从事呼叫中心行业6年有余，接触过许多岗位，目前负责中移在线某部门需求管理工作，主要是对接生产部门，解决实际运营中存在的问题，将一线人员的业务需求转化为实际的系统功能。多年的从业经历使我有机会辗转到各个环节，在这个过程中我逐步体会到平台承载流程，技术革新运营的理念，切身感受到整个行业在泛智能化的洪流中发生的巨大变化。

今天我想以传统热线服务投诉处理与智能化服务在投诉管理中的应用这个话题，谈一谈自己的看法。

一、传统热线投诉的被动式响应

往前追溯几年，智能化尚不具备深度应用条件，在传统的热线服务中，当客户对坐席的处理方案、服务态度不满，在线对客服进行投诉时，客服新员工几乎毫无招架之力，只能道歉加求助，由现场管理人员介入。这种“谁值班，谁解决”的投诉处理机制，往往需要管理人员凭借自己丰富的话务经验与沟通技巧予以现场解决。这样做的好处是在第一时间就可以化解客户投诉，帮助员工消除考核之忧。而弊端是在当时这种突发性的紧急情况下，现场管理人员没有复听录音，也没有预案和底稿，只能见招拆招，摸不透客户性情和前因后果时，有可能因处理失当产生进一步的投诉影响。

另一种情况是接到工单投诉。面对客户的不理解，客服人员除了自我安慰调节情绪以外，唯一能做的就是复盘投诉案件的前因后果，溯源所有来电复听录音，还原场景细节，与大家讨论解决方案，斟酌词句，猜测客户反应，以此来应对每一次突如其来的客户投诉事件。

不论哪一种投诉，都是让人紧张的事情，以至于有些员工会产生“投诉焦虑症”，一旦被投诉过，就更加畏手畏脚，客户稍质疑就不敢肯定，这些已成既定事实的投诉，对坐席和管理人员都带来了很大压力。在没有智能化应用工具的时期，被动地处理客户投诉是呼叫中心客诉处理中的常态。

二、智能化工具如何介入投诉风险防控

众所周知，智能化手段多适用于替代简单高频，具有流程约束和标准答案的场景模式，而客户的投诉往往是复杂的、情绪化的，没有标准的解决方案。那么运用智能化工具是否可以直接处理客户投诉呢？

很显然，答案是否定的。但是智能化工具在面对客户投诉的风险防控中却大有益处，笔者将从智能化工具应用的三个方面谈一谈我们企业目前的做法。

1、针对客户和坐席行为的模型筛选预警

撇开外部原因（如产品、规则等引发的投诉），聚焦内部服务本身。很多时候，客户投诉是因为没有获得满意的服务过程、解决方案，或者没有得到情绪上的理解和安慰。

在检索了部分投诉数据后，我们发现，其实客户在投诉前都有一些显性的特征，比如一定周期内的多次来电、前期服务过程中客户表露过针对坐席的不满情绪（含解决方案、共情能力、沟通表达等）、不满意评价，或者坐席存在明显的不当服务行为，如长期的静默、反复推诿等。从这些行为特征出发，基于语音转写和语义理解技术，我们利用“语音模型”检索出关键词，识别出具备投诉风险的数据，并及时推送给管理人员进行回访补救，化解部分风险，还会根据问题严重性建立常态的复核、回访机制。语音模型作为针对交互数据进行投诉风险预警的一种手段，本质上是对“人”的管理。

2、基于数据画像的高风险员工识别

没有员工是故意想要产生投诉，部分员工产生被客户投诉的情况往往是因为自身业务储备薄弱，服务技巧欠佳和情绪管理能力不足等非主观意愿导致了客户投诉。除了针对双方交互过程中的高风险场景进行筛查介入，我们还通过数据分析来识别高风险员工，并对高风险员工进行现场重点支撑和针对性培训。

我们通过对坐席的上线时间、平均通话时长、往期不满意、投诉数据、服务意识和业务能力（如服务过程出现与客户争执、抢话、静默时长占比较高且频繁出现静默的行为）等“语音模型”的命中占比，进行不同程度的加权，计算出综合得分。对于效能偏低，往期质量指标表现不佳，日常各类“语音模型”命中比例偏高的员工，一方面要求现场做措施防控，比如将高风险人员或新员工位置安排在管理人员周围，这样有问题可以及时发现，及时支撑。另一方面也会根据指标、模型命中的表现，倾斜讲师资源，做针对性的强化培训和效果评估。

这种评估模型可根据后续运营要求进行调整优化，是综合“多平台数据互通”和“语音模型”的应用方式，充分打通上下游平台间的数据关联，使内部系统得以最大程度的资源整合，形成合力，属于对“数据”的管理。

3、聚类分析算法在流程优化中的应用

作为现场管理者，我们需要思考，在目前所处的行业内，有哪些问题投诉占比最多（易出错、易引发不满的头部问题），解决成本最高（涉及政策监管红线、客户资金损失等）。可以优先对历史投诉数据进行归类分析，聚焦到明确的场景。

以往我们做分析时，需要投入大量人工听音、手动标注分类，才能聚焦到投诉/不满意的原因。现在我们可以通过聚类分析算法对投诉/不满意数据进行全量的分析，根据聚类结果可以大致复原客户的不满意场景，再进一步定位到客户对于接入等待、业务办理、身份信息核对、工单处理、断线回复等业务具体环节中存在的不满和投诉倾向趋势，剔除掉服务问题（已在1进行了讨论），聚焦企业制度、规范、流程，端到端梳理各环节风险隐患点，针对性的推进流程、管理要求的调优，或寻求系统层面的解决方案。此外，聚类分析算法也可以为“语音模型”提供语料，辅助“语音模型”的查漏补缺和规则优化。这种应用方向，属于智能化应用对“流程”的管理。

聚类分析也可用于对话务结构的分析，辅助值班人员通过来电原因和热词的异常波动，定位导致话务突增的原因，快速制定应答口径，并协同其他部门进行解决，做到投诉风险的前置化解。此类技术在“实时转写”的前提下具备较高的应用价值。

三、技术革新会给投诉管理带来哪些新局面

我们无法把控客户行为，无法猜测客户投诉的时间、原因，也无法满足所有客户的诉求，解决所有的问题。我们能做的就是依托智能化手段尽可能地识别风险，综合考量资源、成本、企业理念、品牌形象，化解我们能主动把控与改善的问题。

呼叫中心的深度智能化工作还尚在探索中前进，投诉的根本原因是服务与需求的不匹配，我相信技术给投诉管理工作带来最大的革新，是投诉处理环节的前置，利用大数据从源头进行服务资源的精准配置，让那个“对的人”，接起这一通电话。利用大数据画像的初级形态，对客户和员工进行标记，将客户近期的来话情况、办理过的业务和往期投诉/不满意的原因，接入各类服务渠道的分布和频次。如果一个客户来话前，在其他渠道（如IVR、APP等）有过咨询，说明他的问题解决得不顺利，这种客户就需要被标记出来，要及时推送给员工这些信息，让员工可以减少无效沟通；对于多次来电的客户，可以在服务策略上配置给有丰富投诉处理经验、业务熟练的员工来响应；而对于有过多次不满意的客户，最好直接由疑难专席承接。

我们将以上几种场景的客户，归为服务敏感型客户，他们因为办理咨询不畅，或服务期望较高等原因，寻求的是能够快速解决问题的良好服务体验，对于服务瑕疵的耐受度较低。而与之相反的，是钝感型客户，他们能够忍受服务中存在的问题，对于不同员工服务水平的差异虽然能感知，但是，他们并不是很在意，比较佛系，这类服务电话就可以让表现平常的员工来承接。

通过对客户和坐席的双向标记，我们就可以在资源不变的情况下，实现接续策略的优化。当然，大数据画像需要强大的数据处理能力和复杂的策略配置体系。如今的“猜你喜欢”、“千人千面”类还停留在根据“价格、性别、年龄、搜索/购买关键词”等几个标签进行，显性的画像维度不多，这类推荐算法也是基础的“相似型推荐”（每个企业的算法都是它的核心壁垒，逆向破解了算法就是掌握了流量大门的钥匙），距离更个性化的精准识别和服务匹配还有不远的路。

技术不断革新，导航让“带路”这个行业消亡，无人驾驶也有替代“司机”的趋势，服务渠道和服务模式的多样化让部分用户不再依赖人工。在这种发展势头下，有人说AI或将替代传统呼叫中心行业。但我却始终坚信，只要客户有棘手的问题，就会需要有温度的回复。身为客服人，我们就是客户投诉最后的守护者。

我是王炸炸，一个致力于解决客户问题的需求管理。