所以我要把它分解一下，我會給你舉一些例子，說明人工智能和機器學習是如何被用來提供預測性和規(guī)范性的分析方法的，這些方法可以真正幫助你的聯(lián)絡中心開始采取主動而不是被動的措施，并且能夠執(zhí)行一些事情，比如有針對性的質(zhì)量評分，而不是隨機分析，幫助你發(fā)現(xiàn)問題座席績效和客戶滿意度趨勢，而不必尋找它們。它們會自動被發(fā)現(xiàn)。

　　所以，給大家舉一個機器學習技術(shù)的例子，我將從我熟悉的產(chǎn)品的上下文說起，這顯然是Calabrio產(chǎn)品。我們使用機器學習的關鍵技術(shù)之一就是我們的預測能力。因此，特別是關于預測性評估和預測性NPS（凈推薦得分）。按照這種方式，我們使用源數(shù)據(jù)，這些數(shù)據(jù)將被記錄下來。我們將把它與我們在這些交互中擁有的所有元數(shù)據(jù)結(jié)合起來。這包括ACD的元數(shù)據(jù)，CRM的元數(shù)據(jù)，以及我們可能合并到聯(lián)系人中的任何其他源。然后我們用我們擁有的分析數(shù)據(jù)來分層，包括語音分析、文本分析、桌面分析、通話事件、互動過程中的沉默等等。所以我們把所有這些數(shù)據(jù)都和上下文關聯(lián)，我們把它們和評估分數(shù)聯(lián)系起來。

　　所以現(xiàn)在我們知道了，比如說，高分聯(lián)系人的共同點是什么，低分聯(lián)系人的共同點是什么，以及兩者之間的一切。然后我們就可以使用它了。我們能夠推斷出我們100%的聯(lián)系人，預測的評估分數(shù)是多少。或者，舉個例子，對于預測性凈推薦得分的調(diào)查，如果是帶有NPS問題的調(diào)查數(shù)據(jù)，我們也會做同樣的事情。所以我們可以從手工調(diào)查的聯(lián)系人中抽取一個小樣本，用它來關聯(lián)高分聯(lián)系人和低分聯(lián)系人的共同點，然后用它來推斷出，100%的聯(lián)系人，預測的凈推薦人得分是多少。同樣，如果一個聯(lián)絡中心幸運的話，他們可以手動回顧他們2%的互動。

　　然后我們就可以拿這2%，通過應用機器學習的概念，我們可以在100%的交互中推斷出2%的評估或2%的調(diào)查數(shù)據(jù)。然后，聯(lián)絡中心將有一個更全面，更完整的畫面，描繪它是如何執(zhí)行整體。這就是機器學習技術(shù)的一個例子，以及它是如何工作的。

　　另一個同樣利用機器學習的人工智能例子是情感分析。在這里，我們試圖重現(xiàn)人類可能經(jīng)歷的思維過程，這是使用一種算法來處理情感或情感檢測等概念。這是一個更復雜的問題。打電話的人對這種互動感覺如何？什么是情緒？這是一種積極的互動，一種消極的互動，還是一種中立的互動？

　　有憤怒的表現(xiàn)嗎？人工智能引擎可以從哪些不同的線索中獲取信息，以便讓我們了解情感內(nèi)容或特定接觸的情感？再說一次，這是一個非常強大的工具，讓我們能夠真正理解作為客戶服務專業(yè)人員必須問的一個最重要的問題：我們是否取悅我們的客戶？這應該是我們每天都在問自己的問題。情感檢測和情感分析幫助我們達到目的。

　　原文網(wǎng)址：

　　https://www.destinationcrm.com/Articles/Web-Exclusives/Short-Cuts/How-to-Leverage-Predictive-Analytics-in-the-Contact-Center-147553.aspx