二十年前，当国内的呼叫中心行业刚起步的时候，笔者曾经经历过从国外引入呼叫中心先进管理经验的阶段，过程中最大的感受是：运营好呼叫中心关键的学问就在数据上。当时大部分的时间都花在学习如何建立和分析大大小小的指标。举个例子，光接通率、在线利用率这样的指标，就有n种定义，企业需要找到适合自己的定义来关注。虽然当时还没有流行“数字化”这个词，但可以肯定的说，当时没有几个行业比呼叫中心更强调“数字化”。多年过去了，在“数字化”大行其道的今天，那个起步很早的“好学生”，在数字化方面又已经发展到什么阶段呢？相比起当年那个“数字化”靠打报表的年代，如今大数据、机器学习已经比较普及，这些技术如何与呼叫中心的运营真正结合从而迸发出新的生产力？笔者认为这是呼叫中心数字化应用是否进阶的关键。本文分享一些数据技术应用程度相对较深的呼叫中心应用案例，希望在如何在呼叫中心数字运营这棵老树发出“数字化”新芽上提供一些方向。

案例一:智能话务管理

早期的客服中心对待来话都是无差异处理，而随着数字化技术的深入，越来越多的客服中心会根据自身的运营策略精细控制电话的进入。笔者所在中心从2020年开始就逐步搭建热线智能策略中台，管理电话进线。目前在来电进线过程中，策略中台会实时识别客户的等级、年龄、地区等相对静态的信息，同时依靠准实时的预判模型预判出客户的投诉风险、关键产品偏好、业务活跃度等动态类信息，结合两类信息组合出上百种不同的进线策略，不仅帮助风险等级高、价值潜力大等来电更优先接入人工服务，还通过精准路由将来电匹配至细分技能座席，帮助人工端更好根据客户特征和诉求开展服务。

与此同时，为了最大化利用inbound人力，当inbound座席空闲度较高时，策略中台自动启动业务外呼，将外呼后需要人工介入沟通部分来电转入inbound座席承接，利用算法根据座席空闲程度控制外呼流量，实现整体人力增产。通过智能策略中台，有效实现整体运营策略在服务端的精准控制。

案例二:智能情感分析

客服中心每日承接大量电话，究竟有哪些电话给了客户不好的体验呢？单靠传统的人工质检以及一般不高于40%的话后满意度反馈率，很难全面跟踪客户感受。为了解决此问题，笔者所在中心通过构建情绪分析模型，对全量通话应用该模型，快速定位客户和服务人员情绪出现较大异常的通话并重点进行后续跟进关注。如某业务模型锁定的情绪异常通话占总体通话约1.5%-2%，其话后满意度（有反馈部分）仅70%左右，远低于全量通话不低于98%的满意度水平。另外，发现如果不满情绪是在通过快结束时仍存在，则此部分通话的客户满意度更低。通过对此部分来电再进行人工质检，也确实发现存在较大比例的来电客户在通话过程表达不满。应用该智能情感分析，实现快速锁定服务风险较高的通话，大大提升质检和问题发现效率。同时借助实时ASR技术，后续将实现情感的实时监控，可在通话中实时发现并介入情感异常的通话，达到在通话中实时关注和排解客户不满的目的。

案例三:客户声音采集

客服中心的客户沟通记录中蕴含了大量宝贵的客户声音，目前很多客服中心都非常重视客户之声的管理，而其中首先需要解决的问题是如何高效地采集客户声音。笔者所在中心建立了专门的客户声音采集平台，其核心是基于NLP技术的文本挖掘模型，该模型通过输入来自热线、在线和其他各个渠道所采集的各类型客户沟通表达文本，并按照企业业务维度分类及问题维度分类进行建模，精准提取出在每一类业务下每类问题点的客户声音，实现较小颗粒度的精准客户声音提取。同时支持按照声音关键字、提出客户身份、时间段等多条件进行声音筛选，帮助快速形成客户声音报告。另外，应用客户声音采集平台后，一线客服人员无需再花时间手工登记客户意见建议，完全由平台通过模型自动采集和整理，大大提高客户声音获得效率，并能够最大化避免靠服务人员主观判断、采集不全的问题。

案例四:智能排班辅助

人员排班是呼叫中心的一个永恒话题，排班涉及的管理细节考虑极多，一百个呼叫中心会有一百种不同的排班方案，很难通过直接引入标准化产品来直接匹配企业排班现状。排班大致可分为如下几个步骤：

1.预测时段话务量
2.根据话务曲线，推算出时段所需人手
3.利用班次库中的班次科学规划组合出每日各类班次所安排人数
4.将具体人员按照各种上班约束条件填充至各个班次

其中第3，第4是最需要引入系统工具去辅助完成的。2022年笔者所在中心开发系统排班工具，应用启发式的规划算法来辅助计算出最优的排班方案。首先，根据班表使用规划算法求解出时段班次计划，然后基于排班规则，使用带约束的启发式规划算法求解出每个员工的班次表，最终完成科学排班，自动输出排班结果，实现智能排班辅助。

注：以上信息仅为展示举例，非真实数据

案例五：智能指标监测

随着客服中心运营精细化的深入， 运营人员希望能监测的指标越来越细，但很多数据过往并不能直接由系统生成，例如以下三项数据，对运营人员非常需要但快速统计往往是个难题：

1.当下突发的话务热点是什么？
2.今天有多少比例的员工有开口做交叉营销？
3.通话中每个员工的静音时长比例是多高？（通话中的静音时长占比往往能反映员工处理业务的熟练度）

笔者所在的中心通过将通话的录音准实时转为文本，并辅以一些专项建模，实现很多类似指标的快速提取计算。例如话务突发热点，过往只能靠通知现场座席上报或者刷新话后小结的报表进行分析，但会出现时间比较滞后以及问题发现不够全面的问题。而采用实时的热词聚类，动态监控热词变化的方式，能更快速直接洞察现场热点变化。又如要知道员工在开口交叉营销方面的执行率有多高，过往的方式是让员工自己勾选每通电话是否有开口，而现在已经可以通过直接由识别模型进行关键话术的识别，从而自动记录统计类似的关键性通话行为。以前我们的呼叫中心监控更多是话务平台级的监控，现在我们已经实现更多的通话内容级别的监控，通过智能监控能力的搭建，助力客服中心的管理更透明。

在过往，呼叫中心往往会配备数据分析师来开展运营数字化工作。而今天，越来越多的呼叫中心在数据分析师外，还开始配备建模、算法类的专业人员来支持数字化的进阶，很多基于数字化的能力也开始通过构建数据中台等形式进行固化并不断迭代。笔者所在的中心，也正通过推进数字化人才转型项目，将越来越多的资深呼叫中心运营人员培养成呼叫中心+数据复合思维和技能的人员，从业务视觉看数据、从数据视觉看业务，马不停蹄加快数字化的进阶。