How to improve customer service efficiency through man-machine collaboration

1. Latar Belakang

Tekanan ekonomi menurun, dan peningkatan efisiensi telah menjadi daya tarik utama semua lapisan masyarakat. Hal ini terutama berlaku dalam industri layanan pelanggan, kami memiliki banyak layanan pelanggan pemula, dan efisiensi layanan pelanggan ini umumnya tidak tinggi, yang juga memengaruhi pengalaman anggota.

Meja kerja layanan pelanggan pintar Alibaba membawa bisnis layanan pelanggan dari sebagian besar ekonomi Alibaba dan semakin banyak perusahaan eksternal besar. Bagaimana meningkatkan efisiensi telah menjadi masalah utama yang harus dipecahkan oleh mahasiswa teknik. Bagi kami, melalui produk Meningkatkan efisiensi melalui cara teknis tidak bisa hanya mengurangi biaya, tetapi juga meningkatkan kebahagiaan kerja layanan pelanggan.

2. Ide

Mengingatkan pada bermain game, tidak lebih dari dua hal untuk meningkatkan daya juang protagonis game: 1) Dukungan tambahan, berikan dia sepasang peralatan curang yang menakutkan untuk mengunci kemenangan terlebih dahulu;

Hal yang sama berlaku di bidang layanan pelanggan: 1) Berkah Plug-in. Jika kita membangun asisten untuk membantu proses kerja layanan pelanggan dan mewujudkan kolaborasi manusia-mesin, itu akan sangat mengurangi upaya layanan pelanggan pemula; 2) Meningkatkan kekuatan internal. Alasan penting untuk rendahnya efisiensi pemula adalah kurangnya pelatihan tempur yang sebenarnya.Jika kami membuat robot pelatihan omni-channel (online, hotline) untuk mensimulasikan anggota yang memasuki antrean dan membiarkan layanan pelanggan melakukan latihan yang ditargetkan, itu akan sangat mempersingkat waktu waktu yang dibutuhkan untuk layanan pelanggan untuk matang. Artikel ini akan memperkenalkan pengalaman praktis kami seputar ide pertama (asisten layanan pelanggan), dan kami akan memiliki kesempatan untuk menguraikan pekerjaan ide kedua.

3. Masalah apa yang dipecahkan oleh asisten layanan pelanggan?

Untuk menjawab pertanyaan ini, premisnya adalah membiasakan diri dengan bisnis Untuk menumbuhkan pengalaman bisnis, kami menghabiskan lebih dari setengah bulan dengan cermat mengamati lebih dari 500 operasi layanan pelanggan, dan merangkum alur umum panggilan sebagai berikut.

Tahap pertama adalah yang paling penting, dan pembukaan menentukan keberhasilan atau kegagalan seluruh sesi. Kami menemukan bahwa 80% percakapan akan dilanjutkan dalam tiga langkah: 1) mengidentifikasi nama anggota; 2) mengidentifikasi nomor urut; 3) mengidentifikasi masalah & menemukan solusi.

1) Tentukan nama anggota

Hal pertama yang dipanggil pengguna adalah untuk mengidentifikasi nama anggota Sistem awalnya menyediakan fungsi untuk mengidentifikasi anggota berdasarkan nomor pemanggil, tetapi selama pengamatan di tempat, ditemukan bahwa tingkat pengenalan tidak tinggi Hanya 55 % dari mereka diidentifikasi dan diidentifikasi dengan benar Mengapa? Dua poin: a) akun telepon tetap untuk sebagian kecil, yang tidak kami kenali secara langsung; b) sebagian besar sisanya adalah saluran masuk telepon seluler, kami langsung menghubungi layanan platform anggota untuk mendapatkan informasi anggota yang terikat ke ponsel nomor telepon, tetapi tingkat pengenalan Rendah, karena berbagai alasan, misalnya, seseorang memiliki banyak nomor ponsel dan banyak akun anggota, atau menggunakan ponsel anggota keluarga untuk masuk. Setelah pengenalan salah, layanan pelanggan akan meminta anggota untuk melaporkan nama anggota, tidak apa-apa jika nama anggota adalah semua angka bahasa Inggris, dan mungkin perlu beberapa menit untuk mendeskripsikan bahasa Mandarin yang kurang dikenal.

2) Tentukan nomor dokumen kunci

Setelah mengonfirmasi nama anggota, langkah selanjutnya adalah menentukan nomor dokumen kunci anggota. Sebagian besar panggilan dari Taobao terkait dengan pesanan. Jika pesanan tidak dapat ditemukan, masalah tidak dapat diselesaikan. Sekarang karena semakin banyak pesanan yang dilakukan oleh anggota, biaya pencarian pesanan untuk layanan pelanggan semakin tinggi, dan anggota sering diminta untuk melaporkan nomor pesanan. Kami tahu bahwa jumlah digit dalam nomor pesanan sangat panjang, dan mungkin akan lebih lama di masa mendatang. Tidak nyaman bagi anggota untuk membacanya atau untuk layanan pelanggan untuk mengingatnya. Lebih buruk lagi, sinyal ponsel akan hilang. terdegradasi selama panggilan (misalnya, 4G diturunkan ke 3G) , Jika Anda tidak terhubung ke wifi, akan sangat sulit untuk membuka Taobao seluler untuk menemukan pesanan.Dalam rekaman panggilan sebelumnya, saya sering mendengar anggota berkata "Maaf, sinyal tiba-tiba memburuk, tunggu saya terhubung ke wifi", ini alasannya.

3) Tentukan tuntutan & cari tahu solusinya

Saat ini, semua solusi dikonfigurasikan oleh pakar operasi. Namun, layanan pelangganlah yang benar-benar melayani anggota. Layanan pelanggan perlu mengandalkan pengalamannya untuk melakukan dua pemetaan untuk mengubah deskripsi anggota yang konkret menjadi solusi konfigurasi operasi akhir (seperti yang ditunjukkan pada gambar).

Menentukan daya tarik: Dialog sebenarnya adalah proyeksi pemikiran dari dimensi tinggi ke dimensi rendah. Orang dapat secara efektif memahami bahasa melalui dialog, mengandalkan keterampilan interpretasi. Ada distorsi, dan hal yang sama berlaku untuk layanan pelanggan. Selain mengandalkan pengalamannya untuk memahami apa yang anggota katakan, dia juga perlu melihat berbagai pandangan bisnis dan informasi lain yang lebih dimensional untuk mengembalikan tuntutan anggota yang sebenarnya.

Temukan solusi: Atas dasar menentukan daya tarik member, customer service perlu memetakan pemahamannya ke dalam kata kunci dan pencarian, serta memilih solusi yang menurutnya dapat diandalkan dalam daftar pencarian.

Bisnis Taobao kompleks, dengan banyak tampilan data dan bahkan lebih banyak solusi. Bagi pemula, kedua pemetaan ini merupakan celah, dan butuh banyak waktu untuk mengeksplorasi. Lebih banyak kerusakan.

Tahap kedua adalah komunikasi dan peredaan Tahap ini memakan waktu lama dan tumpang tindih dengan tahap sebelumnya dan selanjutnya. Sejauh menyangkut hotline, adalah normal bagi layanan pelanggan untuk berkomunikasi dengan anggota sambil membuat catatan atau menenangkan anggota sambil melihat solusinya. Layanan pelanggan diharuskan untuk berkonsentrasi dan melakukan banyak tugas. Selama proses, deskripsi anggota terlewatkan, mengakibatkan komunikasi berulang dan memengaruhi efisiensi dan kualitas layanan. Untuk online, layanan pelanggan perlu menghabiskan banyak waktu untuk menenangkan anggota setelah mengirimkan solusi.Ketika layanan pelanggan melayani banyak anggota secara bersamaan (ada yang dalam tahap penenangan, ada yang dalam tahap awal), layanan pelanggan perlu bolak-balik. Pertama, biayanya sangat tinggi Kedua, balasan peredaan seringkali tidak memengaruhi pengalaman anggota secara tepat waktu.

Tahap ketiga melibatkan beberapa operasi layanan pelanggan, seperti subtotal layanan, pengisian perintah kerja pemutakhiran, pengiriman notifikasi SMS, dll. Karakteristik dari tahap ini adalah sejumlah besar input diperlukan dari layanan pelanggan. contoh, kita sering melihat layanan pelanggan dari berbagai tempat Salin nama anggota, nomor pesanan, solusi dan informasi lainnya ke dalam kotak Ambil urutan pekerjaan pemutakhiran sebagai contoh, layanan pelanggan harus memilih kategori dari penurunan yang sangat panjang -down box.... Operasi rumit dari mesin daging manusia ini tidak hanya Panjang percakapan diperpanjang, dan biaya layanan pelanggan meningkat secara signifikan. Selain itu, untuk skenario online, sering terjadi member sebenarnya sudah keluar dari sesi tetapi customer service sudah menunggu sesi diakhiri oleh timeout sistem. Waktu tunggu customer service justru membuang-buang tenaga dan hilangnya efisiensi.

Sejauh ini, kami telah mengklarifikasi masalah inti yang memengaruhi efisiensi anak kedua di setiap tahap. Masalah ini perlu diselesaikan oleh asisten layanan pelanggan. Bagaimana cara mengatasinya?

4. Strategi

Pada tahap pertama, kunci asisten layanan pelanggan adalah membantu layanan pelanggan untuk meningkatkan efisiensi menemukan masalah, dengan fokus membangun kemampuan berikut: 1) identifikasi anggota (untuk meningkatkan cakupan identifikasi anggota); 2) identifikasi pesanan ( untuk membantu layanan pelanggan dalam mengidentifikasi pesanan); 3) skenario Identifikasi (solusi identifikasi layanan pelanggan tambahan), biarkan layanan pelanggan berubah dari terburu-buru bertanya, menghafal, berpikir, dan banyak memeriksa di masa lalu menjadi ketenangan yang hanya perlu melakukan beberapa konfirmasi informasi. Pada tahap inilah asisten layanan pelanggan paling efektif.

Pada tahap kedua, fokus asisten layanan pelanggan adalah untuk mengurangi upaya komunikasi dan kenyamanan layanan pelanggan, dan meningkatkan kemampuan konkurensi.Untuk skenario hotline, asisten menyediakan fungsi suara-ke-teks real-time, dan menyajikan setiap kalimat yang dikatakan anggota kepada layanan pelanggan secara real time Tingkatkan kemampuan operasi bersamaan dari layanan pelanggan hotline untuk menghindari komunikasi berulang yang disebabkan oleh panggilan tidak terjawab.

Pada tahap ketiga, asisten layanan pelanggan memberikan kemampuan untuk mencatat/mengisi formulir secara cerdas (ringkasan cerdas) untuk mengurangi upaya layanan pelanggan untuk mencatat masalah. Untuk skenario online, asisten juga menyediakan fungsi pengenalan pemutusan yang cerdas untuk menilai terlebih dahulu apakah anggota telah meninggalkan sesi dan mengurangi waktu tunggu layanan pelanggan.

Bagaimana dengan cepat mengintegrasikan begitu banyak kemampuan bantuan cerdas ke asisten layanan pelanggan dengan cara terpadu, dan mencapai penggabungan ringan dengan sistem layanan yang ada? Kami menerapkan serangkaian kerangka kerja asisten layanan pelanggan berbasis peristiwa.

5. Solusi teknis

Dengan strategi, bagaimana menerapkannya? Karena banyaknya fungsi, berikut ini tidak akan diperluas satu per satu, tetapi hanya menjelaskan beberapa solusi yang sesuai dengan tahap pertama.

5.1 Identifikasi Anggota

Untuk sejumlah kecil saluran masuk telepon tetap, kami menggunakan data riwayat saluran masuk berulang (layanan pelanggan akan menentukan nama anggota untuk setiap panggilan telepon, dan data "nomor telepon-nama anggota" akan disimpan dalam database) untuk pencocokan , dan lebih dari setengahnya dapat diidentifikasi, dan untuk itu Kami sering mengidentifikasi nomor fixed-line yang salah (mungkin telepon umum), dan kami telah membuat daftar hitam untuk tidak mengidentifikasi mereka.

Untuk sisa sambungan telepon seluler yang masih banyak, kami utamakan menggunakan data sambungan masuk yang berulang dalam waktu 24 jam, karena sambungan masuk yang berulang dengan nomor handphone yang sama dalam sehari kemungkinan besar adalah anggota yang sama. Apakah Anda hanya pergi langsung ke antarmuka platform anggota untuk sisanya? Tidak, kami menggunakan model untuk penyaringan. Sederhananya, pertama-tama temukan nama anggota yang terkait dengan nomor ponsel melalui model pengenalan orang yang sama, dan kemudian temukan yang paling mungkin di antara beberapa nama anggota melalui model pengenalan anggota (prinsip model? Misalnya, temukan dua nama anggota A dan B, A Saya belum membeli apa pun dalam setahun terakhir, dan B baru-baru ini melakukan pemesanan dan dalam status pengembalian dana. Saat ini, kemungkinan anggota B secara alami lebih tinggi). Terakhir, kami menggunakan layanan platform keanggotaan untuk menutupi keuntungan.

Setelah rangkaian kombinasi ini, masih ada sedikit panggilan masuk yang tidak dapat mendeteksi akun anggota, Untuk situasi ini, kami akan meminta pengguna untuk memasukkan nomor ponsel terdaftar (opsional untuk pengguna) selama tahap IVR (suara interaksi sebelum memasuki baris). Jika pengguna memasukkan , nomor ini akan diteruskan sebagai parameter. Setelah beberapa putaran iterasi, proporsi anggota yang telah mengidentifikasi dan mengidentifikasi dengan benar meningkat dari sebelumnya 55% menjadi 90%.

5.2 Identifikasi Pesanan

Kami berharap segera setelah anggota memasuki antrean, asisten dapat menebak urutan mana yang bermasalah dan menunjukkannya kepada layanan pelanggan, untuk menghindari masalah yang memakan waktu yang disebabkan oleh layanan pelanggan yang menanyakan pesanan anggota. nomor.

Robot sudah memiliki landasan pengenalan pesanan sebelumnya. Kami mengutamakan penggunaan kemampuan pengenalan pesanan dari Robot dan ternyata dapat mencakup 30%. Bagaimana cara meningkatkan cakupan lebih lanjut? Terus meminta bonus dari data, seperti data baris masuk berulang dari beberapa saluran (anggota masuk ke baris kemarin untuk menanyakan pesanan, jika dia masuk lagi ke baris hari ini, kemungkinan besar (lebih dari 90%) bahwa dia akan meminta pesanan yang sama), data ini juga diumpankan kembali Model pengenalan pesanan. Setelah beberapa iterasi, cakupan pengenalan pesanan sebelum memasuki jalur telah mencapai 50%, dan akurasinya lebih dari 90%.

Bagaimana dengan sisanya yang tidak ditanggung? Terus minta ke customer servicenya untuk minta nomor pesanan? Pikirkan baik-baik, daripada menanyakan nomor pesanan kepada customer service yang sangat mahal untuk mendapatkan informasi, lebih baik menanyakan nama produk, harga, waktu pembelian dan informasi lain yang dapat dijawab dengan mudah oleh member. sangat membantu dalam konfirmasi pesanan, hal ini mengarahkan pekerjaan kami untuk mengidentifikasi pesanan dalam proses pelayanan.

Bagaimana cara melakukannya? Sederhananya, setiap kalimat yang diucapkan oleh anggota diubah menjadi teks secara real time melalui layanan suara cerdas yang kuat dari Akademi DAMO, dan kemudian melalui model pengenalan entitas (BILSTM+CRF) untuk mengekstrak fitur entitas seperti kategori, merek, tanggal, dll., dan akhirnya belajar dengan menyortir Model menghitung nilai yang cocok dengan semua pesanan, dan menampilkan pesanan teratas. Setelah beberapa iterasi, cakupan pengenalan pesanan saat ini dalam proses layanan adalah 20%, dan akurasinya adalah 89%.

5.3 Pengenalan Adegan

Seperti disebutkan di atas, selain memahami dan membaca apa yang dikatakan anggota, layanan pelanggan juga perlu melihat berbagai pandangan bisnis dan informasi lain yang lebih dimensional untuk mengembalikan tuntutan nyata anggota, dan kemudian mencari solusi melalui pencarian kata kunci. Untuk menyederhanakan tautan ini, kami telah membangun mesin pengenalan pemandangan layanan. Selama proses layanan pelanggan, kami dapat memantau pesan korpus secara waktu nyata, dan secara otomatis menangkap data kontekstual seperti pesanan, perintah kerja, dan jalur masuk historis untuk menyelesaikan otomatis identifikasi niat anggota dan faktor data Akhirnya, solusinya secara otomatis dicocokkan dan dihidupkan.

Kesulitannya di sini terletak pada kompleksitas bisnis: 1) Mengambil Taobao sebagai contoh, ada ratusan solusi yang digunakan oleh layanan pelanggan.Solusi asli sering memiliki masalah seperti persimpangan dan hubungan orang tua-anak.Klasifikasi langsung memiliki masalah akurasi pengenalan rendah. ;2) Selain sistem Amoy, kami berharap mesin memiliki karakteristik kotak putih, dan dapat dengan cepat diperluas ke ekonomi yang telah menggunakan meja kerja layanan pelanggan cerdas Alibaba dan perusahaan besar eksternal.

Untuk mengatasi masalah akurasi, mesin mengadopsi mode pengenalan adegan hierarkis: 1) Menentukan dan memilah adegan utama layanan bersama dengan bisnis. Karena jumlah adegan utama kecil, kami dapat memastikan keakuratannya dengan melatih model adegan utama; 2) di Untuk pengenalan sub-adegan (slot), kami menerapkannya berdasarkan metode sederhana seperti pencocokan semantik ringan dan perhitungan kesamaan.

Untuk mengatasi masalah skalabilitas, kami menggunakan mesin proses untuk mewujudkan konfigurasi.Untuk beberapa penyewa atau beberapa bisnis, terkadang adegan dapat diidentifikasi secara akurat hanya dengan mengonfigurasi beberapa faktor data atau faktor niat, tanpa campur tangan siswa pengembangan.

Persyaratan paling mendasar untuk model adegan utama adalah mengintegrasikan fitur teks seperti obrolan waktu nyata dengan fitur bisnis seperti pesanan, seperti yang ditunjukkan pada gambar adalah upaya awal.

Setelah beberapa kali pengulangan, cakupan pengenalan pemandangan di Taoyuan telah mencapai 75%, dan akurasinya lebih dari 90%.

6. Tampilan fungsi sebagian (bukan data sebenarnya)

7. Ringkasan

Melalui kerja sama dengan mahasiswa bisnis, asisten layanan pelanggan memimpin penggunaan secara luas di Departemen Taobu, mewujudkan perubahan paradigma dari interaksi manusia-komputer menjadi kolaborasi manusia-komputer. Dilihat dari rata-rata waktu panggilan (ATT) indikator bisnis, efisiensi telah meningkat secara signifikan, dan mendekati target peningkatan efisiensi sebesar 30%. Yang lebih memuaskan adalah kepuasan layanan pelanggan terhadap meja kerja telah meningkat secara kualitatif, langsung meningkat sebesar 11%, rekor tertinggi.

Nilai teknologi bukanlah untuk menggantikan manusia, tetapi untuk bekerja sama dengan manusia dan membiarkan manusia melakukan lebih banyak hal yang hangat. Di masa depan, kami akan terus mengumpulkan teknologi, terus mengembangkan produk, mengumpulkan dan mengekspor kemampuan bisnis di sekitar ekonomi, pedagang, dan perusahaan, serta menjadikan kolaborasi mesin-mesin sebagai kemampuan inklusif dalam industri jasa.