金融行业呼叫中心运营管理期待哪些科技创新

　　数字化业务的渠道已经大面积产生，而现在的消费人群则还没有习惯用很大的金额在网上直接成交一个金融产品（理财类是有可能的），大家可能因为认知的复杂性很难接受这个概念，但是你们可以想像，当00后，甚至00后的下一代他们出来工作，成家立业之后，这一代伴随QQ成长起来的用户，一定所有的生活，衣食住行的全部解决方案都来自互联网，那么像保险、金融服务这样的产品同样的也会在各种各样的渠道接触的场景当中看到这样的产品露出，看到相关的品牌露出，我们做简单产品的获客是完全有可能的。未来金融产品的获客的初次场景都在互联网上。这种场景下，金融行业需要应对除了来自自身消费者、产品创新、消费行为模式改变的挑战，最多的还是互联网企业带来的挑战。面向金融行业，他们也在提供金融产品服务的时候，他们的优势是什么，天然的数据优势，接触渠道的优势，服务场景各种碎片化的交互场景的优势，在传统金融行业来说，现在就必须为未来做好准备。这个准备就是要靠科技，靠我们的数字化转型，靠我们的以客户为中心的经营理念，重新带动传统金融企业向未来应对互联网企业的金融业务竞争来打造我们自己的核心竞争力。 　　回到刚才那句话的另一个概念：什么叫以客户为中心？以客户为中心可以简单理解为两句话：客户数据洞察以及客户数据洞察结果的应用。过去传统金融行业，把客户数据洞察做得很好的有吗？我可以告诉大家，几乎没有。很多公司花了很大的价钱，建了CRM系统，但实际上真正能够把数据洞察输出为业务模型，再把业务模型赋予到业务流程的策略制定和实施上，少之又少，微乎其微。因为传统金融的业务开展起来太容易了，我们开个银行，有个门店在那里，有个招牌挂银行两个字，自然就有人来存钱了。政策优势让我们在存贷差当中获取很大的利益，消费者的信息沟通不对称，也能够让我们的业务员团队、渠道活得非常滋润。所以直接toC的业务模式，传统的金融过去几乎是没有的，因为我们不开展这些科技投入，不做这些大规模的经营变革、经营战略的变革，已经活得很好。这导致我们现在的核心竞争力离将来要应对的这场互联网业务和数字化模式转型带来的挑战是远远不够的，所以实际上在座的厂商，今天来的厂商很多，我觉得你们还有很多可作为的市场空间。客户数据洞察，大家为什么说他们做得不太好呢？实际上是因为我们接触客户的场景太少，我们的接触点太少了，我们能够获取的数据静态的、动态的数据管理并不全面，我们数据字段维度不够丰富，这些都是洞察的来源，数据源的管理还有很大的提升空间。数据来源都做不好，何谈数据洞察结果的应用呢？当然数据洞察结果的应用，如果有优秀企业在行业当中积累业务经验，可以让其他同业学习和借鉴的时候，可以快速把洞察结果的应用推向我们的市场，但是当我们的业务流程，当我们的营销、服务渠道还非常传统的情况下，这类数据洞察的结果要付诸实践，也还是相当不灵活或者没有办法直达客户。我们让客户感受到的体验创新非常的肤浅，很表面，我们能把一个界面设计得非常友好，在我们的业内已经是很不错的标杆。 　　前阵子我们看到太保出了一个智能决策投保方案的H5的动画，其实里面没有多少"智能"技术含量，最大的成果是营销界面的设计，模仿大白的机器人的形象，让我们看到原来咨询保险的顾问方案的过程可以变得相对有趣，相对活泼，这已经是我们很大的提升。 　　数字化业务，主要是指未来消费者利用手机和互联网跟服务供应商接触的业务处理方式。这类业务所有的接触方式、沟通方式都是以计算机和网络科技的移动互联技术来连接的，我们需要在这个过程中向用户提供数字化服务的渠道、方式，我们的产品呈现出来要更加的像一个电子商务的产品，这些都是我们要应对的所谓数字化业务转型的目标和方向。 　　那么，我们怎么实现呢？技术手段有哪些呢？在波士顿咨询的行业分析报告里提出来，金融科技包括：图上的人工智能、大数据、互联技术、移动互联、物联网以及支撑这些应用运算的基础的平台，是云计算和分布式架构，未来的系统都会做得非常模块化、组件化，现在一个系统几十个模块，一个公司有几十个应用系统，一个保险公司有六七十个业务系统，综合业务多一点的百十来个。现在已经有很多金融企业的CIO预见到了未来我们公司的系统是一千个，绝对不是几十个上百个，而是上千个，所有的这些都是由分布式架构，我们新的灵活的微服务的系统架构来支撑的运行模式。 　　下面来看一张图（今天早上工信部通信企业协会电信增值委的胡主任提到CCSO的标准，我本人也是这个标准的专家评审，这个标准的注册培训课程我是其中主要的核心讲师），这是我的课件中经常讲的一张图片：呼叫中心的定位。不管是叫客户联络中心还是叫什么客服体验中心，呼叫中心的定位就是一个技术平台，这个平台上面加载了什么样的业务应用决定它属于哪个部门和哪个业务单元，也决定了它能够参与企业的业务价值链的哪个深度和哪个广度。而只要做客户沟通管理的业务策略，我们都将之归属为CRM的策略。呼叫中心永远都是CRM策略的最佳执行者。它参与企业经营的售前、售中、售后，那就被赋于不同的业务价值。一个呼叫中心在企业的地位往往是由它参与到企业的业务价值链的广度和深度来决定的，你电话接得很好，满意度很高，那么售后这个层面就算做得很好。所有的企业都不可能和客户做一次性买卖赚钱，我们电商的平台更是贯彻CRM的理念--重购才是利润的来源。所以只有满意了才能再买东西，所以我们最多的CRM应用都是在售后，服务过程中满意以及更多的客户接触点上可以让客户和我们发生互动，发生有价值的互动，我可以生产产品、推销产品，服务好的同时，我也可以宣传产品、推销产品，这都是呼叫中心的业务价值输出在我们的企业的经营活动的价值链上，创造产出。所以一个呼叫中心既能够做营销，又能够做销售，还能做好客户服务，这是最高级别的定位。 　　要把呼叫中心运营好，我们认为从专业的咨询或者运营专家的角度出发，呼叫中心要运营好就是三个方面：管好数据，管好流程，管好人。每个方向重点又是什么呢？我们要看到，数据最核心的是要管理三个方面：一是规模，数据一定要海量数据才谈得上大数据，这个数据才有价值。数据的质量，是指它的完整性、准确性、唯一性，这些都是我们做CRM特别关注的一点。现在很多技术在表面上说大数据，但是我们去问有几个呼叫中心能做到客户身份唯一识别，很少。特别是传统的金融行业里的某些领域，真的都是业务员的电话，都是代理人的电话，都是渠道留下来的电话，你根本找不到本人，所以我们做数据的管理、获取、清洗规则的统一、识别，这是我们要做好服务、做好营销策划的最核心的基础。当所有的数据达到可用级别的时候，规模和质量都达到一定标准的时候，才能做洞察，不要一堆垃圾数据在那里建模，建出来的也是错误的。有可用性达到可用标准的数据才能做洞察，洞察是找规律，业务成交规律，客户消费行为规律，我们要看很多的方向。这个领域永远不缺技术，永远不是哪家公司大数据运算能力好、工具好，我们缺的是业务经验、业务策略，有业务经验的人来掌握和使用或者带领我们的技术团队来进行洞察、分析。我想知道我的成交客户的画像、高价值客户的画像、高风险客户的画像，这些画像不是简单一次性提交的模型就能跑出来的，当真正要做技术植入解决方案的时候，业务专家一定离不了，而且我们要知道他是持续、长效的机制，要把它建立起来，这样的客户数据洞察才是我们真正以客户为中心的经营所需要的。 　　再比如，客户身份识别的时候，一旦客户接触过来，我们都要做校验，可以自动的做校验，也可以在关键的业务场景做人工校验，一旦识别是某个客户就进行信息归并，如果一旦识别是新客户，就马上新增客户记录。所有的这些都需要把数据的字段健全，要填充这些字段的场景，其实不仅仅是在一次接触当中，很有可能在很多次接触当中，甚至在一个服务流程、销售流程的多个关键节点当中来捕捉，也就是说业务流程的设计，也能够帮助到我们做数据获取。我们所有的流程都希望快速解决用户的需求，快速成交，成交过程中让客户满意。当然还要注重风险控制。金融行业过去过多的考虑风险控制，但是我们可以看到，流程在电商领域、电商企业进入到传统金融业务的竞争领域的时候，我们的流程设计往往就比我们传统金融企业来得更高效、更灵活、更友好。这是我们要向他们学习和借鉴的地方，当然流程当中的风险控制关键点是什么，我们仍然要把握大的前提，只是不需要过多添加束手束脚的重复设置。此外，一旦流程出现问题，或者一旦我们的数字化的管理绩效分析出现问题，我们希望大家能够尽量从流程上找原因。这是呼叫中心运营非常核心的思路，因为所有的作业，无论是现在人工还是将来的机器人，最多的时候是在控制作业流程，流程当中有数据获取的节点，流程当中有操作规范的落实，流程当中有客户满意度的KPI相关绩效输出，这是我们呼叫中心也非常关注的一点。流程需要被控制，需要持续改善，而不是呼叫中心搭建的时候才画一次流程图。真正的流程管理要求应该是所有作业人员都可以看懂流程图，所有人都能清楚流程哪个环节输出什么、输入什么，我们应该怎样去观察流程的有效性，观察流程有没有被改善的机会点。 　　呼叫中心运营的第三个核心管理对象就是人。我认为金融行业不可能出现无人值守的呼叫中心，可能短暂的某个特定时间点有，但是绝对不会出现无人值守的呼叫中心，因为金融产品的特性，我个人非常悲观。我觉得三五年内把和客户直接打交道的事情交给机器人是绝对不可能的，所以说金融行业的呼叫中心离不开人，但帮助人员管理做好选、育、用、留，HR管理的全流程、全生命周期，我觉得也有很多技术手段可以提供帮助。与其想让AI发生巨大的经济效益，直接干掉座席，何不缓一缓，让AI帮助我们的座席快速成长呢？我觉得这是更现实的考虑。因为在沟通互动的过程中，你要控制客户的思想、行为非常难，但是在呼叫中心运营管理过程中，要控制一个座席的行为、思想、规范，则相对容易。 　　我刚刚说的较为悲观的AI应用的观点，我们知道AI之父图灵，他说AI有一个简单的判断标准：当第三者已经无法区分是人还是机器在提供服务，在做行为表现的时候，我们才能判断说这个机器具备了人工智能。我们现在看到的很多智能化这个、智能化那个，他们离人工智能都还有很大的距离。在呼叫中心我们要让机器向人一样自如的沟通、交流太难。自然语言的处理是一个难题，大量的科技公司，特别是有技术、有大规模战略资源投入的公司，在致力于解决这方面的问题，它背后是一个企业成百上千的技术团队在进行自然语义分析、自然语言管理的模块研发，实际上我们现在市面上能看到的机器人座席，大部分时候表现都非常白痴。 　　金融科技能够怎样帮助呼叫中心提升我们以客户为中心的经营能力和未来应对数字化渠道、数字化运营场景服务和营销的挑战？我分享的第一个场景是客户信息洞察能力的提升，怎么样用科技来提升它？实际上还是大数据的范畴。我们要在各种场景、各种流程当中创造性的去采集数据、捕捉数据反馈出来的机会点，可能是改善服务的点，降低服务不满意率的点，也可能是销售的点。这是数据采集方面，这时候由我们的业务专家来设计的场景来帮助我们、丰富我们数据来源。第二个是数据汇集到一起后借助我们的大数据平台做清洗和挖掘，还有洞察分析这样的处理。业务专家一定要参与到我们的技术服务当中来，我们所有的大数据建模，在很多业务领域和很多行业领域是带有行业属性的，它非常狭隘。比如银行，银行的咨询业务的场景完全不同于保险，保险的接报案处理场景，保监要求我们做风险回访的业务场景和银行也不一样。我们所提到的专业术语在其他行业都没有，每个行业就需要一个模型，甚至解决某个交互场景的模型也要单独一个，可见大数据要做的事情太多了。我们要建的模型也太多了，我们的画像，各种各样的画像，有销售漏斗，每个销售动作还分好几个阶段，不同模型都需要去识别客户到底处于哪个阶段。如果我们只做最后成交的客户画像，是为了营销阶段去找精准的目标人群，但是真正目标人群来了之后，我们转化率其实也很低，金融行业在线的无论是电销还是电商平台上的在线成交率、转化率都非常低，每个漏斗分段的流失节点，如果能够努力让客户的留存更高，都有着巨大的经济贡献，所以我们的业务场景的画像绝对不仅仅是最后的成交客户。再比如我们想做差异化服务，VIP客户怎么设定，过去VIP客户是讲直接经济收入价值，按照客户在我们这里花多少钱来核算，这是非常不科学的。客户的价值评估是丰富的、多维度的，应该怎么画像是由业务专家帮助我们的技术平台一起跑出来的。 　　销售流程，无论电商平台或者电话平台，销售流程分几步？有黄金四步法（还有五步法），我们分很多段，销售漏斗的每个阶段，我们的座席人员、机器人客服，都需要使用相应的话术。这时，不同的话术还可以整理为灵活、可调用的组件化、模块化的数据。当我们想要做这些智能化提升的时候，有一个前提是智能语音的识别，像科大讯飞这样的公司的技术已经达到一定的标准、成熟度的时候，才可以有更多的应用。那我们根据业务专家总结出来的，客户提到的关键词，客户的语气、语调、语速，甚至通话时长，甚至我们相应的座席交互的频次，都有可能经过观察总结出规律，这个客户销售到那个销售节点，对应的节点就自动为座席弹出最有帮助的话术指引。电销中心招人很困难，流失很快，我们的培训周期很短，经常一个星期上完课，介绍完产品就上线，就去电话里面实打实的练，那些名单难道不宝贵？我们银行好不容易累积的开卡名单交给一个新上线的座席卖电销产品，这也是很宝贵的资产啊。我们的座席经验技能不足的情况下，让他死记硬背话术，天天模拟销售流程，都不及他到现场练几通。有这样辅助的工具就能帮助座席在实践当中更快成长、更灵活的得到我们系统的帮助来完成我们的销售。这其实是我们的咨询公司已经做出来的相关业务模型。把话术放入知识库，我们叫智能话束的知识库导览模型（接下来我们会把它输出成系统化的产品）。我们在一些项目中已经进行了实践，用Excel表格实现的，技术上相当low，但是业务场景实践的效果非常棒，新人成交率迅速提升30%-50%，这是大家很难想象的经济效益。 　智能语音识别技术的成熟度已经可以支持我们做机器质检，让质检率提升，让质检的打分从人工变成机器，它可以更加客观，更加不容易出错。还有自动的录音筛选，识别出优秀录音件和需改善的录音件。优秀录音库是我们呼叫中心运营当中座席培训特别需要的辅助工具，我们培训座席，告诉他方法、技巧，真的不如他听一段录音来体会摸索来得快。我在银行有一个电销外包团队，最出色的那一两个销售每天下班之后就会到质检那里听录音，我们也给她这个权限，把今天成交的录音都听一遍。这个女孩子真的很棒，是现场特别出色的标杆。优秀录音是非常好的培训辅助工具。还有需改善的录音，我们知道做呼叫中心运营有一个绩效面谈，团队主管必须掌握的管理动作。我们要求团队主管，每个星期至少或者一个月要跟每个组员轮一遍绩效面谈，但是我们的团队主管工作非常繁忙，实际上只能达到我们提出的最低要求，那就是每个人轮一遍。但是每个人的技能和成熟度差异很大，你总需要关注几个特别的，好的可以少关注，差的要多关注一些。但你怎么定位某个人的销售技能、沟通技巧在某个方面不足呢？还是得听录音来筛选。我们的智能录音分析系统是完全可以帮助到他对自己内部组员的录音进行评估。通过建立筛选模型，可以帮助我们的现场辅导人员、一线主管人员迅速识别需要培训和改进的对象。还有一对多实时追踪沟通效果的应用，通话过程中实时生成语音转换文字的文档，过去监听电话，一个人同时刻只能听一个通道，但是在实时语音识别转换的技术支持下，可以在一个屏幕打开若干个界面，可以看到不同座席的通话语音转换成文字之后变成同时出现的好几份文档模块，我们能看到哪个有问题，或者哪个快要成交了，需要怎样的在线支持。它可以帮助到我们现场的运营管理。 　　在人员管理方面有一个胜任力素质模型和测评的应用，它也是基于大数据的分析。我们公司电销业务的团队主管胜任力测评模型做了差不多5年，这个模型已经非常成熟，我们说的成熟是可以在从来没有接触过的电销呼叫中心，我给你一份问卷，把所有主管拖到我这个平台来完成调研，马上可以识别出来所有团队主管在这几个我们认为最核心、最关键的、应该具备的胜任素质维度方面的表现是什么样的。这个测评，最早我们是脱胎于保险的呼叫中心电销运营总结出来的，但它很快帮助我们拿到了银行、外包还有能源企业等很多服务的合同。他们认为你都没有到我的现场，你根本不知道我的业务是做什么的，完成一份问卷就知道我的电销主管的胜任力和他们的业绩表现怎么样，这很神奇。所以说大数据绝对不只是一个技术平台，没有业务专家的引导和帮助根本做不出来有价值的建模与分析成果。我们借鉴了人力资源管理的胜任力素质的研究成果，HR把任何人在工作绩效方面影响他工作绩效表现的胜任力素质分为20多个（有的理论是30多个），我们公司经过自己大量的业务实践，不断的比对，不断的提炼，我们总结了8个和销售主管相关度最密切的出来。胜任力素质指的不是通过培训能够让你掌握的业务技能，素质是人内在的特征或者内在的一种驱动力，他能够指引人在面对不同的场景时表现出不同的言行。所以我们需要测量的是在所有的业务实践当中，管理场景当中，团队主管可能会面临哪些问题，这些人面临这些问题会产生什么样的表现行为。我们不断总结和积累这样的数据，生成我们的测试题库，而我们总结归纳的这些数据还没有大到必须由系统处理的规模，我们只是Excel就能处理。我们在5年当中，不断优化我们的测试题目，其实我的题库就是各种各样的管理的、实战的场景，和我们所有的团队主管，优秀的、不优秀的他们会出什么样的行为表现，现在的题库三千多道题，每次会随机的在每个维度当中把它从高到低组成若干问卷，然后答完就可以判断主管的管理水平或者将要产生什么样的管理水平。这个测评的好处：1、招聘环节，呼叫中心，特别是电销领域跳槽很频繁，很多轮跳槽工资翻番，要求到新的呼叫中心有保护期，保护期是3-6个月，意思是做不做出来业绩都必须有这么高的工资。你很难了解他真实的业绩管理水平是怎么样的，你只能从他自己说之前在某个公司做到团队主管或者现场经理，但是他的表现是什么样的，你并不清楚。招聘的时候做测评，可以简单帮助你识别这个人。2、培训当中做测评进行需求诊断，在哪个方面、哪个维度上，普遍都有欠缺，那就针对性的做培训课程组织。3、还有考核，我们销售的基本法，晋级、降级，这是其中一个参考要素，不是唯一的。4、晋升的前提还是主要看绩效KPI或业绩这样的产出，我们的测评成绩则是一个参考辅助。 　　这四个应用方向恰好将HR选、育、用、留几个维度都能覆盖到，我们现在只做团队主管的模型，实际上座席的模型一样可以产出，只不过需要借助更多的数据来完成这个模型。所以我们认为胜任力素质模型也是大数据可以应用的场景。这是我们测评出来的报告的模板（见PPT）。 　　一些金融行业的客服负责人跟我吐槽，他们接触了很多、很多客服机器人的厂家，但是最终测试体验下来的效果都更象人工智障，而不是人工智能。比如你问某国产手机的客服机器人和Google的客服机器人："今天天气怎么样？"，两家都能准确回答出来。但你若再加一句"明天呢？"，请注意你这不是一句完整的问话，只是"明天呢"，国产手机机器人的回答是"明天我会联系你！"。Google机器人则能继续正确反馈明天的天气状况。区别在哪里呢？因为英文的表述方式和中文不一样，英文的问话带有标准语法"What about tomorrow？"中文谁知道你问我明天做什么，可见中文的语义处理难过英文。咱们汉语的自然语义处理技术还没有取得突破的现阶段，我个人认为大家匆忙上机器人客服和机器人电销都非常盲目。我们知道金融行业，过去特别强调客户体验，我们希望客户满意度高，但是今天引进客服机器人的定位和目标是替代人工座席，我觉得这个目标有一点奇怪，难道我们就想节省那点人工成本？当然不是！我们的目标应该是希望既能节省成本，还要保持体验（都没说改善体验了），至少不要降低体验。但是现在我们的绝大部分智能客服机器人真的是在降低客户体验。 　　很多回访业务是标准化的，标准化自然而然就可以机器化，这是理所应当的想法。但是你们要知道，当你打一个电话给客户的时候，客户是被打扰的状态，他接到你的电话，一句没听出来，两句话就听出来是机器人和我说话。客户会觉得我也很忙，你打电话骚扰我，竟然还派个机器人来？你时间宝贵，难道我的时间就不宝贵？实战当中执行回访任务的客服机器人对人工的替代率很有限。我们上了回访客服机器人的机构有体会，问卷的完成率不够预期，节省下来的人力非常有限，但是带来的客户体验的挫伤却很难估量。而直接处理呼入的客服机器人，无论是文本类还是在线语音的，都会让人觉得我的意思你根本不懂。前阵子运营商要求每个人做实名制认证，当时短信通知我必须到营业厅办理。但是运营商的话术里面，营业厅就只能是叫"营业厅"，而我平常习惯讲的是叫"门店"。所以我当时找了在线的客服，描述说"我在xxx，请告知离我最近的门店地址"，这句话可能太长，它理解不了，完全答非所问。后来我又精简一下，我说"请告诉我南山科技园的门店地址"，这个机器人完全不能识别门店是什么意思，直接告诉我打12580可以订酒店、订餐厅，这就是运营商的在线客服机器人，这个体验真的很糟糕！所以我认为，现阶段哪怕未来3-5年很长一段时间，至少金融机构的客服、电销，把机器人推到一线和客户做互动是不太成熟的做法，这是危险的做法。但是，大数据、AI能不能帮助我们控制已有员工的行为？我认为这个是可以做到的。客户思想和行为很难控制，但是员工则可以引导和约束。所以我们认为人工智能这样的技术可以根据成熟度逐步引入呼叫中心的管理和服务场景。 　　下面总结一下金融科技在呼叫中心的创新应用的成熟度。移动互联，每家呼叫中心都接入了这样的沟通渠道。大数据肯定是现在我认为对我们最有可能起到帮助的先进技术，并且这个技术用的并不是很充分。AI，我建议再多了解看看。这里说的AI指的是直接能够和人媲美的智能处理的替代手段，而不是说我们自动化的流程控制带来的辅助性的智能化处理手段。我们认为云平台驱动下的这三类创新应用，科技金融范畴的应用成熟度目前就是这个状态。我们希望从运营管理方的角度出发，更多关注对自己有实际指导意义和落地意义的新技术。 　　最后，专家们总结说，未来金融科技高度发展的金融企业其治理模式也会相应发生巨变，那么它会是什么样的组织架构？我们认为，未来的金融企业可能就只剩下两类人：一是懂业务的IT人，大量的标准化后台处理的工作全部将被机器代替。这是绝对的，将来银行的信用卡、贷款、审批不需要人了。保险的理赔、核保也不需要人，都是机器；这些运营专家则变成了我们自动化处理系统的产品经理。他们都归纳入IT系列，未来金融企业的IT人员占比会越来越高。二就是用科技武装起来的一线的营销服务人员。因为金融产品有它的特性，消费者需要被人来服务，需要被人追踪，被人引导和管理。所以未来的金融企业呼叫中心从业人员，我们非常欣慰的看到我们不会被淘汰，我们只需要关注好科技的发展，学习将技术应用于实践的方法，我们就一定能保留我们自己的价值。