用多指标判断“客服机器人” 看快商通如何做？（二）
2020-08-28 18:31 卢静 阅读：
快商通近年来一直在加强人工智能领域的投入和研究，而可以说客服行业可以称的上是人工智能切入实际应用的前沿阵地，快商通采取多指标打造的的客服机器人早已在客户服务中的应用。所采用的分别有以下五项指标。
一、问题识别率
问题识别率是业内主流客服机器人服务提供商或企业的工作逻辑，它指的是机器人能识别出客户的问题数与所有问题数的比例。这项是行业中普遍应用的衡量指标。
在这个过程中，从客户的千奇百怪的问题或者问法，机器人可以分析语义并寻找到知识标准答案，就算是问题识别对了，也就是给问题识别率加了一分。
而我们从做客服的角度来看，常常会怀疑这个数据，因为实际经验中自己去使用机器人的时候，它们好像没有那么智能啊，所以，这也从一个侧面说明了，我们需要有另外的一整套指标来衡量，而不仅仅是单一的问题识别率。
二、拨测准确率
拨测准确率采用的是一种实验的方法，即用一定的公司内部业务管理人员的人力，采取模拟客户问题的方法和机器人实际开展对话，记录结果的正确与否，人工判断机器人回答准确的数量占到总问题数的比例。这个指标更笨但更真实的问题识别率
这个指标的好处在于，是人脑判断的对错，也是模拟客户的角度去看待对错，所以在样本量越大的情况下，我们认为这个指标越真实。以我们的实践来看，拨测准确率的数据比问题识别率要低3-4个点，即在90%左右的水平。
而这个指标也有它的缺陷，首先要耗费大量的人力去做这个事情，其次因为是业务人员去拨测的，因为非常熟悉业务的情况，所以不能完全真实的模拟客户看到答案的感知，是否准确，是否看的懂，都存在一定的偏差。
三、答案满意度
客户是智能机器人的最终使用者，所以只有真实的客户是否认同机器人的回答才是更真实的数据情况，普遍意义上可以有两种典型的调研方式：
1、在机器人每回答一个问题的结束都设置一个评价小尾巴，客户对逐条问题都可以选择评价，并评价是否满意这条回答。这样做的好处是，通过大量的数据积累，可快速定位评分相对低的答案，然后回炉进行优化，以此往复，不断提升；比如支付宝就是采用这种方式；
2、在整体机器人服务完成后弹出窗口进行调研，调研客户对整通机器人服务的完整感知，是否满意；这样的好处是没有那么频繁的骚扰客户，且评价具有整体性，但是对于具体的提升帮助不够明显。
这个指标是监控机器人能力又一重点指标，这个指标在应用上一定要注意UIUE的设计，尽量少的骚扰到客户，所以建议不是常态化的用，最好在服务启动的初期和关键点去应用。
四、服务满足率
基本上，在线客服的行业的排列模式普遍是“智能机器人+在线人工服务”，机器人在前端解决大部分简单、重复的问题，在机器人回答后则开放引导人工的入口，当客户不满意机器人的答案或者有更高的要求的时候，客户可以有两种选择，第一，通过人工入口，点击进入人工服务；第二，受不了了直接退出拨打同企业的人工服务热线。
使用机器人最终是为了替代人力劳动，降低人工成本，因此监控客户在机器人上完整解决问题的比例，对于智能机器人客服而言，意义很重大。在业内，基本上没有相关可以参考的行业平均值，我们的情况在85%左右。
五、调研满意度
设计一个调研问卷，用外呼的方式，针对近期接受过机器人服务的客户开展调研，这个方法很常规。在一定样本量的基础上，这个数据应该最大概率的贴近客户的真实感知，并且通过设计问卷的细项，我们可以找到具体的客户认为机器人不满的点在哪里，同时加以提升和修正。
这个方法虽然很老土，但是很实用；行业不同，调研的内容不同，这个数据的平均参考值也不同，但一般而言，85%会是一个较为合理的衡量标准。
综上，智能机器人的技术发展日新月异，人工智能算法也在飞速的发展当中， 相信在不久的将来，人工智能在客服的应用将远超想象，快商通通过这五大关键指标监控，在不断的发现问题和解决问题。
一、问题识别率
问题识别率是业内主流客服机器人服务提供商或企业的工作逻辑，它指的是机器人能识别出客户的问题数与所有问题数的比例。这项是行业中普遍应用的衡量指标。
在这个过程中，从客户的千奇百怪的问题或者问法，机器人可以分析语义并寻找到知识标准答案，就算是问题识别对了，也就是给问题识别率加了一分。
而我们从做客服的角度来看，常常会怀疑这个数据，因为实际经验中自己去使用机器人的时候，它们好像没有那么智能啊，所以，这也从一个侧面说明了，我们需要有另外的一整套指标来衡量，而不仅仅是单一的问题识别率。
二、拨测准确率
拨测准确率采用的是一种实验的方法，即用一定的公司内部业务管理人员的人力，采取模拟客户问题的方法和机器人实际开展对话，记录结果的正确与否，人工判断机器人回答准确的数量占到总问题数的比例。这个指标更笨但更真实的问题识别率
这个指标的好处在于，是人脑判断的对错，也是模拟客户的角度去看待对错，所以在样本量越大的情况下，我们认为这个指标越真实。以我们的实践来看，拨测准确率的数据比问题识别率要低3-4个点，即在90%左右的水平。
而这个指标也有它的缺陷，首先要耗费大量的人力去做这个事情，其次因为是业务人员去拨测的，因为非常熟悉业务的情况，所以不能完全真实的模拟客户看到答案的感知，是否准确，是否看的懂，都存在一定的偏差。
三、答案满意度
客户是智能机器人的最终使用者，所以只有真实的客户是否认同机器人的回答才是更真实的数据情况，普遍意义上可以有两种典型的调研方式：
1、在机器人每回答一个问题的结束都设置一个评价小尾巴，客户对逐条问题都可以选择评价，并评价是否满意这条回答。这样做的好处是，通过大量的数据积累，可快速定位评分相对低的答案，然后回炉进行优化，以此往复，不断提升；比如支付宝就是采用这种方式；
2、在整体机器人服务完成后弹出窗口进行调研，调研客户对整通机器人服务的完整感知，是否满意；这样的好处是没有那么频繁的骚扰客户，且评价具有整体性，但是对于具体的提升帮助不够明显。
这个指标是监控机器人能力又一重点指标，这个指标在应用上一定要注意UIUE的设计，尽量少的骚扰到客户，所以建议不是常态化的用，最好在服务启动的初期和关键点去应用。
四、服务满足率
基本上，在线客服的行业的排列模式普遍是“智能机器人+在线人工服务”，机器人在前端解决大部分简单、重复的问题，在机器人回答后则开放引导人工的入口，当客户不满意机器人的答案或者有更高的要求的时候，客户可以有两种选择，第一，通过人工入口，点击进入人工服务；第二，受不了了直接退出拨打同企业的人工服务热线。
使用机器人最终是为了替代人力劳动，降低人工成本，因此监控客户在机器人上完整解决问题的比例，对于智能机器人客服而言，意义很重大。在业内，基本上没有相关可以参考的行业平均值，我们的情况在85%左右。
五、调研满意度
设计一个调研问卷，用外呼的方式，针对近期接受过机器人服务的客户开展调研，这个方法很常规。在一定样本量的基础上，这个数据应该最大概率的贴近客户的真实感知，并且通过设计问卷的细项，我们可以找到具体的客户认为机器人不满的点在哪里，同时加以提升和修正。
这个方法虽然很老土，但是很实用；行业不同，调研的内容不同，这个数据的平均参考值也不同，但一般而言，85%会是一个较为合理的衡量标准。
综上，智能机器人的技术发展日新月异，人工智能算法也在飞速的发展当中， 相信在不久的将来，人工智能在客服的应用将远超想象，快商通通过这五大关键指标监控，在不断的发现问题和解决问题。
分享到
