人工智能，機器人，大數(shù)據(jù)和分析的強大功能現(xiàn)在使我們能夠實現(xiàn)“我們如何在多個渠道和接觸點創(chuàng)建和維持一致且令人敬畏的客戶體驗”這一整體目標，從而提高可持續(xù)收入，實現(xiàn)更高利潤率，并維持更高水平的客戶滿意度和忠誠度。

　　讓我們深入探討第二個挑戰(zhàn)，即提高FCR。

　　經(jīng)過研究證實，聯(lián)絡中心和其他支持功能的首次聯(lián)絡解決率（FCR）是客戶滿意度的最大驅動因素。然而，大多數(shù)公司過分依賴平均FCR等點數(shù)統(tǒng)計，他們忽略了今天客戶開始查詢或在線搜索支持的事實，在IVR系統(tǒng)中失敗的事實，然后他們才會通過電話、電子郵件或聊天來聯(lián)系客戶服務代表。想一想：如果客戶無法在網(wǎng)上得到他們想要的東西，并且在IVR遭到挫折，那么他們與座席的互動是第三次接觸=非常不滿意，而且代價高昂！

　　客戶在座席級別了解FCR會不會更好，更令客戶滿意（哪些座席比其他座席有更高的解決率，哪些座席不會產(chǎn)生重復聯(lián)絡）？并找出第一次難以解決哪些問題，產(chǎn)生重復聯(lián)絡？并分析客戶在網(wǎng)站上啟動的FCR，并盡可能多地解決這些交互？最后一點還涉及我之前關于減少對聯(lián)絡中心需求的專欄，并在我的第一本書“最佳服務是無服務”和我的第二本書“客戶規(guī)則”的關鍵部分中整齊地聯(lián)系起來！

　　在這篇文章中，我將不討論如何定義和改進IVR遏制，因為還有很多其他的地方可以找到方法。為什么增加FCR如此困難的一些原因，特別是在我提出的全渠道基礎上，包括：

　�。�1） 渠道通常由不同的團體或職能部門“擁有”；

　�。�2） 渠道發(fā)展不協(xié)調；

　　（3） 渠道報告同樣不協(xié)調，存放在不同的數(shù)據(jù)庫中；

　�。�4） FCR沒有單一的定義；

　　（5） 我們經(jīng)常依賴FCR的“平均值”，就像處理時間（AHT）等許多其他指標一樣，而不是深入到座席級別或問題級別上。

　　最后一條是因為缺乏足夠精確的數(shù)據(jù)來預測績效，因為座席加入，被培訓或離職，并且使問題或原因或多或少地變得復雜。

　　然而，通過使用AI，機器人，大數(shù)據(jù)和分析，解決這五個原因并跟蹤FCR的持續(xù)增長變得更加容易。我將回顧解決這個關鍵問題的五個步驟：“我們如何預測重復接觸；第一次完全解決它們；并專注于開始重復接觸過程的問題，原因代碼和座席（或創(chuàng)建滾下山的”雪球“），以及能夠解決重復接觸的過程和座席（或”融化雪球““）？”

　　正如所指出的那樣，對于FCR沒有一致的定義，并且周圍的內容被稱為渠道不同的東西（網(wǎng)絡支持和IVR支持的“遏制”，聯(lián)絡中心的FCR平均值）。讓我們首先使用相同的術語來表示重復的，未解決的聯(lián)系人（“雪球”）；在網(wǎng)站上開始客戶啟動的地方；并發(fā)送平均值以達到座席和問題級別。我們可以通過多種方式定義FCR，最受歡迎的是“同一個客戶在7天內沒有再次與我們聯(lián)系”；然而，通常引用的“聯(lián)系人”是在聯(lián)絡中心，而不是在所有渠道上，也不是從網(wǎng)絡上開始。因此，讓我們將FCR定義為“同一客戶沒有因為任何渠道中的同一問題在4天內再與我們聯(lián)系，”，更嚴格的時間表等同于客戶更大程度的不耐煩。

　　這一步驟大大提升了大數(shù)據(jù)的力量，以“混搭”無數(shù)的數(shù)據(jù)源，并整理出具有最高預測價值的數(shù)據(jù)源。這是我們在所有問題上擊倒“平均”FCR和整體FCR的地方；相反，我們需要收集所有渠道，座席和問題的數(shù)據(jù)點，問題=客戶語言中的一組有限的“原因代碼”，例如“我的退款在哪里？”或“我如何獲得另一個過濾器？”您會發(fā)現(xiàn)該網(wǎng)站的FCR非常低（我們經(jīng)�？吹狡骄�網(wǎng)絡支持FCR約為30％�。�，值得密切關注，使網(wǎng)絡支持變得簡單。您會發(fā)現(xiàn)某些問題的FCR非常低，可能是因為政策混亂（參見步驟4），有些問題可能接近100％FCR，因此不太注意修復。

　　通過構建一個輸入--輸出表來顯示哪些座席解決問題，哪些不解決問題，您最終可以超越平均值并將座席匯總到他們的團隊中以生成基于管理員的FCR結果。在這里你會看到一些座席的FCR低于50％，拉低了整體平均FCR，可能是因為培訓不足（參見步驟4），有些幾乎是完美的100％，值得你持續(xù)保持對他們的關注。

　　現(xiàn)在是有趣的部分......將粒狀FCR數(shù)據(jù)點加載到清晰且可操作的模型中。幾年來，我的團隊一直在使用Microsoft PowerB I，Qlik或Tableau等工具構建這些模型，還有其他可用的可視化工具。最好將輸入，趨勢視圖和“所有者”顯示與所有者=負責開發(fā)或改進影響FCR的流程和系統(tǒng)的高管結合起來。

　　通過步驟2中發(fā)現(xiàn)的一些假設，使用AI，您可以找到FCR可能驅動程序的原因和結果，例如重新設計的Web支持頁面，新培訓，簡化的知識共享頁面以及對座席的反饋（以便每個人都可以看看他們的工作如何影響客戶滿意度）。您還可以開始預測哪些客戶和問題可能是雪球，使勞動力管理能夠將他們路由到更專業(yè)的座席那里，這些座席具有融合雪球的成熟技能。

　　在最后一步中，您將能夠識別能夠解決更多聯(lián)系人的座席，而不是送雪球下坡，開發(fā)人員能夠增加WebFCR，以及可視化專家能夠將所有這些都集中在一起。然后，您可以從這些成功中學習，并建立在它們之上，進入持續(xù)改進的良性循環(huán)當中。

　　通過遵循這五個步驟并使用AI，機器人，大數(shù)據(jù)和分析，您將增加FCR并提高客戶滿意度。你還會：

　　作者：比爾.普萊斯（Bill Price）

　　原文網(wǎng)址：http://customerthink.com/how-to-increase-first-contact-resolution-with-ai-bots-and-big-data/