一个更可能的理由是，对呼叫中心来说，高生产效率比高质量更容易定义和测量。尽管生产效率的衡量包含几个不同的指标（排班遵守率，工时缩减因素，每客户来电量等等），但都指向低成本。而高质量呢？就很难说清了。我们常常听到坐席说，尽管管理层经常谈论质量，但一到绩效评估层面，对于生产效率的衡量往往显得更重要。持怀疑观点的人可能会说这是因为领导者更在乎削减成本，而不是改善质量。 如果我们想要持续提供高质量的电话服务，首先就要定义何为高质量。我们所采用的很多种选择方案都会有利弊，而对于每种方案利弊的透彻了解，是我们选择正确的测量方案的关键。并且我们都知道，如果我们要在呼叫中心里做好某件事情，首先我们要知道如何去测量它。 不满意度的缺失VS.满意度的等级 问你自己一个问题：如果来电者没有任何方面的不满意，那么他/她是否能够被定义为满意的客户呢？尽管这句话听上去像充满了禅意的哲学，不过它的确是一个与此相关的很实际的问题，能够帮助你更好地定义与衡量质量。很多人（我也包括在内）会争辩说，满意度是一个滑动的尺子。消除不满意度的根源非常重要，但也只能使你到达最低程度满意的层次。当然，你希望越来越多的来电者脱离不满意的群体，但是这跟让每个人都上升一个台阶又是不一样的。 这跟定义一个高质量的通话又有何关联呢？想想我们使用的一些测量方法。我们中的很多人会追踪服务投诉和升级之类的事件，并以此作为投诉率来呈现。将此比率从3％改善到2％，对于那1％的客户来说，这个变化是巨大的。可事实上无论这种变化是什么引起的，对其他99％的客户可能毫无影响。这项指标很显然是在衡量不满意度。对于首次解决率来说，也是同样的道理。从92％移到95％，告诉我们3％发生了变化，可是对其他97％来说还是没有任何意义。 为了便于比较，考虑一下通过客户调查机制得到的满意度评级。整体满意度评价从83%上升到87%，可能并不仅限于最低端的改善，而是更加综合和整体的提升。相对于把某件事情改善1000%的方式来降低不满意度，通过把1000件事情都改善1%的方式来提升客户的满意度会更有意义。 哪种方式更好——降低不满意度还是提高满意度？如果客户和他们的期望是各式各样的，那么我们的质量衡量标准也应该是对应的。 挑战 当你把自己当成客户去评估质量时，就知道衡量质量有多难了。质量的确是移动的目标。不仅你的期望跟下一位打进电话的人不一样，就连你自己今天所想的都可能跟明天的不一样。不过作为客户的优越之处在于你不需要具备逻辑性。为了得到你的生意，公司必须遵从你的意愿。这对客户来说好极了，但是对我们这些试图定义、测量和满足（甚至超越）一个好的通话标准的人来说，就没那么简单了。 如果说客户期望的变化是问题的核心，那么包围在外面的一层一层的皮则布满了我们的指纹。我们竭尽所能地找寻找着那个代表着我们所有满足客户和企业期望的能力汇总的神奇绩效指标，但似乎总是无功而返。一些人紧抓着质量评分不放（无论分数来自于内部或外部的评测群体），另一些人则总相信客户满意度评价才是关键，还有一些则指向首次解决率（FCR）。所有这样或那样的标准只是针对了不同的层面，了解这些对找到正确的衡量方法很关键。 用技术来拯救？ 有关高质量通话的衡量，最新的技术手段可以使其变得相对更容易一些。近来一些有意思的技术进步发生在语音分析领域。如果你对此还不是十分了解，那么最新的系统是值得尝试的。这个系统能自动监听你的通话并且识别通话的主要阶段，或者通过识别音量的变化所代表的冲突升级，这对你的服务质量衡量与提升有非常大的帮助。 花时间走向正轨 我们都听说过能够被衡量的才能够被改进。在呼叫中心，我们有如此多的数据以至于这种说法应该变成什么能够被合理、准确、全面地衡量，并且可以被清晰地报告，什么就值得改进。如果要从时刻变化的客户期望来着手测量，真的还是存在很多挑战的，需要一定的时间来走向正轨。不过这总比花费时间却朝着错误的方向走要好得多。 行为VS.认知 你对你的来电客户进行全面研究后发现，97%的人在感到不满意前可以忍受2分钟的等待。然后你查看了一下上个月的数据，发现11％的等待时间在90－120秒之间的呼入者还是放弃了电话。这说明了什么？ 你刚刚进入了行为与认知的对抗领域。当我们面对调查结果时，往往会倾向于全盘接受。但是实际当客户填选调查问卷时，他们的选项并没有代表他们所有的想法。没有人能够准确预测实际情况下当他/她要面对较长一段时间等待时的反应，而且人性也决定了我们往往没有我们自己想象中那么有耐心。 我们所拥有的评估通话质量的数据，要么是基于行为的，要么是基于认知的。基于行为的数据包括一次解决率，升级比率及放弃率。它们是所发生的行为的数据表现。是我们赋予这些行为以实际的意义。比如，首次解决不成功，我们就视为客户对通话不满意。基于认知的数据包括用户调查反馈，大部分质量监控的评分，以及来自神秘客户服务的整体满意度数据。只要我们知道数据是基于认知推断的，并且当认知数据与行为数据发生冲突时以后者为准，认知的数据就是可用的。 全部还是部分 我们的质量绩效标准并不都是建立在同样的基础之上。有些指标，如投诉率，就是基于所有呼叫中心处理的客户联络。而其它的一些指标，比如质量监控分数，仅是基于所有来电的抽样样本。现代统计学告诉我们，如果我们所取的样本是有效的，其结果可以比较可靠地适用于所有。不幸的是，这些统计数据的表述中，充满了公式、怪异的符号、计算输出表格，以及一些听上去好像不属于英语语言的词语。理论上，当我们采用了一个合适的样本时，全部和部分的差别应该很小。现实中，很多呼叫中心在定义一个有效的，随机呼叫样本时，常常犯严重的错误。最普遍的一个错误是进行电话质量监控时，忽略通话时间较长的电话，因为长电话会影响质检人员的工作效率。然而，长电话更有可能包含错误，因为很多坐席所犯的错误（没有好好倾听、给出错误的信息并不得不改正它等等）都会使通话时长延长。显然，衡量所有的通话比衡量样本更好，但现实中对于很多指标来说却很难达到。 附：客户究竟想要什么？ 我们知道每个客户都是不同的，而且就算是同一个客户也会在不同的心情和场合下有着不同的需求。那么，我们能否整理出一般客户在电话呼入联系我们时，都有哪些需求呢？一起来看看：