呼叫中心的人工智能质量监控：如何将质量保证从成本中心转变为战略情报

作者：凯瑟琳·麦克奈尔和托尼娅·韦伯

在全球大多数大型联络中心，基于人工智能的质量监控工具已从试点阶段转入正式运营，并被用于实时监听每一次交互、对每通电话进行评分，以及标记每一个潜在问题。然而，在管理层层面，这些工具的回报仍不明确。诸如问题解决率、客户满意度和服务成本等核心指标，往往与传统抽样方法下的情况大同小异。

在COPC最近的一项研究中，我们发现79%的组织目前已在客户服务中应用人工智能，另有15.9%的组织计划在18个月内实施。 仅有5%的组织完全没有相关计划。但关键的细节在于，在当前用户中，近三分之二（占所有受访者的61.7%）正在积极计划更新、更换或升级其人工智能解决方案。这可能表明期望与现实之间存在差距。

这正是我们在COPC公司的工作中所发现的缺口。近三十年来，我们一直致力于帮助各类组织优化顾客体验运营，设计并完善 顾客体验 顾客体验标准，并就如何从技术选择中获取实际价值向领导者提供建议。我们深知，只有当技术与实际工作流程以及客户的品牌体验相契合时，才能获得回报。

目前，许多质量管理项目仍将“小样本思维”套用于“总体层面”的场景。虽然有些项目确实试图衡量问题解决情况，但通常是从公司的角度出发（即：客服代表是否遵循了话术、执行了政策，并给出了标准答案？）。在这种框架下，客户体验的结果往往是被推测而非实际测量的，而自动化生成的评分卡也仅用于衡量客服代表遵守政策的程度。 目前仍缺失的是诊断细节，这些细节对于从客户视角理解究竟是哪些政策、流程或工具导致了问题未能解决至关重要。 

当质量管理的重心转向客户成果时，情况便截然不同。许多未解决的问题往往源于政策、流程或工具，而非客服人员的行为。

接下来，我们将详细解析将这种可视化转化为切实投资回报率所需的三个要素：围绕客户成果组织的数据、具备根据所见信息采取行动能力的优质团队，以及人工智能与人类专业知识的协同合作，而非各自为政。

人工智能质量监控如何将质量保证数据转化为可操作的洞察

传统的联络中心质量保证体系建立在数据稀缺的基础上。大多数团队只能审查少量交互样本（通常仅占2%至5%），并利用这些样本来指导客服代表、跟踪合规情况，以及评估项目层面的绩效。其中的挑战在于数据可见性。 企业缺乏必要的技术手段，无法以足够的深度和广度分析交互数据，从而无法理解问题为何得到解决或未能解决。虽然能够识别问题的存在，却难以精准定位背后政策、流程或工具的缺陷。

人工智能质量监控改变了这一现状。它能够对每通电话、每次聊天以及每次数字交互进行评分、标记和分类。与传统系统相比，这无疑是一大进步——传统系统通常每月仅能对每位客服代表的少量联系记录进行人工审核。但数据量的增加并不意味着决策质量必然提升。在许多企业中，这往往只是导致需要处理的仪表盘、警报和通话记录越来越多，而团队却不得不费力地筛选这些信息。

真正的问题不在于技术能否监控每一次互动。它当然可以。问题在于如何收集和整理正确的数据，以便领导者能够发现价值流失的环节，并确定首先应做出哪些调整。

以客户为出发点，而非照着清单走。

在COPC的工作中，第一步很简单。我们不再仅仅关注服务人员是否遵循了正确流程，而是开始关注客户的问题是否真正得到了解决。

这两者并不相同。

如果客户致电要求退款，客服人员严格遵循政策拒绝了该请求，并正确记录了此次互动，许多传统的质量管理项目会将此次联系标记为“已解决”。从公司的角度来看，流程是有效的；但从客户的角度来看，并非如此。客户仍然想要退款，却未能如愿而归。

以下是一种简单的方法，可以说明两者的区别：

如果仅根据客服人员是否遵守规则来评估服务质量，企业就会高估服务表现，从而忽视那些阻碍真正解决问题的政策、流程和工具。

这一区别至关重要，因为它改变了人工智能质量监控的衡量标准。如果系统仅检查合规性，它就只是旧版质量保证（QA）模型的加速版；如果它衡量的是客户感知到的解决效果，就能揭示出哪些政策、流程和工具正在阻碍更佳结果的实现。

与衡量客户结果相比，人工智能质量工具往往更能可靠地评估基于规则的行为。脚本遵守情况、礼貌的问候以及正确的等待流程更容易评分，因为它们遵循明确的模式。而问题解决情况、服务投入、信任度以及客户满意度则难以获得同样确凿的评估结果。这可能导致企业获得看似精确的质量评分，却忽略了那些最为关键的体验信号。 

结构化分析揭示了推动问题解决的因素。

在与呼叫中心合作的过程中，我们采用“解决流程树”可视化工具，以此围绕客户视角来整理人工智能质量监控数据。另一种工具则是“钻取式帕累托仪表盘”，它能对导致联系未解决的主要因素进行排序，并允许团队点击查看根本原因。具体形式可以多种多样，关键在于为质量团队提供一种切实可行的方法，使其能够从宏观结果逐步追溯到具体原因，进而采取行动。

解析树将人口层面的数据进行分层组织：

• 结果：问题已解决或未解决
• 可控性：可由代理 控制或不可由代理控制

根本原因：政策 、流程、工具或其他因素

当我们为一家北美B2B电子商务客户将质量监控的视角从客服代表转向客户时，数据所呈现的情况截然不同。

在树状图的左侧，从客户角度来看，40%的问题得到了解决，而60%的问题未得到解决。当我们进一步分析这60%的问题时，发现其中只有7个百分点是客服代表真正能够控制的。剩余的百分比，即失败的比例，主要源于政策、流程或工具，而非个别客服代表。 在许多环境中应用这一方法时，我们观察到类似的70/30模式。具体比例因客户和客户旅程而异，但核心结论始终一致：大多数质量问题是系统性的，而非个人因素造成的。

这棵树让我们更深入地探究。在这28个系统性问题中，有24个源于顾客体验 和流程问题：

• 因要求客户就其问题提交书面申请而扣14分
• 因升级或转接而产生的6分
• 客户确认要求的4个要点

财务规则、工具以及客户特定的限制因素占了剩余的4分。

为何这种结构改变了讨论的走向

钻取式仪表板可以在不同的格式下应用相同的逻辑，帮助团队首先识别导致联系未解决的主要因素，然后进一步深入分析其背后的政策、流程、工具或客服人员的行为。

一旦数据按这种方式整理好，有三件事会立即发生变化。

1. 设定切合实际的目标。大多数组织在制定解决率目标时，通常会参考历史表现，然后设定一个具有挑战性的目标。在这个案例中，该组织一直致力于实现75%的解决率。尽管对一线团队进行了更多指导并施加了更大压力，但客服中心月复一月地未能达到目标。
   
   结构化分析揭示了原因。即使每位客服代表都表现完美，客服中心的解决率也只能从60%提升到约72%。 在不改变政策、流程或工具的情况下，75%的目标在数学上根本无法企及。无论进行多少培训，客服代表都无法突破系统本身设定的上限。领导者不应追问“为什么客服代表达不到75%？”，而应思考：“我们的政策或流程需要做出哪些改变，才能让75%的目标成为可能？”
   
2. 量化的商业案例。当某项政策（例如“必须提交书面申请”）导致14%的未解决问题时，领导层可以为其提供具体的数据支撑。 通过补充一些数据，例如每次联系的成本、退款政策以及潜在的数字化替代方案，质量团队可以估算年度财务影响，并将其与维持该规则的成本进行对比，同时评估采用技术或流程解决方案来消除客户摩擦的成本。
   
   质量团队不再只是说“我们认为这项政策造成了摩擦”，而是可以明确指出：“这一具体要求导致了额外联系和未解决问题的成本，估计金额为……” 在某模拟场景中，随着客户反复联系，最初的 100,000 次联系随时间推移增长至近 136,972 次，导致每年增加约 147,888 美元本可避免的成本。从这个角度看，质量管理不仅用于评估行为表现，更成为揭示潜在需求与成本的途径。这正是质量管理从成本中心向联络中心商业智能提供者的转变。
   
3. 更快速的深度探索。 该技术大大加快了深度分析的速度，而结构化的视图则有助于团队锁定正确的分支或类别。如果“需要升级或转接”导致解决率降低了7.1个百分点，团队可以在几秒钟内调取所有需要升级或转接的交互记录。
   
   质量和运营负责人可以审查一个有针对性的样本，并迅速找出导致这种模式的原因：
   • 升级处理是政策要求，还是仅仅出于习惯？
   • 是否存在知识缺口或工具限制，导致无法在首次联系时解决问题？
   • 该分支机构中是否存在某些产品、流程或客户群占比过高的情况？

如果没有明确的框架，这些问题就会被成千上万条大同小异的评分所淹没。有了明确的框架，领导者就能从“我们存在解决问题的困难”转变为“我们清楚哪些举措能最快解决问题，并且在要求组织做出改变之前就能证明其效果”。

为何人工监督依然重要 

接下来的挑战不在于规模，而在于判断力。麦肯锡指出，尽管人工智能在服务互动中占据的比重日益增大，但由人工运营的联络中心对于验证人工智能的准确性，以及处理那些技术目前仍难以妥善处理的复杂且涉及情感细微差别的难题，依然至关重要。顾客体验 从另一个角度提出了类似的观点：在顾客体验，最大的障碍往往不是技术本身，而是变革管理和技术采用。 

这正是人工智能质量监控项目能否实现投资回报率的关键所在。该技术能够大规模分析交互数据，快速识别模式，发现跨渠道和客户旅程中的问题，并大幅减轻质量保证团队的手动评分工作量。这相较于小样本质量保证而言是一项重大进步。但覆盖范围的扩大并不一定能自动带来更好的结果。

人力资源团队还需要做些什么

在COPC模型中，人工监督仍需承担创造优质投资回报率的工作：

• 通过确定从客户角度来看“已解决”的含义，来界定结果标准
• 根据实际结果（如重复联系、问题解决情况和客户满意度）对系统进行校准
• 通过将辅导问题与政策、流程或工具的缺陷区分开来，分析根本原因
• 对调查结果进行优先级排序，以便领导层能够专注于那些能最快提升绩效的变革
• 就运营和财务方面提出切实可行的变革方案

这才是真正能创造价值的人工智能与人类的合作模式。人工智能提供规模优势；人类则提供架构、判断力和执行力，从而将其转化为智慧。

将可见性转化为感兴趣区域（ROI）的校准回路

最强大的程序都采用清晰的校准循环：

1. 该系统对交互行为进行评分和分类
2. 质量团队会根据问题解决情况、重复联系次数以及客户满意度来验证这些结果
3. 标准得到完善
4. 该系统将更好地契合客户和企业真正关心的核心需求

这使得该系统对管理层更有价值，因为它将人工智能的输出结果与实际成效挂钩，而不仅仅是自动生成的评分。这也使评估流程对客服人员更加公平。管理层无需仅凭微不足道的样本来评判绩效，而是可以参考更全面的证据，从而更清晰地辨别问题究竟出在客服人员身上，还是出在围绕他们的系统中。

从评分卡和报告到战略洞察

在传统的质量保证（QA）模式中，团队的大部分时间都花在审查交易记录、填写评分表以及记录遗漏步骤上。而在人工智能赋能的模式下，团队不再仅仅是发布由技术生成的报告。他们会对数据进行分析和整合，将其整理成可用的格式，并以领导层能够据此采取行动的方式呈现。这使他们能够更好地回答更宏观的问题：

• 是哪项政策导致了重复联系？
• 是哪条转换规则导致了分辨率被压制？
• 是哪项工具问题给客服人员和客户带来了本可避免的障碍？
• 哪项调整能最快提升指标？

这种转变能够创造可量化的价值。在COPC与某家美国大型电信运营商的一次合作中，该公司统一了内部和外包中心在标准、管理实践及供应商监管方面的要求。结果显示，问题解决率从66%提升至80%出头，客户满意度（CSAT）中“非常满意”和“满意”两档的得分提高了17.5个百分点，并节省了超过5000万美元的成本。

这并非意味着仅靠人工智能就能取得这些成果。关键在于，一旦团队具备了正确的组织架构、标准和管理纪律，技术就能更有效地推动正确行为的普及。

当前的机遇不仅在于增加接听量，更在于赋予优质团队必要的可见性和决策权，使其能够识别阻碍问题解决的因素、量化其影响，并协助业务部门决定下一步应解决哪些问题。

哪些因素决定了能够带来投资回报的人工智能质量监控方案的独特之处

区别很少在于工具本身。根据我们的经验，更大的区别在于围绕工具的运营模式。

一些组织将自动化监控视为传统质量保证（QA）计划的“加速版”。他们评估的交互次数更多、生成的仪表盘更多、对客服代表的指导也更频繁，但并未改变质量的定义方式或问题发现后的处理流程。在这种环境下，技术通常只是提高了可见度，却未能创造出显著的附加价值。

更优秀的项目则采取了不同的路径。它们从客户视角出发，以支持深入挖掘根本原因的方式组织数据，并赋能质量团队，使其能够将规律转化为业务决策。在此模式下，监控不仅仅是一种审查更多交互记录的方式，而是成为一种识别哪些政策、流程和工具正在阻碍问题解决并导致本可避免的成本的手段。

这一区别至关重要，因为最大的收益往往体现在记分卡之外。如果未解决的客户联系问题是由转接规则、过时的规定或工具限制所导致的，仅靠增加指导是无法推动业务进展的。真正能推动业务进展的，是利用高质量的情报来决定组织应优先解决哪些问题。

实际的启示很简单。有意义的投资回报率取决于以下三点：

1. 从客户角度定义质量
2. 一种有条理的方法，用于区分执行者问题与系统性问题，并找出根本原因
3. 一支能够将洞察力转化为行动的高素质团队
   

如果没有这些要素，组织虽然可能获得更多数据，但很少能获得全部回报。

如果您的质量计划尚未成为利润中心

人工智能质量监控能创造丰硕成果。其回报取决于贵组织如何利用这些成果。这意味着要从客户的角度定义质量，对数据进行结构化处理以揭示真正原因，并赋能质量团队将洞察转化为行动。

如果贵公司的质量管理体系未能提供这种透明度，且在内部未被视为利润中心，那么我们应该好好聊聊。COPC 通过评估、架构以及专为产生可衡量商业影响而设计的模型，帮助企业将质量管理转变为更具战略意义的职能。

如果质量保证（QA）部门只告诉你是谁漏做了一步，它就只是个成本中心；如果它能指出哪些环节正在给企业造成损失，它就会变成利润中心。

关于作者

凯瑟琳·麦克奈尔（Kathleen McNair），美洲区首席执行官
凯瑟琳负责领导 COPC America顾客体验 、认证和培训业务，并全面负责所有服务交付及损益管理。凭借在供应商管理、合同签订和绩效提升方面的深厚专业知识，她曾为大型全球运营企业主导过涵盖运营管理、业务流程外包（BPO）采购及客户旅程设计等领域的转型项目。 凯瑟琳在构建涵盖销售、客户服务及技术支持的多渠道项目方面拥有卓著业绩，助力客户全面提升人工服务与数字化客户体验。

托尼娅·韦伯（Tonya Webber），咨询总监
托尼娅拥有超过16年的顾客体验 经验，专长于运营转型、流程优化和绩效提升。她与COPC的客户通力合作，通过流程差距分析、知识管理、治理框架以及数据驱动的改进举措，来强化客户互动运营。 作为SaaS服务商RealPage的前运营总监，托尼娅曾带领分析师团队提升运营效率、支持产品发布，并填补关键流程缺口。她精通项目管理、质量管控及战略供应商关系管理，因运用根本原因分析和持续改进实践，从而产生可衡量的业务影响而广受认可。