智能客服足够智能吗？

编辑：夕照寺 | 2016年12月25日 | 场景研究, 文库 | 评论已关闭 | 2387

随着移动互联时代的到来，客户对服务的需求已经逐渐从热线、人工、营业厅等传统渠道转移到线上，企业开始拓展APP、微信等新型轻渠道，其特点是人工参与黏度低、维护成本低。随着人工智能技术的发展，这类新型渠道的服务能力也有进一步的提升。基于人工智能的智能客服帮助这类渠道解决了以往需要人工参与才能完成的部分服务工作，进一步解放了企业的人力成本，是目前新型客服方式的典型代表。

目前智能客服的应用方式有三种：在线智能客服、热线端智能客服、实体客服机器人。热线端智能客服、实体客服机器人两种方式比在线智能客服多了语音处理的一步，虽然目前语音识别技术发展相对成熟，但各类方言和口音问题还是会给语音内容识别的准确率带来一定影响，而在线智能客服多数直接文字输入，目前应用相对广泛，因此以下探讨的内容主要以文字输入的智能客服方式为基础。

虽然智能客服应用比较火热，很多大型企业也已经搭建或正在尝试搭建智能客服应用体系，但通过一些企业用户的反馈，我们也发现目前仍存在一些问题。

1、对客户需求理解的准确度。

目前企业所用的智能客服系统普遍用于业务解答，系统的开发模式主要基于企业的知识库，采用关键字匹配来推荐答案，这种方式虽然直接，但其实没有很好地考虑到客户的提问习惯。对于普通客户而言，发问一般以相对口语化的方式进行，而系统则一般以结构化的语言去读取，在客户自然语言和计算机结构化语言之间必然需要一定的机制去做好翻译工作，例如客户的口语化提问方式、上下文智能关联等，但目前大多数智能客服处理这类问题的能力并不强，客户提问的内容一旦比较复杂或表达不完整，系统就无法完整、正确识别客户问题，导致目前一些智能客服应用在实际使用过程中推荐答案的准确率并不高，从而影响客户的使用体验。客户采用在线问答的模式无非是希望尽可能简便地获取自身关注的业务内容，如果多次都得不到需求满足，久而久之就会放弃这种服务模式，那么企业实现服务分流的初衷也会达不到预想的目标（如图1）。

图1：自然语言和结构语言的对比

2、单一服务模式

人工服务的最大优点就是灵活和具备思考能力，不仅能解决客户的基本需求，还能推动挖掘客户的潜在需求，结合客户的变化来改变服务策略，在良好的互动中完成更多的工作任务。而据我们了解，当前的智能客服应用都只关注解决客户的提问需求，几乎没有考虑到如何主动去了解、分析和发掘客户的潜在需求。实际上在对话过程中，从客户文字信息可以反映出客户的某些情绪表现、产品需求甚至是对服务的评价态度，但现有的智能客服应用大多数都没有去关注客户提问的内容以外的其他信息，没有真正做到智能地收集客户信息并做出合适的判断和推荐。

3、系统自我学习和进步的缺乏

系统自学习包括业务上的学习和技术上的学习。在业务的自学习方面，随着业务和客户需求的变化，客户关注的内容也会更新变化。前面提到当前的智能客服系统基本以企业知识库为基础来开发，这可能会存在两个问题，一是企业知识的补充或更新一般都是在新政策新业务需求非常明确的情况下才会做进一步梳理和更新，管理流程比较复杂，操作周期较长；另外一个就是客户的问题有可能会超过知识库回答的范围，此时系统就无法给出准确的答案。由于客户对于新业务的感知却往往要比企业内部的管理流程走得更快，了解的期望也会更加迫切，如果当客户已经在广泛关注新产品新业务的问题时企业无法及时获得信息和更新，可能会导致一些营销机会的流失，这时如果智能客服系统能及时捕捉新的业务关注点、及时提醒管理人员及时更新业务知识或给予一定的业务引导，将能够更好地提高用户的服务体验。技术上的学习主要跟系统的推荐算法相关，作为智能客服系统的核心算法，目前大多数智能客服系统在算法的优化更新方面的速度非常缓慢，有些甚至几乎就不更新，根本没有考虑到随着需求变化去进行实现系统自身算法参数上的调整以便及时优化自身推荐机制、提高推荐准确率。

上述问题是我们目前对于智能客服应用发展的一些看法，综合国内目前技术的发展趋势以及我们的研究和经验，建议可以考虑从以下几个方面来推动智能客服应用的优化建设，更好地落实智能客服在企业的应用价值。

1、在技术层面，完善系统技术应用，让系统更智能

建立智能客服系统不单单只是IT建设的问题，如果还停留在用传统IT的思维模式去做机械化的分词、关键字搜索、匹配，这样的方式远远谈不上智能。IT只是实现系统的一种手段，真正的智能客服是集合人工智能学、计算机科学、语言学等多门学科的综合应用，而所谓的智能应该是能让机器主动去认知和学习，不断强化行为模式，提高思考能力，从而更加灵活地完成各项工作任务。从这个层面上来说，企业如果要投入做智能客服，还是要把更多的精力放在人工智能相关的各种数据挖掘、机器学习、深度学习的算法研究上，这才是体现智能的核心技术。如何去做，可以从以下两个方面考虑。

（1）让系统听懂人话是智能客服的基础。

要做到让客户感觉与智能客服的对话跟人工客服没有差异并不容易，这取决于系统是否能够适应客户提问方式的随意性。智能服务的基础核心技术是自然语言处理，它通过对自然语言进行分词、分析、抽取、检索、变换、翻译等工作而让计算机快速理解自然语言表达的意图并准确地反馈用户所需信息，因此如果要提高的系统的理解能力，还是要更加充分地利用自然语言处理技术中如语义分析、情感分析、上下文关联等技术而不单只是切词匹配，这样在应对客户多样化的提问时才能更加准确地判断客户需求并提供最佳答案。

（2）实现系统的自我学习是智能客服的发展趋势

机器学习、深度学习等相关技术目前已经不是实验室理论，不少领域都有一些应用的探索和研究，难度只在于如何跟实际的业务关联起来并可以投入实际生产使用。企业在建设智能客服的过程中可以多投入精力和技术资源在这方面的研究，让系统实现自我学习和优化，才能真正体现智能客服的意义。

2、在业务层面上，要提高与业务的结合度

这体现在三个方面，一个是能基于业务流程、业务特点等来调整系统的计算流程和算法，让系统更加契合不同企业的特点，提高推荐精准度。

第二个是业务知识的积累。业务知识包括知识库和行业的专业词典，知识库是智能客服的服务基础，专业词典则是影响智能客户认知的因素之一。由于不同企业知识库的管理流程并不相同，更新完善的周期也不一样，所以在这方面主要还是考虑如何结合上述提到的自学习机制来及时获取新业务关注点，提醒企业管理人员更新知识库信息。而在专业词典方面因为是系统识别业务知识点的关键因素，因此同样需要及时更新维护，这不仅要靠系统的自学习提醒，同时也要依赖人工维护。传统的智能客服系统对于词典的管理都是“黑盒管理”模式，一般都是企业提出需求，系统的开发厂商去维护更新，这样的流程比较繁琐，如果可以直接提供可视化的词典管理界面，由企业用户自己去维护，知识的更新效率会更高。

最后一个就是要更多地去融合企业的业务分析成果，提高智能客服系统的综合业务能力。实际上对数据的重视和应用已经成为不同领域和行业的默契，很多企业都已经开始了结合业务需求的数据挖掘分析工作，类似建立精准营销识别、客户服务满意度预测、客户投诉倾向判断等应用模型。这些模型成果目前在客服方面应用较多的模式就是推荐给热线客服，作为提醒客服的信息。同样的，这种方式放在智能客服的应用上也同样适用，例如可以利用企业的客户画像体系在服务过程中结合不同客户标签采取不同服务模式；或者结合产品精准营销模型嵌入到智能客服系统，在交互过程中及时捕捉客户意向、把握营销机会。当然，这种模式的真正开展并非十分容易，毕竟不是简单地直接应用现有分析成果，而是要融合当前的对话内容去提供实时分析，如果企业本身或服务的厂商在数据挖掘分析领域的积累不是特别深的话，也很难取得比较好的效果（如图2）。