客户案例按行业匿名发布,不写客户名称。书面同意公开名称的品牌列在参考客户页面。下面记录了五个项目,每个都注明统计周期;更多项目成熟后,名单会继续增加。
| 行业 | 业务流程 | 核心数据 |
|---|---|---|
| 电商,翻新电子产品 | 呼入客服、外呼回访、门店热线 | 约 75% 无需转人工即解决 |
| 金融,数字支付 | 呼入客服,满意度调查试点 | 92.6% 即时接听 |
| B2B 分销 | 经销商外呼任务 | 高意向线索率 17.3% |
| 物流,货运撮合平台 | 呼入司机热线,全天候 | 100% 即时接听 |
| 物流,国际平台 | 外呼线索筛选 | 194 条合格线索 |
大部分呼入电话由 AI 处理
土耳其一家大型翻新电子产品交易平台,交易量很大:订单状态、分级设备的保修核查、退货,每天都在大规模发生。使用 DRING 之前,呼入量经常超出客服团队的承受能力,促销和补货期间等待时间越拉越长。平台也没有稳定的办法在交付后回访买家,或为门店分支单独配置一条热线。
三个智能体,覆盖三个节点
呼入客服智能体接听主线,读取订单记录,在通话中解决保修和退货问题,电池健康度争议这类翻新机特有的情况也包括在内。外呼智能体在交付后给买家打电话,做简短的满意度回访。另一个智能体负责门店和分支的客服热线。
- 调研
梳理来电原因
在写任何提示词之前,先梳理出来电量最大的几类原因:订单状态、保修、退货。
- 搭建
三个智能体,一套订单系统
呼入客服、外呼回访和分支热线三个智能体,都基于平台的订单和 CRM 记录搭建。
- 测试
翻新机特有的边界情况
上线前,模拟对话已覆盖分级争议和电池健康度读数不符等情况。
- 上线
逐步放量
智能体先承接一部分呼入量,解决率稳定之后再接管整条线路。
- 优化
开启转人工后的调优
开启转人工后,平均处理时长降到约 40 秒。随后团队调整了转接规则,让智能体不再把自己能解决的电话转出去。
| 指标 | 结果 | 说明 |
|---|---|---|
| 无需转人工即解决 | ~75% | 上线一年后的数据,需要时带上下文转人工 |
| 运营成本优势 | 最高降低 81% | 对比同一业务流程双方约定的纯人工基线 |
| AI 承接的呼入占比 | 60% 至 80% | 第一年内逐步增长并稳定在这一区间,例外情况仍有人工支持 |
| 月度通话量 | 1.7 万至 1.8 万通 | 上线一年后的当前稳定水平 |
| 处理量 | 约 4.3 万通 | 一个 2.5 个月的统计周期内 |
| 可用时间 | 全天候,无需排队 | 无论几点来电都不用等 |
| 平均处理时长 | 约 40 秒 | 自开启转人工以来 |
约 75% 的对话无需转人工即结束,遇到需要人工判断的情况仍可升级处理。在这个项目中,运营成本比双方约定的纯人工基线最多低 81%。AI 承接的占比从上线起稳步增长,第一年内稳定在 60% 至 80%,值得关注的是这条趋势,而不是某一周的峰值。开启转人工后,平均处理时长降到约 40 秒,但也暴露出转接过多的问题,这需要单独调优,和解决率是两回事。回访和分支热线两个智能体,覆盖了呼入主线接触不到的环节。
92.6% 的来电即时接听
一家数字支付平台通过电话处理交易状态、支付失败和账户问题。这类电话里,每多等一分钟,客户都会觉得不对劲。客服量在增长,问题又都很急。平台还希望在客服交互之后有可靠的办法衡量满意度,而不是靠偶尔人工回访。
在线客服,加上满意度调查试点
呼入客服智能体读取账户和交易状态,能在通话中解决的当场解决;需要人工判断或要人工向银行查询时,带完整上下文转人工。另一个外呼智能体在客服交互之后开展满意度调查试点。
- 调研
梳理主要来电类型
经梳理,转账处理中、支付失败和账户问题是来电量最大、也最紧急的几类原因。
- 搭建
接入账户系统
智能体读取的是实时的交易和账户状态,而不是缓存快照。
- 测试
模拟争议场景
上线前,交易失败和扣款争议等场景都以模拟对话跑过一遍。
- 上线
上线客服主线
呼入智能体上线后接听客服主线,随时可以转人工。
- 优化
调查先做试点
外呼满意度调查先在较小的人群中试点,之后再决定是否扩大规模。
| 指标 | 结果 | 说明 |
|---|---|---|
| 交互次数(30 天周期) | 479 | 客服 417 次,调查 62 次 |
| 即时接听的来电 | 92.6% | 无需排队 |
| 得出明确结论的对话 | 70.3% | 40 通由 AI 独立解决,218 通带上下文顺利转人工 |
| 情绪 | 96.9% 正面 | |
| 调查试点推荐得分 | +54 | 平均 8.4/10,n=13,样本较小 |
在支付领域,即时接听比在大多数业务线上都更重要:92.6% 的即时接听率,让客户在智能体处理具体问题之前就建立了信任。只看解决率会低估这个结果:在得出结论的 70.3% 对话中,大部分转给了人工,其中 218 次转接都带着完整上下文,客户不用把问题再说一遍。调查试点的推荐得分为 +54,令人鼓舞,但 n=13 的样本太小,还不能算趋势。下一步是扩大样本再跑一次,然后再下结论。
试听这个业务流程
约一小时触达 117 家经销商
一家 B2B 科技分销商要在经销商网络中推一项新优惠。这份名单靠关系维系,语气和接通率同样重要。如果人工逐一打给 117 家经销商,一名销售大约要花一整个工作日,而销售团队没有时间去做这种未必能成交的外呼。
- 调研
划分经销商名单
写外呼话术之前,先梳理了 117 家经销商的名单和这次的优惠内容。
- 搭建
设计优惠话术
智能体按这个目标搭建:介绍优惠、回答基本问题、为销售标记意向。
- 测试
模拟经销商的异议
常见的推托理由,比如时机、价格、老版本产品,上线前都在模拟中跑过。
- 上线
拨完整份名单
这次外呼任务在一个时段内打完了全部 117 家经销商。
- 优化
抓住额外信号
原话术之外冒出来的交叉销售意向,现在已成为后续外呼任务有意收集的信息。
| 指标 | 结果 | 说明 |
|---|---|---|
| 目标经销商 | 117 | |
| 接通的经销商 | 92% | |
| 完成的真实对话 | 98 | |
| 转给销售的高意向线索 | 17 | 占对话的 17.3% |
| 任务时长 | 约一小时 | 人工大约需要一个工作日 |
| 正面反馈 | 97.2% | |
| 发现的交叉销售机会 | 4 | 超出原任务范围 |
一名销售要花大约一个工作日才能打完的外呼任务,约一小时就完成了。但如果通话体验不好,速度本身没有意义。97.2% 的正面反馈,才让这份速度真正有用,毕竟经销商关系要经营好几年。4 个交叉销售机会并不在任务的设计目标里。这提醒我们:对话式智能体能带回话术之外的信息,下一次外呼任务应当有意收集,而不是当成附注一笔带过。
试听这个业务流程
一条全天不打烊的司机热线
一家货运撮合平台连接司机和货源。司机在路上,什么时候有空就什么时候打电话,问在售货源、运价和自己的资料。开通这条热线之前,工作时间以外的来电没人接。这部分需求其实一直存在,只是看不见:没有人接听和记录,谁也不知道到底有多少。
- 调研
梳理司机来电原因
经梳理,在售货源、运价咨询和资料更新是司机来电的核心原因。
- 搭建
接入货源信息板
智能体读取的是实时的货源和运价数据,而不是一份固定清单。
- 测试
模拟议价电话
上线前,运价异议和还价等场景都在模拟中跑过。
- 上线
从第一天起全天候
线路一上线就是全天候运行,而不只在工作时间接听。
- 优化
关注工作时间外的规律
司机实际来电时间的早期数据,正在指导这条线路和升级规则的下一轮调优。
| 指标 | 结果 | 说明 |
|---|---|---|
| 来电(头 5 天) | 56 | |
| 即时接听 | 100% | 无需排队 |
| 真实对话 | 87.5% | |
| 正面结果 | 34.7% | 4 单被接下,6 次议价已升级,6 份司机资料已记录 |
| 工作时间以外 | 21.4% | 有的在凌晨 2 点 |
| 正面反馈 | 87.8% |
21.4% 的来电落在工作时间以外,有的在凌晨 2 点。这部分需求在热线上线前就存在,只是无处可去,有人接听之后才第一次被看见。不是每通电话都要彻底解决才算好结果:把议价升级给团队,并附上司机的上下文,本身就很有价值。五天的周期很短,87.5% 的真实对话和 34.7% 的正面结果只是初步读数,还不是稳定趋势,随着来电量增长值得继续观察。
试听这个业务流程
从沉睡线索中筛出 194 条合格线索
一家国际物流平台积压了大量已经冷掉的线索:这些企业曾经沟通过,既没有成交,也没有正式关闭。如果人工去跟这批线索,就得把销售团队从正在推进的单子上拉下来,去打一批可能没有结果的电话。
- 调研
划分线索池
开始拨打之前,先从沉睡线索池中确定了 6,804 家目标范围内的企业。
- 搭建
设计筛选话术
设计了几个简短的筛选问题,把真正有意向的企业和没有希望的区分开。
- 测试
模拟冷淡反应
没兴趣和怀疑的回应都在模拟中跑过,让智能体能得体地结束通话,而不是硬推。
- 上线
分五周进行
这次外呼任务在五周内分阶段拨完联系人名单,而不是一次性打完。
- 优化
带上下文转交
合格线索连同筛选问题的回答一起分配给销售,销售从已知信息出发,而不是面对一份陌生名单。
| 指标 | 结果 | 说明 |
|---|---|---|
| 拨出电话 | 9,666 | |
| 目标范围内的企业 | 6,804 | |
| 已联系的企业 | 2,513 | |
| 完整对话 | 1,602 | |
| 转给销售的合格线索 | 194 | 占对话的 12.1% |
| 良性反馈 | 95.1% | 满意或中立 |
| 节省的销售团队时间 | 36 小时对话 | 全程不占用销售团队 |
最大的意外是:这批被团队认定已经冷掉的线索,95.1% 的反馈是良性的(满意或中立)。沉睡线索大多只是没人回电的线索。真正的瓶颈是接通,而不是转化:6,804 家目标企业中,五周内联系上 2,513 家。所以规划下一次外呼任务时,要先估算一个周期内实际能接通多少家企业。对销售来说,关键数字是筛选合格率,即对话的 12.1%,而不是 9,666 通的总拨打量。
试听这个业务流程
来自一线的记录。
部署语音智能体的经验长文,从医疗旅游、酒店到呼叫中心运营。全部文章
AI 如何推动医疗旅游增长
当问诊登记、筛选和跟进都由说患者母语的语音智能体完成,国际患者的转化流程会发生哪些变化。
阅读 行业用逼真的 AI 智能体提升医疗旅游中的患者参与度和满意度
患者决定去国外问诊之前,为什么电话里的声音必须像一位真正的同事。
阅读 行业酒店客源多元化:深入看多语言宾客关系
当前台热线能说每位客人的语言,酒店的客源结构就能更多元。
阅读 行业重大突破的足迹:AI 智能体在传统行业的应用
AI 智能体如何应用在数字化程度较低的传统行业。
阅读 质量与测试复制顶尖员工:团队型智能体在语音 AI 方案中的作用
如何在语音 AI 中用团队型智能体复制顶尖员工的做法。
阅读 运营模式突破呼叫中心瓶颈:招人难会成为过去吗?
呼叫中心的招聘瓶颈,以及语音 AI 是否会改变这道算术题。
阅读逐通衡量,按行业发布。
每个案例只报告其业务流程跟踪的指标,这些指标都来自同一套四项定义,因此结果可以跨行业、跨时间比较。
由 AI 处理
由智能体接听并自行处理的电话占比,结果是问题解决,或带上下文转人工。转成回电的电话不计入。其中多少通无需人工即结束,会单独报告。
即时接听
第一声铃响即接听、无需排队的电话占比。按整条线路统计,包括夜间和节假日。
目标达成率
以外呼任务预设的结果结束的对话占比:一条线索筛选合格、一个预约完成、一份调查填完。
客户反馈
通话结束时的客户情绪。每次对话都会打上情绪标签,并定期抽样与人工评审结果比对。