【数据产品案例】阿里XSigma智能客服调度平台

大家好，我是讯享网，很高兴认识大家。

案例来源：@阿里技术

案例地址：https://mp.weixin..com/s/nqOvcKtxpqehWFO4XkXr5g

0. 背景：以往的客服调度由人工进行，效率低、手段少、无法评测，难以有效应对并发的客服需求（如天猫某个优惠券出了问题，可能瞬间涌入上千通热线）

1. 客服调度的难点：

1）机房可以快速增加设备，客服上岗需要培训

2）客服间差异大，客服一般分为多个技能组，组之间能解决的问题不一样；同时人与人之间也有能力的差异

3）客服是人，有权休息、下班，调度可能会影响客服的情绪，从而影响服务质量

4）突发场景多，业务问题、系统故障是无规律爆发的，难以提前准备

2. 解决方案：XSigma智能客服调度系统

1）排班系统：

i1：优化目标：60秒接起率

i2：约束条件：排班约束（晚班后不能排早班）、身份特质（孕妇等）、请假、客服人员偏好等

i3：服务量预测：时间序列模型，预测大致服务量

i4：排班：排班是一个多约束优化问题，使用组合优化算法进行排班

2）水平扩容 - 应急排班：

i1：目的：应对由于业务问题、系统故障导致的高平发客服需求

i2：解决方案：根据用户在小蜜（阿里客服自动问答系统）中的行为、故障场景，预测未来三十分钟的人工客服需求量。当预测需求量超过一定阈值，触发应急排班系统，通知云客服来应急加班

3）负债均衡 - 客服需求分流：当客服需求溢出时，转移到可以技能相近的其它技能组客服。这里需要对客服技能组打标签，识别相似技能的客服技能组

4）垂直扩容 - 增加客服人员的并发服务量：不同能力水平、不同业务场景下的客服最大并发服务量是不同的，允许客服人员根据实际情况，主动选择“+1”，突破自己的并发服务上线

5）削峰填谷 - 预约回拨：客服有明显的忙闲时，在忙时预约时间回拨，在闲事回拨，然后分配给客服人员，能减少忙时客服的负荷，提高闲时的工作效率

6）最优匹配：

i1：目标：之前的优化都是对于客服服务效率的优化，并没有对于客服服务质量的优化。“最有匹配”通过优化“用户-客服”的匹配，提高用户满意度

i2：传统匹配：从等待区中找到等待时间最长的用户，为其匹配目标技能组中最闲的客服

i3：最优匹配：以用户评分（或服务时长）为y，以用户特征（等待时间、重复咨询次数）、客服特征（过去30天满意度、平均响应时间）、场景特征（问题类型、订单类型）为x，以CNN为分配器，训练匹配模型

i4：发现模型倾向于将用户匹配给表现好的客服，因此引入公平性指标，尽量让每个客服的工作量接近

7）智能培训 - 大黄机器人：

i1：背景：客服流动性大，培训时间短，容易造成新客服服务质量低的问题

i2：解决方法：通过大黄机器人自动问题系统，模拟用户向新客服进行问询。经过80轮以上问询的客服才可上线服务真实用户

i3：效果：培训客服上万人，服务会话量达到百万轮次。ABtest显示通过大黄试岗的客服不管在满意度、不满意、平均响应时间、平均服务时长等各项指标上都有非常明显提升

8）统一调度中心：由于阿里系业务场景复杂、客服部门多、细分技能组更多，缺乏历史数据情况下难以训练模型。因此采用专家制定规则的方式，沉淀了上万条决策逻辑，配置成调度规则

9）监控大屏：实时了解客服负载现状，帮助管理者、开发者了解调度策略的实施效果

10）仿真演练：基于大黄机器人，模仿双十一场景，在双十一前进行了两次仿真压力测试，提高了客服人员应对大促流量的能力和信息

3. 效果：系统上线后，相比于往年，服务不可用时长这一业务核心指标直接下降98%