结合网友的评论和基本流程，认为难点在于以下几个方面：
1、好感度的分析难以量化
对大数据并没有深入研究，但是不少朋友在这方面比较有造诣。几年前就和他们请教过，确实不一般。
举一个最生动和真实的例子：四五十多岁的女士，可以找一个小伙子与之对应，成功率比较高。首先这个规则并不是我们构造出来的，而是通过大数据分析出来的，不是人为地构造一个客户性别+年龄与坐席性别+年龄的相关性分析模型，而是系统在大数据中找到了这么一个相关性。那么，我们再用常识进行判断，一个20左右的小伙子最善于对付什么人？他妈呗！而四五十岁的女士最惹不起谁？她儿子呗！（当然，我也最惹不起我的女儿，她对我提出的任何无理要求，我都在她一个委屈的、还用不着掉眼泪的表情中缴械投降了，说吧，让爸爸给买什么都行！爸爸的钱都是你的…）
那么，类似的大数据的故事就是纸尿裤+啤酒的案例（老掉牙了）。沃尔玛（有人说是奥斯科）在海量数据（几百万中商品的销售数据）中寻找相关性，“发现”了纸尿裤+啤酒的捆绑关系，而并不是说有人故意“查询”纸尿裤+啤酒的销售关系，而是系统发现了两者的关系。那么，我们也用常识判断，那些前来为周末采购啤酒的男性客户往往会想起妻子让他们买纸尿裤，或者那些周末前来购买纸尿裤的男性客户会同时为自己购买啤酒，所以他们会将两种商品都放入购物车里。
那么，大数据要干的事情是在大量的交易数据中“发现”规律，而对于ACD来说，就是发现客户与坐席“好感度”的相关因素。后面我会举出实际小案例。
2、ACD系统的实时性难以保证
ACD系统的实时性是最重要的，客户排队本来就受到坐席繁忙，系统基本功能运行的时间花费而产生延迟，如果大数据的分析再花去他哪怕几秒钟的时间，也会大大降低客户体验。
在流程中，大数据分析一律是在事先计算好的，然后形成规则文档和规则数据存储起来，ACD只需要利用这些文档和数据即可，而这些数据要小得多、规则要简单得多。
3、ACD流程变化的适应能力
ACD流程变化是在很多系统中是需要大量开发测试的，一次流程调整往往要一个月甚至几个月的时间完成，这是，就极大的考验一个ACD系统随需应变的能力了。
三、半成功案例—BMA策略
6年前，北京商路通公司为一家电视购物的客户提供了一个复杂ACD的系统；但是，大数据是我们用Excel手工完成的，因此，称作半成功案例。
为这种ACD策略命名为BMA策略，即Best Matched Agent策略。
如下的ACD规则：
•按产品技能分组---将电话分配给最擅长接这类电话的人
–座席按照产品技能分组
–每一个坐席不是全才
–座席对于每一类产品的技能有高有低
–在来话数量不是很大的情况下，要实时调整是否智能劝阻
–统计复用能够节省大量人力
•成单率最高的坐席优先分配
–成单率是按照一段时间内座席的成单率计算
–成单率要结合产品类型
–成单率应该作为一个系数，不能成单率高分配很高，否则疲劳会导致成单率下降。
•优先分配给成单最少的坐席
–控制座席负荷
–平衡坐席利益冲突
•对于已经定义的某客户属于一个坐席的，优先分配给这个坐席
–可以提高成单率
–可以防止大客户流失
–可以平衡坐席利益冲突
•避免分配给曾经没有成单的坐席
–没有成单的主叫，不能分给上一个坐席
–没有成单的主叫，要分配给技能级别更高的坐席
•地域的匹配：
–提高成单率，缩短通话时间
•性别年龄的匹配：
–提高成单率，缩短通话时间
效果呢，成单金额与过去的ACD方式提高了不少。
