Return to site

【Y资讯】碰撞与变革 —— 当客服管理遇到人工智能

此前我们曾发表过一篇文章《下一个因AI巨变的行业 —— 走近客服质检》,我们在文中重点阐述了以语忆为代表的人工智能、尤其是以情感解析为主的自然语言处理技术是如何为客服质检领域带来变革的。事实上不仅如此,对于整个客服行业来说,由于几乎所有的服务内容都是以对话——即非结构化数据的形式进行展示和保存,故对于这部分的数据的充分挖掘和解读仍疑存无在着巨大的未知和潜力,而这些将很可能在未来为整个客服产业的运营和管理带来质的改变。

今天我们就基于语忆正式上线的客服管理智能支持方案2.0一起来探讨下,当所有的客服服务内容被赤裸裸地暴露在日益强大的文本数据处理技术面前,人工智能究竟能为整个客服系统带来多大的改变?

模式的更迭

纵观整个互联网生态,随着线上服务的不断增多,人们在线购物的习惯也日益养成,客服呼叫中心已在不知不觉中逐渐形成了越来越大的规模。即便如今越来越多企业都投入智能客服机器人的研发,然而不可否认的是,整个产业仍将在之后很长的一段时间内离不开大量的人工客服呼叫员。因此,如何客观、高效、智能地对大量客服员进行评估考核,对企业的绩效管理来说变得尤为重要。不仅如此,传统以结构化数据为主的管理方案,最后呈现的只是数据统计结果而已,而用户若想要分析数字背后的原因,或针对性地对服务进行优化都会因信息的匮乏而变得难以实现。

有一点是值得庆幸的,相比传统客服中心,以云(文字)客服系统为代表的新一代互联网客服呼叫体系,其成熟的数字化系统为客服智能管理带来了先天的优势:这种系统允许实时的数据收集、整合,前后端数据的打通,并拥有简单的统计功能。这些都为新的智能系统的二次分析提供了很好的技术基础。

回到客服管理,我们相信最能影响其管理效率的还是一套成熟的评价体系——一种既可以客观、高效、全面地对客服进行考核,同时又能满足企业对运营成本的控制的方案。无疑,对不同企业来说,客服考评体系也存在的巨大的差异。比较传统的方式是将每位客服所带来的转化数据作为主要考核标准,例如服务过的用户中有多大比例最后完成了销售转化。当然随着不同企业实际情况的不同,算法也可以有相应的调整,如将具体“销售”变成有效行为:加入购物车、收藏商品或小店等;基数亦可以从“用户数”调整成“用户咨询数”……

然而,这只是一方面。事实上影响转化的成因及其复杂,会受到不同因素的影响,若只是简单地统计结构化数据,将为数不多的用户随机行为作为评价客服的单一(或主要)指标,必然难以公正、客观地对客服服务进行评判。而要想解决这个问题,还是要从客服代表本身的服务表现上着手。当然,目前已有云客服系统已提供了诸如:响应时长、会话时长等基本信息,只是对客服整体表现评估而言,这些指标则明显显得力不从心。

最终的解决方案必然会落到对自然语言,或者说中文文本的理解上来。作为客服服务的主要内容,与客户的“交流”本身将一定承载着客服质检所需要的足够信息。而如何从海量的文本数据中挖取、提炼具有价值的洞察、以及如何设置恰当的数据维度作为参考依据,一是取决于自然语言处理技术的成熟度,二则离不开人工智能的开发者对客服行业的深入研究。

细说质检模式

可以说常规客服“智能”评估的实现都是基于经验,以及堆叠词库所做到的“规则数字化”。例如对特定关键词报警,依靠关键词“判断”客服或者用户的情绪,但实际上关键词的设置一定程度上仍取决于从业者极大的主观性,并需要不断根据当下的业务重心对系统进行维护,可以说其无论是便利性或是严谨性都无法提高到能作为客服绩效考评依据的高度。而要解决这个问题,则需要通过另一种方式,真正地对原始服务内容进行解析才能满足行业的要求,正因为如此,语忆选择了以人工智能自然语言处理技术为核心来能帮助客服中心解决当前难题的产品。

语忆一直以来所关注的重点课题便是基于人工智能的中文文本理解技术,而其中语忆所具备最大的优势则是自主研发的中文文本情绪解析引擎。语忆的自然语言处理技术以每个字而非词为单位,通过词向量技术及海量的中文文本数据进行模型训练,得出了通用情绪解析模型。基于Plutchik情感轮理论,语忆将人们基础的情绪表达分为12类(愤怒、兴奋、愉快等),并结合了大量客服行业实际会话数据进一步修正了准确率,致使引擎不同于常规的二维正负极倾向判断,能同时将中文文本中所蕴含的情感信息以不同权重(情感浓度)区别的情况下最多分为12类。

在客服场景中,用户/客服的会话情绪,分别代表了消费者在接受客服服务期间的满意程度(或变化趋势)以及客服代表自身的会话状态,可以说是体现客服服务是否有效的最直接指标。当消费者情绪由愤怒变为兴奋、乐观,浓度值(体现情绪激烈程度的指标)由高转为低时,即代表了客服服务颇具成效。类似的,无论消费者言辞如何激烈,当客服情绪一直处于愉快、平稳的状态时,则能反应出其优秀的情绪控制能力。

在语忆客服智能支持系统中,除了基本的基于数字统计的客服考核指标(如应答时长)外,还额外提供了数项基于文本理解的特色功能,例如:

1)消费者满意程度分析:通过语忆情绪解析引擎,系统将绘制出每通对话中,消费者的情绪变化轨迹(见下图中通过用户情绪变化区别“问题客服”与“优秀客服”)。通过将情绪变化幅度进行指标化处理得出每一通会话的用户满意度,从用户角度对客服服务进行全量考核。

2)客服服务情绪评估:分析每次会话中客服代表的语言文本,解析其服务期间情绪变化,以负面情绪浓度及负面情绪出现频次为指标,考核客服人员情绪掌控能力。

3)客服服务综合指标:基于消费者满意度、客服情绪管理,增添以“对话反应时长”、“服务频次”为例的多维度评价指标,建立可对客服服务进行综合评价的智能质检体系,并允许不同坐席之间的比较(如选中下图中的两位坐席,系统会显示相应的能力比较结果)。

同时在系统上,在智能质检分析平台的基础上,语忆还提供了丰富的典型会话展示结果(如客服情绪失控的会话展示、消费者最愤怒的会话展示、客服反应时间最长的会话展示等),针对这些统计结果,管理者可以下载完整数据表、也可在平台上选择点击“查看详情”,进入原始对话中查看具体引起服务纠纷、情绪波动的会话。

语忆客服质监系统基于对每一通电话坐席代表以及用户双方的情绪解析,为客户建立了一套有别于传统的客服服务考核体系。利用情绪标签,语忆引擎还能提取独有的情绪关键词,从文本中挖掘出引发了强烈情感的关键信息,并对其进行进一步统计与分析。

此外,语忆客服质检系统还允许对接电商平台上客服代表的销售转化数据,也能对客服用语中的话术正确性、禁/敬用语进行识别和考核……真正做到将结构化数据与非结构化数据进行打通、整合,帮助客服管理人员从全方位角度去评判、考核客服代表的综合情绪表现。

非结构化数据形成洞察

客服服务的主要载体,或者说主要内容依然是以汉语语言或者说中文文本为主。这也就代表着,对客服服务(以及其它任何类语言服务)最细致、最原本的分析及调查一定是从文本内容本身入手,也只有如此才能最大化洞察结果,提升数据的利用价值。

然而难点一直停留在技术实现上。不同于如英语一样的国外语言,汉语继承了中华民族一贯传统的谦逊与内敛,这致使对中文文义的理解难以机械地停留在表面而必须深入语境。丰富的象征、比喻等修辞手法,大量的一词多义现象以及不同语气、句式造成的差异性……这些无疑都给中文理解技术的发展带了来极大的阻力。

人工智能深度学习技术为这个难题找到了解答。不同于传统依赖经验编写规则和条件的方式,人工智能能基于大量样本数据,自行归纳、总结最符合命题的规则。这种学习过程的本质是依赖大量的硬件资源,让计算机自己基于庞大的数据所进行的不断试错和调整,不需要人为进行任何干涉。而随着硬件资源的普及,算法的优化,让机器代替人类对例如中文文本一样极其复杂的数据进行分析逐渐成了可能。这也是语忆中文文本解析引擎的核心技术基础。

接下来我们便来介绍一下,基于中文文本智能理解技术,语忆所能为客服运营带来的大数据分析工具:

1)服务痛点分析:结合不同(情感)关键词被提及时的消费者情绪(基于情绪解析)与被提及次数,通过二维点阵图的方式展现了所有关键词折射出问题的重要性与紧急性(见下左图)。通过该功能,企业可进行针对性的产品优化与服务提升。图中横坐标反应了该关键词被消费者提到时消费者的负面情绪浓度。随着浓度不断增加,证明该关键问题容易引起消费者的不满,需要商家在短时间内解决。纵坐标则反应了该关键词被消费者提到的次数。被提及次数的高低反应了该关键词折射出的是不是商家、产品的共性问题,即重要性水平。

2)关键词之间联想分析:通过在语忆大数据分析平台中,管理者可输入想了解的信息(被联想关键词,如某品牌、某品类等),语忆的智能引擎将通过对其与其余关键词(联想关键词)之间的联系强度分析(基于词向量技术及词频统计),在所有提到该词的消费者通话中找到词频最高且负面情绪较强的关键词,以二维点阵图形式进行展示(如下右图),帮助使用者更好地了解与所输入信息相关的更多细节。

3)消费者情绪归因:语忆大数据分析平台将对每一期客服对话内容进行消费者情绪表现总结,并针对各负面情绪进行进一步归因解析。主要以该负面情绪相对应的情感关键词其在客服对话中所呈现的总体负面情绪浓度及词频为考察依据,并以列表的形式进行展示(如下左图)。用户可以选定指定的情绪,如“愤怒”“失望”“焦虑”等,再通过系统的反馈点击关键词进一步 查看产生强烈负面情绪的具体对话内容。

4)关键词提及人数:为了便于用户简单直接地查看每一期客服对话中的重点问题、整体情绪表现等整体情况。语忆系统还将涵盖一些基本的关键数据统计及回溯功能,如关键词词提及人数(如下右图)。

5)自定义关键词联想:相对于关键词联想分析,自定义联想分析允许用户自由输入任何文本作为被联想关键词,然后展示其联想关键词的词频及情绪浓度,原理同关键词联想分析。

6)消费者意见雷达:允许用户在语忆系统内通过两级关键词设置(一级关键词例如品牌,二级关键词例如业务类型)对客服对话内容中的核心意见关键词进行统计。

综上所述,语忆系统的主要目标是将客服运营团队原本能获取到的、丰富的统计数据(即结构化数据)与语忆自有的文本分析能力,如情绪解析结合到一起,为商户提供一种全新的客服管理及店铺分析工具。不同以往,语忆系统允许商户在对店铺、客服数据进行分析的同时,还能从用户对话内容(即非结构化数据)着手,基于自然语言处理技术,挖掘更直接、精准的业务洞察,为用户带来巨大的商业价值。

面对未来

直至目前,对非结构化数据的处理仍然具有着较大的瓶颈。以中文文本为例,传统上,不论是词库堆叠还是基于知识图谱的方式都由于需要花费大量人力而变得应用性较差,而作为最理想解决方式的人工智能深度学习,也因对特定行业大量训练数据的要求而仍无法飞速发展。但庆幸的是,整个行业还是在往积极的方向前行着,越来越多的企业看到了非结构化数据所蕴含的巨大价值,也有越来越堵的数据掌控者了解到了开放数据对整个行业发展的重要意义。

以电商为例,其最重要的两部分非结构化数据分别为用户与客服之间的对话,以及每个商品页下的用户评论。此前由于需要花费大量人力,并且无法避免判断的主观性及片面性,运营人员难以通过对这些数据的分析挖掘巨大的商业价值。但时至今日,越来越多的人意识到,若有一天,当基于人工智能的计算机能够充分、无误地理解这些文本数据,并能自动总结、归纳出其中所包含的关键信息时,对整个电商、甚至品牌运营产业来说,无疑将卷起一场巨大的变革。

不仅如此,对非结构化数据的理解仍然充满了无限的可能性。以中文文本为例,除了电商领域,任何社交平台的帖子及评论数据,视频网站的评论及弹幕数据,网络小说等文学作品以及海量歌词等,都将因为日益成熟的文本分析能力而价值飞升。试想一下,当一个工具能够高效、精准地解析出当下社交平台最主流的观点及用户对待特定话题不同的群体情感倾向;当它有能力告诉你不同的直播环境和视频信息将呈现怎么样的弹幕和观点;甚至能在任何人阅读一部千万字的文学作品之前就告诉你其情节如何、描写得精彩与否……可能性将被无限放大。

而语忆的愿景就是在这场进行中的、非结构化大数据改变整个数据分析产业的浪潮当中,通过不断精进的中文文本解析技术,以及与企业的合作深化,站在巨浪的前端,担负起引领整个行业向前革新的责任。

更多资讯,欢迎搜索我们的微信公众号:语忆情感实验室

All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OKSubscriptions powered by Strikingly