实现更有人情味的客户支持?机器学习可以帮忙

字体 2017-08-15 13:33:47
     来源: IBM中国  

在我的职业生涯中,我每天都在为帮助客户实现成功而努力…

我一直在思考如何交付更好、更清晰、更具个性化的客户支持,以及如何在做到这些的同时控制成本。在以往,这意味着我们要维护最好的知识库及故障修复指南,聘请并培训一流的客户服务代理,并构建自助服务系统,同时密切监控系统是否出现了会令客户感到被抛弃或愤怒的事件。

时至今日,这些战略同样非常关键,但我们面对的挑战也在不断升级:

如何迅速地了解问题症状与解决方案之间的关联,尤其是在产品日益多样化的情况下?

如何摄入日益复杂的故障修复数据并与客服代理共享这些数据?

如何充分利用已收集的客户信息来加快客户获得所需信息的进程?

如何综合运用不同的门户(电话、在线交谈、电子邮件),以及如何构建移动、社交、增强现实等新的互动方法?

无论是哪个行业,都会面临这些挑战。无论我们的客户是有线电视公司、制药公司还是企业软件供应商,他们都希望能够及时得到响应和帮助。这意味着我们在客户支持方面,不仅要确保个性化,还要兼顾速度与精度。

今天我想就此做一些深入探讨。

从数据入手,看客户支持的需求

随着机器学习开始真正变得流行,越来越多的企业已经发现它有助于推动变革客户支持的组织与交付方式,确保实现客户与服务支持提供商的双赢。

我认为,首先要从数据入手 ...

本质上,我们希望利用不同来源的数据来训练模型,以便预测客户当前及未来的需求。我曾经工作过的许多组织都拥有海量的专有数据,但这些数据并未得到有效利用,而这些数据经过挖掘后,有助于作出极具价值的预测。

总体来说,数据主要分为以下三类,不过相互之间稍有重叠:

1. 客户本身相关的数据

2. 服务支持提供商联系人相关的数据

3. 可用于解决客户问题的数据

第一类数据由常规的人口统计数据和组织数据构成,还包括客户偏好的接触门户、客户隐私规定、个人或组织成为客户有多长时间、组织内的联系人、所用的产品和服务及这些产品和服务的配置等详细数据。

我们可以通过电话或者聊天来回复客户的问题,这些问题可能已经有现成答案。但是有没有什么方式更有助于与客户建立融洽的关系呢?

第二类数据是与服务支持联系人相关的数据;该类数据的范围看似很窄,但实际上涵盖的数据类型非常广泛,包括:导致出现问题的产品或服务、呼叫的时间和日期、个人等待响应的时间、在以往解决客户问题所用的时间、个人是否重新提出了已解决的问题、距最近一次支持的时长、之前互动负责人的相关信息等等。

还有第三类数据,即:可用于解决客户问题的数据。

通常来说,这类数据包括知识库文章、故障修复指南、白皮书、FAQ 及论坛贴文等等,不过我们也逐渐将与之前客户交互相关的非结构化数据归为这一类,例如之前服务支持问题提交凭证的文本和标注资料,甚至还包括社交媒体站点上与组织、产品、服务相关的评论数据。(在许多组织中,还存在我们所说的第四类数据,即公用或外部可用的数据,例如:天气预报数据、路况数据、利息数据等等。)

再到机器学习,实现预测性服务

机器学习的本质是将数据输入到模型中,然后由模型提供合理的预测结果。对于客户支持而言,客户服务代理可利用这些预测结果快速地进一步发掘客户的具体需求。

不过若要做到这一点,不仅要深入了解当前客户的概要信息,还需要对比所有客户的信息,以便得出共性问题,比如说“这类客户都会遇到这样的问题”。

举例来说,每个月都会打电话询问付款情况的客户可能会绕过电话服务代理,直接咨询能够让其放心的联系人。

或者还有一种更复杂的场景,即:通过机器学习算法确定已安装了两种特定产品,而且很少呼叫服务支持,同时可能会在午夜时段打电话咨询某次升级特定配置参数建议的客户。

企业固然可以通过电话或者聊天来回复客户的问题,这些问题可能已经有现成答案。但是有没有什么方式更有助于与客户建立融洽的关系呢?

即便机器学习无法立即给出答案,但它仍旧能够帮助我们作出智能化的猜测,以便我们调整问题,快速地引导客户接触到有助于解决问题的信息或专家。

实现预测性服务的两大挑战:数据与配置

无论是客户还是支持团队,建立融洽的关系和个性化服务,并降低时间和成本投入都是成功的关键,但存在着哪些挑战呢?

众所周知,机器学习需要依赖于海量的数据,而干净、清晰的结构化数据是模型训练的理想之选。我们看到的情况是,各种类型的客户数据与支持数据,只要可用,都会输入到模型中。

在这方面,成熟的组织就能够获得优势,尤其是那些能够妥善地维护客户互动记录数据的组织。对于这些组织而言,通常存储在防火墙背后的私有云端的专有数据能够发挥出巨大的作用,尤其是如果他们能够建立高性能的机器学习系统来处理这些数据,作用会更加明显。

我们如何才能了解到客户的学习和增长情况?我们如何根据客户不断增长的知识,以及兴趣点的变化为其量身定制支持服务?

另一个挑战在于,如何以最佳的方式配置系统本身,进而以最有效的方式捕获并使用可输入到模型中的数据。就 IBM 来说,我们看到客户对我们易于部署的设备系统的需求不断增加,因为这些系统能够灵活地管理私有云、公有云和混合云环境中各种可用于机器学习的数据。

当然,配置挑战的核心在于数据治理问题。

关于这一点,我们要考虑的关键问题包括:如何对来自不同支持门户的数据进行分类和统一?如何确保我们收集的数据可帮助我们作出预期的特定客户支持决策?如何在确保系统安全性的同时,保证我们的数据科学团队在构建和训练模型时能够通畅地访问所需的数据?

超越:利用机器学习的预测能力提前解决问题

无论是乘坐无人驾驶汽车、购买书籍还是在现场帮助客户解决问题,机器学习的最大优势在于预测。

在上文中,我曾提到过,我们的客户服务代理能够在客户遭遇问题时第一时间帮助解决,这种情况下就衍生了一个问题:我们是否能够在问题出现之前解决问题?我们如何才能利用预测功能帮助客户提前解决问题?

机器学习的模型日益复杂,预测的性能也随之发生了演变。预测客户对引擎服务或安全补丁的需求是一回事,而预测人们和组织随着时间的推移而产生的更深层次的需求又是另一回事。

“两年前客户向我咨询了某个问题,那么在两年后的今天,他们是否会咨询另外一个问题?”我们如何才能了解到客户的学习和增长情况?我们如何根据客户不断增长的知识,以及兴趣点的变化为其量身定制支持服务?

毋庸置疑,我觉得正是同样的好奇心,将会促使我们希望去了解如何作出最好的支持决策。对此,我们再回到可视化这一话题。

我们可以想象一下,如果我们能够为客户服务代理提供相应的工具,使其能够以自然语言描述客户面临的问题,并以可视化的方式向客户提供我们给出的解决方案选项,包括系统计算出的权重和概率(这一点类似于 Watson 在参加电视智力竞赛节目 Jeopardy!时对潜在答案的可视化处理),情况将会怎样?

再从自助服务的角度来说,我们可以再想象一下,如果客户也能够直接访问这些工具,并使用他们自己的语言来描述所遭遇的问题,情况又将会怎样?因此说,可视化能够为客户提供清晰的反馈,使其能够调整问题描述或进行深层次的挖掘。而客户给出的回应必然会进一步改善模型本身。

机器学习的真正价值:帮助客户成功

本文的任何一个读者都不会否认的是,即便机器学习被炒得火热,但有一点毫无疑问,它必定会给我们的生活、工作和思考方式带来巨大的变革。

诚然,潜在的收益伴随着实际的风险,我们也仍旧需要谨慎前行。不过,机器学习可帮助我们减少被束缚、沮丧和困惑的时间,从而有更多的时间投入到我们渴望去完成的更深层次工作之中。我觉得,这是机器学习的真正价值所在 - 帮助客户实现成功,成就美好未来。

查天气
关注“中国天气网”微信公众号
编辑:天气科技

继续阅读

更多>> 生活旅游

  • 春季踏青6注意 快乐出游
  • 惊蛰宜养肝润燥调养精神
  • 春季天气多变 做好3点保持健康
  • 雨后峨眉沟壑尽显 金顶显真容
  • 秋意浓 蓝天映衬下的哈尔滨伏尔加庄园
  • 大美新疆—帕米尔高原好风光