基于筆者在2018年4月的專欄“使用人工智能，機器人，大數據和分析來減少對支持的需求，作為客戶體驗（CX）領導者面臨的七大挑戰之一，今天我將討論如何面對第二個挑戰，即提高首次聯絡解決率（FCR）。

人工智能，機器人，大數據和分析的強大功能現在使我們能夠實現“我們如何在多個渠道和接觸點創建和維持一致且令人敬畏的客戶體驗”這一整體目標，從而提高可持續收入，實現更高利潤率，并維持更高水平的客戶滿意度和忠誠度。

讓我們深入探討第二個挑戰，即提高FCR。

經過研究證實，聯絡中心和其他支持功能的首次聯絡解決率（FCR）是客戶滿意度的最大驅動因素。然而，大多數公司過分依賴平均FCR等點數統計，他們忽略了今天客戶開始查詢或在線搜索支持的事實，在IVR系統中失敗的事實，然后他們才會通過電話、電子郵件或聊天來聯系客戶服務代表。想一想：如果客戶無法在網上得到他們想要的東西，并且在IVR遭到挫折，那么他們與座席的互動是第三次接觸=非常不滿意，而且代價高昂！

客戶在座席級別了解FCR會不會更好，更令客戶滿意（哪些座席比其他座席有更高的解決率，哪些座席不會產生重復聯絡）？并找出第一次難以解決哪些問題，產生重復聯絡？并分析客戶在網站上啟動的FCR，并盡可能多地解決這些交互？最后一點還涉及我之前關于減少對聯絡中心需求的專欄，并在我的第一本書“最佳服務是無服務”和我的第二本書“客戶規則”的關鍵部分中整齊地聯系起來！

在這篇文章中，我將不討論如何定義和改進IVR遏制，因為還有很多其他的地方可以找到方法。為什么增加FCR如此困難的一些原因，特別是在我提出的全渠道基礎上，包括：

（1） 渠道通常由不同的團體或職能部門“擁有”；

（2） 渠道發展不協調；

（3） 渠道報告同樣不協調，存放在不同的數據庫中；

（4） FCR沒有單一的定義；

（5） 我們經常依賴FCR的“平均值”，就像處理時間（AHT）等許多其他指標一樣，而不是深入到座席級別或問題級別上。

最后一條是因為缺乏足夠精確的數據來預測績效，因為座席加入，被培訓或離職，并且使問題或原因或多或少地變得復雜。

然而，通過使用AI，機器人，大數據和分析，解決這五個原因并跟蹤FCR的持續增長變得更加容易。我將回顧解決這個關鍵問題的五個步驟：“我們如何預測重復接觸；第一次完全解決它們；并專注于開始重復接觸過程的問題，原因代碼和座席（或創建滾下山的”雪球“），以及能夠解決重復接觸的過程和座席（或”融化雪球““）？”

步驟1=在每個渠道和跨渠道定義FCR

正如所指出的那樣，對于FCR沒有一致的定義，并且周圍的內容被稱為渠道不同的東西（網絡支持和IVR支持的“遏制”，聯絡中心的FCR平均值）。讓我們首先使用相同的術語來表示重復的，未解決的聯系人（“雪球”）；在網站上開始客戶啟動的地方；并發送平均值以達到座席和問題級別。我們可以通過多種方式定義FCR，最受歡迎的是“同一個客戶在7天內沒有再次與我們聯系”；然而，通常引用的“聯系人”是在聯絡中心，而不是在所有渠道上，也不是從網絡上開始。因此，讓我們將FCR定義為“同一客戶沒有因為任何渠道中的同一問題在4天內再與我們聯系，”，更嚴格的時間表等同于客戶更大程度的不耐煩。

步驟2=在座席和問題級別收集FCR數據點

這一步驟大大提升了大數據的力量，以“混搭”無數的數據源，并整理出具有最高預測價值的數據源。這是我們在所有問題上擊倒“平均”FCR和整體FCR的地方；相反，我們需要收集所有渠道，座席和問題的數據點，問題=客戶語言中的一組有限的“原因代碼”，例如“我的退款在哪里？”或“我如何獲得另一個過濾器？”您會發現該網站的FCR非常低（我們經常看到平均網絡支持FCR約為30％！），值得密切關注，使網絡支持變得簡單。您會發現某些問題的FCR非常低，可能是因為政策混亂（參見步驟4），有些問題可能接近100％FCR，因此不太注意修復。

通過構建一個輸入--輸出表來顯示哪些座席解決問題，哪些不解決問題，您最終可以超越平均值并將座席匯總到他們的團隊中以生成基于管理員的FCR結果。在這里你會看到一些座席的FCR低于50％，拉低了整體平均FCR，可能是因為培訓不足（參見步驟4），有些幾乎是完美的100％，值得你持續保持對他們的關注。

步驟3=在座席和問題級別可視化FCR數據

現在是有趣的部分......將粒狀FCR數據點加載到清晰且可操作的模型中。幾年來，我的團隊一直在使用Microsoft PowerB I，Qlik或Tableau等工具構建這些模型，還有其他可用的可視化工具。最好將輸入，趨勢視圖和“所有者”顯示與所有者=負責開發或改進影響FCR的流程和系統的高管結合起來。

步驟4=測試預測模型以增加FCR

通過步驟2中發現的一些假設，使用AI，您可以找到FCR可能驅動程序的原因和結果，例如重新設計的Web支持頁面，新培訓，簡化的知識共享頁面以及對座席的反饋（以便每個人都可以看看他們的工作如何影響客戶滿意度）。您還可以開始預測哪些客戶和問題可能是雪球，使勞動力管理能夠將他們路由到更專業的座席那里，這些座席具有融合雪球的成熟技能。

第5步=慶祝成功（并推下加速器）！

在最后一步中，您將能夠識別能夠解決更多聯系人的座席，而不是送雪球下坡，開發人員能夠增加WebFCR，以及可視化專家能夠將所有這些都集中在一起。然后，您可以從這些成功中學習，并建立在它們之上，進入持續改進的良性循環當中。

通過遵循這五個步驟并使用AI，機器人，大數據和分析，您將增加FCR并提高客戶滿意度。你還會：

避免在座席和問題級別使用更精確的數據點的“平均值”瘟疫；

降低客戶支持成本；

讓導致問題的“所有者”深入了解解決方法并采取最佳行動。