发展数智化时代下客户服务分级模型构建

　　背景
　　随着中国互联网金融的不断发展，金融机构的存量客户也越来越多，这就导致客服中心每天都面对着成千上万的客户人工服务请求，但是客服中心人工服务资源总是有限；这就提出了客服中心的基本矛盾——客户多样的服务请求与有限的服务资源之间的矛盾；具体化来看可以分为以下两点：
　　1、哪些客户请求需要被优先满足。
　　2、如何分配最合适的座席满足服务。
　　传统解决思路及存在问题
　　在过去的客服中心对于客户人工服务的请求，主要可以分为以下三种方案：
　　1、按排队时长接待：即按照客户排队时长和座席空闲时长依次匹配，即客户排队时间越久，座席空闲时长越长，那两种就进行撮合。
　　2、按照客户资产等级接待：即单纯按照客户资产等级进行接待，资产越多就越先被接待。
　　3、先智能后人工服务：无论客户请求何种内容，全部交由智能客服优先进行解决，对于智能客服实在解决不了在交由人工解决。
　　这样的话，就进而产生以下问题：
　　1、缺乏对于客户的有效划分：只单纯从资产维度进行考虑过于片面，对于客户活跃度、消费频率等关键指标没有纳入客户等级，导致一些优质客户的服务缺失；例如一位资产不高但是活跃度极高的客户，其价值是远远大于有资产较高但是基本不活跃的客户。
　　2、缺乏对于客户请求场景划分：对于同样的级别客户，在请求不同类型服务时，其对于服务的期待值是不一样的；例如客户在选择投诉时，是愤怒且急迫的，然而在进行普通业务咨询是平和有耐心的。
　　3、缺乏对于座席等级划分：对于座席本身没有等级划分，无论其工作年限和工作经验都一视同仁；这导致服务水平和请求业务不匹配的情况。
　　4、＂一刀切＂导致客户不满：由于全部先智能后人工，导致对于客户情绪和业务的偏好的忽视，经常出现客户已经情绪激动机器人还在一个劲问。
　　为了解决以上问题，本文提出＂客户-业务＂CS服务分级模型的思路，即根据客户属性（等级）、意图、轨迹、情绪等进行场景分级，对于不同类型客户制定不同策略，匹配相应的服务模式和内容。
　　根据RFM模型进行客户分级
　　首先，我们知道即使是对于同一个业务请求由于客户等级的不同，我们需要匹配不同座席等级仅需服务。那么如何对客户等级进行划分？ 目前市面上有多种客户分级方案，其中RFM模型是衡量客户价值和客户创造利益能力的重要工具和手段，也是笔者在实际中使用的理论方法， 具体理论如下：
　　＂该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。
　　Recency（消费）：最近一次消费意指上一次购买的时候
　　Frequency（消费频率）：消费频率是顾客在限定的期间内所购买的次数
　　Monetary（消费金额）：消费者的实际消费金额
　　RFM模型较为动态地显示了一个客户的全部轮廓，这对个性化的沟通和服务提供了依据，同时，如果与该客户打交道的时间足够长，也能够较为精确地判断该客户的长期价值(甚至是终身价值)，通过改善三项指标的状况，从而为更多的营销决策提供支持。
　　在RFM模式中，R(Recency)表示客户购买的时间有多远，F(Frequency)表示客户在时间内购买的次数，M (Monetary)表示客户在时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。＂（图1）
　　图1-RFM模型
　　将以上理论对应到金融公司，则RFM的具体定义可以进行以下表达：
　　R（最近一次入金的时间）：根据入金时间远近进行划分；
　　F：APP登录频次）：根据登录APP频次高低进行划分；
　　M（年日均资产）：根据年日均资产多少进行划分。
　　那么，就可以将已有的客户群划分为下几种，如表1所示。
　　表1-客户等级划分
　　根拆分服务场景定义
　　其次，我们需要根据客户请求的业务进行场景细分，在同一客户对于不同业务请求时具体分配的服务任务情况，我们不能在一些基础的业务场景就大量投入高级别人力，这样对整体来说是一种资源不均衡，对于金融行业业务场景可以参考表2。
　　表2-业务场景划分
　　关注客户情绪与交互轮次
　　最后，我们需要关注客户在咨询时的情绪状态，对于客户在咨询不同业务时携带的情绪进行细分，当客户处于不同的情绪状态时就要考虑服务升级，例如一般客户在自助业务中出现不满的情绪时，此时就不能继续在智能客服中服务，而是立即让人工座席进行协助；
　　同时我们需要注意到在客户服务中，客户在进入服务时会自带情绪入场，但并不意味着客户的情绪是不变的，尤其是在服务过程中多次交互后还是没有解决客户问题和需求时，客户的情绪会发生较大的变化，最坏的情况可能出现客户情绪激动甚至愤怒（表3）。
　　表3-交互轮次与客户情绪变化表
　　建立＂CS＂客户服务模型
　　综上我们将客户等级、服务场景、客户情绪与交互轮次综合考虑，可以得到一个完整的＂CS＂客户服务模式。
　　其中将客户等级作为Y轴、将交互轮次、意图分类、情绪状态作为X轴，然后将座席（ 智能客服、基础人工座席、高级人工座席、专家人工座席、专属投顾、投诉合规专岗 ）依次填入到交点中，形成如图2。
　　图2-＂CS＂客户业务服务分级模型
　　在模型中我们可以看到由于客户级别、业务类型、交互轮次以及情绪状态进行服务分级匹配；可以分为以下三种情境（图3）：
　　1、同一业务下不同客户级别分配：在同一个业务场景下，客户等级越高分配的座席等级越高；
　　2、同一客户级别不同业务场景分配：在同样级别的客户在不同业务场景下，业务场景越重要（复杂）分配的座席等级越高；
　　3、同一客户级别同一业务场景下不同客户情绪分配：在同一客户级别同一业务场景下，客户情绪越激动分配的座席等级越高；
　　图3-不同场景下客户分配情况
　　例如对于产品营销场景，可以引流至在线投顾提供专业建议，对于业务建议与投诉升级场景，我们利用智能情绪识别，第一时间发现问题解决问题，降低流程流转产生的时间消耗。
　　同时客户与智能客服交互过程中，当识别到客户有某些特定需求时，如客户有投诉意愿或客户有较强的营销线索意愿，则提示客户将由投顾经理或人工客户服务，并将客户转接至投顾经理或人工客服，而在转人工的过程中需要结合客户等级和服务场景进行座席匹配；
　　总结
　　客户服务分级不仅可大大提高客户满意度，对企业竞争力的贡献也是巨大的。引用互联网上对于服务分级的作用作为本文的结尾：
　　1. 广度上：获得客户，通过细分客户，识别客户特征，分析客户购买偏好，找到潜在客户及其需求，使营销活动更具针对性和有效性，销售目标命中率更高，从而获得更多新客户。
　　2. 长度上：是要保有客户，通过客户价值分层管理，对不同价值等级的客户提供更具针对性的服务和产品，使客户满意度提高，从而维持长久、稳固的客户关系，降低客户流失率，保证企业利润的实现。
　　3. 深度上：就是要提升客户赢利能力，通过客户价值挖掘和客户价值评估，发现客户的赢利能力和价值潜力，挖掘出更多的再销售机会，实现交叉销售、增量销售和推荐销售，使客户的利润贡献率大大提高，最终实现客户价值的最大化。