大家好,我是讯享网,大家多多关注。
在人工智能领域,智能客服是一个落地相对容易、技术相对成熟的应用实践。以智能客服为对象,梳理其发展历程、系统建设、市场推广。尽情享受~
双工完成了两项任务:
第一项任务,预定理发服务;第二项任务,一个预定就餐的电话接待。
其实Duplex扮演的是智能客服的角色。
在人工智能领域,智能客服应该是比较容易落地的,技术也比较成熟。这是因为客服领域的场景路径具有相对清晰的特点,决定了基于全量数据进行高并发需求处理的人工智能在客服领域将大有可为。
目前,基于大数据、云计算、深度学习等领先的人工智能技术,智能客服已经可以实现自答、业务办理、故障诊断等一系列复杂操作。,实现大部分客服行业的响应需求,快速高效解决用户问题。
据2018年5月发布的《中国智能客服行业研究报告》统计,中国全职客户约500万人,平均年薪6万元,整体规模约4000亿元。
如此巨大的市场,必然会让很多企业对智能客服趋之若鹜。但是为什么还没有独角兽公司出现呢?
虽然这是人工智能中最容易的项目,而且技术也比较成熟,但是相关企业要想开发建设一个人工智能客服系统,要投入多少资金呢?
企业是自己搭建智能客服系统,还是找一个合适的智能客服平台厂商,站在“巨人”的肩膀上,用自己的能力打造自己的智慧?
Can客户服务解决方案。
今天就来聊聊。
一、客服系统的发展历程
中国客服软件市场经历了传统呼叫中心软件、PC网页在线客服+传统客服软件、云客服+客服机器人的智能客服阶段三个发展阶段。
2000年以前,互联网尚未普及,客服主要以电话沟通为主。2000-2010年间,得益于计算机技术、计算机电话集成技术(CTI)、网络技术、多媒体机技术以及CRM、BI、ERP、OA等企业信息化应用的集成,客服系统跳出单一的电话沟通出现了网页在线客服等多种客服渠道。而过去近十年,移动互联网、云计算、大数据和AI技术的发展又将传统呼叫中心和客服软件带入了SaaS和智能化时代。一方面全新的SaaS模式使得企业搭建客服中心的成本大大降低,SaaS模式逐渐普及,早期提供呼叫中心硬件设备的厂商已经延伸到中下游,为外企、国企等大型客户提供本地客服中心解决方案。
从目前客服产业链的构成来看,上游基础设施环节已经成熟,少数巨头垄断市场。未来,他们将继续向下游延伸,构建企业服务生态圈。
在中游的客服产品提供商中,经过几年的竞争,前几个云客服厂商已经脱颖而出,但仍然没有成长为巨头,竞争依然激烈。产品功能更加丰富,应用场景从客服延伸到销售营销。另一方面,客服机器人通过辅助人工,回答简单重复的问题,大大提高了人工客服的工作效率。同时,AI也在从各个方面改变企业客服的交互模式,加速线上线下客服的智能化升级。
二、智能客服系统搭建
智能客服系统主要基于自然语言处理、大规模机器学习和深度学习技术。它利用海量数据构建对话模型,结合多轮对话和实时反馈自学习,精准识别用户意图,支持文本、语音、图片等富媒体交互,可实现语义分析和多形式对话。
任务对话服务:
定制服务,通过与用户的多轮交互,实现快递查询、订购、医生预诊等服务功能。
咨询服务:
通过QA知识库,快速响应用户的问题咨询服务。常见问题解答。
2. 智能客服系统的技术构架
(1)基于知识库答案的智能客服系统
基于知识库答案的智能客服系统采用检索或分类模型实现。
检索答案的过程是:
首先对用户的输入问题做处理,如分词、抽取关键词、同义词扩展、计算句子向量等; 然后基于处理结果在知识库中做检索匹配,例如利用BM25、TF-IDF或者向量相似度等匹配出一个问题集合,这类似推荐系统中的召回过程; 由于我们是一个问答系统,最终是直接返回给用户一个答案,因此需要从问题集合中挑出最相似的那个问题,这里会对问题集合做重排序,例如利用规则、机器学习或者深度学习模型做排序,每个问题会被打上一个分值,最终挑选出top1,将这个问题对应的答案返回给用户,这就完成了一次对话流程。
在实际应用中,我们还会设置一个阈值来保证答案的准确性。如果每个问题的得分低于阈值,我们会将前几个问题以列表的形式返回给用户。最终用户可以选择他想问的问题,然后得到具体的答案。
基于slots构建对话系统是一个相对专业和复杂的过程,通常分为三个主要阶段。首先是需求分析,然后是平台搭建BOT,最后是持续优化。
1)意图
意图是指用户在语音交互中做出的主要请求或动作。
意图示例:
肯定意图:是;对的;正确;Ok;否定意图:不是;不对;错了;NO;取消意图:退出;停止;关闭;结束;
2)技能
技能是满足用户特定需求的应用。比如当用户说“我洗发水的快递在哪里?”,他们将进入快速查询技能。
3)问答技巧
通过Q(用户的提问方式)和A(机器人的回答方式)的配置,可以实现用户与机器人之间的简单对话。
任务型技能:在问答型技能的基础上,增加了slot、API(接口)调用等高级功能,可配置实现用户的信息查询、问题搜索或其他功能。
4)字典
可能改变的关键字的内容,例如时间字典和位置字典。
语义槽:语义槽是用户语句中包含的关键词,可以帮助系统准确识别意图。例如,星座语义槽包含12个星座的名称。语义槽和字典通常同时使用,语义槽通常用来指代字典。一个语义槽可以同时绑定多个字典,一个字典也可以关联不同的语义槽。
5)提问
当用户的查询方法中没有提供语义槽值时,机器人会自动查询。
比如用户问:天气怎么样?我们无法获取天气位置的语义槽值,所以需要机器人来问,你想从哪里获取天气信息?提问词一般多种方式设置,随机提问。
在国内开放的bot体系中,百度单元与微信的开放对话平台是应用的技术框架。
在自然语言对话系统中,理解的核心任务是意图分析和词槽识别。
比如订一张明天早上8点从北京到石家庄的火车票。在这个例子中,对于用户表达的一个句子,其意图是订火车票,涉及的词槽包括始发地、目的地和时间。此时有多趟车次时,需要问用户订哪趟。
以百度单位平台为例,搭建一个买票智能回复的流程。
需求分析:订火车票需要知道时间、出发地、目的地新建一个BOT,命名为:火车票新建对话意图:命名订票添加词槽:出发时间、选择系统词槽词典,选择然后选择系统词典 sys_time(时间),出发地词槽、目的地词槽,这两个都可以选择系统词典,这些都是必填项。设置词槽与意图关联属性,这里火车票的出发时间是订票里必须的关键信息,所以选择必填。澄清话术就是当用户表达订票需求的语句里缺少出发时间时 bot 主动让用户澄清的话术。还可以设置让用户澄清多少轮后放弃要求澄清,默认是 3 次。设置 BOT 回应,BOT 回应就是当 BOT 识别出用户的意图和所有必填词槽值时给用户的反馈。对于订票回复一般对接API接口,实现自动生成方式。
当然,这只是火车票里的一个场景,里面有退票、改签、查询等功能。这些都是在需求梳理中需要确定的。
3. 如何评判一个智能客服系统的好坏
(1)基于人工标注的评估
基于问答知识库的系统的回答能力受限于知识库的丰富程度,也就是说知识库对用户问题的覆盖度,覆盖度越高,准确率越高。
所以不可能回答用户所有的问题,系统最好的状态就是能回答的都是准确的,不能回答的都是拒绝的,也就是拒绝回答。
所以这里的评价指标包括问题解决率、拒绝率、召回率、准确率等。我们的目标是让系统的达成率无限接近数据的真实达成率,召回率和准确率尽可能的高。
召回率 = 机器人能回答的问题数 / 问题总数准确率 = 机器人正确回答的问题数 / 问题总数问题解决率 = 机器人成功解决的问题数 / 问题总数拒识率=机器人未回答问题数/用户问题数
从每日总数据集中抽取一个小数据集,保证小数据集的数据分布尽可能与总数据集匹配。然后,标注团队对数据集进行标注,标注每个问题的实际答案。一般在标注完成后会有一个质检步骤,以保证标注结果尽可能准确,从而生成一个标准的日常数据评估集。
基于这个基准集,我们会评估系统的质量,每做一次新的模型迭代,我们都会用基准集来评估新的模型。新型号达到一定指标才能上线。
(2)基于用户反馈的评估
人工测评可以评价智能客服系统的准确率,但是答案是否合理,是否能为用户解决问题,需要用户的反馈评价。整个智能客服系统的最终目的是帮助用户解决问题。
我们将设计智能客服和在线客服对产品的评价功能。比如我们会让用户评价智能客服的每一个回答或者某一段对话。和人工客服聊天后,我们会给用户发评价卡,评价他们的满意度,如下图。
最终会统计参与比例、满意度等指标,这些指标能够真实的反映智能客服系统的好坏。在实际操作中,用户参与评价的比例往往较低,所以我们会用各种方法来刺激用户的评价。
以保险行业为例。中国有一百多家保险公司。而要做垂直领域的智能客服系统,AI团队必须对行业有充分的了解。理解业务需求和业务流程需要跨部门的沟通。
做垂直领域的智能客服系统,往往会落下一两个大项目,不断满足用户的个性化需求。最终系统是“定制”的,市场很小。做了几个项目,就会遇到透明天花板。
而通用智能客服系统市场巨大,但与做垂直智能客服系统的团队相比,并无优势,现阶段不同公司技术优势差异不大。小公司可以为用户定制,通用系统不行,最终成为一个巨大的市场,但是被一个个做垂直智能客服系统的小公司蚕食了。
那我该怎么办?
互联网之初,门户网站独占鳌头,能够服务大多数人的需求。接下来可以订阅微信账号,每个人的阅读内容都不一样。这是一个定制版的信息平台。从用户的角度来看,定制化是演进方向,最终通用客服会被垂直行业智能客服取代。
2. 做SAAS服务还是私有化部署
传统银行、保险、证券、房地产等大型企业。通常有强烈的客户服务需求,并有引入智能客户服务系统的强烈意愿。但同时他们对自身的数据安全也有很高的要求,所以只会同意本地化部署的解决方案。
这类大客户只能采用基于项目的商业模式来做本地化部署解决方案,每个项目收取一定费用。好处是一个项目可以收到几千万到上百万元的收入,创业初期就可以盈利;缺点是私有化部署客户需要更多的定制需求,会占用大量人力成本,难以大规模复制。长期来看,增长空有限。
那我该怎么办?
单从数据安全的角度来看,会随着技术的发展而得到解决。移动支付刚开始的时候,大家还害怕自己的银行卡会不会被盗刷。黑客会黑进我的支付宝吗?现在是危言耸听。有了足够的投入,就会有足够的资金支持技术发展,SAAS服务会有更多的用户,技术漏洞会更容易被发现,系统的安全性也会进化得更快。私有化不是一个好的选择。
3. 服务大客户还是中小客户
所有的智能客服创业公司在创业之初选择目标客户时都需要面临一个选择:是专注大型企业客户,还是一开始就切入中小企业市场?
中小型企业的客户可以使用标准化的SaaS产品来满足他们的需求。模型不仅占用人力成本少,可以实现大规模复制,而且可以通过每年更新获得持续收益,还可以持续获得数据循环反馈,建立技术壁垒。
但缺点是前期很难获得客户,需要做大量的市场教育。而且中小企业死亡率高,整体更新率难以保证,创业初期难以实现盈利。
但是如果以大客户为主,有些定制化的需求很难满足,大客户的过程比较长。一般长期服务的服务商,对产品成熟度要求很高,创业公司很难进入。创业公司服务几个大客户是有风险的。
然后呢?
做一个垂直领域的SAAS系统,需要有更多的用户使用,这样才能更快的迭代系统。大客户只有一两个,很难提出建设性的改进意见。所以做中小客户,尽快找到第一批用户,运行系统然后不断优化迭代。
3. 智能客服销售难点
大家都在说传统客服行业存在很多痛点,智能客服可以很好的解决这些痛点。例如:
(1)劳动力成本高
当人口红利消失后,用人单位的成本会越来越高。
这是真正的需求吗?首先,客服不是企业的核心部门,大部分企业都不太重视。在中小企业中,客服人员并不太多,真正能省下来的人力成本也不高,所以企业更换的动力并不大。在大企业中,人力成本确实是一个很大的成本支出部门,但也正是基于此,大企业才有足够的支出来做自己的智能客服系统。因为他们的投入产出比合适。像滴滴这样有大客服部的公司更喜欢自己做。
(2)决策悖论
智能客服系统需要解决人工客服做什么。当他们的工作岗位被取代时,就意味着该部门将裁员。
当然,这对于企业来说是一个很好的节流方式,但是对于客服部门的领导来说就不那么好了。部门的人说,在企业减体重就是减体重。
虽然从长远来看这是大势所趋,但是现在的销售过程基本都是自上而下的销售过程,而不是部门提出的迫切需求,部分部门人员继续跟进。
总结
日光之下无新事。大公司应用底层技术框架来构建他们自己的智能客户服务系统。可能是一种趋势,既能保证数据的安全性,又能控制成本。对于一些SAAS智能客服系统,在技术没有寡头化的情况下,产品推广和服务能力会变得尤为重要。
智能客服公司有什么壁垒吗?智能客服公司的壁垒是什么?
客服系统的使用习惯、数据的积累、知识库的完善是智能客服系统的壁垒。智能客服系统切换成本太高,用户懒得更换。
所以尽快扩大你的用户是智能客服公司的壁垒。只是智能客服未来的业务增长会非常有限。找到自己的第二条成长曲线,是决定智能客服公司能走多远的关键。
作者:老张,微信ID: zjl12224。保险智能产品经理,运营战略家联盟创始人之一,《运营手册》作者之一。
本文由@老张原创发布。每个人都是产品经理。未经许可,禁止复制。
题目来自Unsplash,基于CC0协议。
本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://51itzy.com/20325.html