المكاسب:
- القدرة على قراءة مؤشرات الأداء الرئيسية الكلاسيكية (AHT وFCR وCSAT وNPS وCES) والمقاييس الخاصة بالذكاء الاصطناعي مع موازن الجودة لكل مقياس إنتاجية
- القدرة على قياس دقة الإجابة والانجراف بانتظام وتجنب فخ التثبيت في مقياس واحد
- القدرة على إجراء التحسين المستمر بناءً على التسجيل "لا أعرف" وأسباب معدل الدوران والتدفقات الفاشلة باستخدام دورة PDCA
أخطر خطأ عندما يدخل الذكاء الاصطناعي إلى مركز اتصال هو القول "لقد قمنا بتثبيته، يبدو أنه يعمل، هذا يكفي". إن الروبوت أو المساعد أو تدفق الخدمة الذاتية ليس مثاليًا لحظة بدء تشغيله ولا يبقى هناك؛ ويجب قياسها ومراقبتها وتحسينها باستمرار. علاوة على ذلك، فإن تتبع المقياس الخاطئ يكون في بعض الأحيان أكثر ضررًا من عدم تتبع المقياس الصحيح - لأنه يرسلك في الاتجاه الخاطئ. في هذه الوحدة، سنرى المؤشرات الرئيسية لمركز الاتصال (KPIs)، والمقاييس الخاصة بالذكاء الاصطناعي، وكيفية إنشاء دورة تحسين مستمرة.
أولاً، تحذير: المقاييس هي وسيلة لتحقيق غاية، وليست الغاية نفسها. الهدف هو حل مشكلة العميل بشكل جيد وفعال. إذا قمت بمطاردة مقياس واحد (مثل AHT) بشكل منفصل، فسيقطع المندوبون المكالمة دون حل العميل، وسيتضرر الغرض الحقيقي. وهذا ما يسمى هاجس المقاييس. اقرأ كل مقياس مع موازنة.
مؤشرات الأداء الأساسية لمركز الاتصال
KPI (مؤشر الأداء الرئيسي) هو رقم يقيس أداء العملية. أبسطها في مركز الاتصال:
مؤشرات الأداء الرئيسية
ما التدابير
الموازن
AHT (متوسط وقت المعالجة)
مدة الاتصال
FCR، CSAT (قصيرة ولكن ليست غير قابلة للذوبان)
FCR (الحل عند أول اتصال)
حل لمرة واحدة
CSAT (لا تقل أنك حللتها ولم تحلها)
CSAT (رضا العملاء)
نتيجة ما بعد الاتصال
معدل الاستجابة (سيكون مضللاً إذا قام عدد قليل من الأشخاص بملء الاستبيان)
NPS (درجة التوصية)
الولاء/التوصية
السبب الجذري (لماذا منخفض؟)
CES (نقاط جهد العملاء)
ما مدى صعوبة العميل
—
SL (مستوى الخدمة)
% تم الرد على المكالمة خلال x ثانية
معدل التخلي
معدل الهجر (الهجر)
المكالمة معلقة
م، التهدئة
تقيس CES (نقاط جهد العميل) مدى صعوبة محاولة العميل حل مشكلته؛ يرتبط الجهد المنخفض بقوة بالإخلاص العالي. غالبًا ما يكون قول العميل "لقد قمت بحل المشكلة بسهولة" أكثر قيمة من قول "أنا راضٍ جدًا".
مقاييس خاصة بالذكاء الاصطناعي
بجانب مؤشرات الأداء الرئيسية الكلاسيكية، تتم إضافة مقاييس خاصة لتطبيقات الذكاء الاصطناعي:
- معدل الاحتواء/الانحراف: معدل الاتصال الذي يحله الروبوت/الخدمة الذاتية دون تسليمه إلى الإنسان. لكن هذا وحده خادع. يجب قراءتها مع المحلول (المصيدة الموجودة في الوحدة الثامنة).
- معدل دقة الروبوت: جهات الاتصال التي حلها الروبوت بالفعل (تركها العميل راضيًا) - وليس "بقيت في الروبوت".
- معدل الدوران والسبب: ما المبلغ الذي يتم تحويله ولماذا (الوحدة 10).
- دقة الإجابة: معدل صحة الإجابات المقدمة من الروبوت/المساعد - ويتم قياسها عن طريق أخذ العينات والإشراف البشري.
- التبني: المعدل الذي يستخدم به الوكلاء اقتراحات مساعدة الوكيل (الوحدة 6).
- دقة الملخص: معدل تصحيح الملخصات/العلامات الآلية من خلال الموافقة البشرية (الوحدة 4).
- معدل الهلوسة/الخطأ: تكرار الإجابات المختلقة أو غير الصحيحة - الهدف قريب من الصفر.
نصيحة: قم بإقران كل مقياس للذكاء الاصطناعي مع "مثبت الجودة". "الاحتواء العالي" وحده ليس جيدًا؛ "الاحتواء مرتفع والرضا عن حلول الروبوتات مرتفع" أمر جيد. لا تفصل أبدًا مقياس الكفاءة عن مقياس الجودة.
دورة التحسين المستمر
برنامج الذكاء الاصطناعي الجيد هو عبارة عن عجلة دوارة، وليس مشروعًا لمرة واحدة. تعمل دورة PDCA الكلاسيكية (Plan-Do-Check-Act; PDCA) هنا:
- الخطة: ما هو المقياس الذي ستحسنه ولماذا؟ حدد هدفًا (على سبيل المثال، "زيادة معدل دقة الروبوتات على العائدات من 60% إلى 75%)".
- تطبيق: قم بإجراء التغيير (إضافة عنصر قاعدة المعرفة، وإصلاح التدفق، وتحسين المطالبة).
- تحقق: هل تحسن المقياس بالفعل؟ هل هناك آثار جانبية (هل تم كسر أي مقاييس أخرى)؟
- خذ الاحتياطات: إذا نجحت، فاجعلها دائمة؛ إذا لم ينجح الأمر، استرجعه وتعلم.
وقود هذه الدورة هو البيانات: سجلات "لا أعرف" (الوحدة 5)، وأسباب الدوران (الوحدة 10)، والتدفقات الفاشلة (الوحدة 8)، والمحادثات ذات الدرجات المنخفضة (الوحدة 7). تخبرك هذه الموارد بمكان التحسين.
تنبيه: تتغير نماذج الذكاء الاصطناعي وسلوك العملاء بمرور الوقت؛ وهذا ما يسمى الانجراف. يمكن للروبوت الذي يعمل بدقة 95% اليوم أن يتدهور بصمت إذا أصبحت قاعدة معارفه قديمة أو تغير نمط أسئلة العميل. ولهذا السبب لا يتم القياس لمرة واحدة، بل بشكل مستمر. ما لا تقيسه ينهار بهدوء.
أربعة قوالب قابلة للنسخ
1) تصميم لوحة معلومات KPI:
إنتاج مسودة لوحة معلومات KPI شهرية لبرنامج AI لمركز الاتصال الخاص بي. لكل مقياس: التعريف، والهدف، ومقياس الموازنة، ومصدر البيانات، وعتبة التنبيه (إنذار أعلى/أقل من هذه القيمة). المقاييس: AHT، FCR، CSAT، الاحتواء، معدل حل الروبوت، معدل الدوران، دقة الإجابة. لا تعطي أرقامًا وهمية؛ قم بإعداد قالب حتى أتمكن من ملء الحقول.
2) التفسير المتري (السبب الجذري):
قم بتفسير بيانات مؤشرات الأداء الرئيسية أدناه مثل محلل تجربة العملاء. (1) التغيير الأكثر بروزًا، (2) السبب الجذري المحتمل، الفرضيات (الإثبات)، (3) ما المقياس الآخر الذي يجب النظر إليه (الإزاحة)، (4) الإجراءان المقترحان. احصل على الأرقام من البيانات؛ ضع علامة على الفرضيات على أنها "يجب تأكيدها". البيانات: <<...>>
3) تقييم مقارنة أ/ب:
قارن بين إصداري الروبوت/البث (A وB) بهذه البيانات: <<data>>. أيهما أفضل في الاحتواء ومعدل دقة الروبوت وCSAT؟ هل يبدو الفرق كبيرًا أم أنه بسيط/ضجيج؟ هل زيادة الإنتاجية على حساب فقدان الجودة؟ قدم توصية واضحة، ولكن أشر أيضًا إلى أي شكوك.
4) ملخص ملاحظات التحسين المستمر:
اجمع بين موارد التحسين التالية (سجل لا أعرف، وأسباب التسليم، والتدفقات الفاشلة). حدد أولويات فرص التحسين الثلاثة ذات التأثير الأعلى: المشكلة / المقياس المتأثر / التغيير المقترح / التأثير المتوقع. اعتمد فقط على البيانات. المصادر: <<...>>
موجه ضعيف / موجه قوي
حث ضعيف:
أخبرني إذا كانت أرقام هذا الشهر جيدة أم سيئة.
غير واضح: ما هو المقياس، ما هو الهدف، ما هو عامل الاستقرار، ما هو السبب الجذري – ينتج عنه حكم سطحي ومضلل.
مطالبة قوية:
وفي هذا الشهر، زادت نسبة الاحتواء من 58% إلى 71%، لكن معدل البطالة انخفض من 4.1 إلى 3.6، وانخفض معدل الدوران من 30% إلى 19%. قم بتفسير هذا الرسم البياني: هل جاءت زيادة الإنتاجية على حساب رضا العملاء (هل يمكن أن يقع العملاء في فخ الروبوت)؟ ما هي البيانات التي يجب أن أتحقق منها؟ أقترح إجراءين.
الفرق: مسألة المقاييس والموازنة والتحقق واضحة؛ التفسير منطقي (هنا توجد إشارة فخ "الحبس" نظرًا لأن زيادة الاحتواء تأتي مع انخفاض CSAT).
ثلاث حالات صغيرة
الحالة 1 - فخ المقياس الخاطئ. مركز اتصال واحد يكافئ AHT فقط. قام الوكلاء بإغلاق المكالمة مع العملاء دون حلها لاختصار الوقت؛ على المدى القصير، انخفض AHT بنسبة 15%، لكن المكالمات المتكررة زادت بنسبة 28% وانهار FCR. لقد زاد العبء والتكلفة الإجمالية بالفعل. تم إنشاء التوازن عندما تمت مراقبة AHT وFCR وCSAT معًا. الدرس: مقياس واحد يكذب.
الحالة 2 - الانجراف الصامت. روبوت البنك يعمل دون أي مشاكل لمدة 6 أشهر، ولم يقم أحد بقياسه. عندما ظهرت منتجات جديدة، تم ترك قاعدة المعرفة وراءها؛ انخفضت دقة الروبوتات بشكل غير محسوس من 94% إلى 79%، وازدادت الشكاوى. بمجرد إنشاء قياس الدقة المنتظم، تم اكتشاف الانزلاق مبكرًا. الدرس المستفاد: النظام الذي لا يتم قياسه ينهار بهدوء.
الحالة 3 - قوة دورة الشفاء. قامت إحدى شركات التجارة الإلكترونية باختيار التحسينات الثلاثة الأعلى تأثيرًا كل شهر (من سجل لا أعرف + أسباب الدوران + التدفقات الفاشلة) مع دورة PDCA شهرية. في غضون 6 أشهر، ارتفع معدل دقة الروبوت من 52% إلى 74%، وCSAT من 3.8 إلى 4.4 - ليس في إنجاز كبير واحد، ولكن في تحسينات صغيرة يتم قياسها واحدة تلو الأخرى. التحسين المستمر يأتي من الاتساق، وليس من خلال القفزات والحدود.
الأخطاء الشائعة
- التركيز على مقياس واحد. إن متابعة AHT أو الاحتواء وحده يؤدي إلى تدهور الجودة؛ يجب أن يكون لكل مقياس عامل استقرار.
- فصل مقياس الإنتاجية عن الجودة. "الروبوت يحل الكثير" و"العميل راضٍ" شيئان مختلفان؛ اقرأ معًا.
- قم بإعداده مرة واحدة واتركه. الانجراف صامت. القياس المستمر أمر لا بد منه.
- اعتبار CSAT وحده أمرًا حقيقيًا. معدل الاستجابة المنخفض يضلل CSAT؛ انظر من ملأها.
- عدم ربط التحسين بالبيانات. قم بإعطاء الأولوية لبيانات "لا أعرف السجل/التسليم/التدفق الفاشل"، وليس الحدس.
باختصار
يعمل القياس والتحسين المستمر على تحويل الذكاء الاصطناعي من التثبيت لمرة واحدة إلى نظام حي. تتبع مؤشرات الأداء الرئيسية الكلاسيكية (AHT، وFCR، وCSAT، وNPS، وCES) والمقاييس الخاصة بالذكاء الاصطناعي (الاحتواء، ومعدل حلول الروبوتات، ودقة الإجابة، واستخدام التوصيات) معًا؛ قراءة كل مقياس إنتاجي باستخدام مثبت الجودة؛ لا تركز أبدًا على مقياس واحد. قم بالتحسين المستمر باستخدام حلقة PDCA واستخدم سجلات "لا أعرف" وأسباب الدوران والتدفقات الفاشلة كوقود للحلقة. تذكر: العارضات والعملاء يتغيرون مع مرور الوقت؛ ما لا تقيسه يتحلل بهدوء.
مهمة التطبيق
تصميم لوحة معلومات KPI لبرنامج الذكاء الاصطناعي الخاص بك والتي تتكون من 7 مقاييس؛ لكل مقياس، قم بتعيين تعريف وهدف ومقياس تعويض وعتبة تنبيه (استخدم قالب "1) لوحة معلومات مؤشرات الأداء الرئيسية"). ثم قم بإنشاء مجموعة بيانات شهرية وهمية وقم بإجراء تحليل السبب الجذري باستخدام قالب "2) تفسير المقياس". أخيرًا، قم بإعطاء الأولوية للتحسينات الثلاثة ذات التأثير الأعلى للشهر التالي من خلال "4) ملخص تعليقات التحسين المستمر".
قائمة مرجعية
- [ ] أقوم بتتبع مؤشرات الأداء الرئيسية الكلاسيكية والمقاييس الخاصة بالذكاء الاصطناعي معًا.
- [ ] يحتوي كل مقياس إنتاجي على عامل استقرار للجودة؛ أنا لا أركز على مقياس واحد.
- [ ] قرأت معدل حلول الاحتواء/الروبوت بالإضافة إلى رضا العملاء.
- [ ] أقوم بقياس دقة الإجابة والانجراف بانتظام.
- [ ] أقوم بإجراء تحسينات مستمرة تعتمد على البيانات من خلال دورة PDCA.
- [ ] أعطي الأولوية للتحسينات من خلال سجل "لا أعرف"، وأسباب التسليم، والتدفقات الفاشلة.