怎样有效减少用户咨询的客服成本

一款产品,无论是网站,还是APP,客服始终是一个重要的组成部分,面对越发以“用户为中心”的个性化服务趋势,如何有效减少客服成本,是公司们非常关心的问题。通过分析和参考其他前辈的解决方案,提出以下思路。

一、客服成本

首先我们分析客服成本,一种思路是按服务时长统计人工成本分布(正态分布),例如单次咨询在3分钟以内的占多少比例,3-10分钟占多少比例,10分钟以上占多少比例(具体服务时长可依据具体情况确定),并计算区间成本(咨询时长*人数),进而首先从成本最高的区间研究用户咨询的问题。另一种思路是依据客服的统计,整理用户所咨询问题的频次,研究高频次的问题并进行分类汇总,制定相应的FAQ或使用提示供用户参阅。


二、成本节约思路

我们分别从客服、用户和咨询系统这三个角度来考虑如何降低咨询成本。

(一)客服角度

1.根据对用户所咨询问题的研究,制定一套标准化的处理流程,并定期对客服人员进行较为全面的培训,不同的客服人员能够给出较为一致的答案,从而提高处理效率。


2.客服实行分工和分层次,不同客服具有自身熟悉和擅长的咨询领域,遇到复杂棘手的问题可立即转交给层次更高、更专业的客服。


3.建立不断完善的客服助手等工具,协助客服快速定位用户的问题,并自动呈现处理方案供客服选用,例如基于关键词的问题识别工具。


4.在有条件的情况下,对用户进行人物画像归类,例如按年龄,按性别,预先将用户进行分类并优先分配给对应的客服人员。


5.建立客服与测试部门及时密切的连接,通过快速反馈bug以及不合理的产品设计,加快产品更新迭代速度(这项是最根本有效的解决方法)。


6.是否需要对不同用户区别对待,对不同的咨询问题区别对待,这是一个值得考虑的问题:例如对重量级用户和轻量级用户在响应时间和解决深度上是否要求完全一致,对于经常“找茬”的用户和认真反馈的用户是否应当一视同仁,要不要加大某类用户进入人工环节的门槛,这些问题有必要专门讨论分析。


(二)用户角度


1.用户咨询需求

首先分析用户的咨询需求,当用户需要咨询时可能:

1)喜欢自行查阅攻略说明

2)喜欢文字互动咨询

3)喜欢直接打电话咨询等。

普遍来讲,用户需要的是简单易操作,并且快速帮助他解决问题,这里面存在用户“懒”的因素,以及一些用户比较着急。


2.解决思路

想要从用户角度降低客服的人工成本,应当引导尽可能多的用户自助解决问题。在不降低用户体验的前提下(尤其要降低用户学习成本),提供好用易用的自助解决方案,让更多用户的问题在进入人工环节前得到有效解决。


3.用户提问的效率

提高用户的咨询效率,其实也是提高客服的效率,让用户学会“问问题”,或者说协助用户告诉客服问题所在,快速定位。


例如:可以通过IVR(InteractiveVoice Response)互动式语音应答逐步引导缩小范围,也可以借助截图等工具,例如摇一摇截屏反馈功能,在知乎 3.0 中摇晃手机,系统会自动进行截图操作,用户可以在截图上圈出反馈区域,还可以补充文字意见,最后点击右上角的发送即可完成反馈,如下图所示:

(三)咨询系统角度


1.搭建问题咨询社区平台

让广大的积极用户来参与回答问题,形式可以是开放式的论坛、社区,也可以是封闭式结构,普通用户可以加入解答问题队伍,可以检索其他用户正在咨询的问题,而对于超时未答复的问题,客服及时介入解决。


2.将人工客服转成系统服务

把客服作为一个产品进行设计,如:机器人客服(虚拟客服):在聊天窗口,用户输入关键词,机器人回复选项逐步缩小问题的范围,通过几个回合定位用户的问题,并给出详细解决方案。更有可能的是,在今后引入人工智能的技术,将人工客服转成系统服务。举一个京东售后服务机器人的例子:

3.建立客户问题“病历”


能够记录客户的咨询历史,并在用户咨询时,呈现用户关键信息,例如手机型号,就如病历一样,提供给客服使用。举一个联想服务公众号的例子:


三、总结


以上的方法部分未经过市场验证,全部囊括也未必就是最好,应当根据产品实际的咨询需求加以定制和优化。最后用一张脑图来总结以上的分析。



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
smartidx 是一种利用卷积神经网络(CNN)结构来减少联邦学习中通信成本的方法。 联邦学习是一种分布式机器学习方法,它能够在保护数据隐私的同时,利用分散在不同设备上的数据进行模型训练。然而,在传统的联邦学习中,设备之间需要频繁地传输模型参数和梯度信息,这会导致大量的通信开销,影响学习效率。 smartidx 方法通过引入 CNN 结构来解决这个问题。CNN 是一种专门用于处理图像数据的机器学习结构,它能够有效地提取和表示图像中的特征。smartidx 利用 CNN 的特性,将联邦学习中的模型参数编码为给定数量的索引码。 具体而言,smartidx 首先使用 CNN 对模型参数进行编码,将参数表示为一组索引码。这些索引码能够保留模型参数的重要特征信息,但其数量远小于原始参数的数量。然后,这些索引码被传输到联邦学习的服务器端,用于模型聚合和更新。这样,相比于直接传输大量的参数和梯度信息,仅传输索引码可以显著减少通信开销。 使用 smartidx 方法,联邦学习可以更高效地进行模型训练。通信成本减少不仅可以提高学习速度,还能节省带宽和能耗。此外,由于传输的仅仅是索引码而非原始参数,也可以更好地保护数据隐私,减少了信息泄露的风险。 总之,smartidx 是一种利用 CNN 结构减少联邦学习中通信成本的方法。它通过将模型参数编码为索引码,显著减少了通信开销,提高了学习效率和数据隐私保护能力,具有广泛的应用前景。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值