从“互联网+”看如何打造“智能客服生态圈”

两年前，“互联网+”的概念一提出，各大创业者及传统行业从业者纷纷开始重塑产业链，信息的具现化极大地提升了生产效率，并有效地形成了消费生态圈，而“智能革命”则在此基础上应运而生，从风靡全球的网红“微软小冰”，到单挑李世石的Alpha Go，再到现时突破传统游戏模式的口袋妖怪游戏pokemon go也带起了一波节奏疯狂圈粉，可见“智能”这个词汇已经摆脱了概念包装走进大众的生活。

在各类的媒体和资本的追捧下，智能机器人这个概念一时推上了风口浪尖，现时基本上各大电商行业以及传统金融电信行业都开始进行了初级智能化的试水，但是纵观在实验室中的机器人的能力与真正运用到实际运营层面的机器人依旧是有着巨大的鸿沟。如何将人工智能的技术与运营平台深度结合并形成更精细的解决方案，在客户服务场景中发挥最大价值，也是现时运营商亟待探索的方向。

现在智能技术在客服运营层面的基本应用主要为两大部分：IVR导航和基于NLP技术的人机交互，少部分还会运用于语音识别转写，但这些均是点状的应用，在一定时期内的确能有效提高生产效率及节省运营成本，但从长期的发展来看，智能机器人的运用仍需要和核心是劳动密集型的呼叫中心未来发展的方向紧密结合，系统性地形成服务生态环境。

一、基础性分流

分流和解决基本问题是智能客服的大前提，这里所提到的分流就是现在行业最普及应用的IVR和人机交互。IVR可应用的技术主要为语音接入和智能响应，解决传统按键IVR菜单层级过深和业务承载有限的弊端，实现菜单扁平化，客户只需说出自己的需求，通过调用声学模型、语言模型的分析在各个节点菜单自由跳转，与按键相比，可节约20秒操作时长，客户无需再紧张兮兮地一边听着语音一边急急忙忙戳按键，深怕听漏了什么前功尽弃又要重新听过，在客户已经形成传统IVR使用习惯的基础上，进一步优化客户输入感知，而对于客户的回应也是采用TTS语音合成功能（此处建议引用《拥抱人工智能，从智能语音合成开始》链接），可有效降低运营成本，分流约25%的人工话务压力。

除IVR外，客户现在已经开始逐渐习惯在线客服的接入模式，微信公众号、WEB、APP、H5短链、第三方服务平台接入等纷纷上线智能机器人，基于自然语义的交互服务的优势在于轻量化接入、多渠道布放，但是在实际运营一定时间后，均会发现对话极度容易断层，上下文关联逻辑混乱等普遍性问题，除了在运营层面需要铺资源发力在专业细分领域补充（此处建议引用《替代人工？智能机器人的三板斧》链接）外，人工智能在未来是需要拥有深度学习的能力，这不仅仅是语料库的丰富，而是一套可自我循环进化的通用对话系统，类似搜索引擎时代的长尾用户体验，不管客户抛出何种问题，机器人都能脱离对话语料库结构，直接学习互联网海量非结构化大数据而把对话进行下去，并且能主动深入地延展话题（directchat技术），这样才能在未来应对用户更多样化的需求与问题，更具竞争力以及增强用户粘性，例如前段时间微软小冰有个很火的应用叫“读心术”，可以通过问十个问题而推理出用户心里想的是什么，精准率高达90%以上，其实就是这种通用对话系统的雏形，通过人工智能、搜索引擎和大数据的技术储备，以自然交互的形式在互联网中“搜索”出用户答案，同时这些答案又以知识的形式类聚至机器人语料库，实现循环学习，这也是现时客服机器人需要突破的技术瓶颈。

二、工具化应用

除了在客户前端可进行智能应用外，在后台运营方面也是必不可少的，突出方面在与人工客服助手以及智能识别鉴权。当IVR和交互机器人无法满足客户时，此刻人工服务是补救客户感知的关键，因此对于人工服务的质量要求肯定也是高于一切前端机器人。

首先知识库是一线客服冲锋陷阵的武器，传统知识库信息庞杂难搜索，同时由于渠道迅速接入的缘故，分渠道答案存在维护工作量大，口径不同步的问题，因此利用”理解拆分+分解模板“的形式对海量业务底层进行归类存储并组合调用，不但可以从根源上减少未来维护的压力，还能够迅速提升40%的搜索效率（此处建议引用《服务转型，从原子化知识库起步》链接）。在这里，智能化的体现在于结合了机器人的算法逻辑重构了知识支撑系统，精准了知识搜索率，还能够调用机器人的能力自动识别客户问题匹配出答案，一线员工只需审核过滤最后的答案输出即可。除了知识搜索问题以外，有64%的员工表示归档在服务过程中由于一心N用较容易出错，而智能机器人在前面自动识别匹配出答案后，通过抓取关键字的形式自动推送出对应的归档节点，客户代表同样只需在最后一步进行审核即可完成半自动归档，自动化归档结合前面提到的智能搜索推送，一通话务下来，客服代表无需记住庞大负责的业务节点，只需进行审核编辑便可完成服务，不但提升50%的工作效率，还大大地降低了技能门槛，实现客服代表“拎包上岗“，降低业务培训成本，革新传统呼叫中心运营模式。

由于智能客服是新的服务形式，其服务规范也理应不同于传统服务门槛。生物识别在业界已经处于较成熟的态势，除了随机码和服务密码外，生物识别更加安全私密和个性化。现在行业认可可作为识别标准的基础是2种以上的生物识别相结合，纵观现在智能机已基本具备声音录入和指纹识别功能，所以可按照业务的等级来实行生物识别鉴权的功能。如二级业务可指纹识别，三级以上的业务以“指纹识别+声纹识别”形式进行，甚至未来在实体化机器人上实现更高级别的虹膜识别，均是结合未来用户渠道使用习惯的一种发展趋势。

三、后台运营的抓手

当大量简单重复、可取代的话务和机械性劳动输出分离至机器人后，在运营管理的层面肯定也是要更加精细化和智能化，其中最显著就是质量的保障。机器人的服务质量应该以“客户评价+内部拨测”的方式进行，机器人好不好用当然是客户和使用的一线员工说了算，此时机器人系统具备前后端的评价功能和运算逻辑，当客户和员工均认为这条答案不能解决问题或者有错误的时候，可进行实时评价，而评价的综合得分低于设定的标准值时，机器人的自学习功能应调用底层先对此答案的语义权重进行拆解，初步形成分析建议，如修改语义表达式，补充扩展问或者更改业务底层，并将此分析作为参考建议一并推送至后台维护人员，形成自学习评价流程。

而人工服务质量则是应该”机器人情感框架分析+人工抽检“的形式进行，机器人的情感分析暂时有两种渠道，一种是客户语气语调的分析，一种就是关键字的读取，这两种同样也是适用于热线语音和在线文字，但是鉴于机器人的分析无法做到100%准确，还需要投入少量的人工进行抽检，因此在未来的智能客服质检这块，人工拨测正确率是行业间亟待探讨的关键指标。

其实不单单是质量这块，机器人总体的应用能力归根到底都是基于算法的应用，目前行业间运用较多的都是kmeans，Canopy，Density

Peak等聚类算法和协同过滤算法（也就是电商们最爱用的“猜猜你还喜欢什么”），但从现时的整体行业运营情况来看，算法的不透明和实际运营落地优化依旧是“两张皮”，难以在从中找到共同的发力点，不妨参考15年谷歌开源深度学习系统TensorFlow的思路，TensorFlow是谷歌研发的第二代人工智能学习系统，其命名来源于本身的运行原理，Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow即为张量从图象的一端流动到另一端——将复杂的数据结构传输至人工智能神经网中进行分析和处理，通俗地说，理论上使用谷歌的样本模型架构的话，谁都可以很快地开始使用机器学习技术。不过，谷歌公司表示，开源该系统并不会危及公司的战略，而且还是会让公司保持优势，因为深度学习系统或软件不是一装上就能用的，它在发布前期需要通过使用者数据进行很多测试、调整，顾名思义就是一个学习的过程。通过开源算法，利用社会上各类移动操作系统和通信渠道来检测产品，不断试错，使用者优化产品并进行反馈，谷歌公司根据反馈调整底层算法，最终达到了一种共赢共生的目的，其实这也算是一场全人类的“图灵测试”，同时也给智能客服发展的优化方向带来一丝启发。