收益：
- 能够读取经典 KPI（AHT、FCR、CSAT、NPS、CES）和 AI 特定指标，并为每个生产力指标提供质量平衡器
- 能够定期测量答案准确性和漂移，并避免锁定单一指标的陷阱
- 能够根据“我不知道”记录、离职原因和 PDCA 循环失败流程进行持续改进
当人工智能进入呼叫中心时，最危险的错误是说“我们安装了它，看起来它正在工作，这就足够了”。机器人、助手或自助服务流程在上线时并不完美，并且不会停留在那里；必须不断地对其进行测量、监控和改进。此外，跟踪错误的指标有时比不跟踪正确的指标更有害——因为它会让你朝着错误的方向前进。在本单元中，我们将了解呼叫中心关键指标 (KPI)、AI 特定指标以及如何建立持续改进周期。
首先，警告：指标是达到目的的手段，而不是目的本身。目标是高效、良好地解决客户的问题。如果您孤立地追逐一项指标（例如 AHT），销售代表会在没有解决客户问题的情况下缩短通话时间，真正的目的将会受到损害。这就是所谓的指标痴迷；阅读每个指标并进行平衡。
呼叫中心基本 KPI
KPI（关键绩效指标）是衡量流程绩效的数字。呼叫中心最基本的：
关键绩效指标
采取什么措施
平衡器
AHT（平均处理时间）
接触时间
FCR、CSAT（简短但并非无解）
FCR（首次接触时的分辨率）
一次性解决方案
CSAT（不要说你解决了也没有解决）
CSAT（客户满意度）
接触后评分
回复率（如果填的人少，会产生误导）
NPS（推荐分数）
忠诚/推荐
根本原因（为什么低？）
CES（客户努力得分）
顾客有多难
—
SL（服务级别）
x 秒内应答的呼叫百分比
放弃率
放弃率（放弃）
呼叫保持保留状态
SL、冷却时间
CES（客户努力分数）衡量客户解决问题的努力程度；低努力与高保真度密切相关。客户说“我很容易解决了”往往比说“我很满意”更有价值。
AI 特定指标
除了经典 KPI 之外，还添加了针对 AI 应用程序的特殊指标：
- 遏制/偏转率：机器人/自助服务解决而不将其移交给人类的接触率。但这本身就是骗人的。应与解决方案（第 8 单元中的陷阱）一起阅读。
- 机器人解决率：机器人实际解决的联系人（客户满意）——而不是“保留在机器人中”。
- 流失率和原因：转移了多少以及原因（第 10 单元）。
- 答案准确性：机器人/助手给出的答案的正确率——通过抽样和人工监督来衡量。
- 采用：客服人员使用客服人员协助建议的比率（第 6 单元）。
- 摘要准确性：通过人工批准纠正自动摘要/标签的比率（第 4 单元）。
- 幻觉/错误率：编造或错误答案的频率——目标接近于零。
提示：将每个人工智能指标与“质量稳定器”配对。光“遏制高”是不行的； “遏制程度高且机器人解决方案满意度高”很好。切勿将效率指标与质量指标分开。
持续改进循环
一个好的人工智能程序是一个旋转的轮子，而不是一个一次性的项目。经典的 PDCA 循环（计划-执行-检查-行动；PDCA）在这里发挥作用：
- 计划：您将改进哪个指标，为什么？设定一个目标（例如“将机器人的回报率从 60% 提高到 75%）。”
- 应用：进行更改（添加知识库项目、修复流程、改进提示）。
- 检查：指标确实有所改善吗？是否有副作用（是否有其他指标被破坏）？
- 采取预防措施：如果有效，请将其永久化；如果不行就拿回去学习。
这个循环的燃料是数据：“不知道”日志（第 5 单元）、离职原因（第 10 单元）、失败的流程（第 8 单元）、低分对话（第 7 单元）。这些资源告诉您需要改进的地方。
注意：人工智能模型和客户行为会随着时间的推移而变化；这称为漂移。如果其知识库过时或客户问题模式发生变化，如今准确率达到 95% 的机器人可能会悄然恶化。这就是为什么测量不是一次性的，而是连续的。你不衡量的东西会悄然崩溃。
四个可复制模板
1）KPI仪表板设计：
为我的呼叫中心 AI 项目制作每月 KPI 仪表板草稿。对于每个指标：定义、目标、抵消指标、数据源、警报阈值（高于/低于该值的警报）。指标：AHT、FCR、CSAT、遏制、机器人解决率、周转率、答案准确性。不要提供虚构的数字；设置一个模板，以便我填写字段。
2）指标解释（根本原因）：
像 CX 分析师一样解释下面的 KPI 数据。(1) 最显着的变化，(2) 可能的根本原因假设（证明），(3) 要查看的其他指标（抵消），(4) 2 个建议的操作。从数据中获取数字；将假设标记为“必须得到证实”。数据：<<...>>
3) A/B comparison evaluation:
将两个机器人/流版本（A 和 B）与以下数据进行比较：<<数据>>。哪个在遏制、机器人解析率和 CSAT 方面更好？差异看起来很显着还是很小/噪音？生产力的提高是否是以质量损失为代价的？给出明确的建议，但也指出任何不确定之处。
4）持续改进反馈汇总：
结合以下改进资源（不知道日志、切换原因、失败流程）。优先考虑 3 个影响最大的改进机会：问题/受影响的指标/提议的更改/预期影响。只依靠数据。来源：<<...>>
弱提示/强提示
弱提示：
告诉我这个月的数字是好是坏。
不清楚：哪个指标、目标是什么、稳定因素是什么、根本原因是什么——会产生肤浅且误导性的判断。
强力提示：
本月，遏制率从58%上升至71%，但CSAT从4.1下降至3.6，周转率从30%下降至19%。解释此图表：生产力的提高是否以牺牲客户满意度为代价（客户是否会被困在机器人中）？我应该用什么数据来验证？建议 2 项行动。
区别：指标、平衡和验证的问题很明确；这种解释是有道理的（这里有一个“限制”陷阱信号，因为限制的增加伴随着 CSAT 的减少）。
三个迷你箱子
案例 1——错误的度量陷阱。一家呼叫中心仅奖励 AHT。客服人员挂断了客户的电话，却没有解决他们缩短时间的问题；短期内，AHT 下跌 15%，但重复呼叫增加 28%，FCR 崩溃。总负担和成本实际上增加了。当 AHT、FCR 和 CSAT 一起监测时，平衡就建立了。教训：一个指标是谎言。
案例 2——无声漂移。一家银行的机器人运行了 6 个月没有出现任何问题，没有人对其进行测量。当新产品出现时，知识库就被抛在了后面；机器人准确率不知不觉地从 94% 下降到 79%，并且投诉增加。一旦建立了定期的精度测量，就可以及早发现滑点。教训：未经测量的系统会悄然崩溃。
案例 3 — 治愈周期的力量。一家电子商务公司每月选择 3 个影响最大的改进（从不知道的日志 + 流动原因 + 失败的流程），每月进行 PDCA 循环。 6 个月内，机器人解决率从 52% 提高到 74%，CSAT 从 3.8 提高到 4.4——这并不是一项重大突破，而是一个又一个微小的、可衡量的改进。持续改进来自一致性，而不是突飞猛进。
常见错误
- 专注于单一指标。单独追求 AHT 或遏制会降低质量；每个指标都必须有一个稳定器。
- 将生产力指标与质量脱钩。 “机器人解决了很多问题”和“客户满意”是两件不同的事情；一起阅读。
- 设置一次然后就可以放手了。漂流无声；连续测量是必须的。
- 单独考虑 CSAT 是真实的。低回复率会误导 CSAT；看看是谁填的。
- 没有将改进与数据联系起来。优先考虑“不知道日志/切换/失败的流程”数据，而不是直觉。
综上所述
测量和持续改进将人工智能从一次性安装转变为一个活生生的系统。一起跟踪经典 KPI（AHT、FCR、CSAT、NPS、CES）和 AI 特定指标（遏制、机器人解决率、答案准确性、推荐使用情况）；使用质量稳定器读取每个生产力指标；永远不要专注于单一指标。通过 PDCA 循环不断改进，并使用“不知道”日志、离职原因和失败流程作为循环的燃料。请记住：模型和客户会随着时间的推移而发生变化；你不去衡量的东西就会悄悄地腐烂。
应用任务
为您自己的 AI 程序设计一个由 7 个指标组成的 KPI 仪表板；为每个指标设置定义、目标、抵消指标和警报阈值（使用“1) KPI 仪表板”模板）。然后创建一个虚构的每月数据集，并使用“2）指标解释”模板执行根本原因分析。最后，通过“4）持续改进反馈摘要”优先考虑下个月影响最大的 3 个改进。
清单
- [ ] 我一起跟踪经典 KPI 和 AI 特定指标。
- [ ] 每个生产力指标都有一个质量稳定器；我不关注单一指标。
- [ ] 我阅读了遏制/机器人解决方案率以及客户满意度。
- [ ] 我定期测量答案的准确性和偏差。
- [ ] 我通过 PDCA 循环进行持续的、数据驱动的改进。
- [ ] 我优先考虑“不知道”日志、切换原因和失败流程的改进。