Как технологии автоматизации помогают контролировать качество обслуживания клиентов?

Как технологии автоматизации помогают контролировать качество обслуживания клиентов?

Когда мы переводили сотрудников на удаленную работу в марте, среди самых острых вопросов был контроль качества сотрудников. Компании, которые никогда не работали по удаленной модели, сомневались, что операторы контактного центра будут работать дома так же эффективно, как и в офисе. Как их контролировать?

Наши стандарты помогают контролировать работу специалистов поддержки вне зависимости от того, где они находятся. Однако на рынке есть дополнительные инструменты, которые позволяют автоматизировать процессы работы контактного центра. Особого внимания, на мой взгляд, заслуживают технологии распознавания (speech recognition) и анализа речи (speech analytics).

Супервайзеры или менеджеры крупных контактных центров, которые занимаются контролем качества, в среднем могут прослушать только 10% от общего количества звонков и на основе анализа этой доли выявить слабые места.

Как правило, чаще всего проверяют новичков, которые недавно пришли в контактный центр. Однако людям в принципе свойственно совершать ошибки, и это не зависит от стажа работы. В итоге взаимодействия опытных сотрудников остаются непокрытыми.

В их числе вполне может оказаться большое количество звонков, содержащих негативные эмоции, отступление от скрипта, ошибки. Чтобы обрабатывать больше, необходимо расширять команду контроля качества, что не всегда экономически эффективно.

Внедрение распознавания и анализа речи для контроля качества позволяет обрабатывать до 100% взаимодействий. Алгоритм автоматически выявляет ошибки, исходя из заданных паттернов: определяет неправильное произношение слов, грамматические ошибки в речи, некорректные названия и даже неверный коммуникационный подход оператора в целом.

Обращения с ошибкой передаются на дополнительную обработку менеджеру по контролю качества. Как результат, эффективность сотрудников повышается без дополнительной нагрузки.

Если операторы используют скрипты, то анализ ответов клиента позволит выявить слабые места, несоответствия или неучтенные сценарии разговора, чтобы оптимизировать и усовершенствовать его логику. Благодаря анализу речи можно глубже изучить тематики и причины обращений. Это позволит доработать программы обучения, перераспределить ресурсы и даже улучшить продукт (если обратная связь из контактного центра будет систематически передаваться продуктовой команде). 

Сейчас сложно говорить о повсеместном внедрении автоматизации, в первую очередь, из-за их высокой стоимости. Решения пока выборочно тестируются в некоторых компаниях, в то время как они могут оптимизировать процессы работы контактного центра для офисных и удаленных сотрудников. Вопрос контроля качества их работы уже не будет таким острым.

А вы используете спич-аналитику или распознавание речи для контроля качества работы специалистов поддержки? Насколько, по-вашему, такие решения экономически оправдывают себя? Пишите мне в LinkedIn, обсудим!

OUR LATEST POSTS