ਲਾਭ:
- ਹਰੇਕ ਉਤਪਾਦਕਤਾ ਮਾਪ ਲਈ ਗੁਣਵੱਤਾ ਸੰਤੁਲਨ ਦੇ ਨਾਲ ਕਲਾਸਿਕ KPIs (AHT, FCR, CSAT, NPS, CES) ਅਤੇ AI-ਵਿਸ਼ੇਸ਼ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਪੜ੍ਹਨ ਦੀ ਸਮਰੱਥਾ
- ਜਵਾਬ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਣ ਅਤੇ ਨਿਯਮਤ ਤੌਰ 'ਤੇ ਵਹਿਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਮੈਟ੍ਰਿਕ ਵਿੱਚ ਲਾਕ ਕਰਨ ਦੇ ਜਾਲ ਤੋਂ ਬਚੋ
- 'ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ' ਲੌਗਿੰਗ, ਟਰਨਓਵਰ ਦੇ ਕਾਰਨਾਂ ਅਤੇ PDCA ਚੱਕਰ ਦੇ ਨਾਲ ਅਸਫਲ ਪ੍ਰਵਾਹ ਦੇ ਅਧਾਰ ਤੇ ਨਿਰੰਤਰ ਸੁਧਾਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਗਲਤੀ ਜਦੋਂ AI ਇੱਕ ਕਾਲ ਸੈਂਟਰ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦਾ ਹੈ ਤਾਂ ਇਹ ਕਹਿਣਾ ਹੁੰਦਾ ਹੈ ਕਿ "ਅਸੀਂ ਇਸਨੂੰ ਸਥਾਪਿਤ ਕੀਤਾ ਹੈ, ਅਜਿਹਾ ਲਗਦਾ ਹੈ ਕਿ ਇਹ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ, ਇਹ ਕਾਫ਼ੀ ਹੈ"। ਇੱਕ ਬੋਟ, ਅਸਿਸਟੈਂਟ, ਜਾਂ ਸਵੈ-ਸੇਵਾ ਦਾ ਪ੍ਰਵਾਹ ਉਸ ਪਲ ਸਹੀ ਨਹੀਂ ਹੁੰਦਾ ਜਦੋਂ ਇਹ ਲਾਈਵ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਹ ਉੱਥੇ ਨਹੀਂ ਰਹਿੰਦਾ; ਇਹ ਲਗਾਤਾਰ ਮਾਪਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਨਿਗਰਾਨੀ ਅਤੇ ਸੁਧਾਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਗਲਤ ਮੈਟ੍ਰਿਕ ਨੂੰ ਟਰੈਕ ਕਰਨਾ ਕਈ ਵਾਰ ਸਹੀ ਮੈਟ੍ਰਿਕ ਨੂੰ ਟਰੈਕ ਨਾ ਕਰਨ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਨੁਕਸਾਨਦੇਹ ਹੁੰਦਾ ਹੈ - ਕਿਉਂਕਿ ਇਹ ਤੁਹਾਨੂੰ ਗਲਤ ਦਿਸ਼ਾ ਵੱਲ ਦੌੜਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਕਾਲ ਸੈਂਟਰ ਕੁੰਜੀ ਸੂਚਕਾਂ (KPIs), AI-ਵਿਸ਼ੇਸ਼ ਮੈਟ੍ਰਿਕਸ, ਅਤੇ ਇੱਕ ਨਿਰੰਤਰ ਸੁਧਾਰ ਚੱਕਰ ਨੂੰ ਕਿਵੇਂ ਸਥਾਪਤ ਕਰਨਾ ਹੈ ਦੇਖਾਂਗੇ।
ਪਹਿਲਾਂ, ਇੱਕ ਚੇਤਾਵਨੀ: ਮੈਟ੍ਰਿਕਸ ਇੱਕ ਅੰਤ ਦਾ ਸਾਧਨ ਹਨ, ਨਾ ਕਿ ਆਪਣੇ ਆਪ ਵਿੱਚ। ਟੀਚਾ ਗਾਹਕ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਚੰਗੀ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਹੱਲ ਕਰਨਾ ਹੈ. ਜੇਕਰ ਤੁਸੀਂ ਆਈਸੋਲੇਸ਼ਨ ਵਿੱਚ ਇੱਕ ਮੈਟ੍ਰਿਕ (ਉਦਾਹਰਨ ਲਈ AHT) ਦਾ ਪਿੱਛਾ ਕਰਦੇ ਹੋ, ਤਾਂ ਪ੍ਰਤੀਨਿਧੀ ਗਾਹਕ ਨੂੰ ਹੱਲ ਕੀਤੇ ਬਿਨਾਂ ਕਾਲ ਨੂੰ ਛੋਟਾ ਕਰ ਦੇਣਗੇ, ਅਤੇ ਅਸਲ ਉਦੇਸ਼ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚ ਜਾਵੇਗਾ। ਇਸ ਨੂੰ ਮੈਟ੍ਰਿਕਸ ਦਾ ਜਨੂੰਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ; ਪ੍ਰਤੀ ਸੰਤੁਲਨ ਦੇ ਨਾਲ ਹਰੇਕ ਮੈਟ੍ਰਿਕ ਨੂੰ ਪੜ੍ਹੋ।
ਬੇਸਿਕ ਕਾਲ ਸੈਂਟਰ KPIs
ਕੇਪੀਆਈ (ਕੁੰਜੀ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕ) ਇੱਕ ਸੰਖਿਆ ਹੈ ਜੋ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਮਾਪਦੀ ਹੈ। ਕਾਲ ਸੈਂਟਰ ਵਿੱਚ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ:
ਕੇ.ਪੀ.ਆਈ
ਕੀ ਉਪਾਅ
ਬੈਲੰਸਰ
AHT (ਔਸਤ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਾਂ)
ਸੰਪਰਕ ਦੀ ਮਿਆਦ
FCR, CSAT (ਛੋਟਾ ਪਰ ਅਘੁਲਣਯੋਗ ਨਹੀਂ)
FCR (ਪਹਿਲੇ ਸੰਪਰਕ 'ਤੇ ਰੈਜ਼ੋਲੂਸ਼ਨ)
ਇੱਕ ਵਾਰ ਦਾ ਹੱਲ
CSAT (ਇਹ ਨਾ ਕਹੋ ਕਿ ਤੁਸੀਂ ਇਸਨੂੰ ਹੱਲ ਕੀਤਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਹੱਲ ਨਹੀਂ ਕੀਤਾ)
CSAT (ਗਾਹਕ ਸੰਤੁਸ਼ਟੀ)
ਪੋਸਟ-ਸੰਪਰਕ ਸਕੋਰ
ਜਵਾਬ ਦਰ (ਜੇ ਕੁਝ ਲੋਕ ਭਰਦੇ ਹਨ ਤਾਂ ਇਹ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋਵੇਗਾ)
NPS (ਸਿਫਾਰਸ਼ੀ ਸਕੋਰ)
ਵਫ਼ਾਦਾਰੀ/ਸਿਫ਼ਾਰਸ਼
ਮੂਲ ਕਾਰਨ (ਘੱਟ ਕਿਉਂ?)
CES (ਗਾਹਕ ਯਤਨ ਸਕੋਰ)
ਗਾਹਕ ਕਿੰਨਾ ਔਖਾ ਸੀ
-
SL (ਸੇਵਾ ਪੱਧਰ)
% ਕਾਲ ਦਾ x ਸਕਿੰਟਾਂ ਵਿੱਚ ਜਵਾਬ ਦਿੱਤਾ ਗਿਆ
ਤਿਆਗ ਦੀ ਦਰ
ਤਿਆਗ ਦਰ (ਤਿਆਗ)
ਹੋਲਡ 'ਤੇ ਖੱਬੇ ਪਾਸੇ ਕਾਲ ਕਰੋ
SL, cooldown
CES (ਗਾਹਕ ਯਤਨ ਸਕੋਰ) ਮਾਪਦਾ ਹੈ ਕਿ ਗਾਹਕ ਆਪਣੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕਿੰਨੀ ਸਖਤ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ; ਘੱਟ ਕੋਸ਼ਿਸ਼ ਉੱਚ ਵਫ਼ਾਦਾਰੀ ਨਾਲ ਮਜ਼ਬੂਤੀ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ। "ਮੈਂ ਇਸਨੂੰ ਆਸਾਨੀ ਨਾਲ ਹੱਲ ਕਰ ਲਿਆ" ਕਹਿਣ ਵਾਲਾ ਗਾਹਕ ਅਕਸਰ "ਮੈਂ ਬਹੁਤ ਸੰਤੁਸ਼ਟ ਹਾਂ" ਕਹਿਣ ਨਾਲੋਂ ਵਧੇਰੇ ਕੀਮਤੀ ਹੁੰਦਾ ਹੈ।
AI-ਵਿਸ਼ੇਸ਼ ਮੈਟ੍ਰਿਕਸ
ਕਲਾਸਿਕ KPIs ਦੇ ਅੱਗੇ, AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਵਿਸ਼ੇਸ਼ ਮੈਟ੍ਰਿਕਸ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਹਨ:
- ਕੰਟੇਨਮੈਂਟ / ਡਿਫਲੈਕਸ਼ਨ ਦਰ: ਸੰਪਰਕ ਦੀ ਦਰ ਜਿਸ ਨੂੰ ਬੋਟ/ਸਵੈ-ਸੇਵਾ ਮਨੁੱਖ ਨੂੰ ਸੌਂਪੇ ਬਿਨਾਂ ਹੱਲ ਕਰਦੀ ਹੈ। ਪਰ ਇਹ ਇਕੱਲਾ ਧੋਖਾ ਹੈ; ਹੱਲ (ਯੂਨਿਟ 8 ਵਿੱਚ ਟ੍ਰੈਪ) ਦੇ ਨਾਲ ਪੜ੍ਹਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਬੋਟ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਦਰ: ਉਹ ਸੰਪਰਕ ਜੋ ਬੋਟ ਨੇ ਅਸਲ ਵਿੱਚ ਹੱਲ ਕੀਤੇ (ਗਾਹਕ ਸੰਤੁਸ਼ਟ ਹੋ ਗਿਆ) — "ਬੋਟ ਵਿੱਚ ਨਹੀਂ ਰਹੇ"।
- ਟਰਨਓਵਰ ਦਰ ਅਤੇ ਕਾਰਨ: ਕਿੰਨਾ ਟ੍ਰਾਂਸਫਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕਿਉਂ (ਯੂਨਿਟ 10)।
- ਜਵਾਬ ਦੀ ਸ਼ੁੱਧਤਾ: ਬੋਟ/ਸਹਾਇਕ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਜਵਾਬ ਸਹੀ ਹੋਣ ਦੀ ਦਰ - ਨਮੂਨੇ ਅਤੇ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਦੁਆਰਾ ਮਾਪੀ ਜਾਂਦੀ ਹੈ।
- ਗੋਦ ਲੈਣਾ: ਉਹ ਦਰ ਜਿਸ 'ਤੇ ਏਜੰਟ ਏਜੰਟ ਸਹਾਇਤਾ ਸੁਝਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ (ਯੂਨਿਟ 6)।
- ਸੰਖੇਪ ਸ਼ੁੱਧਤਾ: ਉਹ ਦਰ ਜਿਸ 'ਤੇ ਸਵੈਚਲਿਤ ਸਾਰਾਂਸ਼ਾਂ/ਟੈਗਾਂ ਨੂੰ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ (ਯੂਨਿਟ 4) ਦੁਆਰਾ ਠੀਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- ਭਰਮ/ਗਲਤੀ ਦਰ: ਬਣਾਏ ਗਏ ਜਾਂ ਗਲਤ ਜਵਾਬਾਂ ਦੀ ਬਾਰੰਬਾਰਤਾ — ਸਿਫ਼ਰ ਦੇ ਨੇੜੇ ਟੀਚਾ।
ਨੁਕਤਾ: ਹਰੇਕ AI ਮੈਟ੍ਰਿਕ ਨੂੰ "ਕੁਆਲਿਟੀ ਸਟੈਬੀਲਾਈਜ਼ਰ" ਨਾਲ ਜੋੜੋ। "ਕੰਟੇਨਮੈਂਟ ਉੱਚ" ਇਕੱਲਾ ਚੰਗਾ ਨਹੀਂ ਹੈ; "ਕੰਟੇਨਮੈਂਟ ਜ਼ਿਆਦਾ ਹੈ ਅਤੇ ਬੋਟ ਹੱਲ ਸੰਤੁਸ਼ਟੀ ਜ਼ਿਆਦਾ ਹੈ" ਚੰਗਾ ਹੈ। ਕੁਆਲਿਟੀ ਮੈਟ੍ਰਿਕ ਤੋਂ ਕੁਸ਼ਲਤਾ ਮੈਟ੍ਰਿਕ ਨੂੰ ਕਦੇ ਵੀ ਵੱਖ ਨਾ ਕਰੋ।
ਨਿਰੰਤਰ ਸੁਧਾਰ ਚੱਕਰ
ਇੱਕ ਚੰਗਾ AI ਪ੍ਰੋਗਰਾਮ ਇੱਕ ਸਪਿਨਿੰਗ ਵ੍ਹੀਲ ਹੈ, ਇੱਕ ਵਾਰ ਦਾ ਪ੍ਰੋਜੈਕਟ ਨਹੀਂ। ਕਲਾਸਿਕ PDCA ਚੱਕਰ (ਯੋਜਨਾ-ਡੂ-ਚੈਕ-ਐਕਟ; PDCA) ਇੱਥੇ ਕੰਮ ਕਰਦਾ ਹੈ:
- ਯੋਜਨਾ: ਤੁਸੀਂ ਕਿਹੜੀ ਮੈਟ੍ਰਿਕ ਵਿੱਚ ਸੁਧਾਰ ਕਰੋਗੇ ਅਤੇ ਕਿਉਂ? ਇੱਕ ਟੀਚਾ ਸੈੱਟ ਕਰੋ (ਉਦਾਹਰਨ ਲਈ, "ਰਿਟਰਨ 'ਤੇ ਬੋਟ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਦਰ ਨੂੰ 60% ਤੋਂ 75% ਤੱਕ ਵਧਾਓ)।"
- ਲਾਗੂ ਕਰੋ: ਤਬਦੀਲੀ ਕਰੋ (ਗਿਆਨ ਅਧਾਰ ਆਈਟਮ ਸ਼ਾਮਲ ਕਰੋ, ਪ੍ਰਵਾਹ ਨੂੰ ਠੀਕ ਕਰੋ, ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਸੁਧਾਰ ਕਰੋ)।
- ਚੈੱਕ ਕਰੋ: ਕੀ ਮੈਟ੍ਰਿਕ ਅਸਲ ਵਿੱਚ ਸੁਧਾਰਿਆ ਗਿਆ ਹੈ? ਕੀ ਮਾੜੇ ਪ੍ਰਭਾਵ ਹਨ (ਕੀ ਕੋਈ ਹੋਰ ਮੈਟ੍ਰਿਕਸ ਟੁੱਟ ਗਏ ਹਨ)?
- ਸਾਵਧਾਨੀ ਵਰਤੋ: ਜੇ ਇਹ ਕੰਮ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਸਥਾਈ ਬਣਾਉ; ਜੇ ਇਹ ਕੰਮ ਨਹੀਂ ਕਰਦਾ, ਤਾਂ ਇਸਨੂੰ ਵਾਪਸ ਲਓ ਅਤੇ ਸਿੱਖੋ।
ਇਸ ਚੱਕਰ ਲਈ ਬਾਲਣ ਡੇਟਾ ਹੈ: “ਪਤਾ ਨਹੀਂ” ਲੌਗ (ਯੂਨਿਟ 5), ਟਰਨਓਵਰ ਦੇ ਕਾਰਨ (ਯੂਨਿਟ 10), ਅਸਫਲ ਪ੍ਰਵਾਹ (ਯੂਨਿਟ 8), ਘੱਟ ਸਕੋਰਿੰਗ ਗੱਲਬਾਤ (ਯੂਨਿਟ 7)। ਇਹ ਸਰੋਤ ਤੁਹਾਨੂੰ ਦੱਸਦੇ ਹਨ ਕਿ ਕਿੱਥੇ ਸੁਧਾਰ ਕਰਨਾ ਹੈ।
ਸਾਵਧਾਨ: ਏਆਈ ਮਾਡਲ ਅਤੇ ਗਾਹਕ ਵਿਹਾਰ ਸਮੇਂ ਦੇ ਨਾਲ ਬਦਲਦੇ ਹਨ; ਇਸ ਨੂੰ ਵਹਿਣ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਬੋਟ ਜੋ ਅੱਜ 95% ਸਹੀ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ, ਚੁੱਪਚਾਪ ਵਿਗੜ ਸਕਦਾ ਹੈ ਜੇਕਰ ਇਸਦਾ ਗਿਆਨ ਅਧਾਰ ਪੁਰਾਣਾ ਹੋ ਜਾਂਦਾ ਹੈ ਜਾਂ ਗਾਹਕ ਪ੍ਰਸ਼ਨ ਪੈਟਰਨ ਬਦਲਦਾ ਹੈ। ਇਸ ਲਈ ਮਾਪ ਇੱਕ ਵਾਰ ਨਹੀਂ, ਪਰ ਨਿਰੰਤਰ ਹੈ। ਜੋ ਤੁਸੀਂ ਚੁੱਪਚਾਪ ਨਹੀਂ ਮਾਪਦੇ ਉਹ ਟੁੱਟ ਜਾਂਦਾ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) KPI ਡੈਸ਼ਬੋਰਡ ਡਿਜ਼ਾਈਨ:
ਮੇਰੇ ਕਾਲ ਸੈਂਟਰ AI ਪ੍ਰੋਗਰਾਮ ਲਈ ਇੱਕ ਖਰੜਾ ਮਹੀਨਾਵਾਰ KPI ਡੈਸ਼ਬੋਰਡ ਤਿਆਰ ਕਰੋ। ਹਰੇਕ ਮੈਟ੍ਰਿਕ ਲਈ: ਪਰਿਭਾਸ਼ਾ, ਟੀਚਾ, ਔਫਸੈਟਿੰਗ ਮੈਟ੍ਰਿਕ, ਡੇਟਾ ਸਰੋਤ, ਚੇਤਾਵਨੀ ਥ੍ਰੈਸ਼ਹੋਲਡ (ਇਸ ਮੁੱਲ ਦੇ ਉੱਪਰ/ਹੇਠਾਂ ਅਲਾਰਮ)। ਮੈਟ੍ਰਿਕਸ: AHT, FCR, CSAT, ਕੰਟੇਨਮੈਂਟ, ਬੋਟ ਹੱਲ ਦਰ, ਟਰਨਓਵਰ ਦਰ, ਜਵਾਬ ਦੀ ਸ਼ੁੱਧਤਾ। ਫਰਜ਼ੀ ਨੰਬਰ ਨਾ ਦਿਓ; ਇੱਕ ਟੈਂਪਲੇਟ ਸੈਟ ਅਪ ਕਰੋ ਤਾਂ ਜੋ ਮੈਂ ਖੇਤਰਾਂ ਨੂੰ ਭਰ ਸਕਾਂ।
2) ਮੀਟ੍ਰਿਕ ਵਿਆਖਿਆ (ਜੜ੍ਹ ਕਾਰਨ):
ਇੱਕ CX ਵਿਸ਼ਲੇਸ਼ਕ ਦੀ ਤਰ੍ਹਾਂ ਹੇਠਾਂ KPI ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। (1) ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀ, (2) ਸੰਭਾਵਿਤ ਮੂਲ ਕਾਰਨ ਹਾਈਪੋਥੀਸਜ਼ (ਸਾਬਤ), (3) ਹੋਰ ਕਿਹੜੀਆਂ ਮੈਟ੍ਰਿਕ ਨੂੰ ਵੇਖਣਾ ਹੈ (ਆਫਸੈੱਟ), (4) 2 ਸੁਝਾਈਆਂ ਗਈਆਂ ਕਾਰਵਾਈਆਂ। ਡੇਟਾ ਤੋਂ ਨੰਬਰ ਪ੍ਰਾਪਤ ਕਰੋ; ਅਨੁਮਾਨਾਂ ਨੂੰ "ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ" ਵਜੋਂ ਮਾਰਕ ਕਰੋ। ਡੇਟਾ: <<...>>
3) A/B ਤੁਲਨਾ ਮੁਲਾਂਕਣ:
ਇਸ ਡੇਟਾ ਦੇ ਨਾਲ ਦੋ ਬੋਟ/ਸਟ੍ਰੀਮ ਸੰਸਕਰਣਾਂ (A ਅਤੇ B) ਦੀ ਤੁਲਨਾ ਕਰੋ: <<data>>। ਕੰਟੇਨਮੈਂਟ, ਬੋਟ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਰੇਟ ਅਤੇ CSAT ਵਿੱਚ ਕਿਹੜਾ ਬਿਹਤਰ ਹੈ? ਕੀ ਫਰਕ ਮਹੱਤਵਪੂਰਨ ਜਾਪਦਾ ਹੈ ਜਾਂ ਕੀ ਇਹ ਮਾਮੂਲੀ/ਸ਼ੋਰ ਹੈ? ਕੀ ਗੁਣਵੱਤਾ ਦੇ ਨੁਕਸਾਨ ਦੀ ਕੀਮਤ 'ਤੇ ਉਤਪਾਦਕਤਾ ਲਾਭ ਹੈ? ਇੱਕ ਸਪਸ਼ਟ ਸਿਫ਼ਾਰਸ਼ ਦਿਓ, ਪਰ ਕਿਸੇ ਵੀ ਅਨਿਸ਼ਚਿਤਤਾ ਵੱਲ ਵੀ ਇਸ਼ਾਰਾ ਕਰੋ।
4) ਲਗਾਤਾਰ ਸੁਧਾਰ ਫੀਡਬੈਕ ਸੰਖੇਪ:
ਨਿਮਨਲਿਖਤ ਸੁਧਾਰ ਸਰੋਤਾਂ ਨੂੰ ਮਿਲਾਓ (ਲਾਗ ਨਹੀਂ ਜਾਣਦੇ, ਹੈਂਡਓਵਰ ਕਾਰਨ, ਅਸਫਲ ਪ੍ਰਵਾਹ)। 3 ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਭਾਵ ਸੁਧਾਰ ਦੇ ਮੌਕਿਆਂ ਨੂੰ ਤਰਜੀਹ ਦਿਓ: ਮੁੱਦਾ / ਪ੍ਰਭਾਵਿਤ ਮੀਟ੍ਰਿਕ / ਪ੍ਰਸਤਾਵਿਤ ਤਬਦੀਲੀ / ਅਨੁਮਾਨਿਤ ਪ੍ਰਭਾਵ। ਬਸ ਡਾਟਾ 'ਤੇ ਭਰੋਸਾ. ਸਰੋਤ: <<...>>
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਕੀ ਇਸ ਮਹੀਨੇ ਦੇ ਅੰਕ ਚੰਗੇ ਹਨ ਜਾਂ ਮਾੜੇ।
ਅਸਪਸ਼ਟ: ਕਿਹੜਾ ਮੈਟ੍ਰਿਕ, ਕੀ ਟੀਚਾ, ਕੀ ਸਟੈਬੀਲਾਈਜ਼ਰ, ਕੀ ਮੂਲ ਕਾਰਨ — ਇੱਕ ਸਤਹੀ ਅਤੇ ਗੁੰਮਰਾਹਕੁੰਨ ਨਿਰਣਾ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਇਸ ਮਹੀਨੇ, ਰੋਕਥਾਮ 58% ਤੋਂ ਵਧ ਕੇ 71% ਹੋ ਗਈ, ਪਰ CSAT 4.1 ਤੋਂ ਘਟ ਕੇ 3.6 ਹੋ ਗਈ, ਅਤੇ ਟਰਨਓਵਰ ਦਰ 30% ਤੋਂ ਘਟ ਕੇ 19% ਹੋ ਗਈ। ਇਸ ਚਾਰਟ ਦੀ ਵਿਆਖਿਆ ਕਰੋ: ਕੀ ਉਤਪਾਦਕਤਾ ਵਿੱਚ ਵਾਧਾ ਗਾਹਕ ਸੰਤੁਸ਼ਟੀ ਦੀ ਕੀਮਤ 'ਤੇ ਆਇਆ ਹੈ (ਕੀ ਗਾਹਕ ਬੋਟ ਵਿੱਚ ਫਸ ਸਕਦੇ ਹਨ)? ਮੈਨੂੰ ਕਿਸ ਡੇਟਾ ਨਾਲ ਤਸਦੀਕ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? 2 ਕਾਰਵਾਈਆਂ ਦਾ ਸੁਝਾਅ ਦਿਓ।
ਅੰਤਰ: ਮੈਟ੍ਰਿਕਸ, ਸੰਤੁਲਨ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਦਾ ਸਵਾਲ ਸਪੱਸ਼ਟ ਹੈ; ਵਿਆਖਿਆ ਅਰਥ ਰੱਖਦੀ ਹੈ (ਇੱਥੇ ਇੱਕ "ਕੈਫਨਮੈਂਟ" ਟਰੈਪ ਸਿਗਨਲ ਹੈ ਕਿਉਂਕਿ ਕੰਟੇਨਮੈਂਟ ਵਾਧਾ CSAT ਕਮੀ ਦੇ ਨਾਲ ਆਉਂਦਾ ਹੈ)।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਗਲਤ ਮੈਟ੍ਰਿਕ ਜਾਲ। ਇੱਕ ਕਾਲ ਸੈਂਟਰ ਨੇ ਸਿਰਫ਼ AHT ਨੂੰ ਇਨਾਮ ਦਿੱਤਾ। ਏਜੰਟਾਂ ਨੇ ਸਮਾਂ ਘਟਾਉਣ ਲਈ ਗਾਹਕਾਂ ਨੂੰ ਹੱਲ ਕੀਤੇ ਬਿਨਾਂ ਉਨ੍ਹਾਂ ਨੂੰ ਲਟਕਾਇਆ; ਥੋੜ੍ਹੇ ਸਮੇਂ ਵਿੱਚ, AHT 15% ਘਟਿਆ, ਪਰ ਦੁਹਰਾਉਣ ਵਾਲੀਆਂ ਕਾਲਾਂ ਵਿੱਚ 28% ਦਾ ਵਾਧਾ ਹੋਇਆ ਅਤੇ FCR ਢਹਿ ਗਿਆ। ਕੁੱਲ ਬੋਝ ਅਤੇ ਲਾਗਤ ਅਸਲ ਵਿੱਚ ਵਧ ਗਈ ਹੈ. ਸੰਤੁਲਨ ਸਥਾਪਿਤ ਕੀਤਾ ਗਿਆ ਸੀ ਜਦੋਂ AHT, FCR ਅਤੇ CSAT ਦੀ ਇਕੱਠੇ ਨਿਗਰਾਨੀ ਕੀਤੀ ਗਈ ਸੀ। ਸਬਕ: ਇੱਕ ਮੀਟ੍ਰਿਕ ਝੂਠ।
ਕੇਸ 2 - ਚੁੱਪ ਵਹਿਣਾ। ਇੱਕ ਬੈਂਕ ਦੇ ਬੋਟ ਨੇ 6 ਮਹੀਨਿਆਂ ਲਈ ਬਿਨਾਂ ਕਿਸੇ ਸਮੱਸਿਆ ਦੇ ਕੰਮ ਕੀਤਾ, ਕਿਸੇ ਨੇ ਇਸ ਨੂੰ ਮਾਪਿਆ ਨਹੀਂ. ਜਦੋਂ ਨਵੇਂ ਉਤਪਾਦ ਸਾਹਮਣੇ ਆਏ, ਗਿਆਨ ਦਾ ਅਧਾਰ ਪਿੱਛੇ ਰਹਿ ਗਿਆ; ਬੋਟ ਸ਼ੁੱਧਤਾ ਅਪ੍ਰਤੱਖ ਤੌਰ 'ਤੇ 94% ਤੋਂ ਘਟ ਕੇ 79% ਹੋ ਗਈ, ਅਤੇ ਸ਼ਿਕਾਇਤਾਂ ਵਧੀਆਂ। ਇੱਕ ਵਾਰ ਨਿਯਮਤ ਸ਼ੁੱਧਤਾ ਮਾਪ ਸਥਾਪਿਤ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਫਿਸਲਣ ਨੂੰ ਜਲਦੀ ਫੜ ਲਿਆ ਗਿਆ ਸੀ। ਸਬਕ: ਜਿਸ ਸਿਸਟਮ ਨੂੰ ਚੁੱਪ-ਚਾਪ ਨਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ ਉਹ ਟੁੱਟ ਜਾਂਦਾ ਹੈ।
ਕੇਸ 3 - ਚੰਗਾ ਕਰਨ ਦੇ ਚੱਕਰ ਦੀ ਸ਼ਕਤੀ। ਇੱਕ ਈ-ਕਾਮਰਸ ਕੰਪਨੀ ਨੇ ਮਾਸਿਕ PDCA ਚੱਕਰ ਦੇ ਨਾਲ ਹਰ ਮਹੀਨੇ 3 ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਭਾਵ ਵਾਲੇ ਸੁਧਾਰਾਂ ਦੀ ਚੋਣ ਕੀਤੀ (ਜਾਣਦਾ ਨਹੀਂ ਲੌਗ + ਟਰਨਓਵਰ ਕਾਰਨ + ਅਸਫਲ ਪ੍ਰਵਾਹ ਤੋਂ)। 6 ਮਹੀਨਿਆਂ ਵਿੱਚ, ਬੋਟ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਦਰ 52% ਤੋਂ ਵਧ ਕੇ 74%, CSAT 3.8 ਤੋਂ 4.4 ਤੱਕ - ਇੱਕ ਵੱਡੀ ਸਫਲਤਾ ਵਿੱਚ ਨਹੀਂ, ਪਰ ਇੱਕ ਤੋਂ ਬਾਅਦ ਇੱਕ ਛੋਟੇ, ਮਾਪੇ ਸੁਧਾਰਾਂ ਵਿੱਚ। ਨਿਰੰਤਰ ਸੁਧਾਰ ਇਕਸਾਰਤਾ ਨਾਲ ਆਉਂਦਾ ਹੈ, ਨਾ ਕਿ ਛਾਲਾਂ ਮਾਰ ਕੇ।
ਆਮ ਗਲਤੀਆਂ
- ਇੱਕ ਸਿੰਗਲ ਮੈਟ੍ਰਿਕ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ। AHT ਜਾਂ ਕੰਟੇਨਮੈਂਟ ਦਾ ਪਿੱਛਾ ਕਰਨਾ ਹੀ ਗੁਣਵੱਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ; ਹਰੇਕ ਮੈਟ੍ਰਿਕ ਵਿੱਚ ਇੱਕ ਸਟੈਬੀਲਾਈਜ਼ਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਕੁਆਲਿਟੀ ਤੋਂ ਉਤਪਾਦਕਤਾ ਮੀਟ੍ਰਿਕ ਨੂੰ ਜੋੜਨਾ. "ਬੋਟ ਬਹੁਤ ਕੁਝ ਹੱਲ ਕਰਦਾ ਹੈ" ਅਤੇ "ਗਾਹਕ ਸੰਤੁਸ਼ਟ ਹੈ" ਦੋ ਵੱਖਰੀਆਂ ਚੀਜ਼ਾਂ ਹਨ; ਇਕੱਠੇ ਪੜ੍ਹੋ.
- ਇਸਨੂੰ ਇੱਕ ਵਾਰ ਸੈੱਟ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਜਾਣ ਦਿਓ। ਡਰਾਫਟ ਚੁੱਪ ਹੈ; ਲਗਾਤਾਰ ਮਾਪ ਜ਼ਰੂਰੀ ਹੈ.
- ਇਕੱਲੇ CSAT ਨੂੰ ਅਸਲੀ ਸਮਝਣਾ। ਇੱਕ ਘੱਟ ਜਵਾਬ ਦਰ CSAT ਨੂੰ ਗੁੰਮਰਾਹ ਕਰਦੀ ਹੈ; ਦੇਖੋ ਕਿਸਨੇ ਭਰਿਆ।
- ਡਾਟਾ ਨਾਲ ਸੁਧਾਰ ਨੂੰ ਕਨੈਕਟ ਨਹੀਂ ਕੀਤਾ ਜਾ ਰਿਹਾ। "ਨੋਟ ਲੌਗ/ਹੈਂਡਓਵਰ/ਫੇਲ ਫਲੋ" ਡੇਟਾ ਦੇ ਨਾਲ ਤਰਜੀਹ ਦਿਓ, ਨਾ ਕਿ ਅਨੁਭਵੀ।
ਸੰਖੇਪ ਵਿੱਚ
ਮਾਪ ਅਤੇ ਨਿਰੰਤਰ ਸੁਧਾਰ ਏਆਈ ਨੂੰ ਇੱਕ ਵਾਰ ਦੀ ਸਥਾਪਨਾ ਤੋਂ ਇੱਕ ਜੀਵਤ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਬਦਲਦੇ ਹਨ। ਕਲਾਸਿਕ KPIs (AHT, FCR, CSAT, NPS, CES) ਅਤੇ AI-ਵਿਸ਼ੇਸ਼ ਮੈਟ੍ਰਿਕਸ (ਕੰਟੇਨਮੈਂਟ, ਬੋਟ ਹੱਲ ਦਰ, ਜਵਾਬ ਦੀ ਸ਼ੁੱਧਤਾ, ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੀ ਵਰਤੋਂ) ਨੂੰ ਇਕੱਠੇ ਟ੍ਰੈਕ ਕਰੋ; ਗੁਣਵੱਤਾ ਸਟੈਬੀਲਾਈਜ਼ਰ ਨਾਲ ਹਰੇਕ ਉਤਪਾਦਕਤਾ ਮੈਟ੍ਰਿਕ ਨੂੰ ਪੜ੍ਹੋ; ਕਦੇ ਵੀ ਇੱਕ ਮੈਟ੍ਰਿਕ 'ਤੇ ਫਿਕਸੇਟ ਨਾ ਕਰੋ। PDCA ਲੂਪ ਦੇ ਨਾਲ ਲਗਾਤਾਰ ਸੁਧਾਰ ਕਰੋ ਅਤੇ ਲੂਪ ਲਈ ਬਾਲਣ ਦੇ ਤੌਰ 'ਤੇ "ਪਤਾ ਨਹੀਂ" ਲੌਗਸ, ਟਰਨਓਵਰ ਕਾਰਨਾਂ, ਅਤੇ ਅਸਫਲ ਵਹਾਅ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਯਾਦ ਰੱਖੋ: ਮਾਡਲ ਅਤੇ ਗਾਹਕ ਸਮੇਂ ਦੇ ਨਾਲ ਵਧਦੇ ਜਾਂਦੇ ਹਨ; ਜਿਸ ਚੀਜ਼ ਨੂੰ ਤੁਸੀਂ ਚੁੱਪਚਾਪ ਨਹੀਂ ਮਾਪਦੇ ਉਹ ਸੜ ਜਾਂਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
7 ਮੈਟ੍ਰਿਕਸ ਵਾਲੇ ਆਪਣੇ ਖੁਦ ਦੇ AI ਪ੍ਰੋਗਰਾਮ ਲਈ ਇੱਕ KPI ਡੈਸ਼ਬੋਰਡ ਡਿਜ਼ਾਈਨ ਕਰੋ; ਹਰੇਕ ਮੈਟ੍ਰਿਕ ਲਈ, ਇੱਕ ਪਰਿਭਾਸ਼ਾ, ਟੀਚਾ, ਔਫਸੈਟਿੰਗ ਮੈਟ੍ਰਿਕ, ਅਤੇ ਚੇਤਾਵਨੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਸੈੱਟ ਕਰੋ (“1) KPI ਡੈਸ਼ਬੋਰਡ” ਟੈਮਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋ)। ਫਿਰ ਇੱਕ ਫਰਜ਼ੀ ਮਾਸਿਕ ਡੇਟਾ ਸੈੱਟ ਬਣਾਓ ਅਤੇ "2) ਮੀਟ੍ਰਿਕ ਵਿਆਖਿਆ" ਟੈਮਪਲੇਟ ਨਾਲ ਮੂਲ ਕਾਰਨ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ। ਅੰਤ ਵਿੱਚ, “4) ਨਿਰੰਤਰ ਸੁਧਾਰ ਫੀਡਬੈਕ ਸੰਖੇਪ” ਦੇ ਨਾਲ ਅਗਲੇ ਮਹੀਨੇ ਲਈ 3 ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਭਾਵ ਵਾਲੇ ਸੁਧਾਰਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿਓ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਕਲਾਸਿਕ KPIs ਅਤੇ AI-ਵਿਸ਼ੇਸ਼ ਮੈਟ੍ਰਿਕਸ ਇਕੱਠੇ ਟਰੈਕ ਕਰਦਾ ਹਾਂ।
- ਹਰ ਉਤਪਾਦਕਤਾ ਮੈਟ੍ਰਿਕ ਵਿੱਚ ਇੱਕ ਗੁਣਵੱਤਾ ਸਥਿਰਤਾਕਾਰ ਹੁੰਦਾ ਹੈ; ਮੈਂ ਇੱਕ ਮਾਪਕ 'ਤੇ ਧਿਆਨ ਨਹੀਂ ਦਿੰਦਾ।
- [ ] ਮੈਂ ਗਾਹਕ ਸੰਤੁਸ਼ਟੀ ਦੇ ਨਾਲ ਕੰਟੇਨਮੈਂਟ/ਬੋਟ ਹੱਲ ਦਰ ਪੜ੍ਹਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਜਵਾਬ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਦਾ ਹਾਂ ਅਤੇ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਵਹਿ ਜਾਂਦਾ ਹਾਂ।
- [ ] ਮੈਂ PDCA ਚੱਕਰ ਦੇ ਨਾਲ ਲਗਾਤਾਰ, ਡਾਟਾ-ਸੰਚਾਲਿਤ ਸੁਧਾਰ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ "ਪਤਾ ਨਹੀਂ" ਲੌਗ, ਹੈਂਡਓਵਰ ਕਾਰਨਾਂ, ਅਤੇ ਅਸਫਲ ਪ੍ਰਵਾਹਾਂ ਦੇ ਨਾਲ ਸੁਧਾਰਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹਾਂ।