客户互动数据从未集中存储在一个地方。联络中心平台记录对话，CRM 系统存储账户记录，数字体验平台收集行为信号，分析工具则生成更多客户洞察。
传统上，人类客服人员在这些系统中工作，在交互过程中逐步拼凑出上下文信息。AI 客服人员的运作方式不同，它们依赖于即时获取准确完整的信息，这使得客户数据碎片化问题比以往任何时候都更加严重。
生成式 AI 在客户服务领域的日益普及，暴露出企业过去能够容忍的一个长期存在的挑战。没有任何单一平台能够完整地呈现客户信息，然而人们却越来越期望 AI 系统能够像拥有完整客户画像一样做出决策、解决问题并提供个性化互动。
一场关于客户背景的新争论
AI 代理的兴起给客户关系管理系统和联络中心平台之间的传统关系带来了新的压力，因为两者都越来越希望成为客户背景信息的主要来源。
IDC 专门研究联络中心和客户体验技术的 Oru Mohiuddin 表示，她认为互动层正变得具有战略意义，因为它捕捉到了定义客户关系的互动。
“正是互动数据层构成了客户真实信息的权威来源，”她说。
这种观点有助于解释为什么 CRM 提供商加大对客户服务能力的投资，而呼叫中心供应商同时也在扩展其客户数据和 AI 产品组合。
随着 AI 越来越能够从对话和其他非结构化数据中提取价值，交互历史本身正在成为一种战略资产。
她表示：“现代 AI 可以改变非结构化数据的处理方式，并且从长远来看，很有可能取代记录系统/客户关系管理系统。”
另一些人则认为，寻找单一的记录系统是不得要领。
Quantum Metric 的联络中心负责人 Michelle Brigman 表示，企业常常花费太多时间争论哪个平台包含最有价值的客户信息，而不是认识到客户的真实情况贯穿整个客户旅程。
她表示：“事实上，客户的真实体验贯穿于客户的整个过程，而不仅仅局限于客户协作即服务平台（CCaaS）、客户关系管理（CRM）或客户数据平台（CDP）。如果你只管理体验的片段，就会错过真正的客户体验。”
Brigman 表示，领先的机构并没有将所有客户数据强制放入一个存储库中，而是将数字行为数据与服务互动联系起来，以便更全面地了解客户在寻求支持之前的经历。
Regal 的联合创始人兼首席执行官 Alex Levin 表示，大多数组织尚未建立真正权威的客户真实信息来源。
Levin 说：“现实情况是，目前大多数公司都没有这样的公司，这是一个问题。”
他认为，企业应该减少对选择单一现有应用程序的关注，而更多地关注构建统一的客户档案，将来自多个系统的信息结合起来。
他说：“权威信息来源应该位于能够最全面了解客户情况的地方。”
AI 比人类更快地暴露出碎片化问题
客户数据碎片化并非新鲜事。不同之处在于，AI 系统对不完整信息的容忍度要低得多。
人类能够识别缺失的上下文信息，提出澄清问题，并在系统包含相互矛盾的信息时进行调整。而 AI 系统只能利用现有信息进行工作。
Brigman 说：“如果 AI 代理基于不一致或不完整的交互历史进行工作，那么最大、最具破坏性的风险之一就是自信错误。”
如果缺乏完整的上下文信息，AI 可能会重复用户已经完成的故障排除步骤，推荐不相关的操作，或者误解交互的目的。即使底层技术运行正常，最终的体验也可能让人感觉脱节且缺乏人情味。
Levin 表示，当 AI 缺乏对先前互动的了解时，客户会立即察觉到。
“如果客户上周打电话来咨询账单问题，而你的 AI 系统却不知道，那你就得从头开始，这对客户来说显而易见，”Levin 说。
在监管严格的行业中，客户体验、信息披露和建议都依赖于准确的信息，因此后果会更加严重。
“如果 AI 没有关于患者背景的正确信息，就会造成糟糕的体验，但更重要的是，你可能会把患者送到错误的治疗方案中，或者在对他们的健康至关重要的治疗过程中彻底失去他们，”Levin 说。
Mohiuddin 表示，预测性 AI 可以帮助弥补一些信息缺口，但各组织不应指望仅靠技术就能克服数据质量差的问题。
“基因 AI 和预测 AI 的结合可以帮助弥补差距，但要最大限度地发挥 AI 的潜力，基础数据必须干净、可靠且完整，”他说道。“正如人们常说的，‘垃圾进，垃圾出’。”
治理成为架构的一部分
挑战不仅限于集成。企业还需要建立治理框架，明确 AI 如何访问客户信息、如何监控决策以及如何记录交互过程。
在 Levin 看来，整合与治理必须同步发展。
他说：“如果你的系统没有连接，那么制定数据政策就没有意义；如果没有关于 AI 如何使用这些数据的结构，那么连接你的系统也没有意义。”
这包括同步交互前后的信息、维护完整的记录以及建立限制 AI 运行方式的控制措施。
Levin 说：“每一次通话都应该被录音，每一次回复都应该可以被审计，AI 应该有明确的防护措施，这样它就不会偏离脚本。”
Brigman 认为，组织还需要对数据质量和客户结果进行明确的问责。
她表示：“还需要跨职能部门的可见性；客户服务、数字化、产品和数据团队需要对客户旅程有相同的理解。”
Mohiuddin 指出，混合 AI 方法的使用日益增多，这些方法将概率性 AI 能力与确定性控制和可观测性工具相结合，旨在提高信任度。
Mohiuddin 表示：“我们目前还未达到完全采用概率 AI 的阶段。为了建立 AI 的信任，我们需要为其添加确定性因素。”
本文来自作者投稿，版权归原作者所有。如需转载，请注明出处：https://www.nxrte.com/zixun/67562.html
