汽車 CSAT 概述

借助思科基於深度學習技術的 AI 驅動的自動 CSAT 功能來提升您的客戶體驗，該功能可預測客戶滿意度分數。 這項強大的功能可充分利用您的交互潛力，為明智的決策提供寶貴的見解。 借助現成的即時見解，您的組織可以提高客戶服務標準並促進持續改進。 

客戶滿意度 (CSAT) 是聯絡中心瞭解客戶對其服務的滿意度的重要指標。 CSAT 是使用客戶調查收集的;然而，回應率很低。 回應通常來自有好或壞體驗的客戶，這可能會扭曲收到的整體反饋。 Auto CSAT 使用思科的專有模型分析運營數據、交互記錄和調查數據，以準確預測每次參與的 CSAT 分數。 客戶可以使用自動 CSAT 分數來確定培訓要求，選擇要審核的呼叫，並確保快速解決不滿意的客戶，並用於促進呼叫路由等即時操作。 自動 CSAT 分數以 Webex Contact Center Analyzer 形式提供，用於按客戶生成報告。

聯絡中心如何使用自動 CSAT 分數

聯絡中心可以使用此功能來增強其客戶體驗策略：

  • 主動解決問題 - 組織可以通過識別不滿來及早處理和解決問題。
  • 個人化培訓計劃 - 根據特定的代理績效數據制定自訂的培訓計劃。
  • 持續改進 - 利用 CSAT 分數中的見解來優化和優化客戶服務流程。
  • 戰略決策 - 利用數據驅動的洞察為戰略決策提供資訊。

不要將這些分數用於評估代理的績效、評估、處罰、薪酬或雇傭決策。 有關使用指南的更多詳細資訊，請參閱 自動 CSAT - AI 透明度技術說明。

開啟自動 CSAT 的先決條件

若要啟用自動 CSAT，請務必滿足以下先決條件：

  1. 已購買新的 AI Assistant 附加元件 SKU（A-FLEX-AI-ASSST） 的客戶。
  2. 透過以下方式啟用呼叫後調查來衡量 CSAT 的客戶：
    • 體驗管理，或
    • 在 Flow Builder 中使用 PostCallSurvey_AutoCSAT_Template 自訂 IVR 調查

  3. 以 3 點或 5 點制測量 CSAT 的客戶
  4. 用英語互動的客戶
  5. 必須啟用通話錄音以允許通話後處理

檢視自動 CSAT 分數

  • 我們會在通話作業階段記錄中發布 CSAT 分數，您可以使用搜尋 API 存取這些分數。
  • 您還可以在 Analyzer 的 AI Assistant 儀錶板中存取這些分數以生成自訂報告。
  • 您亦可從監督員桌面的「錄音管理」小工具存取樂譜。

自動 CSAT 報告回答了以下關鍵問題：

  • 代理級見解： 單個代理交互的自動 CSAT 分數是多少？ 他們的平均、最低和最高自動 CSAT 分數趨勢是什麼？
  • 團隊層面的見解： 特定團隊互動的自動 CSAT 分數是多少？ 他們的平均、最低和最高自動 CSAT 分數趨勢是什麼？
  • 佇列級別見解： 給定佇列內交互的自動 CSAT 分數是多少？ 他們的平均、最低和最高自動 CSAT 分數趨勢是什麼？
  • 比較分析： 不同代理、團隊和佇列之間的自動 CSAT 分數如何比較？
  • 需要改進的領域： 座席輔導和培訓可以在哪些方面提高績效？
  • 交互審核： 哪些交互需要進一步審查或客戶跟進？
  • 運營改進： 哪些領域表明需要運營或流程改進？

如何啟用自動 CSAT 功能

開始之前：啟用通話錄音以促進通話後處理，這是生成自動 CSAT 預測所必需的。

管理員可以選擇為整個組織或特定使用者啟動自動 CSAT 功能。 啟用后，自動 CSAT 將預測客戶對聯絡中心中發生的交互的滿意度。

執行以下步驟以在 Control Hub 中啟用自動 CSAT 功能：

  1. 登入 Control Hub 並導覽至 「服務 > Contact Center 」。
  2. 導航 到導航窗格中的“桌面體驗 > AI 助手 ”。
  3. 切換 自動 CSAT
  4. 為自動 CSAT 計算選擇以下選項之一：
    • 所有代理 - 選取此選項可計算所有代理及其互動的分數。
    • 特定代理 - 使用名稱與小組的搜尋與過濾選項，從清單中選取特定代理。
  5. 選擇體驗管理 以從調查中選擇 CSAT 問題以訓練自動 CSAT 模型，或 選擇 全域變數 以選擇用於存儲調查回應的全域變數。

開啟自動 CSAT

自動 CSAT 配置僅供管理員使用，並且可以通過使用者配置檔進行管理。 有關我們用於預測自動 CSAT 的模型、我們用於訓練的數據源、訓練和評估頻率等的詳細資訊，請參閱 AI 透明度技術說明。

常見問題集 (FAQ)

啟用該功能后，自動 CSAT 分數何時可用？

自動 CSAT 模型需要最少量的訓練數據才能開始預測自動 CSAT 分數。 該模型根據調查數據、操作數據和通話/聊天記錄的組合進行訓練。 成功的訓練過程需要每個 CSAT 縮放點至少 50 個數據點。 例如，5 分 CSAT 量表要求 50 個互動被評為 1,50 個互動被評為 2，依此類推，最多 5 個。

此基線對於建立初始模型性能至關重要。 但是，初始模型性能可能無法立即滿足所有預期。 模型預測的有效性取決於業務的性質和訓練數據的品質。 隨著數據表的數量和品質的提高，模型的性能也會提高。

成功訓練模型后，您可以開始查看自動 CSAT 分數。

如何評估組織的自動 CSAT 模型的性能指標？ 

通過將生成的自動 CSAT 值與從客戶調查回應獲得的 CSAT 分數進行比較，評估自動 CSAT 模型性能。 該模型旨在與人類評估保持一致;由於人類的主觀性和對類似經歷的不同反應，預計會有一些變化。 大多數情況下，預測分數應與實際調查回應相匹配。 任何偏差都在實際調查分數的 +/- 1 範圍內。

自動 CSAT 模型多久重新訓練一次？

自動 CSAT 模型每 30 天使用前 180 天的數據重新訓練一次。