1、好感度的分析難以量化

　　對大數據并沒有深入研究，但是不少朋友在這方面比較有造詣。幾年前就和他們請教過，確實不一般。

　　舉一個最生動和真實的例子：四五十多歲的女士，可以找一個小伙子與之對應，成功率比較高。首先這個規(guī)則并不是我們構造出來的，而是通過大數據分析出來的，不是人為地構造一個客戶性別+年齡與坐席性別+年齡的相關性分析模型，而是系統在大數據中找到了這么一個相關性。那么，我們再用常識進行判斷，一個20左右的小伙子最善于對付什么人？他媽唄！而四五十歲的女士最惹不起誰？她兒子唄！（當然，我也最惹不起我的女兒，她對我提出的任何無理要求，我都在她一個委屈的、還用不著掉眼淚的表情中繳械投降了，說吧，讓爸爸給買什么都行！爸爸的錢都是你的…）

　　那么，類似的大數據的故事就是紙尿褲+啤酒的案例（老掉牙了）。沃爾瑪（有人說是奧斯科）在海量數據（幾百萬中商品的銷售數據）中尋找相關性，“發(fā)現”了紙尿褲+啤酒的捆綁關系，而并不是說有人故意“查詢”紙尿褲+啤酒的銷售關系，而是系統發(fā)現了兩者的關系。那么，我們也用常識判斷，那些前來為周末采購啤酒的男性客戶往往會想起妻子讓他們買紙尿褲，或者那些周末前來購買紙尿褲的男性客戶會同時為自己購買啤酒，所以他們會將兩種商品都放入購物車里。

　　那么，大數據要干的事情是在大量的交易數據中“發(fā)現”規(guī)律，而對于ACD來說，就是發(fā)現客戶與坐席“好感度”的相關因素。后面我會舉出實際小案例。

　　2、ACD系統的實時性難以保證

　　ACD系統的實時性是最重要的，客戶排隊本來就受到坐席繁忙，系統基本功能運行的時間花費而產生延遲，如果大數據的分析再花去他哪怕幾秒鐘的時間，也會大大降低客戶體驗。

　　在流程中，大數據分析一律是在事先計算好的，然后形成規(guī)則文檔和規(guī)則數據存儲起來，ACD只需要利用這些文檔和數據即可，而這些數據要小得多、規(guī)則要簡單得多。

　　3、ACD流程變化的適應能力

　　ACD流程變化是在很多系統中是需要大量開發(fā)測試的，一次流程調整往往要一個月甚至幾個月的時間完成，這是，就極大的考驗一個ACD系統隨需應變的能力了。

　　三、半成功案例—BMA策略

　　6年前，北京商路通公司為一家電視購物的客戶提供了一個復雜ACD的系統；但是，大數據是我們用Excel手工完成的，因此，稱作半成功案例。

　　為這種ACD策略命名為BMA策略，即Best Matched Agent策略。

　　如下的ACD規(guī)則：

　　•按產品技能分組---將電話分配給最擅長接這類電話的人
　　–座席按照產品技能分組
　　–每一個坐席不是全才
　　–座席對于每一類產品的技能有高有低
　　–在來話數量不是很大的情況下，要實時調整是否智能勸阻
　　–統計復用能夠節(jié)省大量人力
　　•成單率最高的坐席優(yōu)先分配
　　–成單率是按照一段時間內座席的成單率計算
　　–成單率要結合產品類型
　　–成單率應該作為一個系數，不能成單率高分配很高，否則疲勞會導致成單率下降。
　　•優(yōu)先分配給成單最少的坐席
　　–控制座席負荷
　　–平衡坐席利益沖突
　　•對于已經定義的某客戶屬于一個坐席的，優(yōu)先分配給這個坐席
　　–可以提高成單率
　　–可以防止大客戶流失
　　–可以平衡坐席利益沖突
　　•避免分配給曾經沒有成單的坐席
　　–沒有成單的主叫，不能分給上一個坐席
　　–沒有成單的主叫，要分配給技能級別更高的坐席
　　•地域的匹配：
　　–提高成單率，縮短通話時間
　　•性別年齡的匹配：
　　–提高成單率，縮短通話時間

　　效果呢，成單金額與過去的ACD方式提高了不少。