背景
随着中国互联网金融的不断发展，金融机构的存量客户也越来越多，这就导致客服中心每天都面对着成千上万的客户人工服务请求，但是客服中心人工服务资源总是有限；这就提出了客服中心的基本矛盾——客户多样的服务请求与有限的服务资源之间的矛盾；具体化来看可以分为以下两点：
1、哪些客户请求需要被优先满足。2、如何分配最合适的座席满足服务。传统解决思路及存在问题
在过去的客服中心对于客户人工服务的请求，主要可以分为以下三种方案：1、按排队时长接待：即按照客户排队时长和座席空闲时长依次匹配，即客户排队时间越久，座席空闲时长越长，那两种就进行撮合。2、按照客户资产等级接待：即单纯按照客户资产等级进行接待，资产越多就越先被接待。3、先智能后人工服务：无论客户请求何种内容，全部交由智能客服优先进行解决，对于智能客服实在解决不了在交由人工解决。这样的话，就进而产生以下问题：
根据RFM模型进行客户分级
R（最近一次入金的时间）：根据入金时间远近进行划分；
F：APP登录频次）：根据登录APP频次高低进行划分；
M（年日均资产）：根据年日均资产多少进行划分。那么，就可以将已有的客户群划分为下几种，如表1所示。表1-客户等级划分
根拆分服务场景定义
其次，我们需要根据客户请求的业务进行场景细分，在同一客户对于不同业务请求时具体分配的服务任务情况，我们不能在一些基础的业务场景就大量投入高级别人力，这样对整体来说是一种资源不均衡，对于金融行业业务场景可以参考表2。表2-业务场景划分
关注客户情绪与交互轮次
最后，我们需要关注客户在咨询时的情绪状态，对于客户在咨询不同业务时携带的情绪进行细分，当客户处于不同的情绪状态时就要考虑服务升级，例如一般客户在自助业务中出现不满的情绪时，此时就不能继续在智能客服中服务，而是立即让人工座席进行协助；同时我们需要注意到在客户服务中，客户在进入服务时会自带情绪入场，但并不意味着客户的情绪是不变的，尤其是在服务过程中多次交互后还是没有解决客户问题和需求时，客户的情绪会发生较大的变化，最坏的情况可能出现客户情绪激动甚至愤怒（表3）。表3-交互轮次与客户情绪变化表建立“CS”客户服务模型
综上我们将客户等级、服务场景、客户情绪与交互轮次综合考虑，可以得到一个完整的“CS”客户服务模式。其中将客户等级作为Y轴、将交互轮次、意图分类、情绪状态作为X轴，然后将座席（智能客服、基础人工座席、高级人工座席、专家人工座席、专属投顾、投诉合规专岗）依次填入到交点中，形成如图2。
图2-“CS”客户业务服务分级模型在模型中我们可以看到由于客户级别、业务类型、交互轮次以及情绪状态进行服务分级匹配；可以分为以下三种情境（图3）：1、同一业务下不同客户级别分配：在同一个业务场景下，客户等级越高分配的座席等级越高；2、同一客户级别不同业务场景分配：在同样级别的客户在不同业务场景下，业务场景越重要（复杂）分配的座席等级越高；3、同一客户级别同一业务场景下不同客户情绪分配：在同一客户级别同一业务场景下，客户情绪越激动分配的座席等级越高；
图3-不同场景下客户分配情况例如对于产品营销场景，可以引流至在线投顾提供专业建议，对于业务建议与投诉升级场景，我们利用智能情绪识别，第一时间发现问题解决问题，降低流程流转产生的时间消耗。同时客户与智能客服交互过程中，当识别到客户有某些特定需求时，如客户有投诉意愿或客户有较强的营销线索意愿，则提示客户将由投顾经理或人工客户服务，并将客户转接至投顾经理或人工客服，而在转人工的过程中需要结合客户等级和服务场景进行座席匹配；
总结
1. 广度上：获得客户，通过细分客户，识别客户特征，分析客户购买偏好，找到潜在客户及其需求，使营销活动更具针对性和有效性，销售目标命中率更高，从而获得更多新客户。
2. 长度上：是要保有客户，通过客户价值分层管理，对不同价值等级的客户提供更具针对性的服务和产品，使客户满意度提高，从而维持长久、稳固的客户关系，降低客户流失率，保证企业利润的实现。
3. 深度上：就是要提升客户赢利能力，通过客户价值挖掘和客户价值评估，发现客户的赢利能力和价值潜力，挖掘出更多的再销售机会，实现交叉销售、增量销售和推荐销售，使客户的利润贡献率大大提高，最终实现客户价值的最大化。
