智能辅助体验，解锁智能服务密码

柳锴

友信金服副总裁

分享主题

解锁智能时代服务密码

内容摘要

我们公司是做互联网金融的企业，我们的场景会有理财人、有借款人，基于场景分析出来在四个典型场景里面，有我们目前客服面临的现状和挑战。

第一跟行业没有太大关系，IVR语音这里面按键层次非常多，你很难快速找到自己的选项，我们电销对客户数据收集、系统建设不够完善导致电销外呼人员可用的信息量比较小，在话意基本趋同，导致整个转化率比较低，同样业务培训里面，大家知道客服行业人员流动非常大，如果这个背景底下你知识点特别多，对我们客服人员要求特别高，培训成本特别高，周期特别长，这是我们第三个痛点，质检前面很多专家说，尝试智能质检代替抽检，我们抽检是15%，覆盖比较低、时效比较慢，基本等到整个服务结束之后第二天，或者是几个小时之后才能给到一个反馈，这是我们大概看到的痛点。我们看到AI和大数据技术在各个领域，广告、反欺诈都能看到AI的落地和对能效的提升，我们现在把整个AI成形的技术应用到客服的领域，这是我们今天有几个点跟大家分享的，第二点，其实洞察先知更多是讲客户画像的技术，怎么在我们呼入、呼出两个环节我们做未问先答，我们有一个猜你想问的体验提升，在整个客服体系升级上面我们加入了智能质检、智能辅助和线上智能制作服务的提升。

这块是我们几个系统参数，我自己做技术出身，我可能跟腾讯没法比，我们整个业务量没有那么大，因为偏金融场景，我们有两个业务线，大概每一个业务数有1300万和1500万，有一些重叠大概是4000-4500万的样子，我们是经过一轮迭代由传统的P处理和流式分该做纯实时的架构，我们在线服务响应时间小于50毫秒，每天处理量、消息数量峰值流量是1万，我们总标签数在建设中，我们用户画像得花2-3年的时间，标签体系不是你做一个提前定义好就一蹴而就，我们现在的标签数还不大，大概是五六千的标签体系，我们在客服系统产品设计，让我们客服人员现有标签没有的情况下可以开放补充标签，我们有一个闭环，将我们进一步体验添加现有标签里面。

这一件有点偏技术，这一个大概分享一下我们怎么认知用户画像，以及数据收集、处理以及画像建模整个逻辑关系是怎么样的，我们看到你做用户画像需要有各种各样的数据源，因为我们服务是纯线上，所以有一类数据是比较好收集，用户在APP交互的数据，我们在外面做广告投放点击广告到H5落地，从那时候我们有一些数据的累计，用户落地有些行为有可能会注册、有可能不会注册，后面触达风控系统、反欺诈系统，有可能被拒贷，我们用流量变现到友商去，我们会收集用户活动的数据、浏览、搜索、点击和广告交付的行为。

第二类是第三方数据，我们更很多的第三方服务商，包括刚才的解总，科大讯飞也是我们的合作伙伴，我们可以获得合规第三方数据，第三个就是我们很多业务数据，包括客服团队提供服务的时候语音的数据，包括你在CRM界面做标记的数据，这是我们第三类数据来源，我们各个业务线的数据，我们怎么构建用户画像，我们理解大概是这样的，我们不需要所有的数据都实时反馈我们画像系统里面，但是有的数据，像用户的行为数据，可能浏览的行为表达不了太多的意图，但是点击搜索行为非常高，我们希望有非常实时的系统捕获用户画像，希望用户在各种强度提供个性化的服务，我们把系统设计分成实时和P处理两块，我们用技术做实时处理，离线大概是小于一千量级的处理，这个里面是典型数仓的模型，这里面有很多的我们叫主题库，想分享一下这块用户画像，我们怎么理解用户画像的数据流和逻辑。

这里面我们把整个用户画像分成四大块，第一个叫做属性，比如人工属性、设备信息，我会单独拎出来，我们认为用户画像有一部分数据不会随着时间的变化频繁变化，一个人的性别一辈子不会变，年龄一年变一次，学历基本上本科硕士毕业后来没有更多的学术要求，这个数据相对也静态，设备信息也类似，一个人换手机不可能一周换一次，我们会放到属性这一层，还有一些海量的数据是不可修改，是一种偏持续化的数据，我们叫用户行为数据，谁、什么时间、什么事情，基于三类信息定义出来这叫行为数据，缺一不可。

但是我们在说做用户画像做成标签预测用户未来的行为我得建模，你拿用户行为数据没有办法直接使用，这个地方回到机器学习典型两个阶段的工作，第一个阶段我们叫特征工程，之后我们基本上会基于海量的用户行为数据去推测出来这个用户在某一个地方的兴趣点。举一个比较简单的例子，有的用户在财经感兴趣，有的用户对汽车感兴趣，你怎么判断两个用户兴趣多高，有的用户过去一个月看过100篇财经的文章，有的看过三次，我倾向认为看过100篇财经文章，搜索财经关键词在财经意向度更高，我们结合机器的模型，我可以量化强度，也就是说可以在兴趣上打分，到底是8.0的兴趣分还是1.0的兴趣分，无论在营销上面还是客服提供服务的时候，我知道这个大概是什么感兴趣的客群。

我们说说用户画像标签，这个标签我们分为几类，一类基于海量数据推断出来这个用户对什么感兴趣，兴趣可以分为0、1，有兴趣和没兴趣，把兴趣分为多高的兴趣，这是可以量化的数据。第三类标签是预测性标签，我预测客户一周之内98%可以转为理财客户，这不是兴趣，这直接对业务模式有直接帮助的东西，这个地方稍微花点时间讲讲我们对用户画像的理解。这是我们提到我们IVR有一个痛点，这里有一个简单的动画，这里模拟用户打我们的号可能先选1，到第二级菜单会告诉他一二三四五，他前四个选项都不是就选了5，依次选5，用户花了十几分钟没有找到答案拨到了0，这个效率对用户非常低，对我们客服的工作人效比较低，这里讲一个例子就是IVR人工满意度非常低，我们客服压力比较大，成本比较高，客户经过漫长等待打到人工客服是不高兴的。

这里面讲我们怎么利用客户画像在IVR怎么做优化和提高人效，我们提到用户画像的模型我们有特征、标签两类，在用户打电话进来的时候，我们先在50毫秒时间抓取用户的标签，我们看用户到底是贷前还是贷中、贷后用户，他在我们业务系统表现出来，我看到他曾经打过咨询过，我们从业务里面看到审核是失败了，这个用户没有符合我们的、过风控系统会拒了，这个客户应该是打电话问为什么被拒了，被拒能不能把账号注销掉，这种情况的用户大概会问这些问题，我问我为什么被拒绝，我哪里不规范，我动辄一个周、一个月会不会继续申请，还有不高兴了直接注销帐户，这种情况下我们不用漫长的听一二三四五六也没有得到想要的答案，我们直接给一个选项，你是不是要问审核失败的原因，如果是就结束了，我们直接把答案给他，如果不是我们可能问申请失败的原因，注销账号、审核失败能否再建，我们整个体验由N个选项只用两票就完了，预测失败在猜他想问什么问题，猜测部分直接转人工，对服务时效提升很大。

这是指另外一个场景，我们用用户画像分析出来是还款失败了，曾经咨询还款的事宜，他是聊还款相关的东西，没有必要重复听一个通用的菜单，这个是我们基于用户画像在IVR做千人千面提高效率的办法，这个是说，我们有用户画像和AI技术之前我们大概的服务流程是什么样子，最开始我们其实在用户拨打电话进来的时候我们不知道想问什么，我们只能跟用户进行多人的对话去询问锁定用户的意图以及打电话的目的，我们许多各种智能辅助的设备或者是一些系统，所以我客服人员会需要花大量的时间去查询资料，在线查资料，查我们知识库的东西，我没有办法提供实时的指导，我们质检也是之后的，服务结束之后第二天才能对这个服务的体验和服务的效果做一个评价，总的来讲客户服务满意度比较低，整个客户服务的效率比较低。

这个讲的是说当我们有用户画像、有智能辅助体验是什么样的，同样回到这个地方，我们画像标签当然这不是全部标签，有我刚才提的属性、性别、职业这些是相对比较稳定的数据，我基于数据的认知，对用户客群的认知我会智能分析用户分析问题是什么，我跟IVR预判有点像，我会从知识库掉取对这一类问题回答的模块，大概是三部分或者是几部，按照标准化的SOP去提供服务，我们在整个CRM界面还会有实时语音转译的东西，很多嘉宾提到你开放场景并没有像实验室做实验那么完美，我们客服很难听清客户说得是什么，我们有一个语音转译，把客户问题以文字的方式呈现，避免信息不对称或者是沟通的问题，还有我们实时质检，不会等电话结束之后再反馈，我告诉你情绪异常，或者是你的分贝高于你平时平常个人对话的分贝，或者你的对话和打电话进来客户对话有重叠，我判断你有抢话的嫌疑，再听你的语速，你每分钟说130个字就会标红，告诉你放慢一点，客户不太清楚你说什么。还有关键词，我们有黑灰名单，在不同业务有些词、有些表述是不对的，这个地方我们会实时提醒他，你得注意你的用词，这个质检发生在你服务过程中，而不是发生在你服务之后。电销不细说，电销跟呼入场景有一定，我们做用户画像、再智能分析、流程引导、帮助客服人员在当场得到实时的帮助。这个应该也不用太多说，这是换了一个端，由我们语音端转到在线，这也是基于用户标签会猜测你想问的问题，我们最开始的服务方式也是刚才提到FAQ的方式，我猜到你想问的问题，我在聊天界面把你可能想问的问题、答案给你，你发现FAQ没有你想要的东西，这样我们客服会接入场景，通过对话的方式锁钉你想要什么，还不行就到人工客服这一块。

我们质检、语音质检这块过去情况是说我们覆盖率比较低，你不是做到全量的覆盖、质检，百分之百质检你的团队，我们覆盖率大概是5%左右，人力成本比较高，你做质检的话专员对业务的理解应该是大于、等于前线的人员没有办法做判断，人力成本比较高，我们培养质检专业人员周期也是很长的，一般前线要工作一段时间，后线也要一些质检、培训的工作，等有一定的经验才能做这个事情，培养周期比较长，还有一个很痛点的问题，整个人的判断是非常主观的，所以很多时候会造成一轮前线人员的投诉，他会认为自己没有问题，而是质检主官判断手法不一样导致绩效没有打好，风险把控能力低，这对实效性来讲，你风险低第二轮才出来会错失一个最佳的时间。

数据挖掘不彻底，很多时候你情感、感知包括当场的信息是缺失的，你后面做人工质检你信息拿不全，我们通过智能质检能大部分解决问题，智能质检覆盖率是百分之百，我们人力成本几乎不需要人工的干预，我可以讲讲智能质检用到的技术和功能，第一步就是说我们把语音数据实时转写变成文本，第二部分我们对文本进行一个解析，以及我们关键词和匹配，我们会打出一个分数，这个分数目前是规则引擎没有上到模型阶段，我们在实时质检的时候我们看到用户的语速以及情绪，这些东西都可以认为是我们评分模型的不同维度。我们认为关键词你触到非常敏感的关键词有一票否决权，你压根不会得到分数，就零分了，这是很大的避讳，我提到用户画像在智能客服的重要性，客服系统我们形成一个反馈机制，我们用户画像不但帮助客服，客服人员也帮助建立客户画像，客服人员有能力给用户打一些标签，这些用户的愤怒值从1-10分，一个用户经常打电话过来怒气冲冲，我们接电话人员会有一个心理建设，你调整一个状态，有的用户可能是双高人群，高智慧、高情商，你要以更理性去服务，不要大概、可能，他会觉得你很不专业，我们把数据放到用户画像，你会给到高效、满意的服务给客户，这是我们一个用户画像的场景。

右面我们智能质检系统里面的功能，报表不用说，我们实时生成统计数据，到实时的坐席，你过去一周、一小时你打分情况给你是什么样子，还有明细，你点进去看到任何的电话，你哪些做得欠考虑，哪些值得改进，你语速很快，高出你团队平均水平，这是你主管线下聊，趋势指的是我们关键词，我们不断发现客户进线有些高频词出现，我们把这个信息反馈给业务线，很多客户说注册不了，或者是注册不知道怎么弄，这个信息我们发现跟搜索的高频词一样，你可以实时给业务线让他注意。

这个就是我们通过进线转移，通过提供智能辅助，在各种维度强化，有没有静默，两人长达10秒钟的静默也有问题，综合来看给你打一个质检的分数，这是最后一页，我们大概看一下，这是对智能客服的理解，这是时效、效果，这是对内部管理来讲，我们客户对用户画像、人工智能、画像的手段提供个性化的服务，提供更精准的服务、提供更高效的服务，这三个我们给客户满意度做调研，发现客户的问答都是有一些指向性，有一些舆论，舆情我们是不是关注，比如国家金融的强管控，用户不断会问你这块有没有准备、有没有宣导，我们会给GR、PR部门提前做宣导，否则舆情向这么一个方向发展的时候，你如果提前没有准备，后面会很被动。

数据表象更完善是指我们很多数据你用人看数据没有什么名堂，数据自己会讲故事，我们认为这个大数据问题所在，你通过统计学习、机器学习自己告诉你发生什么事，而不是人去猜，很多背后的逻辑其实讲不清楚。

点击