如果你想要留住顧客，客服就是重中之重。
假設一個情境：有一天你發現最近幾個月的客服滿意度在急速下滑。如果是在過去，你得全神貫注地看報表，或者催促IT部門拿報告來，讓你推測出下滑的原因。也許，在找到這個原因之前，幾個月又過去了。與此同時，你也別無他法。
但現在可不一樣了。Watson Analytics能處理10，000個客服案例，快速地判斷原因，你不用向什麼部門催促報告了。
問出你關於客服的問題，就像你在和一個專家對話一樣
將數據導入Watson Analytics後，在主頁上輸入你的問題。如你所見，你可以使用非常平實的語言，例如各不同類型的案例數目如何對比？
接著你就選擇Watson Analytics提供的最相關的建議。可以看出案例類型有不同的系統分類，如有關登入的案例，少數有關硬件的案例。
顧客是上帝，但他們高興嗎？
你可以在視覺圖表上拖入服務滿意度，就能看到不同類型的案例的業務水準。讓低滿意度的評分最小化是做生意的根本。另外，這個例子中客服人員的業務水準是根據他們的平均通話時長和他們幫助的顧客的評分決定的。
如果你將案例的數目用通話時長來替代，就會很快地發現有關登錄的案例花費的通話時間更短。與此相反，硬件方面的問題則需要更久時間來解決。這倒是不出乎意料，但是一個好的開端。
是時候發掘影響客服質量的因素了
開啟一個新的discover tab，Watson Analytics立刻會顯示一些關於客服評分的起始問題。
這個非常容易理解的螺旋曲線圖（spiral diagram）會告訴你影響客服滿意度的因素。同時它將這些因素按預測的強度排序，列在右邊。客服人員的培訓等級和案例的嚴重程度的組合是最顯著影響顧客評分的因素。這個組合的預測強度達到近60%，案例的通話時長、案例類型、案例緊急程度、甚至打電話的顧客的尊貴程度都是其他重要的因素。你可以觀察各個組合並深入挖掘它們，比如你可以對排名第一的這個組合一探究竟。
一個接受了良好訓練的客服人員就像一個接受了良好訓練的士兵。
深入探究客服案例的嚴重程度，就能快速觀測到一個規律。大多數不滿意的評分都和沒經過訓練的客服人員有關。同時，多數的高滿意度評分也誕生於接受過完善培訓的客服人員。
在這個例子中，你們公司最近招聘了許多新的客服人員，但是卻沒有根據案例的嚴重程度和人員是否有經驗來分配服務的案例對象。那麼不滿意度高就不足為奇了！所以，培訓是一個原因嗎？
為了明確這一點，你可以為服務滿意度創建一個預測模型。重新回顧高滿意度和低滿意度的數據，培訓確實是影響客服人員解決問題的因素。
Watson Analytics至少提供了一條底線，在最壞的情況下讓你知道在發生什麼。
簡潔是智慧的靈魂
這還沒完。還需要看看通話時長。同樣，你提出問題然後點擊最相關的建議。接著可視化圖表展現了缺乏培訓造成一個情況，當案例越嚴重時，通話時長越長。
這個發現佐證了培訓可以縮短客服時間。
發現很棒，該拿出實際行動了
快速的數據分析做完了，你可以為這些信息製作一個儀錶盤。這可以幫助你找出那些急需培訓的客服人員。
如下圖所示加上filter，能得到名單。客服滿意度設置成unknown（未知）和unsatisfied（不滿意）。人員培訓等級是no training（無培訓），案例緊急程度設置成高，案例嚴重程度是major（主要的）或者critical（關鍵的）。案例類型是issue（問題）。打電話的顧客設置成senior（高級）或者management（管理層）。這些filter得出的結果可以和整個團隊分享。
客服人員讓顧客滿意，你讓老闆滿意
趕緊將上面的資料共享給你老闆。
這就是用數據分析，發掘出造成顧客滿意度下滑原因的例子。Watson Analytics的認知型智能，讓這個過程變得簡單而快速！你不僅能找到原因，還能對此制定出解決方案。你還在等什麼？
如果你對大數據分析有興趣，請於下方訂閱我們的博客，或者關注我們的Facebook：/bigdataism; Instagram: @bdanews，或者發送郵件至info@bigdatarchitect.com與我們預約見面時間