所以我要把它分解一下，我會(huì)給你舉一些例子，說明人工智能和機(jī)器學(xué)習(xí)是如何被用來提供預(yù)測(cè)性和規(guī)范性的分析方法的，這些方法可以真正幫助你的聯(lián)絡(luò)中心開始采取主動(dòng)而不是被動(dòng)的措施，并且能夠執(zhí)行一些事情，比如有針對(duì)性的質(zhì)量評(píng)分，而不是隨機(jī)分析，幫助你發(fā)現(xiàn)問題座席績效和客戶滿意度趨勢(shì)，而不必尋找它們。它們會(huì)自動(dòng)被發(fā)現(xiàn)。

　　所以，給大家舉一個(gè)機(jī)器學(xué)習(xí)技術(shù)的例子，我將從我熟悉的產(chǎn)品的上下文說起，這顯然是Calabrio產(chǎn)品。我們使用機(jī)器學(xué)習(xí)的關(guān)鍵技術(shù)之一就是我們的預(yù)測(cè)能力。因此，特別是關(guān)于預(yù)測(cè)性評(píng)估和預(yù)測(cè)性NPS（凈推薦得分）。按照這種方式，我們使用源數(shù)據(jù)，這些數(shù)據(jù)將被記錄下來。我們將把它與我們?cè)谶@些交互中擁有的所有元數(shù)據(jù)結(jié)合起來。這包括ACD的元數(shù)據(jù)，CRM的元數(shù)據(jù)，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(shù)據(jù)來分層，包括語音分析、文本分析、桌面分析、通話事件、互動(dòng)過程中的沉默等等。所以我們把所有這些數(shù)據(jù)都和上下文關(guān)聯(lián)，我們把它們和評(píng)估分?jǐn)?shù)聯(lián)系起來。

　　所以現(xiàn)在我們知道了，比如說，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(yù)測(cè)的評(píng)估分?jǐn)?shù)是多少。或者，舉個(gè)例子，對(duì)于預(yù)測(cè)性凈推薦得分的調(diào)查，如果是帶有NPS問題的調(diào)查數(shù)據(jù)，我們也會(huì)做同樣的事情。所以我們可以從手工調(diào)查的聯(lián)系人中抽取一個(gè)小樣本，用它來關(guān)聯(lián)高分聯(lián)系人和低分聯(lián)系人的共同點(diǎn)，然后用它來推斷出，100%的聯(lián)系人，預(yù)測(cè)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(yùn)的話，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%，通過應(yīng)用機(jī)器學(xué)習(xí)的概念，我們可以在100%的交互中推斷出2%的評(píng)估或2%的調(diào)查數(shù)據(jù)。然后，聯(lián)絡(luò)中心將有一個(gè)更全面，更完整的畫面，描繪它是如何執(zhí)行整體。這就是機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)的人工智能例子是情感分析。在這里，我們?cè)噲D重現(xiàn)人類可能經(jīng)歷的思維過程，這是使用一種算法來處理情感或情感檢測(cè)等概念。這是一個(gè)更復(fù)雜的問題。打電話的人對(duì)這種互動(dòng)感覺如何？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(xiàn)嗎？人工智能引擎可以從哪些不同的線索中獲取信息，以便讓我們了解情感內(nèi)容或特定接觸的情感？再說一次，這是一個(gè)非常強(qiáng)大的工具，讓我們能夠真正理解作為客戶服務(wù)專業(yè)人員必須問的一個(gè)最重要的問題：我們是否取悅我們的客戶？這應(yīng)該是我們每天都在問自己的問題。情感檢測(cè)和情感分析幫助我們達(dá)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