為什么客服需要調度？阿里集團客戶(hù)體驗事業(yè)群（CCO）目前承接了阿里集團以及生態(tài)體的客戶(hù)服務(wù)業(yè)務(wù)，我們的客戶(hù)通過(guò)各個(gè)渠道來(lái)尋求解決各類(lèi)問(wèn)題，每天的進(jìn)線(xiàn)量巨大，而且經(jīng)常伴隨著(zhù)突發(fā)性進(jìn)線(xiàn)，比如天貓代金券出了問(wèn)題，在幾分鐘內就會(huì )造成幾千通熱線(xiàn)或在線(xiàn)咨詢(xún)。面對種類(lèi)繁多、海量、突發(fā)的客戶(hù)問(wèn)題，我們的服務(wù)能力往往難以滿(mǎn)足，常常造成用戶(hù)排隊，甚至放棄，自然我們產(chǎn)生了對調度的需求。

　　客服調度的核心問(wèn)題是什么？提升客服資源的利用率和服務(wù)水平，用更少的客服資源獲得更佳的用戶(hù)體驗。如果我們招聘大量的客服，也能讓用戶(hù)獲得更好的體驗，但是容易造成人力浪費，更多的人手意味著(zhù)更多的培訓成本、管理成本和人力成本。

　　1）機房增加一臺新物理機，機器虛擬化后就可以快速被使用，而招募一個(gè)新客服，得需要長(cháng)時(shí)間的培訓才能讓他具備線(xiàn)上服務(wù)能力；

　　2）客服間差別大，不同客服的業(yè)務(wù)技能有區別，很難直接讓B技能組的客服處理A技能組的任務(wù)，即使是掌握同一技能的客服，他們的服務(wù)能力也有大的差別，而機器差別不大，很多業(yè)務(wù)可以使用相同類(lèi)型的機器；

　　3）客服是人，他有權利選擇上班、小休，他的工作效率、質(zhì)量會(huì )隨著(zhù)他的情緒、體驗、服務(wù)的會(huì )員、工作時(shí)長(cháng)等波動(dòng)，調度時(shí)需要考慮他們的感受，而調度機器時(shí)無(wú)需顧忌；

　　4）突發(fā)場(chǎng)景多，業(yè)務(wù)問(wèn)題、系統故障等都是無(wú)規律爆發(fā)，波動(dòng)特別大，很難準確的提前排好一天的人力。

　　現場(chǎng)管理員是否能應對如此復雜的客服調度？答案是否定的。在沒(méi)有調度系統之前，現場(chǎng)管理員基本靠手工來(lái)調度，隨著(zhù)體量越來(lái)越大，缺陷逐漸暴露：

　　1）響應慢：比如周末線(xiàn)上排隊時(shí)，現場(chǎng)管理員可能會(huì )收到電話(huà)反饋，然后再打開(kāi)電腦去手工放個(gè)臨時(shí)班等等，從排隊發(fā)生到調度生效超過(guò)十幾分鐘很正常；

　　2）不精準：缺乏數據指導，統籌優(yōu)化能力弱。舉個(gè)例子，A技能組排隊時(shí)現場(chǎng)管理員想將A技能組的流量切一些到B里，切多少，分給誰(shuí)，可能都是拍腦袋決定，決策結果也無(wú)法沉淀；

　　3）手段缺：可用的手段非常少，無(wú)非就是手動(dòng)排班放班、手工切個(gè)流，管控下小休、發(fā)個(gè)公告等，沒(méi)有充分挖掘出客服的能力和潛力。

　　明確了客服調度的核心問(wèn)題，也知道了難點(diǎn)，更看到了目前的現狀后，我們決定打造一款自動(dòng)、智能的客服調度系統——XSigma。

　　XSigma調度系統按功能模塊可以分為手、腦、眼幾塊。手就是能提升客服資源利用率、客服服務(wù)水平以及提升客戶(hù)滿(mǎn)意度的手段，比如溢出分流、預約回撥、現場(chǎng)管控、激勵、排班、應急放班、培訓等。手段這么多，在不同業(yè)務(wù)不同場(chǎng)景下如何抉擇是一個(gè)難點(diǎn)，這里需要大腦也就是調度中心來(lái)做決策。決策產(chǎn)生的復雜調度邏輯如何能讓現場(chǎng)管理員、業(yè)務(wù)人員和開(kāi)發(fā)人員更好地理解？我們通過(guò)可視化技術(shù)將復雜的調度邏輯轉化為可以理解的實(shí)時(shí)圖形界面，即調度系統的眼睛-調度大屏。手、腦、眼功能具備后，如何讓他們磨合得越來(lái)越好？我們通過(guò)仿真演練系統來(lái)錘煉。

　　下面會(huì )對圖里的模塊一一介紹。

　　如果能預測好需，準備好供，那客服調度就成功了一半。在我們業(yè)務(wù)中，不同類(lèi)型的客服排班模式不同。云客服采用的是自主選班模式，管理員只需設置好每個(gè)時(shí)間段的選班人數，讓云客服根據自己的時(shí)間來(lái)自行選班。而SP（合作伙伴）采用的是排班模式，需要管理員根據每個(gè)時(shí)間段的話(huà)務(wù)量來(lái)安排每一個(gè)客服，既要能夠保證每個(gè)時(shí)間段的接通率達到最大，又要能夠協(xié)調好客服人員的休息和工作時(shí)間，保證每個(gè)客服人員的總工時(shí)大致相等，這非常考驗管理員的統籌能力，當客服數目變多后，人工排班給管理員帶來(lái)了巨大挑戰。

　　不管哪種模式，都需要提前預測未來(lái)兩周的需要服務(wù)量（業(yè)務(wù)上按1~2周的粒度排班），這其實(shí)是個(gè)標準的時(shí)間序列預測問(wèn)題。結合歷史數據，我們可以按照部門(mén)-技能組的粒度預測出未來(lái)2周的服務(wù)量，當然，這種離線(xiàn)的預測只是一種近似，很難精準預測。

　　對于合作伙伴公司客服的排班，可以抽象為多約束條件下的優(yōu)化問(wèn)題，在實(shí)際場(chǎng)景中，我們采用了組合優(yōu)化算法。

　　提前排班很難精確預估服務(wù)量，我們不可能提前知道下周一13點(diǎn)25分會(huì )出現個(gè)代金券問(wèn)題導致大量用戶(hù)進(jìn)線(xiàn)咨詢(xún)。

　　對于這種突發(fā)性質(zhì)的流量或者比上班服務(wù)量大的流量，我們能不能像調度機器一樣，快速水平擴容一批客服來(lái)上班。對于社會(huì )化的云客服，我們可以做到，比如排隊數超過(guò)某值時(shí)，自動(dòng)觸發(fā)云客服的應急放班。通過(guò)實(shí)踐發(fā)現云客服從選班到上班一般需要十多分鐘時(shí)間，如何進(jìn)一步節省這十多分鐘的黃金處理時(shí)間？將應急放班升級為預測式應急放班！提前幾分鐘預測到即將到來(lái)的大流量，提前放班。

　　這里涉及兩個(gè)模型，一個(gè)是服務(wù)量實(shí)時(shí)預測模型，該模型能根據實(shí)時(shí)數據如會(huì )員的操作行為，會(huì )員在小蜜的行為，故障場(chǎng)景，并結合歷史進(jìn)線(xiàn)量來(lái)綜合預測某一技能組未來(lái)30分鐘每一分鐘的進(jìn)線(xiàn)量。

　　有了服務(wù)量預測數據輸入后，應急放班模型就可以結合當前服務(wù)會(huì )員情況，未來(lái)30分鐘客服排班情況、會(huì )員消耗速度、溢出關(guān)系等綜合指標，來(lái)推斷出是否要觸發(fā)應急放班以及放班的服務(wù)量。一旦觸發(fā)應急放班后，線(xiàn)下通知模塊會(huì )通過(guò)電話(huà)、短信等手段來(lái)通知合適的客服來(lái)上班。

　　與調度機器不同，我們需要時(shí)刻考慮客服感受，為了避免打擾沒(méi)有上班意愿的客服，我們讓客服自主設置是否要接收通知。

　　盡管預測式應急放班效果不錯，但目前只針對云客服有效，對于SP類(lèi)這種非選班類(lèi)的客服怎么辦？我們發(fā)現，線(xiàn)上排隊時(shí)，往往是某幾個(gè)技能組出現大量排隊場(chǎng)景，比如商家線(xiàn)爆了，消費者線(xiàn)的客服可能處于空閑狀態(tài)。如何解決這種忙閑不均問(wèn)題？一個(gè)直觀(guān)的極端想法就將所有的組變成一個(gè)大池子組，通過(guò)負載均衡分配讓每一個(gè)客服都處于繁忙狀態(tài)，從而達到效率最大化。而事實(shí)上并不是所有的技能組之間都能互相承接，這里既要權衡業(yè)務(wù)，又要線(xiàn)下培訓讓客服具備多技能。

　　XSigma提供了技能組相互分流、溢出的配置功能，只要滿(mǎn)足觸發(fā)條件，就能實(shí)時(shí)分流溢出，解決了以往靠現場(chǎng)管理員手工改客服技能組的痛苦。

　　對于一些場(chǎng)景而言，技能組間的溢出粒度有點(diǎn)粗，比如設置了A技能組排隊可以溢出到B技能組，并不是B技能組的每一個(gè)客服都能承接A的業(yè)務(wù)，只有進(jìn)行了培訓的客服才能承接，XSigma同樣提供了給客服打技能標簽的功能。

　　有些業(yè)務(wù)比較復雜，很難找到其他技能組進(jìn)行溢出，我們將注意力轉到正在上班的客服上。在線(xiàn)客服可以同時(shí)服務(wù)多個(gè)會(huì )員，如果一個(gè)客服最大服務(wù)能力是3，那么他最多同時(shí)服務(wù)3個(gè)會(huì )員，這個(gè)值由管理員根據客服的歷史服務(wù)水平來(lái)設置。

　　我們發(fā)現盡管很多小二的最大并發(fā)能力是相同的，在他們滿(mǎn)負荷服務(wù)會(huì )員時(shí)，他們的服務(wù)水平有很大不同，他們的忙閑程度也有非常大的差異，為什么？

　　如下圖所示，某技能組的客服最大服務(wù)能力都是3，最近一個(gè)月這個(gè)技能組的客服在同時(shí)服務(wù)3個(gè)會(huì )員場(chǎng)景下的平均響應時(shí)間分布（平均響應時(shí)間正比于客服回復速度），可以看到數據呈一個(gè)大致正太分布，說(shuō)明小二服務(wù)水平有差異。

　　舉個(gè)例子，A和B兩個(gè)客服最大服務(wù)能力都是5，同樣都在處理5個(gè)會(huì )員，但是A的5個(gè)會(huì )員差不多都到會(huì )話(huà)結束尾聲了，B的5個(gè)會(huì )員都才剛剛開(kāi)始，這個(gè)例子下A和B兩個(gè)客服當下的忙閑程度明顯不同。

　　既然小二的服務(wù)水平有差別，實(shí)際場(chǎng)景千差萬(wàn)別，那能不能在技能組排隊時(shí)刻讓那些有余力的小二突破最大服務(wù)上限？

　　XSigma提供了兩種策略來(lái)讓小二突破服務(wù)上限。

　　1）主動(dòng)+1模式

　　當技能組達到觸發(fā)條件時(shí)，XSigma會(huì )主動(dòng)點(diǎn)亮客服工作臺的+1按鈕（如下圖紅框所示），客服可以點(diǎn)擊來(lái)主動(dòng)增加一個(gè)會(huì )員進(jìn)線(xiàn)，這種方式相當于是將擴容權利交給客服，因為只有客服自己知道目前忙不忙。

　　2）強制+1模式

　　如果某些技能組是強管控類(lèi)型，可以選擇開(kāi)啟強制+1模式，XSigma會(huì )結合數據自動(dòng)選擇一些合適的客服來(lái)突破服務(wù)能力上限，比如他之前最大服務(wù)能力是5，我們會(huì )同時(shí)讓他服務(wù)6個(gè)會(huì )員。

　　對于熱線(xiàn)來(lái)說(shuō)，小二不可能同時(shí)接好幾個(gè)電話(huà)，而且業(yè)務(wù)上可承接的線(xiàn)下客服也少，這時(shí)候如果出現大面積排隊怎么辦？

　　通過(guò)數據分析發(fā)現，很多技能組在一天內的繁忙度在波動(dòng)，有高峰也有低峰，下圖所示展示了某技能組的剩余服務(wù)數，可以看到有兩個(gè)繁忙時(shí)間段，10~13點(diǎn)，17~21點(diǎn)，這兩個(gè)時(shí)間段的空閑服務(wù)數很多時(shí)候都是0，而其它時(shí)間段相對比較空閑，如果能將這些繁忙時(shí)間段的進(jìn)線(xiàn)量騰挪到非繁忙時(shí)間段，這樣就能大大提升客服的人員利用率，也能避免客戶(hù)排隊的煩惱。

　　怎么做呢？通過(guò)預約回撥，將當下服務(wù)轉變?yōu)槲磥?lái)服務(wù)。如下圖所示，主要有兩個(gè)模塊構成。

　　1）預約觸發(fā)器。用戶(hù)電話(huà)進(jìn)來(lái)后，預約觸發(fā)器會(huì )根據技能組的繁忙情況，來(lái)判定是否要觸發(fā)預約；

　　2）回撥觸發(fā)器。采用系統主動(dòng)外呼模式，一旦發(fā)現技能組繁忙度處于低峰，就會(huì )觸發(fā)回撥，只要用戶(hù)電話(huà)被接通，就會(huì )以高優(yōu)先級進(jìn)入到分配環(huán)節，從而讓客服人員在有效的工作時(shí)間內都在真正的與客戶(hù)通話(huà)。

　　調度的目標是：“提升客服資源的利用率和服務(wù)水平，用更少的客服資源獲得更佳的用戶(hù)體驗”。前面這些策略的關(guān)注點(diǎn)更多是在提升客服資源利用率上，有沒(méi)有什么策略能提升用戶(hù)的滿(mǎn)意度？我們從分配這一環(huán)節入手。

　　本質(zhì)上我們要解決的是“會(huì )員（任務(wù)）-客服匹配優(yōu)化”問(wèn)題。在傳統模式下，分配就是從某技能組的排隊隊列中找到一個(gè)等待時(shí)間最長(cháng)的會(huì )員，然后再找一個(gè)該技能組下最空閑的客服完成匹配。這種公平分配方式考慮維度單一，未能在全局層面上掌握和調度分配有關(guān)的會(huì )員、客服、問(wèn)題等各類(lèi)信息。

　　匹配優(yōu)化問(wèn)題其實(shí)是二部圖匹配問(wèn)題，如圖所示，在某一時(shí)刻，我們可以得到某技能組下未分配的客戶(hù)（任務(wù)）以及具備剩余服務(wù)能力的客服，如果能知道每個(gè)任務(wù)與每個(gè)客服之間的匹配概率，那就可以通過(guò)穩定婚姻算法找到最佳匹配。

　　如何求得任務(wù)與客服之間的匹配概率？抽象為分類(lèi)回歸問(wèn)題，核心在于構建大量樣本（x1，x2，x3，…，xn）(y)。針對一通歷史會(huì )話(huà)任務(wù)，y是客戶(hù)評分或會(huì )話(huà)時(shí)長(cháng)（目標可選），而x既包含了客服特征如過(guò)去30天的滿(mǎn)意度、平均響應時(shí)間等等離線(xiàn)指標，以及客服當前會(huì )話(huà)的服務(wù)會(huì )員數、最大會(huì )員數等實(shí)時(shí)指標，也包含了任務(wù)的特征，如問(wèn)題類(lèi)型、等待時(shí)間、訂單編號、重復咨詢(xún)次數等等。樣本有了后，下面就是選擇分類(lèi)算法進(jìn)行訓練，最終我們采用了CNN。

　　在迭代過(guò)程中發(fā)現，模型會(huì )將流量更多分配給好的客服，而指標相對較差的客服的流量則變少，為了避免少量客服上班接不到客反彈的情景，我們將公平性的指標引入到模型中。

　　通過(guò)最優(yōu)分配來(lái)提升滿(mǎn)意度的一個(gè)重要原因是將流量更多分給了能力強水平高的客服，而這部分客服的占比不高，為什么？為了應對11、12這兩個(gè)特殊月份的高流量，業(yè)務(wù)團隊要招募培訓大量的云客服。這些新手涌入必然會(huì )對滿(mǎn)意度帶來(lái)影響，換句話(huà)說(shuō)，如果要想進(jìn)一步提升滿(mǎn)意度指標，必須提升新手客服的服務(wù)水平。

　　對于新手，在上崗前提升他們水平的唯一方式就是培訓，傳統的培訓都是通過(guò)線(xiàn)下讓云客服看視頻等學(xué)習資料，然后進(jìn)行筆試，通過(guò)后就直接上崗，帶來(lái)的問(wèn)題是很多新客服對平臺的工具、解決方案都不熟悉就直接服務(wù)會(huì )員，會(huì )員體感較差。

　　對比練車(chē)場(chǎng)景，我們發(fā)現練車(chē)有科目1、科目2、科目3等不同流程，科目1學(xué)習理論，科目2和科目3實(shí)戰模擬，如果我們引入這種實(shí)戰模擬就能大大提升新客服的服務(wù)水平。

　　我們創(chuàng )新的提出了使用機器人（大黃）來(lái)培訓客服這一全新的客服培訓模式（已申請專(zhuān)利）。新客服在培訓租戶(hù)里，通過(guò)點(diǎn)擊大黃頭像，會(huì )產(chǎn)生一通非常真實(shí)的模擬會(huì )話(huà)，通過(guò)和會(huì )員聊天，不斷學(xué)習平臺工具使用，不斷提升解決客戶(hù)問(wèn)題能力。一旦會(huì )話(huà)結束后，大黃機器人會(huì )對這通會(huì )話(huà)進(jìn)行評價(jià)，并會(huì )告知應該使用某種具體的解決方案來(lái)回答用戶(hù)問(wèn)題。

　　對于新客服，目前必須完成大黃80通會(huì )話(huà)后才能上崗，整個(gè)財年培訓客服幾萬(wàn)人，服務(wù)會(huì )話(huà)量達到幾百萬(wàn)輪次。abtest顯示通過(guò)大黃試崗的客服不管在滿(mǎn)意度、不滿(mǎn)意、平均響應時(shí)間、平均服務(wù)時(shí)長(cháng)等各項指標上都有非常明顯提升。

　　從上面可以看到我們的客服調度策略多且復雜，每種策略都起到了一定提升客服資源的利用率和服務(wù)水平的作用。現在的問(wèn)題來(lái)了，不同場(chǎng)景下這么多策略如何選擇？比如現在技能組A突然排隊100個(gè)會(huì )員，這個(gè)時(shí)候是直接溢出到其他技能組，還是觸發(fā)主動(dòng)+1或觸發(fā)應急放班呢？這里需要一個(gè)大腦來(lái)做決策。

　　如何讓這個(gè)大腦適用于各種復雜的業(yè)務(wù)場(chǎng)景是難點(diǎn)。我們平臺目前租戶(hù)就有幾十個(gè)，僅淘系這一個(gè)租戶(hù)就劃分了幾十個(gè)客服部門(mén)，每個(gè)部門(mén)下又細分了一系列技能組，不同部門(mén)間業(yè)務(wù)場(chǎng)景不同。在嚴重缺乏歷史數據積累情況下，很難直接通過(guò)訓練一個(gè)決策模型來(lái)適應多種業(yè)務(wù)。于是我們的思路就轉換為直接利用現場(chǎng)管理員的專(zhuān)家知識，讓他們將決策邏輯沉淀為一條條的規則。

　　目前平臺上已經(jīng)配置了上萬(wàn)條規則，每天生效的規則也有幾千條，這些數據的沉淀讓我們可以通過(guò)智能優(yōu)化技術(shù)實(shí)現真正的智能調度決策大腦。

　　客服調度策略繁多、邏輯復雜，調度結果會(huì )切實(shí)影響整個(gè)環(huán)節參與者的感受，因此我們搭建了XSigma調度大屏，方便大家理解。在實(shí)踐過(guò)程中發(fā)現調度大屏能建立起使用方對調度系統的信任感，降低開(kāi)發(fā)人員和管理員發(fā)現、定位并解決系統問(wèn)題的成本。舉個(gè)例子，管理員在XSigma平臺上設置一些規則，比如A技能組排隊數>=1觸發(fā)溢出到B技能組，設置完后他心里沒(méi)底，他也不知道設置的邏輯是否生效，往往會(huì )讓開(kāi)發(fā)同學(xué)再次確定下有沒(méi)有生效，而現在有了可視化調度大屏，既能觀(guān)察到各個(gè)技能組的服務(wù)量、剩余服務(wù)量等實(shí)時(shí)監控數據，也能看到實(shí)時(shí)調度各種策略生效的過(guò)程，以及每天調度的實(shí)時(shí)匯總明細數據。

　　在調度優(yōu)化場(chǎng)景中，如何評估調度系統的好壞至關(guān)重要。有沒(méi)有一種手段能評估XSigma是否能適應各種場(chǎng)景？能提前證明在雙11這種大促期間也能順暢的調度？能及時(shí)發(fā)現調度過(guò)程中出現的問(wèn)題？這不僅是我們也是業(yè)務(wù)同學(xué)迫切需要知道的。

　　仔細思考發(fā)現，要解決的問(wèn)題和技術(shù)的全鏈路壓測要解決的問(wèn)題很相似，我們要做的其實(shí)是業(yè)務(wù)上的全鏈路壓測，于是我們搭建了客服調度的仿真演練系統。

　　基于大黃機器人，我們已經(jīng)能模擬會(huì )員進(jìn)線(xiàn)，通過(guò)定制改造，機器人可以制造各種主題類(lèi)型的題目，比如雙十一類(lèi)型場(chǎng)景等。在此基礎上，結合業(yè)務(wù)同學(xué)的預估量，可以設置出各個(gè)技能組的進(jìn)線(xiàn)量。

　　在雙十一之前，業(yè)務(wù)同學(xué)使用這套演練系統大規模演練過(guò)兩次，由于是基于真實(shí)服務(wù)量進(jìn)行演練，而不是以前的口頭相傳的方式，讓調度上下游每一個(gè)參與的同學(xué)都有壓力感。在演練過(guò)程中發(fā)現的一些問(wèn)題改進(jìn)后，大大提升了我們應對大促突發(fā)流量的信心。

　　XSigma智能客服調度系統采用自動(dòng)化配置、機器學(xué)習等技術(shù)，將復雜的調度問(wèn)題分層處理，并在日益增長(cháng)的會(huì )員任務(wù)基礎上，不斷精細化調度模型依賴(lài)的狀態(tài)預估數值，不斷提高調度模型的多目標規劃能力，同時(shí)通過(guò)大量運用平臺可視化技術(shù)，以實(shí)時(shí)、圖表化的方式將系統運行狀態(tài)呈現出來(lái)，最終在客服效率和用戶(hù)體驗時(shí)間上得到優(yōu)化效果。該系統上線(xiàn)后，相比于往年，服務(wù)不可用時(shí)長(cháng)這一業(yè)務(wù)核心指標直接下降98%。