为什么启用 AI 的客户服务是扩展电信个性化的关键
技术、媒体和电信实践 为什么启用AI的客户服务是扩展电信个性化的关键 电信公司越来越依赖定制的商业营销。但是，将这些努力与服务相关的推广整合到全面的下一个最佳体验引擎中对于增长至关重要。 本文是LarsEngelNielsen，LarsFiedler，DominikaKampa，StanislavKucherenko，JulianRaabe，TimSchenk和DavideSchiavotto的共同努力，代表了麦肯锡技术，媒体和电信实践的观点。 2023年10月 越来越多的电信公司正在利用商业下一个最佳行动引擎，这些引擎使用基于数据的实时见解来实现目标，例如促进交叉销售和追加销售，减少客户流失，提高保留率和获取新客户。但是，如果没有与服务相关的问题和关注有关的预测性，主动性和定制性的宣传，这些营销努力就有可能失败。简而言之，对连接参差不齐或意外高额账单感到沮丧的客户不太可能对新的报价或促销做出积极回应。 为了在具有颠覆性的新技术，数字原生竞争以及客户期望不断提高的充满挑战的市场中蓬勃发展，为服务问题创建下一个最佳行动引擎至关重要。但是服务仍然只是一个更全面的方法。 电信公司可以将商业和服务相关功能集成到一个全面的下一个最佳体验引擎中，而不是尝试使用两个单独的下一个最佳操作引擎，以便以高度个性化的方式与客户进行沟通-在正确的问题上，在正确的时间，并通过正确的渠道。 除了卓越的客户体验带来的级联优势外，我们估计，在三年内，这种方法将使运营商将与某些用例相关的成本降低多达30％，将整体B2C收入提高2％至4％，将客户满意度提高10％至20％，并将早期客户流失率降低30％-在持续的商业客户价值管理活动中获得的收益之上。 对于早期搬运工来说，这可能是一个巨大的上升空间 ，这将为客户对电信公司的期望设定新的标准。同时，进入这个新前沿的运营商迟迟没有进入 在接下来的三到五年里，他们努力满足客户不断变化的需求。 服务事项 数字原生服务和内容提供商不断重新定义客户的期望，并在此过程中削弱了电信公司与客户的关系。这种动态有助于连接的商品化，这增加了正确获得电信服务的风险 。 可以理解的是，客户体验和保留率之间存在很强的相关性-在某些市场（展览）中，重叠率高达80％至90 ％。即使电信公司的价格是最低的，客户体验不佳，连接错误或账单上的意外费用也不太可能对任何营销活动做出良好反应。 那些长时间搁置、从代理转移到代理，或者不得不拨打多个电话来解决单个服务问题的客户很可能会记住这个艰巨的过程，即使他们最终得到了他们想要的结果。一家西欧电信公司发现，必须拨打两个或更多电话以解决连接问题的客户在合同到期时离开的可能性几乎是其两倍。 此外，当电信公司的商业和服务能力在孤岛中运行时，通常情况下，客户可能会被无关紧要甚至令人讨厌的通信所淹没。因此，一些客户可能会撤销他们接受营销传播的同意。一家运营商发现，其各个部门每周向客户发送多达五条消息，一些客户在同一小时内收到交叉销售报价和有关网络中断的信息。 集成的下一个最佳体验引擎，采用整体方法进行个性化 ，不仅可以大大改善 customersbutalsoreducethecostsassociatedwithservingthem.Thiscanbedonebyreplacingreactive,inbound-focuserinteractions Exhibit 通过主动和先发制人的高度自动化的外展，并确保电信公司以一种声音与客户交谈。 驱动发动机 下一个最佳体验引擎指导和支持所有电信与客户的互动。它包括四个主要层：数据、分析、决策和渠道执行。商业和服务相关因素被整合到每一层中，通过客户终身价值的视角分析电信公司可能采取的每一个潜在行动，这是评估哪种行动将在长期内产生最大价值的通用指标。 数据层 数据层应该是整个引擎的单一事实来源，包括可能与解决客户的全部需求和期望相关的所有数据点。 商业和服务数据，包括来自外部来源的数据，1与人口统计和位置数据相结合，为每个客户创建一致的360度视图。 商业数据可能包括保有权、对活动的历史接受度、客户满意度得分和以前的交易。服务数据可能包括网络使用情况 、网络稳定性、设备使用情况和客户关于错误服务的呼叫倾向。 虽然电信公司了解数据至关重要，但很少有人开发出复杂的数据层，该数据层可延伸到整个组织并涵盖所有用例。在大多数电信公司，服务和商业部门分别创建和收集数据 。服务数据通常不太健壮，部分原因是它通常由传感器生成，因此需要大量的努力来提取。 转换并有效使用。此外，即使在电信运营商的商业部门中也存在孤岛；例如，专注于客户流失的团队可能会与专注于客户获取的团队分开编译和处理数据。这可能会重复工作，同时限制每个团队对客户属性、需求和行为的洞察力。 不良的数据治理也会影响电信公司充分利用其拥有的数据的能力。电信公司往往缺乏对数据质量和不同类型数据所在位置的了解，他们通常采用生产率较低的手动（或半手动）方法来准备数据以进行进一步的分析工作。 要创建可操作的、数据驱动的见解，自动化是关键。这需要明确的数据问责标准和一致的命名约定，以确保来自多个来源的数据被标记和组织相似。有了这些措施，就可以自动化和简化与数据相关的工作，加快机器学习开发过程 。然后，电信公司可以创建可靠的数据工程管道，使底层数据操作例程和创建用于进一步建模和决策的功能的过程自动化。 通过任命首席数据官或数据负责人，运营商已经成功地确保了他们的数据湖是丰富的水库，而不是阴暗的沼泽：负责监督所有客户数据，保护数据，并确保其质量尽可能高。这位领导者应该是组织中任何地方的数据相关问题的首选人选。他们应该有权任命一个团队来帮助他们确定数据的位置，评估其质量，了解其结构和使用方式，并监控其使用情况。 1受内部数据治理和架构能力以及当地法规、立法和外部数据可用性的约束。 一个欧洲电信集团的经验为了编纂和分享最佳实践、建立规模经济、标准化和加快服务交付,集团决定创建一个单一的卓越数据和分析中心。 该小组首先创建了一个通用的数据模型，作为所有国家分析工作的基础。在9周内，它创建了一个通用抽象层，通过标准化的数据操作和准备例程链接到每个国家的原始数据。分析模型被设计为在这个抽象层之上工作，可以很容易地将任何模型或用例从一个国家转移到另一个国家。该小组将部署新“灯塔”用例的时间表从大约5个月加快到6周，在多个国家部署新用例只需要额外两周的时间。 分析层 分析层可以包括针对所有潜在用例的广泛的机器学习模型，包括交叉销售，流失预防，追加销售以及三类与服务相关的问题：抢先（电信公司在即将发生的问题发生之前检测到），主动(电信运营商在客户注意到故障之前检测并纠正故障)和被动(电信运营商与客户就问题联系他们)。 这一层的中心目标是尽早进行干预，最好是完全防止错误 。这可以最大程度地减少纠正问题的成本，并提高客户对服务质量的看法。 许多电信公司都有用于商业用例的机器学习模型，例如流失和定价。但是很少有用于用例的模型，例如 宽带连接故障、账单冲击和重复故障。因此，这些问题通常是被动处理的，而不是主动处理的。更少的电信公司为商业和服务用例集成了机器学习模型。这是一个错失的机会，因为它剥夺了电信公司将服务相关问题纳入决策的能力。 一家西欧电信公司开发了一种预测分析模型，以识别最有可能就故障相关问题打电话的客户，并发现大约10%的客户比其他人更有可能打电话给故障。然后，电信公司进行了第二次重叠分析，以查明最容易解决的故障-可以远程修复或通过向客户提供有关如何重新启动路由器或更改网络设置的简单说明。在这一点上，电信公司开始了一系列的试点，重点关注最有可能打电话给快速解决的问题的20 ％的客户。在早期的飞行员中，客户会接到电话，提供有关服务中断的信息并帮助解决问题。借鉴这些早期工作的经验教训，随后的试点提供了端到端自动化解决方案，例如夜间远程路由器重置。 该电信公司将为这一组客户提供服务的相关成本降低了 35%，显著提升了客户体验。 决策层 虽然机器学习模型确定某些事件将发生或客户将以某种方式做出反应的可能性，但决策层根据出现的情况或问题确定激活哪个用例，何时激活，以及如何为每个客户激活。在这个阶段，领先的电信公司通过大规模提供真正的个性化来获得竞争优势。 每个潜在的行动（服务和商业）都应该评估它将如何影响客户的终身价值。决策层将预期的长期价值从电信公司可能采取的每一个行动、单个客户采取某些行动的可能性 （例如接受新报价或打电话投诉服务）以及通过每个渠道为客户提供服务的成本中考虑在内。每当客户的状态发生变化时，例如，当他们迁移到新计划，激活新设备或开始使用不同的渠道时，决策模型在预测客户的响应并计算每个潜在的电信行动的价值和成本时都会合并这些新信息 。 最终，决策层激活将产生最大价值的用例。例如，如果模型发出信号表明客户可能会离开公司，则防止流失的用例可能会启动。如果认为客户可能发出呼入呼叫,则可以激活主动服务支持用例。决策层还涵盖了电信公司的联系策略 ，防止活动过饱和，并考虑到在特定时间参加特定活动的客户选择退出未来通信的机会。 为了实现这种级别的响应性和个性化，客户被分为数百个微细分，用于每个潜在的用例，包括商业和服务相关的用例。 微细分是动态的、响应的和自动更新的，根据新的数据 、洞察力和客户行为不断发展。从历史上看，电信运营商的商业运营根据与人口统计、使用和任期等广泛类别相关的数据，将客户分为10到15个相对静态的细分市场 。 服务运营对细分采取了更为基本的方法，通常根据客户遇到的问题的严重程度和频率将客户分为几大组。 通过结合这两种操作，电信公司可以定位自己，以符合客户最紧迫的优先事项和关注点的方式来回应客户。例如 ，如果要主动联系遇到服务问题的高价值客户，并提出将工程师送到他们家中的提议，则所有营销活动都将暂停 ，直到解决客户的服务问题为止。 理想情况下，决策层包括三个并行流：始终在线流，这是默认的；监管流，用于法律要求发送出去的通信 ，而不考虑商业因素；以及基于触发器的流，当情况发生变化时激活，需要从机器学习模型中快速转移。 监管流程很简单。它取代了其他两个流程，确保电信公司遵守所有法律规定（例如，在合同到期前两个月提醒客户）。当客户的情况突然改变时，基于触发器的流被激活，要求采取与始终在线流建议的不同的行动。例如 ，如果客户在电信公司网站的一部分中浏览有关取消合同的信息，则基于触发器的流程可能会启动以发送吸引他们留下的报价。如果客户探索有关iPhoe升级的信息，他们可能会收到带有升级优惠的文本。如果他们对宽带连接进行远程速度检查，他们可能会收到一条应用内消息，建议他们重新连接路由器。 基于触发器的流应包括最多十几个触发器以进行监视和操作。这有助于降低影响始终在线流程的准确性或效率的任何风险-不断整合有关客户行为的数据，以确定营销活动的最佳节奏和内容。虽然可以创建实时响应触发器的单个始终在线流，但这是一项复杂且昂贵的工作；建立并行决策系统是一种有效的解决方法。 有时，业务优先级或模型尚未集成的全新信息可能会提示领导者手动覆盖始终在线流程。例如，如果竞争对手进入新区域，则业务可能会优先考虑该特定区域的宽带维修或报价，而不是始终在线流程建议的行动。 可能会有过度使用手动超控功能的诱惑，特别是在过渡期间，当KPI仍未完全跨部门对齐或完全专注于整体客户体验时。电信公司的宽带团队可能会提倡发起一项旨在促进宽带销售的运动-无论其对长期价值的影响如何。建议电信公司在使用手动超控选项时应谨慎行事，因为它的使用会侵蚀整个决策过程的质量。 通道执行层 电信公司的自动化和基于人的渠道的全部广度推动了大规模个性化的执行引擎。入站呼叫中心，零售店，网站，应用程序，短信推广和电子邮件渠道最好用一个声音说话，这样客户就可以无缝切换渠道，而不会被矛盾的消息淹没 。为了确保电信公司在正确的时间，在最
