അളവ്, കെപിഐ, തുടർച്ചയായ മെച്ചപ്പെടുത്തൽ: എന്താണ് നിരീക്ഷിക്കേണ്ടത്, എങ്ങനെ?

നേട്ടങ്ങൾ:

• ഓരോ ഉൽപ്പാദനക്ഷമതാ അളവിനും ഗുണനിലവാരമുള്ള ബാലൻസറിനൊപ്പം ക്ലാസിക് കെപിഐകളും (AHT, FCR, CSAT, NPS, CES) എഐ-നിർദ്ദിഷ്ട മെട്രിക്സും വായിക്കാനുള്ള കഴിവ്
• ഉത്തരത്തിൻ്റെ കൃത്യത അളക്കാനും ക്രമമായി ഡ്രിഫ്റ്റ് ചെയ്യാനും ഒറ്റ മെട്രിക്കിൽ ലോക്ക് ചെയ്യാനുള്ള കെണി ഒഴിവാക്കാനുമുള്ള കഴിവ്
• 'എനിക്കറിയില്ല' ലോഗിംഗ്, വിറ്റുവരവ് കാരണങ്ങൾ, PDCA സൈക്കിൾ ഉപയോഗിച്ച് പരാജയപ്പെട്ട ഒഴുക്ക് എന്നിവയെ അടിസ്ഥാനമാക്കി തുടർച്ചയായ മെച്ചപ്പെടുത്തൽ നടത്താനുള്ള കഴിവ്

AI ഒരു കോൾ സെൻ്ററിൽ പ്രവേശിക്കുമ്പോൾ ഏറ്റവും അപകടകരമായ തെറ്റ് "ഞങ്ങൾ ഇത് ഇൻസ്റ്റാൾ ചെയ്തു, ഇത് പ്രവർത്തിക്കുന്നതായി തോന്നുന്നു, അത് മതി" എന്ന് പറയുന്നതാണ്. ഒരു ബോട്ട്, അസിസ്റ്റൻ്റ്, അല്ലെങ്കിൽ സെൽഫ് സർവീസ് ഫ്ലോ, അത് തത്സമയമാകുമ്പോൾ അത് പൂർണമാകില്ല, അത് അവിടെ തുടരുകയുമില്ല; ഇത് നിരന്തരം അളക്കുകയും നിരീക്ഷിക്കുകയും മെച്ചപ്പെടുത്തുകയും വേണം. മാത്രമല്ല, തെറ്റായ മെട്രിക് ട്രാക്ക് ചെയ്യുന്നത് ചിലപ്പോൾ ശരിയായ മെട്രിക് ട്രാക്ക് ചെയ്യാത്തതിനേക്കാൾ ദോഷകരമാണ് - കാരണം അത് നിങ്ങളെ തെറ്റായ ദിശയിലേക്ക് അയയ്ക്കുന്നു. ഈ യൂണിറ്റിൽ, കോൾ സെൻ്റർ കീ സൂചകങ്ങൾ (കെപിഐകൾ), എഐ-നിർദ്ദിഷ്ട മെട്രിക്‌സ്, തുടർച്ചയായ മെച്ചപ്പെടുത്തൽ സൈക്കിൾ എങ്ങനെ സ്ഥാപിക്കാം എന്നിവ ഞങ്ങൾ കാണും.

ഒന്നാമതായി, ഒരു മുന്നറിയിപ്പ്: മെട്രിക്സ് ഒരു ലക്ഷ്യത്തിലേക്കുള്ള ഒരു മാർഗമാണ്, അവസാനം തന്നെയല്ല. ഉപഭോക്താവിൻ്റെ പ്രശ്നം കാര്യക്ഷമമായും കാര്യക്ഷമമായും പരിഹരിക്കുക എന്നതാണ് ലക്ഷ്യം. നിങ്ങൾ ഒരു മെട്രിക്കിനെ (ഉദാ. AHT) ഐസൊലേഷനിൽ പിന്തുടരുകയാണെങ്കിൽ, പ്രതിനിധികൾ ഉപഭോക്താവിനെ പരിഹരിക്കാതെ കോൾ വെട്ടിച്ചുരുക്കും, യഥാർത്ഥ ഉദ്ദേശ്യം തകരാറിലാകും. ഇതിനെ മെട്രിക്സ് ഒബ്സഷൻ എന്ന് വിളിക്കുന്നു; ഓരോ മെട്രിക്കും ഒരു ബാലൻസ് ഉപയോഗിച്ച് വായിക്കുക.

അടിസ്ഥാന കോൾ സെൻ്റർ കെപിഐകൾ

KPI (കീ പ്രകടന സൂചകം) ഒരു പ്രക്രിയയുടെ പ്രകടനം അളക്കുന്ന ഒരു സംഖ്യയാണ്. കോൾ സെൻ്ററിലെ ഏറ്റവും അടിസ്ഥാനപരമായവ:

കെ.പി.ഐ

എന്ത് അളവുകൾ

ബാലൻസർ

AHT (ശരാശരി പ്രോസസ്സിംഗ് സമയം)

സമ്പർക്ക കാലയളവ്

FCR, CSAT (ചെറുതും എന്നാൽ ലയിക്കാത്തതും)

FCR (ആദ്യ കോൺടാക്റ്റിലെ റെസല്യൂഷൻ)

ഒറ്റത്തവണ പരിഹാരം

CSAT (നിങ്ങൾ അത് പരിഹരിച്ചുവെന്ന് പറയരുത്, അത് പരിഹരിക്കരുത്)

CSAT (ഉപഭോക്തൃ സംതൃപ്തി)

പോസ്റ്റ്-കോൺടാക്റ്റ് സ്കോർ

പ്രതികരണ നിരക്ക് (കുറച്ച് ആളുകൾ പൂരിപ്പിച്ചാൽ അത് തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്)

NPS (ശുപാർശ സ്കോർ)

ലോയൽറ്റി/ശുപാർശ

മൂലകാരണം (എന്തുകൊണ്ടാണ് കുറവ്?)

CES (ഉപഭോക്തൃ പരിശ്രമ സ്കോർ)

ഉപഭോക്താവ് എത്ര ബുദ്ധിമുട്ടി

—

SL (സേവന നില)

% കോൾ x സെക്കൻഡിനുള്ളിൽ മറുപടി നൽകി

ഉപേക്ഷിക്കൽ നിരക്ക്

ഉപേക്ഷിക്കൽ നിരക്ക് (ഉപേക്ഷിക്കുക)

കോൾ നിർത്തിവച്ചു

SL, കൂൾഡൗൺ

CES (ഉപഭോക്തൃ പരിശ്രമ സ്‌കോർ) ഉപഭോക്താവ് തൻ്റെ പ്രശ്‌നം പരിഹരിക്കാൻ എത്ര കഠിനമായി ശ്രമിക്കുന്നു എന്ന് അളക്കുന്നു; കുറഞ്ഞ പരിശ്രമം ഉയർന്ന വിശ്വസ്തതയുമായി ശക്തമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. "ഞാൻ അത് എളുപ്പത്തിൽ പരിഹരിച്ചു" എന്ന് പറയുന്ന ഒരു ഉപഭോക്താവ് പലപ്പോഴും "ഞാൻ വളരെ സംതൃപ്തനാണ്" എന്ന് പറയുന്നതിനേക്കാൾ വിലപ്പെട്ടതാണ്.

AI-നിർദ്ദിഷ്ട അളവുകൾ

ക്ലാസിക് കെപിഐകൾക്ക് അടുത്തായി, AI ആപ്ലിക്കേഷനുകൾക്കുള്ള പ്രത്യേക മെട്രിക്‌സ് ചേർത്തിരിക്കുന്നു:

• കണ്ടെയ്ൻമെൻ്റ് / ഡിഫ്ലെക്ഷൻ നിരക്ക്: ബോട്ട്/സ്വയം സേവനം മനുഷ്യന് കൈമാറാതെ പരിഹരിക്കുന്ന കോൺടാക്റ്റിൻ്റെ നിരക്ക്. എന്നാൽ അത് മാത്രം വഞ്ചനയാണ്; ലായനി (യൂണിറ്റ് 8 ലെ കെണി) ഉപയോഗിച്ച് വായിക്കണം.
• ബോട്ട് റെസല്യൂഷൻ നിരക്ക്: ബോട്ട് യഥാർത്ഥത്തിൽ പരിഹരിച്ച കോൺടാക്റ്റുകൾ (ഉപഭോക്താവ് സംതൃപ്തനായി) — "ബോട്ടിൽ അവശേഷിക്കുന്നില്ല".
• വിറ്റുവരവ് നിരക്കും കാരണവും: എത്ര തുക കൈമാറ്റം ചെയ്യപ്പെടുന്നു, എന്തുകൊണ്ട് (യൂണിറ്റ് 10).
• ഉത്തര കൃത്യത: ബോട്ട്/അസിസ്റ്റൻ്റ് നൽകുന്ന ഉത്തരങ്ങളുടെ നിരക്ക് - സാമ്പിൾ ചെയ്യലും മനുഷ്യ മേൽനോട്ടവും ഉപയോഗിച്ച് അളക്കുന്നു.
• ദത്തെടുക്കൽ: ഏജൻ്റ് അസിസ്റ്റ് നിർദ്ദേശങ്ങൾ ഉപയോഗിക്കുന്ന നിരക്ക് (യൂണിറ്റ് 6).
• സംഗ്രഹ കൃത്യത: മാനുഷിക അംഗീകാരത്താൽ സ്വയമേവയുള്ള സംഗ്രഹങ്ങൾ/ടാഗുകൾ ശരിയാക്കുന്നതിൻ്റെ നിരക്ക് (യൂണിറ്റ് 4).
• ഹാലുസിനേഷൻ/പിശക് നിരക്ക്: ഉണ്ടാക്കിയ അല്ലെങ്കിൽ തെറ്റായ ഉത്തരങ്ങളുടെ ആവൃത്തി - പൂജ്യത്തിനടുത്തുള്ള ലക്ഷ്യം.

നുറുങ്ങ്: ഓരോ AI മെട്രിക്കും "ഗുണനിലവാരമുള്ള സ്റ്റെബിലൈസർ" ഉപയോഗിച്ച് ജോടിയാക്കുക. "ഉയർന്ന നിയന്ത്രണം" മാത്രം നല്ലതല്ല; "കണ്ടെയ്ൻമെൻ്റ് ഉയർന്നതാണ്, ബോട്ട് സൊല്യൂഷൻ സംതൃപ്തി ഉയർന്നതാണ്" എന്നത് നല്ലതാണ്. ഗുണനിലവാര മെട്രിക്കിൽ നിന്ന് കാര്യക്ഷമത മെട്രിക് ഒരിക്കലും വേർതിരിക്കരുത്.

തുടർച്ചയായ മെച്ചപ്പെടുത്തൽ ചക്രം

ഒരു നല്ല AI പ്രോഗ്രാം ഒരു സ്പിന്നിംഗ് വീൽ ആണ്, ഒറ്റത്തവണ പദ്ധതിയല്ല. ക്ലാസിക് PDCA സൈക്കിൾ (Plan-Do-Check-Act; PDCA) ഇവിടെ പ്രവർത്തിക്കുന്നു:

1. പ്ലാൻ: ഏത് മെട്രിക് നിങ്ങൾ മെച്ചപ്പെടുത്തും, എന്തുകൊണ്ട്? ഒരു ലക്ഷ്യം സജ്ജീകരിക്കുക (ഉദാ. "റിട്ടേണുകളിൽ ബോട്ട് റെസലൂഷൻ നിരക്ക് 60% ൽ നിന്ന് 75% ആയി വർദ്ധിപ്പിക്കുക)."
2. പ്രയോഗിക്കുക: മാറ്റം വരുത്തുക (വിജ്ഞാന അടിസ്ഥാന ഇനം ചേർക്കുക, ഒഴുക്ക് ശരിയാക്കുക, പ്രോംപ്റ്റ് മെച്ചപ്പെടുത്തുക).
3. പരിശോധിക്കുക: മെട്രിക് യഥാർത്ഥത്തിൽ മെച്ചപ്പെട്ടിട്ടുണ്ടോ? പാർശ്വഫലങ്ങളുണ്ടോ (മറ്റ് ഏതെങ്കിലും അളവുകോലുകൾ തകർന്നിട്ടുണ്ടോ)?
4. മുൻകരുതലുകൾ എടുക്കുക: ഇത് പ്രവർത്തിക്കുന്നുവെങ്കിൽ, അത് സ്ഥിരമാക്കുക; അത് പ്രവർത്തിക്കുന്നില്ലെങ്കിൽ, അത് തിരികെ എടുത്ത് പഠിക്കുക.

ഈ സൈക്കിളിനുള്ള ഇന്ധനം ഡാറ്റയാണ്: “അറിയില്ല” ലോഗുകൾ (യൂണിറ്റ് 5), വിറ്റുവരവിൻ്റെ കാരണങ്ങൾ (യൂണിറ്റ് 10), പരാജയപ്പെട്ട ഫ്ലോകൾ (യൂണിറ്റ് 8), കുറഞ്ഞ സ്‌കോറിംഗ് സംഭാഷണങ്ങൾ (യൂണിറ്റ് 7). എവിടെ മെച്ചപ്പെടുത്തണമെന്ന് ഈ ഉറവിടങ്ങൾ നിങ്ങളോട് പറയുന്നു.

മുന്നറിയിപ്പ്: AI മോഡലുകളും ഉപഭോക്തൃ പെരുമാറ്റവും കാലക്രമേണ മാറുന്നു; ഇതിനെ ഡ്രിഫ്റ്റ് എന്ന് വിളിക്കുന്നു. ഇന്ന് 95% കൃത്യമായി പ്രവർത്തിക്കുന്ന ഒരു ബോട്ട് അതിൻ്റെ വിജ്ഞാന അടിത്തറ കാലഹരണപ്പെട്ടാലോ ഉപഭോക്തൃ ചോദ്യ പാറ്റേൺ മാറുമ്പോഴോ നിശബ്ദമായി വഷളാകും. അതുകൊണ്ടാണ് അളവെടുപ്പ് ഒറ്റത്തവണയല്ല, തുടർച്ചയായത്. നിങ്ങൾ അളക്കാത്തത് നിശബ്ദമായി തകരുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) കെപിഐ ഡാഷ്ബോർഡ് ഡിസൈൻ:

എൻ്റെ കോൾ സെൻ്റർ AI പ്രോഗ്രാമിനായി ഒരു ഡ്രാഫ്റ്റ് പ്രതിമാസ KPI ഡാഷ്‌ബോർഡ് നിർമ്മിക്കുക. ഓരോ മെട്രിക്കിനും: നിർവചനം, ടാർഗെറ്റ്, ഓഫ്‌സെറ്റിംഗ് മെട്രിക്, ഡാറ്റ ഉറവിടം, അലേർട്ട് ത്രെഷോൾഡ് (ഈ മൂല്യത്തിന് മുകളിൽ/താഴെയുള്ള അലാറം). മെട്രിക്‌സ്: AHT, FCR, CSAT, കണ്ടെയ്ൻമെൻ്റ്, ബോട്ട് സൊല്യൂഷൻ നിരക്ക്, വിറ്റുവരവ് നിരക്ക്, ഉത്തര കൃത്യത. സാങ്കൽപ്പിക സംഖ്യകൾ നൽകരുത്; ഞാൻ ഫീൽഡുകൾ പൂരിപ്പിക്കുന്നതിന് ഒരു ടെംപ്ലേറ്റ് സജ്ജീകരിക്കുക.

2) മെട്രിക് വ്യാഖ്യാനം (മൂലകാരണം):

ഒരു CX അനലിസ്റ്റ് പോലെ താഴെയുള്ള KPI ഡാറ്റ വ്യാഖ്യാനിക്കുക.(1) ഏറ്റവും ശ്രദ്ധേയമായ മാറ്റം, (2) സാധ്യമായ മൂലകാരണമായ ഹൈപ്പോഥെസുകൾ (തെളിയിക്കുക), (3) മറ്റ് മെട്രിക് എന്താണ് നോക്കേണ്ടത് (ഓഫ്സെറ്റ്), (4) 2 നിർദ്ദേശിച്ച പ്രവർത്തനങ്ങൾ. ഡാറ്റയിൽ നിന്ന് നമ്പറുകൾ നേടുക; അനുമാനങ്ങൾ "സ്ഥിരീകരിക്കപ്പെടണം" എന്ന് അടയാളപ്പെടുത്തുക. ഡാറ്റ: <<...>>

3) എ/ബി താരതമ്യ വിലയിരുത്തൽ:

ഈ ഡാറ്റയുമായി രണ്ട് ബോട്ട്/സ്ട്രീം പതിപ്പുകൾ (A, B) താരതമ്യം ചെയ്യുക: <<data>>. കണ്ടെയ്ൻമെൻ്റ്, ബോട്ട് റെസലൂഷൻ നിരക്ക്, CSAT എന്നിവയിൽ ഏതാണ് മികച്ചത്? വ്യത്യാസം പ്രാധാന്യമുള്ളതായി തോന്നുന്നുണ്ടോ അതോ ചെറുതാണോ/ശബ്ദമാണോ? ഗുണനിലവാര നഷ്ടത്തിൻ്റെ ചെലവിൽ ഉൽപ്പാദനക്ഷമത നേട്ടമാണോ? വ്യക്തമായ ശുപാർശ നൽകുക, മാത്രമല്ല എന്തെങ്കിലും അനിശ്ചിതത്വങ്ങൾ ചൂണ്ടിക്കാണിക്കുക.

4) തുടർച്ചയായ മെച്ചപ്പെടുത്തൽ ഫീഡ്‌ബാക്ക് സംഗ്രഹം:

ഇനിപ്പറയുന്ന മെച്ചപ്പെടുത്തൽ ഉറവിടങ്ങൾ സംയോജിപ്പിക്കുക (ലോഗ് അറിയില്ല, കൈമാറ്റ കാരണങ്ങൾ, പരാജയപ്പെട്ട ഫ്ലോകൾ). 3 ഉയർന്ന ഇംപാക്ട് മെച്ചപ്പെടുത്തൽ അവസരങ്ങൾക്ക് മുൻഗണന നൽകുക: പ്രശ്നം / ബാധിച്ച മെട്രിക് / നിർദ്ദേശിച്ച മാറ്റം / പ്രതീക്ഷിക്കുന്ന ആഘാതം. ഡാറ്റയെ മാത്രം ആശ്രയിക്കുക. ഉറവിടങ്ങൾ: <<...>>

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ മാസത്തെ സംഖ്യകൾ നല്ലതാണോ ചീത്തയാണോ എന്ന് പറയൂ.

വ്യക്തമല്ല: ഏത് മെട്രിക്, എന്താണ് ലക്ഷ്യം, എന്താണ് സ്റ്റെബിലൈസർ, എന്താണ് മൂലകാരണം - ഉപരിപ്ലവവും തെറ്റിദ്ധരിപ്പിക്കുന്നതുമായ ഒരു വിധി പുറപ്പെടുവിക്കുന്നു.

ശക്തമായ നിർദ്ദേശം:

ഈ മാസം, കണ്ടെയ്ൻമെൻ്റ് 58% ൽ നിന്ന് 71% ആയി വർദ്ധിച്ചു, എന്നാൽ CSAT 4.1 ൽ നിന്ന് 3.6 ആയി കുറഞ്ഞു, വിറ്റുവരവ് നിരക്ക് 30% ൽ നിന്ന് 19% ആയി കുറഞ്ഞു. ഈ ചാർട്ട് വ്യാഖ്യാനിക്കുക: ഉൽപ്പാദനക്ഷമത വർദ്ധനവ് ഉപഭോക്താവിൻ്റെ സംതൃപ്തിയുടെ ചെലവിൽ വന്നതാണോ (ഉപഭോക്താക്കൾ ബോട്ടിൽ കുടുങ്ങിപ്പോകുമോ)? ഏത് ഡാറ്റ ഉപയോഗിച്ചാണ് ഞാൻ പരിശോധിക്കേണ്ടത്? 2 പ്രവർത്തനങ്ങൾ നിർദ്ദേശിക്കുക.

വ്യത്യാസം: അളവുകൾ, ബാലൻസിങ്, മൂല്യനിർണ്ണയം എന്നിവയുടെ ചോദ്യം വ്യക്തമാണ്; വ്യാഖ്യാനം യുക്തിസഹമാണ് (ഇവിടെ ഒരു "തടങ്കലിൽ" ട്രാപ്പ് സിഗ്നൽ ഉണ്ട്, കാരണം കണ്ടെയ്നർ വർദ്ധനവ് CSAT കുറയുന്നതിനൊപ്പം വരുന്നു).

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - തെറ്റായ മെട്രിക് ട്രാപ്പ്. ഒരു കോൾ സെൻ്റർ AHT മാത്രം പ്രതിഫലം നൽകി. സമയം കുറക്കാനായി ഇടപാടുകാർക്ക് പരിഹാരം കാണാതെ ഏജൻ്റുമാർ ഇടപാടുകാരെ തൂങ്ങിക്കിടന്നു; ഹ്രസ്വകാലത്തേക്ക്, AHT 15% കുറഞ്ഞു, എന്നാൽ ആവർത്തിച്ചുള്ള കോളുകൾ 28% വർദ്ധിക്കുകയും FCR തകരുകയും ചെയ്തു. മൊത്തം ഭാരവും ചെലവും യഥാർത്ഥത്തിൽ വർദ്ധിച്ചു. AHT, FCR, CSAT എന്നിവ ഒരുമിച്ച് നിരീക്ഷിച്ചപ്പോൾ ബാലൻസ് സ്ഥാപിക്കപ്പെട്ടു. പാഠം: ഒരു മെട്രിക് നുണ.

കേസ് 2 - സൈലൻ്റ് ഡ്രിഫ്റ്റ്. ഒരു ബാങ്കിൻ്റെ ബോട്ട് 6 മാസത്തോളം ഒരു പ്രശ്നവുമില്ലാതെ പ്രവർത്തിച്ചു, ആരും അത് അളന്നില്ല. പുതിയ ഉൽപന്നങ്ങൾ പുറത്തുവന്നപ്പോൾ, അറിവിൻ്റെ അടിത്തറ അവശേഷിച്ചു; ബോട്ട് കൃത്യത 94% ൽ നിന്ന് 79% ആയി കുറഞ്ഞു, പരാതികൾ വർദ്ധിച്ചു. പതിവ് കൃത്യത അളക്കൽ സ്ഥാപിച്ചുകഴിഞ്ഞാൽ, സ്ലിപ്പേജ് നേരത്തെ പിടികൂടി. പാഠം: അളക്കാത്ത സിസ്റ്റം നിശബ്ദമായി തകരുന്നു.

കേസ് 3 - രോഗശാന്തി ചക്രത്തിൻ്റെ ശക്തി. ഒരു ഇ-കൊമേഴ്‌സ് കമ്പനി പ്രതിമാസ PDCA സൈക്കിൾ ഉപയോഗിച്ച് ഓരോ മാസവും 3 ഏറ്റവും ഉയർന്ന ഇംപാക്ട് മെച്ചപ്പെടുത്തലുകൾ തിരഞ്ഞെടുത്തു (അറിയില്ല ലോഗ് + വിറ്റുവരവിൻ്റെ കാരണങ്ങൾ + പരാജയപ്പെട്ട ഫ്ലോകൾ). 6 മാസത്തിനുള്ളിൽ, ബോട്ട് റെസല്യൂഷൻ നിരക്ക് 52% ൽ നിന്ന് 74% ആയി ഉയർന്നു, CSAT 3.8 ൽ നിന്ന് 4.4 ആയി ഉയർന്നു - ഒരു വലിയ മുന്നേറ്റത്തിലല്ല, ചെറിയ, അളന്ന മെച്ചപ്പെടുത്തലുകൾ ഒന്നിനുപുറകെ ഒന്നായി. തുടർച്ചയായ പുരോഗതി വരുന്നത് സ്ഥിരതയിൽ നിന്നാണ്, കുതിച്ചുചാട്ടത്തിൽ നിന്നല്ല.

സാധാരണ തെറ്റുകൾ

• ഒരൊറ്റ മെട്രിക്കിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. AHT അല്ലെങ്കിൽ കണ്ടെയ്ൻമെൻ്റ് മാത്രം പിന്തുടരുന്നത് ഗുണനിലവാരം കുറയ്ക്കുന്നു; ഓരോ മെട്രിക്കിനും ഒരു സ്റ്റെബിലൈസർ ഉണ്ടായിരിക്കണം.
• ഉൽപ്പാദനക്ഷമത മെട്രിക് ഗുണനിലവാരത്തിൽ നിന്ന് വേർപെടുത്തുക. "ബോട്ട് ഒരുപാട് പരിഹരിക്കുന്നു", "ഉപഭോക്താവ് സംതൃപ്തനാണ്" എന്നിവ രണ്ട് വ്യത്യസ്ത കാര്യങ്ങളാണ്; ഒരുമിച്ച് വായിക്കുക.
• ഒരിക്കൽ അത് സജ്ജീകരിച്ച് പോകട്ടെ. ഡ്രിഫ്റ്റ് നിശബ്ദമാണ്; തുടർച്ചയായ അളവെടുപ്പ് നിർബന്ധമാണ്.
• CSAT മാത്രം യഥാർത്ഥമായി കണക്കാക്കുന്നു. കുറഞ്ഞ പ്രതികരണ നിരക്ക് CSAT-നെ തെറ്റിദ്ധരിപ്പിക്കുന്നു; ആരാണ് ഇത് പൂരിപ്പിച്ചതെന്ന് കാണുക.
• മെച്ചപ്പെടുത്തൽ ഡാറ്റയുമായി ബന്ധിപ്പിക്കുന്നില്ല. "ലോഗ്/കൈമാറ്റം/പരാജയപ്പെട്ട ഒഴുക്ക് അറിയില്ല" എന്ന ഡാറ്റയ്ക്കാണ് മുൻഗണന നൽകുക, അവബോധത്തിനല്ല.

ചുരുക്കത്തിൽ

അളക്കലും തുടർച്ചയായ മെച്ചപ്പെടുത്തലും AI-യെ ഒറ്റത്തവണ ഇൻസ്റ്റാളേഷനിൽ നിന്ന് ഒരു ലിവിംഗ് സിസ്റ്റമാക്കി മാറ്റുന്നു. ക്ലാസിക് KPI-കളും (AHT, FCR, CSAT, NPS, CES) AI- നിർദ്ദിഷ്‌ട മെട്രിക്‌സും (കൺടൈൻമെൻ്റ്, ബോട്ട് സൊല്യൂഷൻ നിരക്ക്, ഉത്തര കൃത്യത, ശുപാർശ ഉപയോഗം) ഒരുമിച്ച് ട്രാക്ക് ചെയ്യുക; ഗുണനിലവാരമുള്ള സ്റ്റെബിലൈസർ ഉപയോഗിച്ച് ഓരോ ഉൽപ്പാദനക്ഷമത മെട്രിക്സും വായിക്കുക; ഒരൊറ്റ മെട്രിക്കിൽ ഒരിക്കലും ഉറപ്പിക്കരുത്. PDCA ലൂപ്പ് ഉപയോഗിച്ച് തുടർച്ചയായി മെച്ചപ്പെടുത്തുകയും ലൂപ്പിനുള്ള ഇന്ധനമായി "അറിയില്ല" ലോഗുകൾ, വിറ്റുവരവ് കാരണങ്ങൾ, പരാജയപ്പെട്ട ഫ്ലോകൾ എന്നിവ ഉപയോഗിക്കുക. ഓർമ്മിക്കുക: മോഡലുകളും ഉപഭോക്താക്കളും കാലക്രമേണ ഒഴുകുന്നു; നിങ്ങൾ അളക്കാത്തത് നിശബ്ദമായി ജീർണിക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

7 മെട്രിക്കുകൾ അടങ്ങുന്ന നിങ്ങളുടെ സ്വന്തം AI പ്രോഗ്രാമിനായി ഒരു KPI ഡാഷ്‌ബോർഡ് രൂപകൽപ്പന ചെയ്യുക; ഓരോ മെട്രിക്കിനും, ഒരു നിർവചനം, ലക്ഷ്യം, ഓഫ്‌സെറ്റിംഗ് മെട്രിക്, അലേർട്ട് ത്രെഷോൾഡ് എന്നിവ സജ്ജമാക്കുക (“1) കെപിഐ ഡാഷ്‌ബോർഡ് ടെംപ്ലേറ്റ് ഉപയോഗിക്കുക). തുടർന്ന് ഒരു സാങ്കൽപ്പിക പ്രതിമാസ ഡാറ്റ സെറ്റ് സൃഷ്‌ടിച്ച് “2) മെട്രിക് ഇൻ്റർപ്രെട്ടേഷൻ” ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് മൂലകാരണ വിശകലനം നടത്തുക. അവസാനമായി, "4) തുടർച്ചയായ മെച്ചപ്പെടുത്തൽ ഫീഡ്‌ബാക്ക് സംഗ്രഹം" ഉപയോഗിച്ച് അടുത്ത മാസത്തേക്കുള്ള 3 ഉയർന്ന ഇംപാക്ട് മെച്ചപ്പെടുത്തലുകൾക്ക് മുൻഗണന നൽകുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ക്ലാസിക് കെപിഐകളും AI-നിർദ്ദിഷ്ട മെട്രിക്കുകളും ഒരുമിച്ച് ട്രാക്ക് ചെയ്യുന്നു.
• [ ] എല്ലാ ഉൽപ്പാദനക്ഷമത മെട്രിക്കിനും ഒരു ഗുണനിലവാരമുള്ള സ്റ്റെബിലൈസർ ഉണ്ട്; ഞാൻ ഒരൊറ്റ മെട്രിക്കിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നില്ല.
• [ ] ഉപഭോക്തൃ സംതൃപ്തിക്കൊപ്പം കണ്ടെയ്ൻമെൻ്റ്/ബോട്ട് സൊല്യൂഷൻ നിരക്കും ഞാൻ വായിച്ചു.
• [ ] ഞാൻ ഉത്തരത്തിൻ്റെ കൃത്യതയും ഡ്രിഫ്റ്റും പതിവായി അളക്കുന്നു.
• [ ] ഞാൻ PDCA സൈക്കിൾ ഉപയോഗിച്ച് തുടർച്ചയായ, ഡാറ്റാധിഷ്ഠിത മെച്ചപ്പെടുത്തൽ നടത്തുന്നു.
• [ ] "അറിയില്ല" ലോഗ്, കൈമാറ്റ കാരണങ്ങൾ, പരാജയപ്പെട്ട ഫ്ലോകൾ എന്നിവ ഉപയോഗിച്ച് മെച്ചപ്പെടുത്തലുകൾക്ക് ഞാൻ മുൻഗണന നൽകുന്നു.