supportfälle können vom CX-Group oder mit einem regelbasierten Framework manuell kategorisiert werden. Das Datenteam kann jedoch dazu beitragen, diesen Schritt zu automatisieren, insbesondere mit der Stromversorgung von AI. Mit einfachem Engineering können die meisten LLMs heute jeden Fall basierend auf Ihrem Produktkontext mit anständiger Genauigkeit kategorisieren.
• Textanalyse: Außer aus der Kategorisierung kann KI die gesamten Fall -Transkripte einnehmen, um die Kundenschmerzpunkte zusammenzufassen und zu identifizieren. Mein Group arbeitete mit den Ingenieuren zusammen, um ein internes KI -Produkt mit dem Namen „Voice of the Buyer“ zu erstellen, das alle Falldetails über LLM verarbeitet und die häufigsten Kundenbeschwerden in jedem Produktbereich überflutet. Dies ist eine perfekte Gelegenheit, CX -Erkenntnisse in das gesamte Unternehmen zu bringen und die Suggestions -Schleife mit Produkt und Advertising zu schließen. Wir haben gesehen, dass es aktiv im Produkt -Roadmapping verwendet wird.

Die Zusammenarbeit mit dem CX -Group conflict ein unerwarteter, aber lohnender Bestandteil meiner Knowledge Science -Reise. Von der Verfolgung der Teamleistung über die Unterstützung der Kapazität bis hin zur Optimierung interner Prozesse und der Verbesserung von Kundenerlebnissen kann Knowledge Science die Funktionsweise des Kundendienstes Group wirklich verändern.