Tack för din feedback.

Förbättra din kundupplevelse med Ciscos AI-drivna Auto CSAT funktion, baserad på djupinlärningstekniker för att förutsäga kundnöjdhetspoäng. Denna kraftfulla funktion utnyttjar den fulla potentialen i dina interaktioner och ger ovärderliga insikter för informerat beslutsfattande. Med realtidsinsikter som är lättillgängliga kan din organisation höja kundservicestandarden och främja kontinuerliga förbättringar. 

Kundnöjdhet (CSAT) är ett viktigt mått för kontaktcenter för att förstå hur nöjda kunder är med sin tjänst. CSAT samlas in med hjälp av kundundersökningar; svarsfrekvensen är dock låg. Svar kommer ofta från kunder som hade antingen bra eller dåliga erfarenheter, vilket kan förvränga den övergripande feedbacken som erhållits. Med hjälp av Ciscos egenutvecklade modeller analyserar Auto CSAT operativa data, interaktionsutskrifter och undersökningsdata för att exakt förutsäga CSAT-poäng för varje engagemang. Auto CSAT-poängen kan användas av kunder för att identifiera utbildningskrav, välja samtal för granskning och säkerställa snabb lösning för missnöjda kunder och användas för att underlätta realtidsåtgärder som samtalsdirigering. Auto CSAT-poängen är tillgänglig Webex Contact Center Analyzer för att generera rapporter från kunder.

Kontaktcenter kan använda den här funktionen för att förbättra sina kundupplevelsestrategier:

• Proaktiv problemlösning — Organisationer kan ta itu med och lösa problem tidigt genom att identifiera missnöje.
• Personliga utbildningsprogram — Utveckla anpassade utbildningsprogram baserat på specifika agenterprestationsdata.
• Kontinuerlig förbättring — Använd insikter från CSAT-poäng för att förfina och optimera kundserviceprocesser.
• Strategiskt beslutsfattande — Informera strategiska beslut med datadrivna insikter.

Använd inte dessa poäng för att bedöma agentens prestanda, bedömningar, påföljder, ersättning eller anställningsbeslut. Mer information om riktlinjer för användning finns i den tekniska anmärkningen för automatisk CSAT — AI Transparency.

För att aktivera Auto CSAT är det viktigt att uppfylla följande förutsättningar:

1. Kunder som har köpt den nya AI Assistant eller AI QM- eller AI Assistant QM Bundle-tilläggs-SKU () A-FLEX-AI-ASST.
2. Kunder som mäter CSAT med eftersamtalsundersökningar aktiverade genom:
   • Erfarenhetshantering, eller
   • Anpassade IVR-undersökningar med hjälp av CSAT DTMF-undersökningsflödesmall i Flow Builder

3. Kunder som mäter CSAT på en 3- eller 5-punkts skala
4. Kunder med interaktioner på engelska (flerspråkigt stöd är för närvarande i beta. Mer information finns i Flerspråkigt stöd för AI Assistant funktioner.
5. Samtalsinspelning måste vara aktiverad för att möjliggöra bearbetning efter samtal

• Vi publicerar Auto CSAT-poäng i samtalssessionsposterna och du kan komma åt dem med hjälp av Search API.
• Du kan också komma åt dessa poäng i Auto CSAT-tabellen i AI AssistantDashboard i Analyzer för att generera anpassade rapporter.

  Auto CSAT-rapporten svarar på dessa viktiga frågor:

  • Insikter på agentnivå: Vad är Auto CSAT-poängen för en enskild agents interaktioner? Vad är deras genomsnittliga, minsta och maximala Auto CSAT-poängtrender?
  • Insikter på teamnivå: Vad är Auto CSAT- poängen för ett specifikt lags interaktioner? Vad är deras genomsnittliga, minsta och maximala Auto CSAT-poängtrender?
  • Insikter på könivå: Vad är Auto CSAT- poängen för interaktioner inom en given kö? Vad är deras genomsnittliga, minsta och maximala Auto CSAT-poängtrender?
  • Jämförande analys: Hur jämförs Auto CSAT -poäng mellan olika agenter, lag och köer?
  • Förbättringsområden: Var kan agentcoaching och utbildning förbättra prestanda?
  • Interaktionsrevisioner: Vilka interaktioner motiverar ytterligare granskning eller kunduppföljning?
  • Operativa förbättringar: Vilka områden tyder på behov av operativa förbättringar eller processförbättringar?
• I Supervisor Desktop visas Auto CSAT -poäng på sidan Interaktionsdetaljer, särskilt på panelen Interaktionsdata.

Innan du börjar: Aktivera samtalsinspelning för att underlätta bearbetning efter samtal, vilket är nödvändigt för att producera Auto CSAT-förutsägelser.

Administratörer har möjlighet att aktivera funktionen Auto CSAT antingen för hela organisationen eller för specifika användare. När den är aktiverad kommer Auto CSAT att förutsäga kundnöjd het för interaktioner som äger rum i ditt kontaktcenter.

Aktivera funktionen Auto CSAT i Control Hub genom att följa dessa steg:

1. Logga in på Control Hub och navigera till Tjän ster > Kontakt center.
2. Navigera till Skrivbordsupplevelse > AI- funktioner i navigeringsfönstret.
3. Slå på Auto CSAT under Global konfiguration.
4. Om du vill aktivera Auto CSAT för alla köer i organisationen växlar du till Använd på alla köer.
5. Om du vill aktivera Auto CSAT för specifika köer navigerar du till Kö konfigurationen överst, väljer önskad kö och aktiverar funktionen för den kön.
6. Välj Experience Management för att välja CSAT-frågorna från dina undersökningar för att träna Auto CSAT-modellen eller Global Variable för att välja den globala variabeln som används för att lagra enkätsvar.

1. När är Auto CSAT-poäng tillgängliga efter att funktionen har aktiverats?

   Auto CSAT- modellen kräver minst 250 interaktioner med CSAT-undersökningssvar för att börja förutsäga Auto CSAT -poäng. Modellen tränar på en kombination av undersökningsdata, operativa data och samtal/chattutskrifter. En framgångsrik träningsprocess kräver minst 250 datapunkter över alla CSAT-skalpunkter, jämnt fördelade mellan skalorna för optimala resultat.

2. Hur kan jag bedöma prestandamätningarna för min organisations Auto CSAT- modell?

   Utvärdera Auto CSAT-modellens prestanda genom att jämföra de genererade Auto CSAT- värdena med CSAT-poängen som erhållits från kundundersökningssvar. Modellen är utformad för att anpassa sig till mänskliga utvärderingar; viss variation förväntas på grund av mänsklig subjektivitet och olika reaktioner på liknande upplevelser. För det mesta förväntas förutspådda poäng matcha faktiska enkätsvar. Eventuella avvikelser faller inom ett +/- 1 intervall av de faktiska undersöknings resultaten. Detta återspeglar samma variationsnivå som du kan förvänta dig om flera mänskliga utvärderare betygsatte samma interaktion.

3. Hur ofta omskolas Auto CSAT-modellerna?

   Auto CSAT -modellerna omskolas var 30 :e dag med hjälp av data från föregående 180 dagar. Denna regelbundna omskolning hjälper till att säkerställa att modellerna förblir exakta och fria från drift.

4. Om min organisation har flera CSAT-undersökningar, hur väljer jag rätt CSAT-fråga att kartlägga till?

   För modellutbildning, välj den CSAT-fråga som bäst representerar övergripande kundnöjdhet för varje kontaktcenterinteraktion. Om du använder flera undersökningar väljer du en CSAT-fråga från varje enkät. Systemet antar att endast en undersökning används per interaktion; den valda CSAT-frågan från den undersökningen ger tränings data för den interaktionen.

5. Min organisation samlar inte in CSAT-undersökningar. Kan jag använda Auto CSAT funktionen?

   Nej. Auto CSAT kräver CSAT-undersökningsdata för modellutbildning. Om din organisation inte samlar in CSAT-undersökningar aktiverar du dem via Experience Management eller anpassade IVR-undersökningar. När CSAT-datainsamlingen börjar, aktivera Auto CSAT.

6. Vi använder ett tredjepartsverktyg för att samla in CSAT-data. Kan dessa data användas för att träna Auto CSAT-modellen?

   Nej. Auto CSAT använder för närvarande endast internt insamlade CSAT-undersökningsdata för modellutbildning; undersökningsdata från tredje part stöds inte.

7. Varför ser jag ”N/A” i Auto CSAT-rapporten?

   Om ”N/A” visas i Auto CSAT- rapporten kan det indikera att modellen inte har tränats på grund av otillräckliga data. Se till att din organisation uppfyller datakraven för modellutbildning. Systemet kräver minst 50 svar per CSAT-skalpunkt.

8. Vad händer om jag växlar mellan alternativen Experience Management (EM) och Global Variable (GV)?

   Växling mellan EM- och GV-alternativ träder i kraft under nästa omskolningscykel. Den befintliga modellen kommer att fortsätta att förutsäga CSAT-värden tills omskolning sker . Frekventa ändringar kan påverka modellens kvalitet, så det är bäst att upprätthålla konsistens.