“洞察者”话题：智能客服在商业银行领域的应用实践

客户世界 | 2019年8月29日 | 客世原创 | 评论已关闭 | 1681

李锋：浦发银行创新实验室人工智能专家

浦发银行客服中心目前有600名人工座席，另外一半人左右的业务量通过IVR方式完成。去年我们建设了一个自然语言的对话平台，这套系统能够释放大约200名人工座席。

智能客服系统最基础的底层，是各种运营商的接入，使得它拥有电话能力、实时的音频或视频能力，在这个基础上的客户平台包括了传统话务路由设备、支持在线文字客服的数字化网络，如微信、网页、APP等，在这一层级上面我们建设基础的对话系统，里面包括ASR/TTS语音交互模块以及NLP语义计算引擎。在这一层上面形成这智能化的客服机器人，具备业务的逻辑处理能力，数据分析管理能力，掌握基本话术。用基础的对话能力去匹配客户画像和业务画像，从而形成比较好的用户体验和个性化的服务。最终的建设目标是统一的结构化的知识图谱，这是非常之耗时、技术含量非常高的工程，要结合大量的业务知识梳理，目前这一技术正在发展的路径当中。

当我们有了这样的能力突破之后，就可以在目前对话术的基础上形成推理能力、推荐能力以及分析能力，那么就可以帮助智能客服深入到一些更复杂的业务中。

在整个对话系统建设过程中，我们也碰到一些问题，反映在两方面：其一是银行对客业务的复杂性，包括流程的复杂性、语义语境的复杂性以及FAQ的复杂性；其二是客服系统群技术的复杂性，包括话务系统的复杂性、架构的复杂性以及后台业务集成的复杂性。

对于流程的复杂性，我们引入多轮对话技术，在多个问题中问确认用户的意图，然后形成交易流程的串联，同时通过多因素的安全认证的方式来保证用户的查账和动账交易。针对语境语义的复杂性，我们形成了话术的设计规范，今年的5月我们联合清华、百度一起发布了一套语义标准规范。对于问答部分知识点的梳理，我们组建了AI训练师团队，根据制订的语义规范进行数据标注，从而成形成语料和训练方法，最终形成让客户接受度很强的多轮对话。

孙林君：实在智能公司CEO&创始人

我们目前做的是基于之前在阿里做的事情的延续。阿里为研发提供了非常强的信息化系统能力，而多数公司的信息化系统非常分散，存在数据孤岛的问题，也存在数据怎样去汇集汇总以及开发成本的问题，所以我们把RPA ——机器人流程自动化这样一个技术引入进来，简单理解就是机器人去模拟人的点击行为去进行一些操作。但这个操作是基于规则的，而规则是有限的。

AI+RPA是一个虚拟员工的概念。我们可以设想一下这个产品，它每天可以处理上万个案件，成为一个超级店小二，可以比普通店小二更快地去发现问题，更快地监控到业务上的异常变化，从而能从业务管理的反向角度给出很多决策建议。因此RPA技术加上感知技术，比如OCR、语音识别以及多轮交互系统，这些都是可以进行数据采集的，再加上认知的技术，就可以成为一个虚拟员工来帮助我们去深度地解放生产力。

我们看一下整个RPA发展阶段，第一个阶段就是最原始的按键精灵，就是录屏，如果界面发生一点变化，就会导致报错。第二代RPA技术搞了很多控件，有前后台模式，可以代替人去做一些无脑操作，搞一个工作流，把它分配给每一个机器人执行。现在RPA赛道非常火热，为什么？首先它是个标配，可以快速地复制到很多行业，其次用AI技术来赋能也非常有潜力，比如按钮位置会变化，如果通过OCR技术识别到这个按钮，不管放在哪里能识别出来，它的方向感就非常强。而且在多轮交互、语音视觉等技术越来越接近人的标准的情况下，它可以做更多的数据集成，执行很多任务。但是前三代技术是基于规则的，它只能覆盖30%的问题解决，如何能够提升到90%，一定要用智能化的决策技术，这也是现在AI+RPA厂商非常看好一个方向。

我们基于之前在阿里的实践，结合RPA技术，现在可以达到第三到第四的阶段。在理想情况下，比如我在你的浏览器上装一个插件，通过很多数据源上的这种数据汇总，它可以自动去训练模型，然后能够切分出标准的确定场景来直接辅助人工，只需很少的开发量就可以去代替人去进行一些业务的处理。

徐生海：佰聆数据产品与解决方案高级经理

在过去几年，客服中心行业都在进行着转型和变革，从成本中心转变为利润中心，把单一的服务变成综合性的服务，把服务变成前台，推动整个企业的发展。从技术实现的角度就是聚焦两点，第一是数据，第二是AI技术。

百灵数据是一家专门做数据分析和挖掘的厂家，在过去十年中，服务于通信运营商、金融企业、电力公司，以及政府部门的客服中心。其中实施过两个比较典型的案例，第一个是与中移在线的合作，中国移动几年前把客服中心拆分出来，变成中移在线这样一个专业性子公司，专门承担服务职能，中移在线在转型的过程中不仅承载了原有的职能，还与我们合作开发出一系列的数据化产品为中移动提供增值服务。第二个案例是我们为国家电网开发了一款叫能量豆的产品，它类似芝麻信用，通过奖励能量豆来引导、规范用户的用电行为，按照用户的分值匹配不同的服务方案。

从两个案例可以看出，呼叫中心正在向商业化运作的模式转型。我们认为要实现这种变革，最适合的方式就是以数据化产品作为驱动。

呼叫中心的核心资源是什么？我们认为是渠道和用户的对话数据。基于这一资源能涉及到的产品是什么？

这里分享我们的两个主要产品：一款产品叫做聆听，通过分析“客户之声”，帮助企业进行决策。另一个是聆选，通过“客户画像”和“策略设计”等为客户提供服务营销最佳解决方案。客服部门做营销是为客户提供解决方案，而不是强推某个产品，在销售的过程要考虑对客户满意度的影响，只有在客户最需要的时候才推荐他最需要的产品组合。

“聆选”这款产品如何去设计？或者说面对不同企业不同方向的时候它如何去改变？我们的技术路线就是从语音到文字，通过NLP技术再到商业分析，中间增加了一个中台的产品。从云到中台，我们认为是整个业务过程数据化的过程，从中台到数据中台，再到最终的应用类产品，我们叫数据业务化的过程。未来我们会更多地通过中台去快速地构建一系列的数据产品，来帮助企业实现商业化的转型。

金洪：京东集团人工智能业务部技术总监

我从2012年开始就在京东从事智能客服的研发工作，在2012年开始京东就已经在智能客服领域进行布局了。客服是客户与企业之间重要的沟通窗口，我们的产品、系统和品牌都需要通过这个窗口去传递。京东一直在客服的服务体验方面要求很高，我们围绕体验、效率、成本三个指标去做研发，进行思考。

我们从2012年做智能客服项目开始，就发现人工客服的服务模式在发生很大的变化。新的智能客服并不是对原有企业服务全流程的一个智能再造，原来的系统可以依旧运行。通过人机融合形成交流、学习和服务的流程闭环，因为智能机器人需要数据，而这些数据来自一线客服；通过人工客服给机器提供数据，训练数据模型，模型训练好之后再去辅助人工，机器答不上的问题由人工完成。

在智能客服领域，客户体验与项目投资之间需要找一个平衡点。京东目前有13000人的座席团队，目前每天的来话量机器人承接70%，人工承接30%。这是我们智能客服运营两三年后的一个成果。

如果按照这个方案来撬动服务量的话，相当于说我们智能客服撬动了至少是1万人工数量级的业务量。所以我们现在的思路是用自己的智能客服系统，加上人工训练师团队和少量的专家客户，就会形成一个非常大的杠杆效应，把客户体验和服务效率做得很高。

现在京东的人工训练师团队大概在一百多人，也就是说这一百多人撬动了1万人工客服的服务量级，我们觉得它的价值还会持续增长。

以上内容根据《客户世界•新讲坛：金融论坛2019》演讲摘要整理。

本文刊载于《客户世界》2019年8月刊。