圖：Avaya大中華區副總裁 大中華區首席技術(shù)官熊謝剛
今天我介紹的題目是"數據+智能：客服新業(yè)態(tài)"。
過(guò)去的一兩年來(lái)我們專(zhuān)注做私有云呼叫中心平臺運營(yíng)，我們一直在反思一個(gè)問(wèn)題：呼叫中心的發(fā)展方向到底應該是什么？前面的領(lǐng)導們也都有談到這個(gè)問(wèn)題，我從最終呼叫中心運營(yíng)和用戶(hù)的角度，把它歸納為五方面：1、用戶(hù)具象化。簡(jiǎn)單地說(shuō)，就是用各種方法去更好地了解呼叫中心的用戶(hù)，比如，基于客戶(hù)行為特征分析的客戶(hù)畫(huà)像等。所以，我認為不管做什么，目的就是為了做到用戶(hù)的具象化。2、剛才李農總講到旅游行業(yè)全媒體溝通渠道的應用，其實(shí)就是呼叫中心發(fā)展的的第二個(gè)維度：渠道多元化。不管用什么手段為您的客戶(hù)服務(wù)，其實(shí)就是做渠道多元化。3、接下來(lái)是我今天要重點(diǎn)談的一個(gè)話(huà)題：服務(wù)智能化。智能化并不意味用了些AI的技術(shù)您的服務(wù)就智能了。以我切身的感受來(lái)看，今天的人工智能技術(shù)還做不到我們所期望的服務(wù)智能，稍后我會(huì )展開(kāi)具體介紹。4、我要重點(diǎn)介紹的另外一個(gè)話(huà)題是關(guān)于呼叫中心運營(yíng)，也就是運營(yíng)如何數據化。實(shí)際上只有做到運營(yíng)數據化，很多服務(wù)才能做到智能化。5、作為一個(gè)呼叫中心的運營(yíng)者，當您做到上述4個(gè)層面，您的呼叫中心管理就一定能夠做到可視化。以上5個(gè)維度是我認為的呼叫中心發(fā)展的主要方向。
由于時(shí)間關(guān)系，我今天只講兩個(gè)方面的內容，首先談?wù)勥\營(yíng)的數據化。對用戶(hù)而言，運營(yíng)最重要的是高可用、高效，所以運營(yíng)數據化應該是"要命級"的，如果不把運營(yíng)數據化做好，談所謂的智能客服，就沒(méi)有任何意義。其次，做好了運營(yíng)數據化，就可以考慮如何更加智能地服務(wù)我們的用戶(hù)，所以我認為它應該是"使命級"的。另外，今天講呼叫中心服務(wù)智能化還有很多方面需要前瞻性地去探討，需要更為現實(shí)的看這個(gè)問(wèn)題，為什么這么說(shuō)？因為AI技術(shù)目前還不能完全滿(mǎn)足呼叫中心智能化的要求，更不能代替人工座席服務(wù)。但這件事情必須要做，所以服務(wù)智能化是一種"使命"。
下面，我們展開(kāi)討論運營(yíng)數據化。
今天大家都談大數據分析，但做呼叫中心實(shí)際運營(yíng)，一定要看看這個(gè)事情到底怎么落地。過(guò)去1-2年我們在做私有云運營(yíng)過(guò)程中，這個(gè)方面我們走了不少彎路，總結起來(lái)就是如何落地，落地之后的結果如何評估，并且是能夠量化去評估，這也是我為什么提出運營(yíng)數據化的初衷。我給它下了一個(gè)定義，運營(yíng)數據化首先要做的是一定要把服務(wù)過(guò)程進(jìn)行細化和拆分，寬泛地談運營(yíng)的數據化，是沒(méi)有意義的。如果不能把整個(gè)服務(wù)過(guò)程細化、拆分，這個(gè)事情沒(méi)有辦法做。服務(wù)拆分完之后，每個(gè)節點(diǎn)就可以考慮如何去量化，完成這個(gè)步驟之后，我們就能怎么精準、快速的去定位和解決問(wèn)題，最終達到提升效率的結果。過(guò)去1-2年，我們中間探索了很多方法，比如怎么拆分服務(wù)、怎么細分、怎么量化。我們把呼叫中心服務(wù)過(guò)程拆分成了6個(gè)環(huán)節，其中第一個(gè)環(huán)節就是客戶(hù)服務(wù)動(dòng)因，也就是客戶(hù)今天來(lái)找你要求服務(wù)的原因是什么，我們總結出一套建模的方法，可以很好地描述出用戶(hù)的服務(wù)意圖是什么，然后采用一些數據模型來(lái)表述這些意圖，模型里需要考慮哪些因素、哪些指標，從而實(shí)現服務(wù)動(dòng)因的量化模型建立。
第二個(gè)環(huán)節就是服務(wù)場(chǎng)景，也就是用戶(hù)在 什么場(chǎng)景下獲得服務(wù)；有了服務(wù)場(chǎng)景，就要考慮第三個(gè)環(huán)節，也就是服務(wù)的精度是什么，所謂服務(wù)精度就是提供的服務(wù)是否能夠真正滿(mǎn)足客戶(hù)所期望的服務(wù)；當這些定下來(lái)以后，我需要考慮第四個(gè)環(huán)節：服務(wù)效率。看看服務(wù)是否真正的高效？ 另外，我們還需要考慮一個(gè)環(huán)節：服務(wù)的氛圍，最后我們需要考慮服務(wù)的滿(mǎn)意度。通過(guò)上述6個(gè)環(huán)節的拆分，再把每個(gè)環(huán)節進(jìn)行細分和量化，最后實(shí)現數據建模。通過(guò)實(shí)際運營(yíng)，這套方法的效果非常不錯。在這里我舉個(gè)例子，當中有一個(gè)服務(wù)無(wú)效原因模型，我們給一家很大的消費金融公司做催收業(yè)務(wù)，催收業(yè)務(wù)每天的呼叫量大家猜一下可以達到多少？每天呼叫量達到210萬(wàn)，可是真正有效催收的服務(wù)只有8%-9%，也就是有超過(guò)90%的催收服務(wù)是失敗的。在傳統呼叫中心系統中，是很難全面了解失敗原因的，也就是在報表中有個(gè)外呼接通率KPI考核。今天有了服務(wù)無(wú)效原因模型后，我們把呼叫為什么失敗相關(guān)聯(lián)的所有因素全部羅列出來(lái)，并分析和跟蹤每種因素的變化。比如，我們會(huì )分析被催收用戶(hù)的手機號碼，并把這個(gè)手機號可以關(guān)聯(lián)的各種屬性納入呼叫失敗的考量因素，例如手機號碼的運營(yíng)商屬性，是聯(lián)通號碼、電信號碼還是移動(dòng)號碼。
在實(shí)際運營(yíng)中，我們就碰到過(guò)這樣一個(gè)真實(shí)例子。大家一定知道，通過(guò)手機號碼可以判斷這個(gè)號碼說(shuō)哪個(gè)省，甚至知道哪個(gè)地市的，在去年的10月份我們發(fā)現在外呼催收的號碼當中，福建、廣西兩個(gè)省有很多聯(lián)通的手機號碼突然大面積撥不通，如果是過(guò)去我們是無(wú)法第一時(shí)間知道這些未接通電話(huà)的地域屬性的，今天為什么能看到呢？因為我們關(guān)聯(lián)號碼的地域屬性，一旦某個(gè)屬性變化出現異常波動(dòng)，我們立刻就可以知道了。最后查實(shí)，這個(gè)問(wèn)題是因為我們客戶(hù)的催收中繼線(xiàn)路與其他電銷(xiāo)線(xiàn)路共用，有客戶(hù)投訴其中電話(huà)銷(xiāo)售業(yè)務(wù)，運營(yíng)商關(guān)停了相關(guān)地域的呼出線(xiàn)路，從而導致線(xiàn)路資源緊張后大范圍呼叫失敗。大家可以看到，通過(guò)這樣的量化的模型，我可以第一時(shí)間知道到我們的服務(wù)在哪個(gè)地域、哪家運營(yíng)商的哪些號碼出現了問(wèn)題。這就是我們所說(shuō)的運營(yíng)數據化。我們過(guò)去一兩年用了大量的精力來(lái)做這方面的工作，今天我們開(kāi)始嘗試用一些人工智能算法，比如深度學(xué)習，半監督管理的方法來(lái)做運營(yíng)數據化的工作。這樣可以減少每個(gè)模型所需要的人力投入。
通過(guò)對服務(wù)過(guò)程拆分、細分和量化建模之后，我們基本上可以把呼叫中心內部運營(yíng)做得很精細。當這些工作做到一定程度之后，我們很快又發(fā)現一個(gè)問(wèn)題，催收的效果，也就是呼損從8%-9%提升到18%-19%，基本上就很難再提升。什么原因呢？通過(guò)和我們的這個(gè)消費金融的客戶(hù)討論，發(fā)現問(wèn)題來(lái)自催收號碼的采集，原來(lái)當消費金融公司跟貸款人簽消費貸合同的時(shí)候，會(huì )要求貸款人填5個(gè)常用聯(lián)系人的號碼，然后讓客服去回訪(fǎng)確認號碼真實(shí)性，其實(shí)這個(gè)途徑是無(wú)效的，因為這些聯(lián)系人是貸款人預先打過(guò)招呼的。但是當這個(gè)人欠款的時(shí)候，你后面再打這些電話(huà)，這些所謂的常用聯(lián)系人基本都不會(huì )再接電話(huà)了。這就是為什么從內部運營(yíng)的角度再怎么精細化也提升不了接通率的原因所在。
根據這個(gè)情況，我們想到了運營(yíng)商的合作。
為什么想到運營(yíng)商呢？ 在我們看來(lái)，三大運營(yíng)商是最大的大數據公司，因為今天每個(gè)人都用手機，你手機的行為數據無(wú)時(shí)無(wú)刻不在產(chǎn)生，是最鮮活的，甚至比互聯(lián)網(wǎng)上的數據活躍度都要高。你的手機不管是關(guān)機還是開(kāi)機、連接的基站已經(jīng)第一時(shí)間暴露了您所在的位置信息。回到剛才催收的案例，通過(guò)和運營(yíng)商合作，當貸款人填寫(xiě)5個(gè)號碼的時(shí)候，我馬上把這5個(gè)號碼發(fā)送到運營(yíng)商，讓運營(yíng)商幫我們查詢(xún)，這5個(gè)號碼是否在過(guò)去一個(gè)月、三個(gè)月、六個(gè)月和貸款人實(shí)際通訊的頻次。為什么說(shuō)是頻次和范圍呢？因為運營(yíng)商出于數據安全，是不可能準確告訴我們的這些數據的，但是可以給一個(gè)范圍，比如是10次以?xún)取?0次-20次還是20次以上。有了這個(gè)范圍，立馬就可以知道所謂的常聯(lián)系人是否經(jīng)常聯(lián)系了，設想過(guò)去6個(gè)月電話(huà)聯(lián)系5次都不到，您覺(jué)得是經(jīng)常聯(lián)系嗎？通過(guò)這個(gè)手段，我們就可以第一時(shí)間在貸前驗真貸款人填寫(xiě)信息，再舉個(gè)場(chǎng)景，為了了解貸款人是否有固定工作和常住地址，需要貸款人在貸款合同中填的家庭和工作單位地址信息，過(guò)去是很難第一時(shí)間檢驗所填信息的真實(shí)性的，現在我們把貸款人手機號碼給到運營(yíng)商，可以非常精準地查到過(guò)去一個(gè)月、三個(gè)月、六個(gè)月，通過(guò)基站的定位，查到晚上12點(diǎn)到早上6點(diǎn)，是超過(guò)60%還是20%的時(shí)間在貸款人所填寫(xiě)的家庭住址范圍活動(dòng)，比如深圳某個(gè)區、某個(gè)街道。通過(guò)這個(gè)途徑，既保護了客戶(hù)的敏感信息，但是我又驗證了客戶(hù)所填的信息是否真實(shí)可靠。
另外，我們做催收的時(shí)候有個(gè)業(yè)務(wù)指標叫作"通達率"，以前呼叫中心叫作"接通率"，為什么會(huì )不同呢？因為我們做催收，不只是電話(huà)打通就行，而是要看到借款人在接到催收電話(huà)、微信、短信之后要有響應，表示催收信息通知到了，所以我們叫作"通達率"。通過(guò)與運營(yíng)商的合作，從過(guò)去催收通達率11.3%提升到了29.8%，大家看到，真正把客戶(hù)信息在貸前過(guò)程中做了清洗和驗證之后，其效果是相當明顯的。
通過(guò)為不同金融公司做催收運營(yíng)平臺，我們逐漸領(lǐng)悟出一個(gè)道理，所有的金融企業(yè)希望在貸前階段了解借貸人更多的信用信息，其中就包括因逾期還款被催收的記錄。實(shí)際上，催收平臺是存儲了大量的這些催收記錄數據的，比如某個(gè)人是否有過(guò)M0、M1、M2催收記錄，也就是是否曾經(jīng)逾期1個(gè)月之內、2個(gè)月之內還是3月之內被催過(guò)款，這些數據屬于各個(gè)金融公司。這就象運營(yíng)商數據平臺一樣，擁有有大量手機用戶(hù)的實(shí)時(shí)行為數據一樣。但怎樣才能既保護好這些數據，同時(shí)又挖掘出這些數據的價(jià)值呢？一方面，有些借貸人從一家金融機構借款拖延未還又跑到其他公司又去貸款，用于還貸或超額消費，這類(lèi)人的借貸風(fēng)險非常大，而運營(yíng)平臺的催收記錄數據是非常容易識別出這些人群的，比如象那些逾期 90天還被催收還款的。消費金融公司如果有了這些催收記錄，您覺(jué)得還會(huì )有金融公司愿意借貸給他嗎？
基于這樣的一個(gè)市場(chǎng)需求，我們把各家的數據做了相互關(guān)聯(lián)處理，打造出一個(gè)數據交換平臺，各家擁有各自的數據，但可以提供相互間的脫敏級或泛化查詢(xún)服務(wù)，也就是我們講的數據生態(tài)。簡(jiǎn)單地說(shuō)，就是不把你的數據給到別人，但為其他企業(yè)提供查詢(xún)服務(wù)，只是告訴對方的是一個(gè)數量范圍。比如之前提到的催收場(chǎng)景，某個(gè)人有90天逾期沒(méi)有還款的記錄，只需告知你是否有M3級別的催收記錄。其放貸的可能性就由90%降到30%甚至更低。
有了這樣一個(gè)數據生態(tài)，對這個(gè)生態(tài)的所有企業(yè)而言既是數據分享者，又是受惠者。比如，當其他的企業(yè)找您做某類(lèi)數據信息確認服務(wù)，單次服務(wù)價(jià)格，也會(huì )相對便宜很多。通過(guò)做這個(gè)數據生態(tài)，我們感受到這個(gè)效果是非常明顯的，回到消費金融這個(gè)市場(chǎng)，消費金融在過(guò)去一年當中，今天消費金融公司的市場(chǎng)增長(cháng)超過(guò)到500%。業(yè)務(wù)的快速增長(cháng)的同時(shí)也帶來(lái)了相應的壞賬問(wèn)題，比如消費金融里面有一個(gè)考核指標叫逾期率，就是到期該還錢(qián)不還的有35.9%，也就是1/3的人在消費金融領(lǐng)域都有逾期還款。通過(guò)我們的數據生態(tài)建設，可以把逾期率從35.9%降到21.8%，這個(gè)都是真實(shí)數據。在今天這個(gè)會(huì )上，處于保護客戶(hù)隱私，我沒(méi)有辦法介紹太多詳細信息，但是我可以告訴大家，這個(gè)數據生態(tài)平臺其實(shí)對所有參與公司的業(yè)務(wù)風(fēng)控和還款率提升是非常明顯的。
我們做了上述一系列動(dòng)作之后，從呼叫中心的維度，無(wú)論怎么做數據清洗、數據運營(yíng)，最終還是得落實(shí)到客戶(hù)是否還了款？如果沒(méi)有還款，前面做了這樣或那樣的動(dòng)作，對我們還款業(yè)務(wù)是不會(huì )產(chǎn)生結果的。通過(guò)調查，和相應數據分析之后，發(fā)現大部分被催收的借款人并沒(méi)有立即還款，而是半天以上，甚至是一天以上。通過(guò)回訪(fǎng)了解到，借款人接到電話(huà)或微信、短息等催收信息后，由于還款流程太過(guò)于復雜很不方便，只能找專(zhuān)門(mén)的時(shí)間來(lái)完成還款。于是我們與我們的客戶(hù)思考能不能有一個(gè)更便捷的方法去還款，我們設計了一種方法把催收電話(huà)、短信、微信與還款應用打通，通過(guò)手機通話(huà)記錄一鍵式進(jìn)入還款界面。為了做到這點(diǎn)，我們和很多手機廠(chǎng)商談，在手機廠(chǎng)商的電話(huà)撥號盤(pán)軟件里能不能內置一段代碼，當他接電話(huà)的時(shí)候，不管有沒(méi)有存儲借貸公司的催收號碼，在振鈴的同時(shí)會(huì )顯示催收公司的名稱(chēng)等信息，讓接聽(tīng)者知道這是一個(gè)催收電話(huà)，不是其他騷擾電話(huà)。無(wú)論接通與否，在通話(huà)記錄里面標識出催收公司的信息。被催收人通過(guò)點(diǎn)擊這個(gè)標識就會(huì )跳轉到催收公司的HTML 5還款的界面。并預先把相關(guān)還款信息都填好，包括要還款的金額。這樣還款者在接到催收電話(huà)以后，不管是否接聽(tīng)，只需幾個(gè)點(diǎn)擊操作就能完成還款了。所需時(shí)間往往用不到1分鐘，這對很多人而言是非常喜歡這種還款方式的。
通過(guò)這樣的一個(gè)創(chuàng )新，現在已經(jīng)有接近10%的還款是通過(guò)這種途徑完成的，按每天為企業(yè)催款1500萬(wàn)，10%意味著(zhù)150萬(wàn)可以通過(guò)這樣的簡(jiǎn)易渠道還款。這都是能帶來(lái)最實(shí)際的業(yè)務(wù)價(jià)值的。在這個(gè)方案中，我們用到了Avaya的一些底層通訊SDK開(kāi)發(fā)包，集成到手機ROM或APP等業(yè)務(wù)應用和場(chǎng)景中。
通過(guò)上述介紹，大家應該可以看到，我們做了一個(gè)呼叫中心的運營(yíng)閉環(huán)，從數據化內部運營(yíng)，外部數據的清洗，到最后業(yè)務(wù)流程的優(yōu)化。有了這樣的閉環(huán)，呼叫中心的業(yè)務(wù)核心價(jià)值，催收還款的根本目的就達到了。
下面快速介紹一下一個(gè)客戶(hù)的案例信息，這張膠片包含了各種各樣的業(yè)務(wù)和運營(yíng)數據，在這里細節就不多說(shuō)了。可以看到這個(gè)消費金融企業(yè)上線(xiàn)了500個(gè)座席，每天催收呼叫量達到210萬(wàn)通，一天要催回來(lái)的金額超過(guò)5900萬(wàn)，每個(gè)座席每天催收指標14萬(wàn)，所以每通電話(huà)能不能接通對座席來(lái)說(shuō)都是非常關(guān)鍵的，可以看到每一通電話(huà)平均下來(lái)要催回來(lái)930元錢(qián)。看到這些數據，你就知道呼叫中心運營(yíng)里面最核心的東西是什么了。
接下來(lái)開(kāi)始講講服務(wù)智能化。我留意了一下今天所有的演講主題，從我開(kāi)始，接下來(lái)的每個(gè)個(gè)演講者的題目要么有"智能"，要么有"智慧"，要么有"AI"。可以看到今天大家都在關(guān)注呼叫中心的智能化這個(gè)話(huà)題。
我先問(wèn)大家一個(gè)問(wèn)題，談到呼叫中心的智能化，當今的機器人真的能代替人工服務(wù)嗎？我個(gè)人的觀(guān)點(diǎn)認為目前根本不能替代。在過(guò)去一年多的時(shí)間當中，我見(jiàn)了差不多30家AI公司，包括我專(zhuān)門(mén)去見(jiàn)了一些所謂大公司的AI實(shí)驗室，也見(jiàn)了很多從國外回國創(chuàng )業(yè)的，比如劍橋、斯坦福、麻省理工背景的AI團隊，我和他們談了很多。為此，我們的小A云平臺投了7個(gè)人，專(zhuān)門(mén)研究市面上主流的AI算法。我們統計了將近60種算法，目前真正的深入研究有接近30種，研究完之后我們得了一個(gè)結論：用今天的AI算法和技術(shù)，直接去替換人工座席服務(wù)，而且是完全替代，那么我認為根本不現實(shí)。所以這張膠片里，我用了這樣的示意圖，3個(gè)人給他每個(gè)人兩只機械臂、機械手，代表今天AI做的不是替換人的腦袋，實(shí)際上是當坐席人員的助手。
有了這樣的一個(gè)認知，您就能更理智、更理性的來(lái)做所謂的服務(wù)的智能化。在過(guò)去將近一年左右的時(shí)間當中，我帶著(zhù)團隊在這個(gè)領(lǐng)域搞了大量的智能化嘗試。以我們的切身感受，應用AI技術(shù)，首先需要改造的是呼叫中心的業(yè)務(wù)流程，因為這些流程是以人工服務(wù)建立起來(lái)的，業(yè)務(wù)系統都是為傳統的人工座席服務(wù)于人的模式來(lái)設計的，如果沒(méi)有經(jīng)過(guò)優(yōu)化和改造，根本不合適用機器智能來(lái)做，因為今天的機器不可能有人聰慧。
在這個(gè)膠片中，我總結了兩點(diǎn)，應用AI必須首先改造應用流程，其次，我認為AI在客服體系的應用是一個(gè)逐步優(yōu)化和完善的過(guò)程，不是一個(gè)簡(jiǎn)單的產(chǎn)品不是就能做到的。我和螞蟻金服有過(guò)溝通，10月12日，他們在阿里云棲大會(huì )有個(gè)智能客服專(zhuān)場(chǎng)，也會(huì )談及這個(gè)觀(guān)點(diǎn)。簡(jiǎn)單地說(shuō)，如果今天沒(méi)有用業(yè)務(wù)流程改造優(yōu)化以適應AI技術(shù)的使用，智能客服是很難做到有效的。
服務(wù)智能化我們也象做數據化運營(yíng)一樣做了場(chǎng)景和流程拆分，為什么要做拆分呢？其實(shí)就是想把智能客服這個(gè)大目標切分成更小的可以實(shí)現的小目標，嘗試在一下小的領(lǐng)域看看能不能有所突破。
接下來(lái)還是用呼叫中心的思維來(lái)考慮服務(wù)智能化，首先談?wù)動(dòng)脩?hù)層面的AI 應用，今天如果要做AI，首先想清楚你為你的用戶(hù)所提供的服務(wù)界面是什么，今天如果用機器人像真人一樣去回答客戶(hù)的問(wèn)題，不管是語(yǔ)音方式，還是文本方式，在這里面有大量的技術(shù)工作要去做的。包括用監督、半監督學(xué)習去標注用戶(hù)，為此我們做了很多研究。除此之外，我們還在其它技術(shù)領(lǐng)域做了大量努力，比如：包括聲紋庫，我們給一些客戶(hù)做聲紋庫和基于上面的各種創(chuàng )新應用。其中的問(wèn)答機器人這個(gè)產(chǎn)品我會(huì )重點(diǎn)介紹。
在座席層面的AI怎么用呢？比如座席的輔助系統、流程機器人、行業(yè)知識圖譜等，這些看起來(lái)都是高大上的，但是真正做實(shí)際部署實(shí)施的時(shí)候，我們發(fā)現這里面有大量的問(wèn)題，由于時(shí)間關(guān)系，我們不詳細介紹。
在呼叫中心管理層面，AI應用有智能質(zhì)檢，其實(shí)不要說(shuō)智能質(zhì)檢，開(kāi)句玩笑我們希望做成傻瓜質(zhì)檢，因為人工做得越少才是最好的。
通過(guò)這張膠片我來(lái)詳細介紹一下問(wèn)答機器人的技術(shù)實(shí)現，因為我們花了大量的精力來(lái)做問(wèn)答機器人這個(gè)產(chǎn)品，問(wèn)答機器人的應用在很多做SaaS的平臺上很普遍，包括螞蟻金服，很多電商平臺都有問(wèn)答機器部署。為了實(shí)現問(wèn)答機器人，我們實(shí)現的不只是AI的單一技術(shù)。當一個(gè)服務(wù)請求過(guò)來(lái)時(shí)，首先要判斷的是用戶(hù)的意圖，一個(gè)呼叫中心無(wú)論規模多大，它提供服務(wù)一定是有限的，也就是說(shuō)一點(diǎn)可以把用戶(hù)的服務(wù)請求意圖映射到其中的某類(lèi)服務(wù)，幫助其解決相關(guān)問(wèn)題。
為了讓機器識別用戶(hù)的意圖，需要去分析客戶(hù)的行為軌跡，上下文信息，通過(guò)這樣的方式判別用戶(hù)進(jìn)入客服到底要尋求哪種服務(wù)，當機器人知道用戶(hù)的意圖后，就進(jìn)入具體的服務(wù)場(chǎng)景的信息采集流程。比如，一旦機器一旦明確用戶(hù)要預訂酒店。機器人就會(huì )啟動(dòng)酒店對話(huà)場(chǎng)景模式，產(chǎn)生相應話(huà)術(shù)去采集如下信息：哪個(gè)城市的酒店，什么級別的酒店，什么價(jià)格的酒店等等。在這個(gè)過(guò)程中，有一個(gè)概念，叫對話(huà)管理模板。
不管怎么機器與用戶(hù)之間的對話(huà)多么復雜，其實(shí)來(lái)就是按照相應場(chǎng)景模版采集全預設的幾個(gè)指標信息。如果這個(gè)場(chǎng)景模板完全靠人工提前設計，一方面業(yè)務(wù)場(chǎng)景有任何的改變都需要靠人工去改變，工作量很大，往往時(shí)效性還不好。現在我們嘗試應用深度學(xué)習的方法和技術(shù)，做了模板生成器和模板識別器，采用深層對抗網(wǎng)絡(luò )，并通過(guò)研究谷歌"阿爾法狗"去實(shí)現這些場(chǎng)景模板建設的自動(dòng)化或半自動(dòng)化。有了這樣一套技術(shù)和方法，是就可以用少量的樣本數據來(lái)生成場(chǎng)景模板，省時(shí)省力。
有了好的場(chǎng)景模板，就把所有信息收集好之后，填充到場(chǎng)景信息槽位中。然后機器就會(huì )嘗試去生產(chǎn)相應的答案，并計算答案的置信值，如果置信值超過(guò)85%，機器就會(huì )認為可以把生成的答案發(fā)送給用戶(hù)。如果機器認為置信值不夠，就會(huì )轉給人工，由人工座席去提供服務(wù)答案。
整個(gè)服務(wù)過(guò)程當中，非常關(guān)鍵的一個(gè)環(huán)節是知識圖譜的建設。
在問(wèn)答機器人產(chǎn)品的開(kāi)發(fā)中，用到了深度神經(jīng)網(wǎng)絡(luò )技術(shù)，比如剛才講到對抗深層網(wǎng)絡(luò )的自學(xué)習的技術(shù)，基于語(yǔ)義的推理，包括本體知識的建設，最終關(guān)注知識圖譜的建設和完善。如果這些體系的建立，單純依靠某一個(gè)AI的產(chǎn)品，根本不可能做好服務(wù)的智能化。
問(wèn)答機器人，只是服務(wù)智能化中很小的一塊應用。我們在呼叫中心平臺還做了很多小的嘗試，透過(guò)這張膠片我們可以看到，做些小的應用和改變，就象給座席增加機械手一樣，可以在呼叫中心很多方面實(shí)現效率的快速提升。
下面講幾個(gè)應用場(chǎng)景，在很多大型呼叫中心中最頭痛的問(wèn)題是每到假期，比如馬上到來(lái)的國慶大假，放假前的一周是很多90后的座席辭職的高峰期，很多90后座席可能因為十一長(cháng)假要出去玩，不想加班干脆辭職。我們借助AI技術(shù)和流程的優(yōu)化，做了套假日座席服務(wù)模式，在夜間或假日去啟動(dòng)這個(gè)模式，大大減少加班座席數量。
另外，為了降低坐席工作強度，比如座席每天的鍵盤(pán)錄入工作量，我們把語(yǔ)音識別技術(shù)應用到座席錄入場(chǎng)景中，也許識別率70-80%，對座席來(lái)說(shuō)已經(jīng)足夠了，因為它已經(jīng)解決了座席大部分的輸入工作量，座席只要稍微修改校驗一下即可。但如果直接把這個(gè)技術(shù)應用到用戶(hù)服務(wù)，可能5%差錯率都無(wú)法容忍。小的這種改變帶來(lái)的效果是非常大的，真正讓座席的效率提升，這才是我們想要做的事情。通過(guò)這些創(chuàng )新，我們做了些統計，座席的加班率降低了34.1%，自然離職率也相應降低。這就是服務(wù)智能化帶來(lái)真金白銀的效果。
最后我快速談?wù)凙vaya的新產(chǎn)品。
今天呼叫中心平臺產(chǎn)品跟過(guò)去有了徹底的變革，通過(guò)這張膠片我們可以看到，Avaya推出了兩個(gè)核心的全新一代產(chǎn)品：Breeze和 Oceana，其產(chǎn)品設計理念發(fā)生了根本性的改變，過(guò)去的呼叫中心是用座席人員服務(wù)于人，今天Avaya產(chǎn)品的設計理念是一定要用智慧應用服務(wù)于人：座席和用戶(hù)，不管是通過(guò)APP還是微信，都是基于場(chǎng)景應用服務(wù)于人，而且這些應用會(huì )做得越來(lái)越智能。所以從技術(shù)維度來(lái)看，呼叫中心平臺產(chǎn)品的發(fā)展方向一定是就是由過(guò)去人服務(wù)于人（我們叫Person to Person）向應用服務(wù)于人（Application 2 Person）方向發(fā)展和演進(jìn)，這種演進(jìn)將是革命性的。
下面稍微展開(kāi)談?wù)劊热绾艚兄行牡暮诵漠a(chǎn)品：基于呼叫和座席技能的排隊機，將會(huì )演進(jìn)成用戶(hù)數據標簽匹配和資源搜索引擎。
而傳統的CTI產(chǎn)品將會(huì )演進(jìn)成支持"全渠道"或者說(shuō)是"泛渠道"的數據交互引擎。
過(guò)去的IVR產(chǎn)品是用戶(hù)通過(guò)0-9按鍵信息來(lái)告訴計算機用戶(hù)需要干什么的，今天更多是發(fā)展成自然語(yǔ)言理解和交互（NLP）。
另外，軟交換通信平臺更多變成提供通信開(kāi)發(fā)包能力的平臺。
呼叫中心的報表更多是向BI和可視化管理發(fā)展；
座席操作界面也向著(zhù)移動(dòng)化、Web化方向發(fā)展。
最后，呼叫中心的所有產(chǎn)品發(fā)展由最初的硬件變成軟件，后來(lái)支持軟件虛擬化部署，今天發(fā)展成可以全云化支持彈性部署。
總之，呼叫中心產(chǎn)業(yè)在面臨巨大變革，其中兩個(gè)最為關(guān)鍵的變化的是運營(yíng)的數據化和服務(wù)即將走向的智能化。今天我的介紹就到這里。謝謝大家！
