满意度预测背后的科学

如果在解决机票问题之前就知道客户会满意，那该有多好?这就是驱动的想法满意度的预测这是亚博Zendesk的一款实时识别潜在积极或消极客户体验的工具。

自2016年初发布以来，满意度预测已经帮助数百家公司快速识别和升级需要特别关注的门票。如果一张罚单因客户不满而被标记为“有风险”，则可以重新排序以更快地解决问题，或将其移交给更专业的代理。满意度预测与公司的客户满意度(CSAT)评分一起工作，这是了解客户服务实际有效性的关键指标。

我们将更深入地研究满意度预测的本质，来解释它是如何机器学习模型可以帮助提高你公司的整体CSAT分数，保持客户的满意度。

满意度预测背后的科学

满意度预测着眼于机票的三个主要指标，以判断客户是否满意。这些指标是:

• 时间度量:第一个回复时间是什么时候，客户等待回复的时间有多长，以及票据已经打开了多长时间
• 票务文本:如果之前有过类似的对话(使用某些流行的词语)，并且客户最终对结果是否满意
• 努力度量:在票据上投入了多少努力，注意诸如重新打开、回复间隔时间或重新分配给其他代理等细节

这是一个视觉表现:

现在，你可能想知道“在这个预测模型中发生了什么?”它考虑了所有积极和消极的CSAT评分，以及时间、文本和努力指标。然后，它使用这些数据来制定一个“标准”，供未来的门票进行比较。然后，机器学习模型可以预测客户是否会对所提供的服务感到满意。

回顾过去来预测未来(并获得更好的CSAT)

这就是事情可能会变得有点棘手的地方——但也可能会揭示出在你提高CSAT总分的努力中，什么是有效的(什么是无效的)。

满意度预测的分数是0到100之间的数字。得分越高，顾客越有可能满意。如果机票中发生了一些事情导致了较低的CSAT分数(比如迟到的回复或沟通不畅的方向)，满意度预测分数将会下降。这些因素是导致客户最终对所得到的服务不满意的原因。

使用满意度预测来看看真实客户的表现。对于我们所有的客户来说，这个分数都遵循了类似的趋势:

红线就是我们所说的“警戒阈值”。它是通过计算长期CSAT平均值(在这个例子中是63%)并计算与100的差值(即100 - 63 = 37)来计算的。满意度预测得分低于37分通常导致客户不满意，而高于37分通常导致客户满意。

随着时间的推移，随着满意度预测有助于平均CSAT的提高，阈值会降低。如果95%的客户报告满意的服务，您的警报阈值将只有5，分数在6-100之间通常会导致客户满意。满意的客户意味着(很多)在满意度预测分数上有更多的回旋余地。

但是请记住:如果满意度预测分数低于阈值，这并不意味着客户会不满意。在满意度预测中寻找见解时，需要注意以下几点:

没有人是完美的始终获得很高的满意度预测分数是不可能的，但保持大部分客户是可能的。如果分数始终高于阈值，那么你做得很好。

注意发生更改的时间:看到你的分数在回复后改变了吗?检查细节，比如两次回复的时间间隔，或者这张票从其他代理商那里得到了多少关注。密切关注细节将揭示可以利用的趋势，包括哪些是有效的，哪些是无效的。

红色警报:如果满意度预测分数低于警报阈值，最终可能会对您的CSAT平均分产生负面影响。这些是值得特别关注的门票;它们是需要改进的地方。确保它们升级以减轻客户的挫败感，并(理想情况下)在所有问题都解决时让他们满意。

通过更好的预测做出更好的代理

CSAT是关键，但它最终只回答了一个问题:“客户对他们的服务满意吗?”满意度预测为代理商提供了一个额外的角度来理解为什么通过实时变化让客户感到高兴或不高兴，同时也给了他们一个机会让事情回到满意的状态。这是机器学习让人类更好地提供优质客户服务的另一种方式。