碰撞與變革——當客服管理遇到人工智能

對於整個客服行業來說，由於幾乎所有的服務內容都是以對話——即非結構化數據的形式進行展示和保存，故對於這部分的數據的充分挖掘和解讀仍疑存無在著巨大的未知和潛力，而這些將很可能在未來為整個客服產業的經營和管理帶來質的改變。

今天我們就基於最前端的客服管理智能支持方案一起來探討下，當所有的客服服務內容被赤裸裸地暴露在日益強大的文本數據處理技術面前，人工智能究竟能為整個客服系統帶來多大的改變？

模式的更迭

縱觀整個互聯網生態，隨著線上服務的不斷增多，人們在線購物的習慣也日益養成，客服呼叫中心已在不知不覺中逐漸形成了越來越大的規模。即便如今越來越多企業都投入智能客服機器人的研發，然而不可否認的是，整個產業仍將在之後很長的一段時間內離不開大量的人工客服呼叫員。因此，如何客觀、高效、智能地對大量客服員進行評估考核，對企業的績效管理來說變得尤為重要。不僅如此，傳統以結構化數據為主的管理方案，最後呈現的只是數據統計結果而已，而用戶若想要分析數字背後的原因，或針對性地對服務進行優化都會因信息的匱乏而變得難以做到。

有一點是值得慶幸的，相比傳統客服中心，以雲（文字）客服系統為代表的新一代互聯網客服呼叫體系，其成熟的數字化系統為客服智能管理帶來了先天的優勢：這種系統允許實時的數據收集、整合，前後端數據的打通，並擁有簡單的統計功能。這些都為新的智能系統的二次分析提供了很好的技術基礎。

回到客服管理，我們相信最能影響其管理效率的還是一套成熟的評價體系——一種既可以客觀、高效、全面地對客服進行考核，同時又能滿足企業對經營成本的控制的方案。無疑，對不同企業來說，客服考評體系也存在的巨大的差異。比較傳統的方式是將每位客服所帶來的轉化數據作為主要考核標準，例如服務過的用戶中有多大比例最後完成了銷售轉化。當然隨著不同企業實際情況的不同，算法也可以有相應的調整，如將具體「銷售」變成有效行為：加入購物車、收藏商品或小店等；基數亦可以從「用戶數」調整成「用戶咨詢數」……

然而，這只是一方面。事實上影響轉化的成因及其複雜，會受到不同因素的影響，若只是簡單地統計結構化數據，將為數不多的用戶隨機行為作為評價客服的單一（或主要）指標，必然難以公正、客觀地對客服服務進行評判。而要想解決這個問題，還是要從客服代表本身的服務表現上著手。當然，目前已有雲客服系統已提供了諸如：響應時長、會話時長等基本信息，只是對客服整體表現評估而言，這些指標則明顯顯得力不從心。

最終的解決方案必然會落到對自然語言，或者說中文文本的理解上來。作為客服服務的主要內容，與客戶的「交流」本身將一定承載著客服質檢所需要的足夠信息。而如何從海量的文本數據中挖取、提煉具有價值的洞察、以及如何設置恰當的數據維度作為參考依據，一是取決於自然語言處理技術的成熟度，二則離不開人工智能的開發者對客服行業的深入研究。

細說質檢模式

可以說常規客服「智能」評估的做到都是基於經驗，以及堆疊詞庫所做到的「規則數字化」。例如對特定關鍵詞報警，依靠關鍵詞「判斷」客服或者用戶的情緒，但實際上關鍵詞的設置一定程度上仍取決於從業者極大的主觀性，並需要不斷根據當下的業務重心對系統進行維護，可以說其無論是便利性或是嚴謹性都無法提高到能作為客服績效考評依據的高度。而要解決這個問題，則需要通過另一種方式，真正地對原始服務內容進行解析才能滿足行業的要求，正因為如此，最好的方案是以人工智能自然語言處理技術為核心來幫助客服中心解決當前難題的產品。

而事實上，目前已有企業一直以基於人工智能的中文文本理解技術為所關注的重點課題，例如語憶科技，其所具備最大的優勢則是自主研發的中文文本情緒解析引擎。這種自然語言處理技術以每個字而非詞為單位，通過詞向量技術及海量的中文文本數據進行模型訓練，得出了通用情緒解析模型。基於Plutchik情感輪理論，這種引擎將人們基礎的情緒表達分為12類（憤怒、興奮、愉快等），並結合了大量客服行業實際會話數據進一步修正了準確率，致使引擎不同於常規的二維正負極傾向判斷，能同時將中文文本中所蘊含的情感信息以不同權重（情感濃度）區別的情況下最多分為12類。

在客服場景中，用戶/客服的會話情緒，分別代表了消費者在接受客服服務期間的滿意程度（或變化趨勢）以及客服代表自身的會話狀態，可以說是體現客服服務是否有效的最直接指標。當消費者情緒由憤怒變為興奮、樂觀，濃度值（體現情緒激烈程度的指標）由高轉為低時，即代表了客服服務頗具成效。類似的，無論消費者言辭如何激烈，當客服情緒一直處於愉快、平穩的狀態時，則能反應出其優秀的情緒控制能力。

如今，在領先的客服智能支持系統中，除了基本的基於數字統計的客服考核指標（如應答時長）外，還額外提供了數項基於文本理解的特色功能，例如：

1）消費者滿意程度分析：通過情緒解析引擎，系統將繪制出每通對話中，消費者的情緒變化軌跡（見下圖中通過用戶情緒變化區別「問題客服」與「優秀客服」）。通過將情緒變化幅度進行指標化處理得出每一通會話的用戶滿意度，從用戶角度對客服服務進行全量考核。

2）客服服務情緒評估：分析每次會話中客服代表的語言文本，解析其服務期間情緒變化，以負面情緒濃度及負面情緒出現頻次為指標，考核客服人員情緒掌控能力。

3）客服服務綜合指標：基於消費者滿意度、客服情緒管理，增添以「對話反應時長」、「服務頻次」為例的多維度評價指標，建立可對客服服務進行綜合評價的智能質檢體系，並允許不同坐席之間的比較（如選中下圖中的兩位坐席，系統會顯示相應的能力比較結果）。

同時在系統上，在智能質檢分析平台的基礎上，系統還提供了豐富的典型會話展示結果（如客服情緒失控的會話展示、消費者最憤怒的會話展示、客服反應時間最長的會話展示等），針對這些統計結果，管理者可以下載完整數據表、也可在平台上選擇點擊「查看詳情」，進入原始對話中查看具體引起服務糾紛、情緒波動的會話。

新一代客服智能質監系統基於對每一通電話坐席代表以及用戶雙方的情緒解析，為客戶建立了一套有別於傳統的客服服務考核體系。利用情緒標籤，引擎還能提取獨有的情緒關鍵詞，從文本中挖掘出引發了強烈情感的關鍵信息，並對其進行進一步統計與分析。

此外，新一代客服質檢系統還允許對接電商平台上客服代表的銷售轉化數據，也能對客服用語中的話術正確性、禁/敬用語進行識別和考核……真正做到將結構化數據與非結構化數據進行打通、整合，幫助客服管理人員從全方位角度去評判、考核客服代表的綜合情緒表現。

非結構化數據形成洞察

客服服務的主要載體，或者說主要內容依然是以漢語語言或者說中文文本為主。這也就代表著，對客服服務（以及其它任何類語言服務）最細致、最原本的分析及調查一定是從文本內容本身入手，也只有如此才能最大化洞察結果，提升數據的利用價值。

然而難點一直停留在技術做到上。不同於如英語一樣的國外語言，漢語繼承了中華民族一貫傳統的謙遜與內斂，這致使對中文文義的理解難以機械地停留在表面而必須深入語境。豐富的象徵、比喻等修辭手法，大量的一詞多義現象以及不同語氣、句式造成的差異性……這些無疑都給中文理解技術的發展帶了來極大的阻力。

人工智能深度學習技術為這個難題找到了解答。不同於傳統依賴經驗編寫規則和條件的方式，人工智能能基於大量樣本數據，自行歸納、總結最符合命題的規則。這種學習過程的本質是依賴大量的硬件資源，讓計算機自己基於龐大的數據所進行的不斷試錯和調整，不需要人為進行任何干涉。而隨著硬件資源的普及，算法的優化，讓機器代替人類對例如中文文本一樣極其複雜的數據進行分析逐漸成了可能。這也是中文文本解析引擎的核心技術基礎。

接下來我們便來介紹一下，基於中文文本智能理解技術，新的管理系統能為客服經營帶來怎樣的大數據分析工具：

1）服務痛點分析：結合不同（情感）關鍵詞被提及時的消費者情緒（基於情緒解析）與被提及次數，通過二維點陣圖的方式展現了所有關鍵詞折射出問題的重要性與緊急性（見下左圖）。通過該功能，企業可進行針對性的產品優化與服務提升。圖中橫坐標反應了該關鍵詞被消費者提到時消費者的負面情緒濃度。隨著濃度不斷增加，證明該關鍵問題容易引起消費者的不滿，需要商家在短時間內解決。縱坐標則反應了該關鍵詞被消費者提到的次數。被提及次數的高低反應了該關鍵詞折射出的是不是商家、產品的共性問題，即重要性水平。

2）關鍵詞之間聯想分析：在新一代大數據分析平台中，管理者可輸入想了解的信息（被聯想關鍵詞，如某品牌、某品類等），而智能引擎將通過對其與其餘關鍵詞（聯想關鍵詞）之間的聯繫強度分析（基於詞向量技術及詞頻統計），在所有提到該詞的消費者通話中找到詞頻最高且負面情緒較強的關鍵詞，以二維點陣圖形式進行展示（如下右圖），幫助使用者更好地了解與所輸入信息相關的更多細節。

3）消費者情緒歸因：智能大數據分析平台將對每一期客服對話內容進行消費者情緒表現總結，並針對各負面情緒進行進一步歸因解析。主要以該負面情緒相對應的情感關鍵詞其在客服對話中所呈現的總體負面情緒濃度及詞頻為考察依據，並以列表的形式進行展示（如下左圖）。用戶可以選定指定的情緒，如「憤怒」「失望」「焦慮」等，再通過系統的反饋點擊關鍵詞進一步 查看產生強烈負面情緒的具體對話內容。

4）關鍵詞提及人數：為了便於用戶簡單直接地查看每一期客服對話中的重點問題、整體情緒表現等整體情況。新一代客服管理系統還將涵蓋一些基本的關鍵數據統計及回溯功能，如關鍵詞詞提及人數（如下右圖）。

5）自定義關鍵詞聯想：相對於關鍵詞聯想分析，自定義聯想分析允許用戶自由輸入任何文本作為被聯想關鍵詞，然後展示其聯想關鍵詞的詞頻及情緒濃度，原理同關鍵詞聯想分析。

6）消費者意見雷達：允許用戶在系統內通過兩級關鍵詞設置（一級關鍵詞例如品牌，二級關鍵詞例如業務類型）對客服對話內容中的核心意見關鍵詞進行統計。

綜上所述，新一代客服管理系統的主要目標是將客服經營團隊原本能獲取到的、豐富的統計數據（即結構化數據）與先進的文本分析能力，如情緒解析結合到一起，為商戶提供一種全新的客服管理及店鋪分析工具。不同以往，新系統允許商戶在對店鋪、客服數據進行分析的同時，還能從用戶對話內容（即非結構化數據）著手，基於自然語言處理技術，挖掘更直接、精準的業務洞察，為用戶帶來巨大的商業價值。

面對未來

直至目前，對非結構化數據的處理仍然具有著較大的瓶頸。以中文文本為例，傳統上，不論是詞庫堆疊還是基於知識圖譜的方式都由於需要花費大量人力而變得應用性較差，而作為最理想解決方式的人工智能深度學習，也因對特定行業大量訓練數據的要求而仍無法飛速發展。但慶幸的是，整個行業還是在往積極的方向前行著，越來越多的企業看到了非結構化數據所蘊含的巨大價值，也有越來越堵的數據掌控者了解到了開放數據對整個行業發展的重要意義。

以電商為例，其最重要的兩部分非結構化數據分別為用戶與客服之間的對話，以及每個商品頁下的用戶評論。此前由於需要花費大量人力，並且無法避免判斷的主觀性及片面性，經營人員難以通過對這些數據的分析挖掘巨大的商業價值。但時至今日，越來越多的人意識到，若有一天，當基於人工智能的計算機能夠充分、無誤地理解這些文本數據，並能自動總結、歸納出其中所包含的關鍵信息時，對整個電商、甚至品牌經營產業來說，無疑將卷起一場巨大的變革。

不僅如此，對非結構化數據的理解仍然充滿了無限的可能性。以中文文本為例，除了電商領域，任何社交平台的帖子及評論數據，視頻網站的評論及彈幕數據，網路小說等文學作品以及海量歌詞等，都將因為日益成熟的文本分析能力而價值飛升。試想一下，當一個工具能夠高效、精準地解析出當下社交平台最主流的觀點及用戶對待特定話題不同的群體情感傾向；當它有能力告訴你不同的直播環境和視頻信息將呈現怎麼樣的彈幕和觀點；甚至能在任何人閱讀一部千萬字的文學作品之前就告訴你其情節如何、描寫得精彩與否……可能性將被無限放大。

而那些處於巨浪中的核心企業的願景就是在這場進行中的、非結構化大數據改變整個數據分析產業的浪潮當中，通過不斷精進的中文文本解析技術，以及與企業的合作深化，站在巨浪的前端，擔負起引領整個行業向前革新的責任。

幫我吧新一代全管道智能客服系統，用幫我吧平台連接電話、在線客服、APP、微信、微博、簡訊、郵箱、web等所有管道。包括三大核心功能：呼叫中心、在線客服、工單系統，是瑞星、富力地產、搜狗、匯仁醫藥等十萬家企業的共同選擇。