客户观察 · 2020第四届客户联络中心行业华南峰会—一号互联王鹏分享

大家上午好，刚才几位领导分享了我们疫情之下的机遇和挑战，其实我们遇到的不仅仅是困难和挑战，当前我们还有一些机遇和发展，今天我们就新基建时代智能客服如何乘风破浪做一个介绍。

新基建时代会给智能客服领域带来什么机会？我们看一下宏观的领域，当前新基建助力智能客服加速渗透，通讯行业为代表新基建对客服行业需求是比较强烈的，其中和我们客服比较相关的包括5G通讯和工业互联网以及大数据、云计算、人工智能。这些领域和我们当前的客服同仁都是息息相关的，5G时代下其实对于我们整个客服领域的发展具有很强的助推力。

5G的海量数据奠定了智能客服机器学习的基础，5G也让智能客服的场景发生很大的变化，包括带宽的提升等等都让我们从原有的传统扩展到短视频和音视频的多模式适配。5G时代还催生云计算和边缘计算模式的改变，同样也会催生物联网的快速发展，客服对象不仅仅是面向之前单一的对象了，也会面向多维。

说到新基建就不能不提NLP，这块对我们呼叫中心的同仁大家都有所涉及。其实我们知识图谱到NLP经历了4个阶段，比如早期我们只是做了一个很简单的FAQ的融合，只是解决一个普通的问题到知识库的检索。后来我们有了早期的知识图谱，但是这个时候还不够智能，只是说基于定理的证明模拟心智的语言逻辑，还完全没有达到智能化，还是一个比较死板的过程。后来第三个阶段也就是我们当前所处的阶段，很多的同仁采用的是神经网络加深度学习构建比较智能的知识图谱和NLP的理解。现在已经比较智能了，但是还不够，很多的机器还不能代替人的工作和人的智能性。

未来会有深度学习+强化学习的新算法以及超级搜索的新技术，让自然语言的理解和自然语言的表达更加的人性化、智能化。作为我们呼叫中心的同仁们来讲，其实我们之前更多的是从人工客服的角度服务客户，未来可能更多的是用人工和智能相结合的方法，但是这个时候智能客服还没有达到完完全全代替人工客服的条件。这个时候还是一个相结合的过程，如何相结合？智能客服作为一个中枢串联企业所有的数据，让企业对内以及经营越来越方便。

新基建的领域当中，我们其实更期望于应用5G+云计算+AI，三者深度融合的协作创新方式。5G负责的是对数据高效的传输，云计算是对数据进行计算和存储，AI是对数据分析和挖掘。5G+云计算+AI三者协同会打破多个行业的天花板，并且释放出巨大的能量，为企业的转型注入新活力。

未来几年中国的企业和上云率会有一个明显的提升，后面讲了这么多宏观的发展和宏观的数据，疫情之下一号互联也会助力智能客服行业和新基建，国家会有新基建的建设，对于我们客服行业来讲是不是也要有自己自己的一些发展和创新？一号互联提供了一站式的客户解决方案，我们会有很多的客户场景以及服务，我们提供的是一站式的客户解决方案。我们针对金融行业和教育培训以及智慧医疗还有工业互联网中，他们遇到的问题比较多，我们提供的解决方案当中包括联络中心、营销管理、通信助手、企业微信以及工作手机。包括还有智能语音以及智能外呼，这里讲讲作为一一号互联的解决服务方案，一会儿我们会重点提。

智慧大脑中，也就是我们刚才讲的知识图谱和NLP一号互联也是自研了一些相关的领域和服务。疫情期间确实我们作为客服行业的服务者包括我们的客户遇到了发展的困难，对于各行业的发展都遇到了一些机遇和挑战，在线的营销和服务都会有一些提升，这些都是机会。还有一些在线教育的平台因为疫情的关系，很多的中小学生和在线教育的平台受到疫情的影响下，大家愿意在互联网上发挥着自己的优势参与到学习的过程当中。

疫情期间一号互联和中国联通也是进行了深度的合作，利用了人机耦合这个服务的方式。对于我们疫情的防控、通知和疫情的调研这些方面可以有效的传达给客户，和客户有效的链接，保证大家疫情期间都是及时的收到这些信息。

第二部分是人机耦合，人机耦合是我们助力智能客服的新基建建设，比如我们电销行业中会有很多服务的痛点。比如拨打电话的时候，很多的通话无法接通，接通率还比较低，而且还可能骚扰到客户。并且有客户愿意接通，但是实际上是没有意向的，这个时候也会打扰客户。

第三步经过前两步无效的过滤之后才会进入第三步和客户发生深入的沟通和交流，这个时候客户才会对你的服务和产品产生一定的印象。针对这个过程我们发现我们的客服行业的同仁们会在前两个过程中耗费比较大的时间和精力，做了一些过滤方面的工作。

我们如何把前两步的工作效率进行提升，这个是我们人机耦合的一个重点。看一下人机耦合的工作模式，如果一个单纯的人处理这个过程的话，我们发现人的效率非常的低。我每天进行频繁的工作，效率低，容易疲劳。人最后的转化率还是比较高的，人工介入的话真正遇到一个意向客户的时候人的转化率是比较高的。

这个时候如果单纯的让机器人来进行工作，让我们的AI进行一个服务的话，我们会发现机器的工作效率是非常高的，因为它不需要休息，成本也比较低，不断的重复这些工作，效率是很高的，并且机器不容易疲惫，但是现在还远远没有智能的情况，所以转化率还是比较低的。因此我们自己也会有一些亲身的感受，比如我们接到一个电话是机器人打来的本能上我们就会排斥和反感。这个时候人和机器相结合，首先利用机器的高效性，不需要休息，可以不断的重复简单的工作。它来做一些高效性的工作，最后人来对一些有意向的客户完成人的沟通和交流，从而提升转化率，这个是人机耦合的工作模式。

这里的交互首先是机器人和人进行频繁的沟通，这里过滤到一些无效的客户，包括不愿意接通的。第二步机器人先和客户做一个初步的沟通交流，这个时候已经过滤了80%、90%的无效客户。最后这个客户真正产生了一些意向之后产生了提醒，人开始介入。这个时候客户已经有了意向，我们和客户产生一对一的交流，这个时候会达到一个比较高的转化。这个时候和机器人进行一个沟通，作为一个坐席人员我监听看一下客户的意向。这个时候初步沟通之后发现这个客户确实是比较有意向，我就可以代替机器人把机器人代替，我来对客户进行一个深入的转化，这样的话转化的效率是比较高的。

人机耦合的亮点，这个时候我们发现作为一个客服，不仅仅可以时时刻刻的等在我们的计算机面前，等着一些意向客户推送给我，我也可以做一些轻量级的工作。我们知道很多的坐席人员也不可能一直在电脑前，可能拿着手机跑外勤，这个时候我们就可以在触发有意向的客户之后，通过手机和客户产生一对一的连接，这个时候效率会加倍。

这里举个例子，我们人机耦合通过介绍可以大幅度提高坐席的效率减轻工作的强度，并且可以保证这样的结果。电商的行业我给一个坐席人员独立的配3个AI，但是机器人的转化率太低了，达不到人的转化率。当3个AI加上一个客服人员使用人机耦合的时候获得一项客户提升了6倍，因为机器人解决的是重复劳动和过滤，机器人先把无效的客户全部过滤，最后有效的客户给我们的坐席人员跟进。相当于坐席人员都是非常高效的客户，这个时候效率是提升了6倍。

对于坐席人员不仅仅是提升了跟进效率，也提升了工作状态和成就感。因为作为一个坐席人员，不管是被投诉还是主动的跟进客户，受挫感都是会比较强的。被客户骂和投诉，都是经常的事情。这个过程当中，如果可以把这一层的负面情绪过滤掉，也同时可以提升作为一个客服人员的工作状态和成就感，我每天接待的客户都是优质的，都是有意向和我愿意谈的，过滤掉一些不好的负面情绪，工作中也会更有动力。

下面是人机耦合的核心价值，第一个是辅助人工，解放了人工80%的劳动力，把一些无效的重复的工作使用机器的方式完成，减少了人工坐席的被拒绝次数，减少了受挫，提升了坐席的满意度。第二个是跟进客户，我们可以精准的判断重点跟进的客户到底是哪些，到底触发了哪些跟进的条件，实时的无感跟进。可能我们也会收到一些机器人的来电，这个时候我们一听就可以听出是机器人，这个我们不愿意和机器人聊，我们会选择挂断。而选择无感进入的话，作为坐席人员我可以提前录制好自己的声音，把自己的声音使用机器人的方式和客户进行一个连接。这样的好处是我可以提升客户的感受和感知度，让客户愿意和我聊。最后还是要代替机器人和客户发生连接，机器人和客服的声音都是没有差别的，一个客户也是听不出来有任何区别的。这个时候我们就可以产生无感介入的跟进，让客户的感知度有所提升，也愿意和我们达成成交。第三个是客户服务，提升坐席中心的效率以及为客户提供更精准的服务及后面还有很多其他的东西，比如实时介入和无感介入，还有自动监听以及自动介入。

这一个点其实我更想讲的是我们作为一个科技创新公司，我们最近也是听到了很多的声音。比如说像人工智能的出现会不会解放很多的工作岗位？我们不这样认为，AI还是为人服务的，我们要利用AI为人赋能，而不是说让AI来完完全全的代替人的工作。我们更希望是为人的赋能提高人的工作效率和生活质量，更好的让AI和人连接起来，我们也希望做的是一个有温度的人工智能。

提到人工智能的话，我们就要提NLP和知识图谱，知识图谱是客服行业的智慧大脑。这边的话我们来个看一下，知识图谱其实是为了我们的AI做一个赋能，知识图谱是什么，就好像我们的客户和我们产生关联之后会问一个问题，这个问题问的时候会有一个识别的过程。包括如何进行意图识别，我们需要联系到我们当前的业务场景以及联系到我沟通的上下文，包括还有一些限定的条件的产生从而识别到这个客户真正的意图。这边我们会应用到一个智能路由的算法，我们有一个知识库，也会经过几个阶段的演变。最早期的FAQ的知识库是一个简单问题的匹配和搜索的过程，第二个还会有一个多轮会话。包括知识库和知识图谱的结合，我们会让知识图谱和知识库相结合。

最后是NLP，我们先要听、理解对话，最后推理计算出来，让机器进行自然语言的理解，最后是生成自然语言。比如我想问一个东西的价格，最标准的比如这个苹果多少钱一斤，但是很多的问法是这个苹果怎么卖？这个苹果多贵？这样的问法我们就通过简单的方式理解不了客户真正的意图，这个时候就需要对客户上下文的语义进行分析，进行一个算法的识别，从而真正的识别到客户的意图到底是什么，最后才可以生成自然语言给客户一个满意的回答。

妙语机器人这里比如客户问了一个问题，我们可以智能的识别客户想要的意图，通过这个意图给出正确的答案。这边有一个保险行业的知识图谱介绍，这边有硬件机器人和在线机器人，针对保险行业会有产品的图谱，还有30万的关系总数以及3万+的实体数，包括一些条款和投保的规则。保险的行业也会应用到他的一些客户和伙伴，比如医院也有自己的图谱。比如这个医院的名称，我这个保险必须要在定点的医院才可以保障报销。

保险可能会应用到医院的名称以及是否定点等等，这个时候我们会发现保险行业也非常多的产品图谱，这边我们会给出一个比较可视化的产品知识图谱的效果，我们通过查看一个产品的图谱或者说一个医院的图谱之后，我们会以一个结构化的图谱展示出来，且关联的内容如何更好的应用在我们NLP的理解当中。

这个时候会结合整个历史对整个知识库的图谱化进行重构，构建保险知识服务的底层，服务于整个公司的多个部门，进行多类型的保险行业的文档和投保规则以及条款和费率表保存规则，最后提供知识管理的平台。

最后我们想说知识图谱来讲的话，是为AI赋能的。比如我们讲的AI是为人赋能一样，我们也期望通过客服行业新基建的建设给整个客服行业的客服人进行赋能，让大家能够开心的工作，高效的生活。