隨著移動互聯時代的到來，客戶對服務的需求已經逐漸從熱線、人工、營業廳等傳統渠道轉移到線上，企業開始拓展APP、微信等新型輕渠道，其特點是人工參與黏度低、維護成本低。隨著人工智能技術的發展，這類新型渠道的服務能力也有進一步的提升。基于人工智能的智能客服幫助這類渠道解決了以往需要人工參與才能完成的部分服務工作，進一步解放了企業的人力成本，是目前新型客服方式的典型代表。

目前智能客服的應用方式有三種：在線智能呼叫中心客服、熱線端智能呼叫中心客服、實體智能客服機器人 。熱線端智能呼叫中心客服、實體客服機器人兩種方式比在線智能客服多了語音處理的一步，雖然目前語音識別技術發展相對成熟，但各類方言和口音問題還是會給語音內容識別的準確率帶來一定影響，而在線智能客服多數直接文字輸入，目前應用相對廣泛，因此以下探討的內容主要以文字輸入的智能客服方式為基礎。

雖然智能呼叫中心客服應用比較火熱，很多大型企業也已經搭建或正在嘗試搭建智能呼叫中心客服應用體系，但通過一些企業用戶的反饋，我們也發現目前仍存在一些問題。

1、 對客戶需求理解的準確度。

目前企業所用的智能呼叫中心客服系統普遍用于業務解答，系統的開發模式主要基于企業的知識庫，采用關鍵字匹配來推薦答案，這種方式雖然直接，但其實沒有很好地考慮到客戶的提問習慣。對于普通客戶而言，發問一般以相對口語化的方式進行，而系統則一般以結構化的語言去讀取，在客戶自然語言和計算機結構化語言之間必然需要一定的機制去做好翻譯工作，例如客戶的口語化提問方式、上下文智能關聯等，但目前大多數智能客服處理這類問題的能力并不強，客戶提問的內容一旦比較復雜或表達不完整，系統就無法完整、正確識別客戶問題，導致目前一些智能客服應用在實際使用過程中推薦答案的準確率并不高，從而影響客戶的使用體驗。客戶采用在線問答的模式無非是希望盡可能簡便地獲取自身關注的業務內容，如果多次都得不到需求滿足，久而久之就會放棄這種服務模式，那么企業實現服務分流的初衷也會達不到預想的目標（如圖1）。

圖1：自然語言和結構語言的對比

2、 單一服務模式

人工服務的最大優點就是靈活和具備思考能力，不僅能解決客戶的基本需求，還能推動挖掘客戶的潛在需求，結合客戶的變化來改變服務策略，在良好的互動中完成更多的工作任務。而據我們了解，當前的智能呼叫中心 客服應用都只關注解決客戶的提問需求，幾乎沒有考慮到如何主動去了解、分析和發掘客戶的潛在需求。實際上在對話過程中，從客戶文字信息可以反映出客戶的某些情緒表現、產品需求甚至是對服務的評價態度，但現有的智能呼叫中心客服應用大多數都沒有去關注客戶提問的內容以外的其他信息，沒有真正做到智能地收集客戶信息并做出合適的判斷和推薦。

3、 系統自我學習和進步的缺乏

系統自學習包括業務上的學習和技術上的學習。在業務的自學習方面，隨著業務和客戶需求的變化，客戶關注的內容也會更新變化。前面提到當前的智能客服系統基本以企業知識庫為基礎來開發，這可能會存在兩個問題，一是企業知識的補充或更新一般都是在新政策新業務需求非常明確的情況下才會做進一步梳理和更新，管理流程比較復雜，操作周期較長；另外一個就是客戶的問題有可能會超過知識庫回答的范圍，此時系統就無法給出準確的答案。由于客戶對于新業務的感知卻往往要比企業內部的管理流程走得更快，了解的期望也會更加迫切，如果當客戶已經在廣泛關注新產品新業務的問題時企業無法及時獲得信息和更新，可能會導致一些營銷機會的流失，這時如果智能客服系統能及時捕捉新的業務關注點、及時提醒管理人員及時更新業務知識或給予一定的業務引導，將能夠更好地提高用戶的服務體驗。技術上的學習主要跟系統的推薦算法相關，作為智能客服系統的核心算法，目前大多數智能客服系統在算法的優化更新方面的速度非常緩慢，有些甚至幾乎就不更新，根本沒有考慮到隨著需求變化去進行實現系統自身算法參數上的調整以便及時優化自身推薦機制、提高推薦準確率。

上述問題是我們目前對于智能客服應用發展的一些看法，綜合國內目前技術的發展趨勢以及我們的研究和經驗，建議可以考慮從以下幾個方面來推動智能客服應用的優化建設，更好地落實智能客服在企業的應用價值。

1、 在技術層面，完善系統技術應用，讓系統更智能

搭建智能呼叫中心客服系統 不單單只是IT建設的問題，如果還停留在用傳統IT的思維模式去做機械化的分詞、關鍵字搜索、匹配，這樣的方式遠遠談不上智能。IT只是實現系統的一種手段，真正的智能客服是集合人工智能學、計算機科學、語言學等多門學科的綜合應用，而所謂的智能應該是能讓機器主動去認知和學習，不斷強化行為模式，提高思考能力，從而更加靈活地完成各項工作任務。從這個層面上來說，企業如果要投入做智能客服，還是要把更多的精力放在人工智能相關的各種數據挖掘、機器學習、深度學習的算法研究上，這才是體現智能的核心技術。如何去做，可以從以下兩個方面考慮。

（1） 讓系統聽懂人話是智能客服的基礎。

要做到讓客戶感覺與智能呼叫中心客服的對話跟人工客服沒有差異并不容易，這取決于系統是否能夠適應客戶提問方式的隨意性。智能服務的基礎核心技術是自然語言處理，它通過對自然語言進行分詞、分析、抽取、檢索、變換、翻譯等工作而讓計算機快速理解自然語言表達的意圖并準確地反饋用戶所需信息，因此如果要提高的系統的理解能力，還是要更加充分地利用自然語言處理技術中如語義分析、情感分析、上下文關聯等技術而不單只是切詞匹配，這樣在應對客戶多樣化的提問時才能更加準確地判斷客戶需求并提供最佳答案。

（2） 實現系統的自我學習是智能客服的發展趨勢

機器學習、深度學習等相關技術目前已經不是實驗室理論，不少領域都有一些應用的探索和研究，難度只在于如何跟實際的業務關聯起來并可以投入實際生產使用。企業在建設智能客服的過程中可以多投入精力和技術資源在這方面的研究，讓系統實現自我學習和優化，才能真正體現智能客服的意義。

2、在業務層面上，要提高與業務的結合度

這體現在三個方面，一個是能基于業務流程、業務特點等來調整系統的計算流程和算法，讓系統更加契合不同企業的特點，提高推薦精準度。

第二個是業務知識的積累。業務知識包括知識庫和行業的專業詞典，知識庫是智能客服的服務基礎，專業詞典則是影響智能客戶認知的因素之一。由于不同企業知識庫的管理流程并不相同，更新完善的周期也不一樣，所以在這方面主要還是考慮如何結合上述提到的自學習機制來及時獲取新業務關注點，提醒企業管理人員更新知識庫信息。而在專業詞典方面因為是系統識別業務知識點的關鍵因素，因此同樣需要及時更新維護，這不僅要靠系統的自學習提醒，同時也要依賴人工維護。傳統的智能客服系統對于詞典的管理都是“黑盒管理”模式，一般都是企業提出需求，系統的開發廠商去維護更新，這樣的流程比較繁瑣，如果可以直接提供可視化的詞典管理界面，由企業用戶自己去維護，知識的更新效率會更高。

最后一個就是要更多地去融合企業的業務分析成果，提高智能客服系統的綜合業務能力。實際上對數據的重視和應用已經成為不同領域和行業的默契，很多企業都已經開始了結合業務需求的數據挖掘分析工作，類似建立精準營銷識別、客戶服務滿意度預測、客戶投訴傾向判斷等應用模型。這些模型成果目前在客服方面應用較多的模式就是推薦給熱線客服，作為提醒客服的信息。同樣的，這種方式放在智能客服的應用上也同樣適用，例如可以利用企業的客戶畫像體系在服務過程中結合不同客戶標簽采取不同服務模式；或者結合產品精準營銷模型嵌入到智能客服系統，在交互過程中及時捕捉客戶意向、把握營銷機會。當然，這種模式的真正開展并非十分容易，畢竟不是簡單地直接應用現有分析成果，而是要融合當前的對話內容去提供實時分析，如果企業本身或服務的廠商在數據挖掘分析領域的積累不是特別深的話，也很難取得比較好的效果（如圖2）。

圖2：實時的意向挖掘分析

智能客服不會是一時興起會快速幻滅的應用方向，人工成本的不斷高漲以及對服務效率和質量要求的提高只會推動這種服務模式更加智能化和多功能化，隨著語音識別、圖像識別、機器人應用等上下端技術的日趨成熟，相信智能客服會在服務領域真正地大放異彩。

標簽：海西 邀約回訪 汕尾 許昌 運城