由于產品更新換代的速度越來越快，客服人員在接到來電后，不得不讓客戶先等一等，以便花些時間研究主題。客服人員通常需要“瘋狂”地搜索知識庫、常見問題解答（FAQ）和論壇，瀏覽眾多網頁、PDF文件、文檔和電子表格。這樣不可避免地會延長平均處理時間（AHT），而這是客服人員的一項關鍵指標。

　　大多數基于關鍵詞的傳統企業(yè)搜索方法都很讓人失望，因為搜索結果是通用的，缺少客戶所要求內容的上下文，因此結果的相關性較低。像IBMWatsonDiscovery這樣的工具可以提供基于AI的洞察引擎，它能夠理解上下文，通過簡單的自然語言搜索從復雜的業(yè)務內容中找出答案。它能夠不斷地從客戶互動和非結構化內容中學習，立即從相關文檔中找到所需的段落，可幫助客服人員縮短10-20%的AHT并實現令人愉悅的客戶體驗。

　　一位惱怒的客戶打電話給無線服務提供商，抱怨自己的賬單金額猛增，他要求立即得到答復。他們認為客服人員已做好準備，可以給出合理的解釋并提供最合適的解決方案。由于沒有來電背景信息，客服人員處于不利境地；因此他們需要暫且放下該問題，查看客戶歷史記錄，評估可能的選項，然后才能解決該問題。

　　定制的AI解決方案可以利用客戶的互動歷史記錄，分析使用和交易情況，發(fā)現異常，在幾秒鐘內即可評估可能的解決方案。因此，當客戶來電時，客服人員的屏幕上會自動顯示調查結果、背景信息以及經過排名的建議的摘要，這樣客服人員就可以進行有重點的討論，為客戶帶來舒適的體驗。IBM甚至可以在客戶開始擔心并提出問題之前，讓AI主動提出解決方案。

　　傳統上，AI虛擬助手和基本的聊天機器人用于向客戶提供簡單的常見問題的答案。而現在，我們可以創(chuàng)建復雜的客服助手，為CSR提供基于上下文的即時幫助。AI助手接受深入的操作程序訓練，因此知道在哪里尋找合適的信息，并可以自動執(zhí)行客服人員的日常任務。

　　考慮一下醫(yī)療保健行業(yè)的復雜情況。一家大型健康保險公司部署了一個客服AI助手，幫助客戶服務代表進行理賠調查。當一個健康計劃成員打電話詢問理賠被拒情況時，AI助手馬上在客服人員的屏幕上彈出關于該特定理賠號的背景信息，并引導客服人員完成理賠調查的工作流程。它通過從多個系統調用API，自動執(zhí)行一些步驟，例如檢查醫(yī)生在網絡之中還是之外。AI為客服人員推薦一些個性化的詞語，用于和客戶進行交流，并提供有關使用這些詞語的理由。

　　通過提供一致而準確的回答，還解決了另一個主要問題:76%的客戶從不同的客服人員那里得到相互矛盾的答案。除了加快調查過程外，AI還會跟蹤和總結客服人員在通話后備注中記錄的結果。

　　隨著數字消息傳遞日益成為客戶隨時隨地與品牌企業(yè)溝通互動的首選渠道，90%的消費者希望能夠立即得到回應。客戶服務代表使用消息傳遞平臺解決這些問題，他們通常需要并行處理多個會話。AI可以無縫地嵌入到消息傳遞平臺中，提供基于上下文的答案，幫助客服人員加快工作流程，即時滿足客戶需求，而無需在多個應用之間切換、搜索答案以及復制和粘貼信息。

　　例如，如果一位客戶正在與客服人員探討信用卡境外交易費用問題，這時AI可以閱讀互動信息，了解背景和客戶概況，并從PDF文件或知識庫中檢索費用信息，并給出回復。如果存在更有經驗的客服人員之前關于該話題的聊天記錄，并且獲得了很高的客戶滿意度，那么AI還可以挖掘這些信息，推薦合適的回答。

　　客戶服務代表不需要在數據堆中“大海里撈針”，只需點擊“向客戶發(fā)送回復”即可。如果AI完全可以自己處理客戶所需的幫助，例如密碼重置或費用支付，那么AI“副駕駛”會建議讓自己加入聊天對話，從而將客服人員解放出來，有時間去執(zhí)行更復雜的任務，這樣生產力可提高2-3倍。

　　為了提供輔導和控制質量，呼叫中心經理通常會監(jiān)聽客服人員的對話，但他們只限于監(jiān)聽少數幾個人的對話，而且一次只能監(jiān)聽一個人。過去幾年中，語音到文本算法的質量和準確性以及計算能力都取得了長足的進步，這意味著AI可以并行監(jiān)聽數百萬個實時對話，進行轉錄，理解意圖和對話上下文，制定智能查詢，并主動在客服人員的屏幕上提供實時洞察。另外，通過對每位客戶的話語和客服人員的回答進行語氣和情緒分析，創(chuàng)建實時記分卡，以提醒經理哪些通話需要主管協助，并提供整個呼叫中心的實時趨勢。

　　客戶服務代表會盡其所能、盡力而為，但他們無法依靠自身的力量滿足不斷增長的客戶期望。難怪呼叫中心行業(yè)的人員流動率高達25%-40%。由AI驅動的認知服務通過增強客服人員的能力，提供卓越的客戶體驗，幫助彌補差距。
　　原文鏈接：https://www.ibm.com/blogs/china/gbs/ai-helps-csr-20210125/