CTI论坛(ctiforum.com)（编译/老秦）:TerriKocon:我们都知道，我们从客户那里获得的沟通渠道和数据渠道将继续增加。我们有内置互联网接入设备。基本上到处都是。Alexa到处都是。这些都是关键的数据渠道。因此，更重要的是，我们在这些数据的基础上拥有工具，让我们能够真正了解联络中心内发生的事情。
所以我要把它分解一下，我会给你举一些例子，说明人工智能和机器学习是如何被用来提供预测性和规范性的分析方法的，这些方法可以真正帮助你的联络中心开始采取主动而不是被动的措施，并且能够执行一些事情，比如有针对性的质量评分，而不是随机分析，帮助你发现问题座席绩效和客户满意度趋势，而不必寻找它们。它们会自动被发现。
所以，给大家举一个机器学习技术的例子，我将从我熟悉的产品的上下文说起，这显然是Calabrio产品。我们使用机器学习的关键技术之一就是我们的预测能力。因此，特别是关于预测性评估和预测性NPS（净推荐得分）。按照这种方式，我们使用源数据，这些数据将被记录下来。我们将把它与我们在这些交互中拥有的所有元数据结合起来。这包括ACD的元数据，CRM的元数据，以及我们可能合并到联系人中的任何其他源。然后我们用我们拥有的分析数据来分层，包括语音分析、文本分析、桌面分析、通话事件、互动过程中的沉默等等。所以我们把所有这些数据都和上下文关联，我们把它们和评估分数联系起来。
所以现在我们知道了，比如说，高分联系人的共同点是什么，低分联系人的共同点是什么，以及两者之间的一切。然后我们就可以使用它了。我们能够推断出我们100%的联系人，预测的评估分数是多少。或者，举个例子，对于预测性净推荐得分的调查，如果是带有NPS问题的调查数据，我们也会做同样的事情。所以我们可以从手工调查的联系人中抽取一个小样本，用它来关联高分联系人和低分联系人的共同点，然后用它来推断出，100%的联系人，预测的净推荐人得分是多少。同样，如果一个联络中心幸运的话，他们可以手动回顾他们2%的互动。
然后我们就可以拿这2%，通过应用机器学习的概念，我们可以在100%的交互中推断出2%的评估或2%的调查数据。然后，联络中心将有一个更全面，更完整的画面，描绘它是如何执行整体。这就是机器学习技术的一个例子，以及它是如何工作的。
另一个同样利用机器学习的人工智能例子是情感分析。在这里，我们试图重现人类可能经历的思维过程，这是使用一种算法来处理情感或情感检测等概念。这是一个更复杂的问题。打电话的人对这种互动感觉如何？什么是情绪？这是一种积极的互动，一种消极的互动，还是一种中立的互动？
有愤怒的表现吗？人工智能引擎可以从哪些不同的线索中获取信息，以便让我们了解情感内容或特定接触的情感？再说一次，这是一个非常强大的工具，让我们能够真正理解作为客户服务专业人员必须问的一个最重要的问题：我们是否取悦我们的客户？这应该是我们每天都在问自己的问题。情感检测和情感分析帮助我们达到目的。
声明:版权所有 非合作媒体谢绝转载
原文网址：
https://www.destinationcrm.com/Articles/Web-Exclusives/Short-Cuts/How-to-Leverage-Predictive-Analytics-in-the-Contact-Center-147553.aspx
