一个不合理的产出型指标 会累死三军
我昨天听朋友讲了个某公司做ai客服的经历:
客服场景有很多,比如做客服培训的,或者给客服做话术回复助手的,给客户做售前意图识别的,给客户做定向QA解答的,以及复杂场景如退货退款需要人工介入的。
负责这项目的人 拿来所有客服的数据分析了一通,发现80%的人力浪费在了20%的退款场景
于是安排人去攻克退款
好了,一个kpi出来了,有效退款咨询的ai成功退款率。
大家想一想,从用户咨询到完成退款,要经历多少步?其中每一步花费多少人工时间?哪些步骤是ai容易做的?哪些步骤是ai不好做的?
我们捋捋:
1、客户咨询信息,进行回复沟通询问,识别问题归类
2、归类为退货退款,询问退款理由,识别是情绪抱怨还是真的退款
3、真退款,尝试挽单,客户可能还是要执意退款
4、收集退款所需要的信息,比如货物进程,要退哪个货等等
5、按照不同的业务sku情况,找到退款规则,计算退款数据,填写退款理由,后台发起退款
6、最终退款成功,回复客户
这么多步骤,指标是有效退款咨询的ai成功退款率。
但目标却是想减少人力成本。
就着这个指标,团队开始集中精力分析哪些机器能去退哪些不能退,然后开始反着重新定义“有效退款咨询”。。。
然后写了一堆CoT和Agent链路来对接后台业务退款逻辑并分别触发不同的退款API。。。
做着做着KPI,忘了初心。
人力到底花在哪里?
其实大量的人力是在前期沟通,收集数据上。
结果舍本求末,跑去搞退款自动化。
AI擅长的可发挥的长处没有利用好,反倒为了提高退款成功率完成全链路问题,去做各种工程化投入。
这就是一个不靠谱的产出型指标,定错指标酿成的悲剧。
据说最终只在退款场景提升了8%的效能。
定目标的领导不做管理措施,下面就会屁股决定脑袋,然后浪费掉资源。
完全可以让下面的人先提供分析和建议,再去拍指标。反正指标出错,领导绝对是第一责任人。不论是他采纳了一个离谱的指标建议,还是自己没过脑子说了个离谱的指标,最终累死三军。