机器学习领域有一句格言：垃圾进，垃圾出。像Nexcom的RevealCX Boost¹这样的顾客体验 ，提供了高效收集数据的创新方法。人工智能（AI）潜力巨大且利润丰厚，但如果我们不先消除偏见就仓促实施，可能会酿成灾难。我们该如何设计一个功能，以最大限度地降低AI输出错误结果的可能性？
质量保证抽样实践
从历史上看，质量保证（QA）一直是呼叫中心和顾客体验 的一笔无底洞。典型的质量保证项目仅能对少量客户交易样本进行有限的分析，且无法产生 可衡量的影响顾客体验
质量保证主要评估客服代表的绩效表现，并为评估和培训客服代表提供信息支持。通过分析现有的控制措施，我们可以找到确保绩效评估一致性的解决方案。
某些质量保证（QA）做法受到了质疑。人们担心能否每天或每小时评估数千笔交易。要真正顾客体验 并取得显著的绩效成果，需要一支规模可观的质量评估团队。
质量保证抽样实践往往初衷良好，但因仅关注特定类型交易（如持续时间）而使数据暴露于偏差风险。一旦引入样本偏差，便会影响数据在更广泛决策中的实用性。
若缺乏适当的管控措施，数据完整性将面临风险。无论我们利用这些信息来指导和管理代理商绩效，还是用于更广泛的决策制定——不可靠的数据都会对我们采取后续行动的信心造成负面影响。
将质量保证与业务指令相衔接
质量保证对提升收入、改善业务表现及其他财务指标的直接影响往往难以明确。这种关联性的缺失导致企业将质量保证置于薪酬体系末位，甚至彻底放弃该环节。
那些坚持质量保证的人通常不会 充分发挥其核心职能 的全部潜力。当然，我们支持质量保证在高效运作的组织中的作用，但它必须创造业务价值。
高效能组织已掌握两大关键要素：
- 将最佳实践融入质量保证设计
- 运用合适的工具来弥补差距
在设计质量保证职能时，我们首先关注如何与业务关键要素建立联系。换言之，如何将质量保证与核心业务指标及目标受众建立起关联？
我们首先收集并分析各类顾客 ，例如情感倾向、期望值和偏好。通过这些数据，顾客向我们揭示了最关键的要素——是什么促使他们购买我们的产品并增强忠诚度。
顾客 是设计质量保证功能的基础，该功能直接影响关键绩效指标。
关键错误与流程性能
当我们未能执行那些支持满意度和忠诚度驱动因素的流程时，这便构成 重大错误 。成功企业会投入大量时间追溯关键错误的根源，并实施深远而系统的解决方案，以实现可持续的绩效提升。
高效的组织会收集数据来评估个人绩效 以及 整个服务流程。它们顾客体验 适当的工具精准定位问题并发掘机遇，从而优化影响顾客体验 的支持模式设计与流程。
优化服务旅程的每个环节 服务旅程的每个环节 发现并验证那些能提升顾客 忠诚度的行为模式（包括人类行为与数字行为）。
满意度的常见驱动因素：
— 问题解决准确性
— 服务速度
—顾客
— 同理心
服务缺口的第一个方面 弥补服务缺口 在于明确需评估的行为或服务要素。其次需锁定减少客服人员个人失误及优化流程的关键环节。值得注意的是，呼叫中心若组建庞大的质量评估团队既不经济可行，又会迫使他们采用存在争议的抽样方法。
准确且具有代表性的数据
人工智能使得分析整个人群的大量交易数据成为可能，且无需依赖带有偏见的样本。这似乎是一种极具前景的顾客体验 解决方案。它既能提高效率又能降低成本，并使企业能够快速识别问题是源于客服人员还是流程本身。
然而，我们必须对用于训练机器的信息进行严格审查。人工智能为收集顾客体验关键数据提供了崭新且更高效的方式。这关系重大；我们传递给人工智能的任何偏见都可能对运营造成严重后果。
整合 最佳实践 ³ 融入质量保证计划的每个环节——从表单设计开始——有助于最大限度降低人工智能提供错误结果的可能性。
识别并解决根本原因 VS 界定问题
像RevealCX Boost这样的顾客体验 （CXM）工具，能够为员工腾出时间，让他们专注于解决问题，而非耗费精力去界定问题。RevealCX可以展示客服代表的绩效表现，并揭示哪些因素影响着 顾客体验。与此同时，人工智能只能监控互动过程中说的话或做的事。您仍然需要对员工进行管理、招聘、培训、指导、培养和激励。
生成大规模数据集的潜力
过去需要一个月才能收集的数据，如今一天即可完成。经过正确校准后，RevealCX等工具能提供值得信赖的数据。样本数据不会因意外偏差而影响实用性，使您能够更自信地做出最终决策。
利用商业智能优化顾客
试想，与仅依据少量交互相比，基于客服代表在特定时段内全部顾客 记录进行评估是何等有效。通过大量交易数据和精准的准确率指标，人工智能已成为评估客服人员表现并优化培训流程的切实可行方案。
通过分析大量样本，你可以提升辅导质量。与其对客服说"我们发现你在我们分析的四通电话中出现了一次失误"，不如这样说："你上个月犯了X次Y类错误，让我们一起努力改进。"
您是否知道：
— 75%的问题与流程相关
— 25%的问题与客服人员相关
将人工智能在智能体性能评估中的准确率提升至90%
组织能够创建的评估数量是积累足够数据来训练质量保证人工智能系统的限制因素。时间尺度将根据操作规模而有所不同。
Nexcom首席技术官伊恩·艾恩赛德表示：“根据我们迄今的经验，我们认为一旦积累约1500次评估数据——这些数据需充分涵盖存在错误及可接受处理方式的交易场景——我们便能开始构建准确度达标的模型。”
拥有庞大的质量保证团队时，处理数千笔交易的大型操作将快速构建数据库。另一方面，仅有少数质量评估人员的小型团队则需要更长时间才能建立机器训练所需的数据库。
语音交易的实现需要额外步骤。交易分析必然成为更复杂的任务，因为该阶段涉及句式结构的捕捉。将语音交易转化为机器可识别的文本后，处理时间差异并不显著。
组织通过前期投入时间，将迅速获得更精准的答案并降低成本。
人类的空间
顾客 调查和焦点小组仍是顾客 忠诚度主要驱动因素的数据分析主要手段。
即使人工智能能够解读语音交互，专家仍需对机器学习进行正负面分类。伊恩·艾恩赛德指出，我们仍需要一个衡量标准——一位专家来确保机器的评估准确无误。
知识改变
随着更多顾客 分析的开展，运营部门必然会调整对声音属性的定义。正如我们需要重新培训人工监听员一样，机器学习模型也需要重新训练。这种再训练周期至关重要，并将开辟新的研究领域。
我们对人工智能的立场
基于人工智能顾客体验 软件是影响客户支持领域各项关键绩效指标的有效途径。客户体验管理（CXM）平台能够利用数据洞察客户关注点，从而帮助企业满足客户期望并建立客户忠诚度。
简而言之，人工智能并不能取代人类或最佳实践。如果你的设计存在缺陷，人工智能将做出错误评估，你仍会走向错误的方向——只不过速度更快罢了。