2026.04.09_台灣客服協會_從資料重新理解客服_ Charlie Wang

Transcript

1. 從資料重新理解客服
2. Charlie Wang Data Science Team Lead 天下雜誌群 Vpon 大數據 LINE Taiwan (since 2021)
3. SECTION 00 為什麼客服「現在」 值得重新被看待
4. 客服一直是第一現場，只是現在更有機會被看懂 「客服不是現在才重要；真正改變的，是我們終於更有能力把這些現場資料儲存、整理與理解。」 資料存在但分散 資料可儲存、 可整理、可分析 過去 現在
5. 以前的現場資訊，往往留在第一線的經驗裡 「以前客服知道很多事，但不一定能把它整理成證據、轉成模式、帶進決策。」 • 大量資料存在於非結構化 內容中 • 工單與備註品質不一 • 洞察常留在個人經驗裡 過去客服現場的真實狀態 • 難 累積模式 • 難 辨識趨勢 • 難 提早預警 • 難 進入管理決策 帶來的限制 主管直覺
6. 工具讓散落的客服訊號保留下來 真正的改變，不只是資料變多，而是原本會流失的現場訊號，開始能被保存與回溯。 數位留痕 互動內容完整留下 語音文字化 通話可讀、可搜尋、可分析 事件可串連 客服互動可連回產品、交易、流程背景
7. AI 讓我們不只看見資料，還能開始探究它背後的脈絡 資料留存解決的是「看得見」；AI 開始幫助我們處理的是「看得懂」。 大量原始互動 AI 協助整理（摘要 / 分類 / 聚類 / 關聯） 模式 / 前兆 / 根因 / 決策提示
8. 當客服資料變得看得見，下一個挑戰是：怎麼看懂？ 「資料留存與 AI 讓我們更容易看見現場，但資料越多，也越容易被雜訊淹沒。 真正重要的是，能不能從雜訊裡看出：問題在哪裡、為什麼發生、以及下一步該怎麼做。」 洞察 (Signal) 問題在哪裡、為什麼發生、下一步該怎麼做 雜訊 (Noise) 表面現象與 KPI 報表
9. 01 02 03 04 從資料科學重新理解客服現場 AI 與數據如何支持客服決策 支撐分析與應用的底層資料能力 從數字到洞察：客服分析的盲點 05 從想法到落地：常見的推動挑戰 CONTENT
10. SECTION 01 從數字到洞察： 客服分析的盲點
11. 阻礙決策的三大數據盲點 只看平均 01 常常掩蓋 真正的服務風險 只看結果 02 通常來得太晚 錯失介入時機 單一指標 03 無法代表全貌 導致誤判局勢
12. 盲點一：只看平均掩蓋風險 平均回覆時間正常 代表服務表現穩定 P95 很適合用在：等待時間、回覆時間、解決時間、bot 回應延遲、排隊時間、升級處理時間 常見誤判 最差的一群客戶 體驗到底差到什麼程度 完整判讀
13. 了解誰在受苦後，才能知道誰該負責、哪裡該改善 不是把報表切得更細， 而是找出最值得優先處理的目標。 那他們是誰？ 問題類型 (What) 帳務 / 物流 / 權限 / 系統故障 處理單位 (By Whom) 帳務 / 物流 / 權限 / 系統故障 客群 (Who) 新客 / VIP / 高價值 / 特定地區 時段 (When) 尖峰 / 離峰 / 活動期間 / 帳單日前後
14. 盲點二：只看結果來得太晚 滿意度下降 落後指標 領先指標 重複來詢、轉人工與等待時間惡化 SLA 下滑 queue 拉長、P95 惡化與 backlog 累積 自助率上升 轉人工、最終解決率與後續重複來詢
15. 成熟的客服數據管理 = 月底看結果 + 更早抓到前兆 需求前兆 某意圖量上升、某關鍵字暴增、轉人工率上升、queue 開始堆積 品質前兆 重複來詢率上升、reopen 增加、負向情緒變多、某類 QA 錯誤增加
16. 盲點三：單一指標無法窺探全貌 AHT (平均處理時間) 下降 = 效率改善 AHT 下降 + 重複來詢率上升 + CSAT 下降 = 過早結案 自助率提升 = 智能客服成功 自助率上升 + 轉人工率下降 + 重複來詢率下降 = 真正成功 數據價值不在單一數字變好，而是多個指標能否講出一致的故事。
17. SECTION 02 從資料科學的角度 重新理解客服現場
18. 從資料科學的角度，重新理解客服現場 「資料科學不只是多看幾個指標，而是用不同的方式理解訊號、預測風險，並支持更好的判斷。」 • 發生什麼事 • 有沒有達標 報表視角 • 還有什麼沒被看見 • 接下來可能發生什麼 • 支持更好的判斷 資料科學視角
19. 1) 能不能把原本看不見的訊號資料化？ 「很多真正有價值的客服 insight，過去不在正式欄位裡，而是在語音、文字、情緒與互動脈絡中。」 • 通話內容 • 隱性主題 • 摩擦點 • 情緒變化 As-Is • 語音轉文字 • 摘要 • 分類與標籤 • 關鍵字 / 主題萃取 • 情緒辨別 To-Be
20. 2) 能不能更早做出預測？ 「資料科學的價值，不只是解釋已經發生的事，而是從現有訊號中更早看見可能發生的風險。」 • 哪些案件高機率 reopen • 哪些客戶可能重複來詢 • 哪些時段或主題可能爆量 • 哪些互動可能升高為高風險案件 • 哪些體驗可能走向不滿 訊號累積 風險形成 問題發生 ?
21. 3) 能不能在現場支持更好的決策？ 「資料科學不只幫助事後分析，也應該思考：資料能不能在當下幫助更穩定、更一致的判斷。」 • 相似案例：哪類回覆策略比較適合 • 優先級提示：該優先處理什麼 • 風險提醒：這個案件要不要升級 • 建議下一步：這種情況應不應該轉人工 / 轉資深處理 案件流入 判斷節點 最佳應答 ?
22. SECTION 03 AI 與數據 如何支持客服相關決策
23. AI 與數據，如何開始支持客服相關決策？ 整理訊號 提前預警 支持決策
24. 1) 把原本藏在互動裡的訊號整理出來 • 語音轉文字、摘要、分類、主題萃取 • 高頻摩擦點、異常升高主題、情緒集中 區段 • 零散客服互動 >> 產品與營運的議題 對話資料發現產品 / 流程 / 政策問題 • 最常查不到答案的問題 • 最常需要二次求助的主題 • 最常出現回答不一致的類型 知識庫 / SOP / 訓練缺口辨識 很多高價值 insight 原本散在語音、對話與備註裡；現在可以先把它整理成可被組織看見的訊號。
25. 2) 把事後反應往前推成事前預警 • 預測來量、主題結構、 尖峰壓力 • 排班與資源配置 • 「有多少量」 x「什麼問題」 x「什麼時段」 需求預測與人力配置 • 快速升高的主題 • 高機率走向不滿的案件 • 隊列開始堆積、等待風 險上升 • 哪些指標代表體驗正在 惡化 服務風險與品質預警 很多客服結果指標都有前兆；重點不是等問題發生，而是能否提早一點看見。 • 哪些問題？ • 哪些流程、政策、知識 缺口？ • 把客服成本從「回應更 多」轉成「第一次做對」 重複來詢 / FCR 分析
26. 3) 把資料送進決策發生的那一刻 • 相似案例 • 即時摘要 • 建議下一步 • 風險提醒 • 知識指引 • 目標是降低判斷成本、 提高一致性 Agent Assist / 即時支援 • 自助率 • 轉人工率 • 最終解決率 • 後續重複來詢 • 「人機分工」決策 Bot / AI / 自助成效管理 很多服務差異，並不只來自流程，而來自當下判斷是否穩定、一致、及時。 • 哪些案件應優先處理 • 哪些需要資深接手 • 哪些需要升級處理 • 把資源送進高風險、高 價值的地方 分流 / 升級 / 優序判斷
27. 不是每個場景都要做，關鍵是先挑對問題 • 有基本留存 • 品質可接受 • 不需要先做 龐大整併工程 • 對體驗、成本、 效率或風險有 明顯影響 • 現場主管有感 • 排班、分流 • 優先級 • 升級判斷 • 知識優化 問題夠痛 能進流程 資料可得 對的 問題
28. SECTION 04 支撐分析與應用的 底層資料能力
29. 為什麼場景常做不深做不久 常見痛點 資料散落各處 (CRM、語音、Log) 同樣叫「已解決」，各系統定義不同 每次做新報表都要重新拉一次資料 想用 AI ，卻發現資料品質不穩
30. 智慧客服的水管系統架構 水源匯流 / 資料搜集 (Data Lake) • 客服工單 / case data • 對話內容 / 通話轉寫 • 客戶屬性與旅程資料 • 產品/交易/操作事件 • 滿意度與回饋資料 濾水系統 / 資料治理 (Data Governance) • 首次解決 • 有效轉人工 • AI 成功處理 • 客訴升級 • 最終解決率 • 重複來詢率 水管 / 資料流程 (Data Pipeline) • 能定期更新 • 能支援不同角色使用 • 能把分析結果回灌到營運流程 水龍頭 / 前端應用 (Applications) • 報表 • 預警系統 • Agent Assist • AI 分析
31. 從想法到落地： 常見的推動挑戰 SECTION 05
32. 如果問題沒定義清楚，技術越做越容易失焦 • 問題定義： • 提早預警？ • 降低重複來詢？ • 提升現場判斷一致性？ • 資料團隊：模型表現 • 業務團隊：是否改變判斷與結果 • 把原本屬於流程、制度、知識設計的問 題，全部期待 AI 解決，通常會失敗 客服數據與 AI 能做的事情很多，但… 問題定義 成功標準 AI 角色
33. 客服場景會變，模型與能力也必須跟著被治理 • 持續更新資料 • 固定回饋機制 • 持續調整模型 / 規則 / prompt / 知識 • 潛在問題： • 意圖分類原本很準，但新問題進來 後開始失真 • 預警模型最初有用，但後來高風險 案件型態改變 持續經營才是挑戰 模型上線 客服場景持續變動： - 新產品 / 新政策 - 新問題類型 - 顧客表達方式改變 - 案件結構改變
34. 真正的落地，不是模型上線，而是進入決策流程 • owner • 流程承接 • 決策節點 • 使用與回饋機制 • 更多例子： • 有沒有人根據預警去調排班？ • 有沒有人根據洞察去調知識庫？ • 有沒有人根據建議去改分流、升級或優 先順序？ 很多專案失敗，只是因為沒有… • 發現產品摩擦點，但沒有跨部門機制去修 • 有風險預警，但現場沒有對應介入流程 • Agent Assist 做出來了，但客服流程沒有 真的嵌進使用時
35. 01 02 03 04 了解指標的風險、脈絡與一致性 擴充資訊、做出預警、及時決策 發現潛在問題、調度資源、快速資深化 從資料科學重新理解客服現場 AI 與數據如何支持客服決策 穩定的資料搜集、清洗整理、派發配送 支撐分析與應用的底層資料能力 從數字到洞察：客服分析的盲點 05 誰是問題、誰來維運、誰來接球 從想法到落地：常見的推動挑戰 TAKEAWAY
36. 水源匯流 / 資料搜集 (Data Lake) 濾水系統 / 資料治理 (Data Governance) 水管 / 資料流程 (Data Pipeline) 水龍頭 / 前端應用 (Applications) 供水去處 / 預期管理 (Alignment) 持續維護水質與管線 / 資料更新 (Maintain) 現場有人接水、用水 / 決策承接 (Owner) 客服數據與 AI 的價 值，不在於多做幾個 水龍頭； 在於能否把資料穩定 供應、正確理解，並 真正送進決策現場。