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1RFM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2CS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。