由于产品更新换代的速度越来越快，客服人员在接到来电后，不得不让客户先等一等，以便花些时间研究主题。客服人员通常需要“疯狂”地搜索知识库、常见问题解答（FAQ）和论坛，浏览众多网页、PDF文件、文档和电子表格。这样不可避免地会延长平均处理时间（AHT），而这是客服人员的一项关键指标。

　　大多数基于关键词的传统企业搜索方法都很让人失望，因为搜索结果是通用的，缺少客户所要求内容的上下文，因此结果的相关性较低。像IBMWatsonDiscovery这样的工具可以提供基于AI的洞察引擎，它能够理解上下文，通过简单的自然语言搜索从复杂的业务内容中找出答案。它能够不断地从客户互动和非结构化内容中学习，立即从相关文档中找到所需的段落，可帮助客服人员缩短10-20%的AHT并实现令人愉悦的客户体验。

　　一位恼怒的客户打电话给无线服务提供商，抱怨自己的账单金额猛增，他要求立即得到答复。他们认为客服人员已做好准备，可以给出合理的解释并提供最合适的解决方案。由于没有来电背景信息，客服人员处于不利境地；因此他们需要暂且放下该问题，查看客户历史记录，评估可能的选项，然后才能解决该问题。

　　定制的AI解决方案可以利用客户的互动历史记录，分析使用和交易情况，发现异常，在几秒钟内即可评估可能的解决方案。因此，当客户来电时，客服人员的屏幕上会自动显示调查结果、背景信息以及经过排名的建议的摘要，这样客服人员就可以进行有重点的讨论，为客户带来舒适的体验。IBM甚至可以在客户开始担心并提出问题之前，让AI主动提出解决方案。

　　传统上，AI虚拟助手和基本的聊天机器人用于向客户提供简单的常见问题的答案。而现在，我们可以创建复杂的客服助手，为CSR提供基于上下文的即时帮助。AI助手接受深入的操作程序训练，因此知道在哪里寻找合适的信息，并可以自动执行客服人员的日常任务。

　　考虑一下医疗保健行业的复杂情况。一家大型健康保险公司部署了一个客服AI助手，帮助客户服务代表进行理赔调查。当一个健康计划成员打电话询问理赔被拒情况时，AI助手马上在客服人员的屏幕上弹出关于该特定理赔号的背景信息，并引导客服人员完成理赔调查的工作流程。它通过从多个系统调用API，自动执行一些步骤，例如检查医生在网络之中还是之外。AI为客服人员推荐一些个性化的词语，用于和客户进行交流，并提供有关使用这些词语的理由。

　　通过提供一致而准确的回答，还解决了另一个主要问题:76%的客户从不同的客服人员那里得到相互矛盾的答案。除了加快调查过程外，AI还会跟踪和总结客服人员在通话后备注中记录的结果。

　　随着数字消息传递日益成为客户随时随地与品牌企业沟通互动的首选渠道，90%的消费者希望能够立即得到回应。客户服务代表使用消息传递平台解决这些问题，他们通常需要并行处理多个会话。AI可以无缝地嵌入到消息传递平台中，提供基于上下文的答案，帮助客服人员加快工作流程，即时满足客户需求，而无需在多个应用之间切换、搜索答案以及复制和粘贴信息。

　　例如，如果一位客户正在与客服人员探讨信用卡境外交易费用问题，这时AI可以阅读互动信息，了解背景和客户概况，并从PDF文件或知识库中检索费用信息，并给出回复。如果存在更有经验的客服人员之前关于该话题的聊天记录，并且获得了很高的客户满意度，那么AI还可以挖掘这些信息，推荐合适的回答。

　　客户服务代表不需要在数据堆中“大海里捞针”，只需点击“向客户发送回复”即可。如果AI完全可以自己处理客户所需的帮助，例如密码重置或费用支付，那么AI“副驾驶”会建议让自己加入聊天对话，从而将客服人员解放出来，有时间去执行更复杂的任务，这样生产力可提高2-3倍。

　　为了提供辅导和控制质量，呼叫中心经理通常会监听客服人员的对话，但他们只限于监听少数几个人的对话，而且一次只能监听一个人。过去几年中，语音到文本算法的质量和准确性以及计算能力都取得了长足的进步，这意味着AI可以并行监听数百万个实时对话，进行转录，理解意图和对话上下文，制定智能查询，并主动在客服人员的屏幕上提供实时洞察。另外，通过对每位客户的话语和客服人员的回答进行语气和情绪分析，创建实时记分卡，以提醒经理哪些通话需要主管协助，并提供整个呼叫中心的实时趋势。

　　客户服务代表会尽其所能、尽力而为，但他们无法依靠自身的力量满足不断增长的客户期望。难怪呼叫中心行业的人员流动率高达25%-40%。由AI驱动的认知服务通过增强客服人员的能力，提供卓越的客户体验，帮助弥补差距。
　　原文链接：https://www.ibm.com/blogs/china/gbs/ai-helps-csr-20210125/