新客服数智化升级，破解客服预测难题

客户世界 | 2019年10月10日 | 客世原创 | 评论已关闭 | 1883

8月23日，在上海举办的新客服高峰论坛上，蚂蚁金服公布了新客服向全面数智化的全新升级及开放助力行业的最新进展。随着人工智能技术、大数据等技术的发展，新客服进一步升级为完整的行业解决方案，并呈现出数据驱动、全程洞察和管理升级三大特征。

服务预测是连接整个客户服务链路的纽带，也是新客服数智驱动特色在服务运营上的其中一个集中体现。但互联网行业的快速发展却给客服行业带来了诸多挑战和难题，预测的场景越来越复杂和精细化，运营活动带来的不确定性显著增强。而对于客服行业来说，服务需求量预测是所有客服中心的“刚需”，它既是保障现场接通、提供极致服务体验的基础，也是合理利用服务资源、降低服务成本的关键。它为端策略部署（IVR端、AI客服端）、人力资源的配备、人员的班次安排等提供科学依据，其准确性和稳定性将直接影响服务体验及服务成本。为了解决整个行业一直以来所面临的服务预测难题，蚂蚁金服客户服务及权益保障事业部在实战中不断创新，通过数据分析和人工智能等手段，形成了“融合模型+流程机制+平台化”的预测解决方案，锤炼打造出“神灯”预测产品，有效地解决了这个难题，让拍脑袋排资源已经成为过去，让企业降本增效并着眼于未来更好的发展。

“神灯”是一套“客户一站式”的整体预测解决方案，不仅有算法模型，还有配套的流程机制，以及可闭环运营的指标评价标准及数据体系。以“神灯”产品为载体，一揽子解决服务预测的难题。在满足预测精细化、预测更新灵活化的同时，大大提升了预测的效率和效果，并具备“低成本、高复用”的特点，支持规模化部署、赋能。

结合对企业业务的深刻理解，首先我们提出预测准确性和稳定性的目标，分别用预测偏差率和预测达标率这两个指标来衡量（表1）。

表1：预测偏差率和预测达标率释义

针对以上指标的完成，“神灯”预测产品较以往有四大创新：

1、由以往的线下单一算法，升级为线上多模型融合算法，大大提升预测产出的效率，以及预测准确率、稳定性：“神灯”预测产品中内置多种算法的融合，包括时间序列、自主创新、机器学习等多种算法模型，能够很好地解决多种场景多类业务的预测需求，并且预测效果得到了充分的验证。可以根据当前的预测参数、个性化业务等，自适应地选择最佳匹配的混合算法，产出最优的预测结果。并且可支持人力招聘预测（预测未来三个月每天的粒度）、人员排班预测（预测未来一个月每天每30分钟的粒度）、预测校正更新（根据当前预测偏差情况，快速给出校正更新后的预测）等多种场景的预测。算法模型可以考虑长节假日（春节、国庆）、小节假日（端午、中秋等）、年、月、周、时段等规律特征，以及交易笔数、用户数等因子的影响；

2、神灯预测产品将事件同步、预测叠加、预测复盘、预测更新、预测发布等多个流程全部实现线上化，并明确了预测复盘、预测更新的量化标准，大大提升了预测全链路的产出效率；

3、由以往的线下复盘，升级为线上自动化复盘：通过自主研发的复盘拆分逻辑，快速给出复盘结论，大大提升了预测复盘的效率；

4、由以往的线下同步及收集事件信息，升级为线上同步：包括事件影响量的预估、影响的技能组、持续时间等等，可以有效减少事件信息的缺漏，并有利于提升事件复盘及追踪的效率。

在项目过程中，我们也遇到了诸多困难与挑战，然而团队钻坚研微，不断在实战提升经验，通过算法模型创新、分析方法创新等手段，结合对业务的深入理解，将遇到的挑战一一化解。

1、模型训练的效率，无法满足业务快速扩张的需求

随着企业业务的快速发展以及神灯产品用户的不断增加，模型训练效率低的问题开始凸显。之前我们每个月手工训练一次模型，然后提交到线上。这种模式在每次新增一个技能组或者重新训练一次就要耗费约4个小时，效率非常低。因此我们通过模型自动化训练的方式来提升预测的效率。通过这种模式，实现新增技能组从管理配置、数据生成、模型自动化训练、训练效果评价到预测结果输出、预测复盘的一站式服务，用户只需几次鼠标点击即可完成新预测技能组的模型训练、预测产出、效果评价。整个流程如表2。

表2：通过模型自动化训练提升预测效率流程

2、新兴业务历史数据不足，且话务数据波动幅度大，规律难以捕捉

神灯产品现有算法需要13个月以上的历史话务数据，但是部分业务存在历史数据不足、并且业务高速发展服务需求量波动大的特点。以花呗为例，预测达标率较低，因此需要深入业务去理解、找寻花呗特有的波动规律，具体实现如下：

1）通过业务决策找到和花呗相关的业务因子，包括分析新签、总用户数、总万求等因子的综合作用和服务需求量的相关性；

2）利用随机森林寻找核心的业务因子；

3）使用指数平滑法预测下个月的因子自然波动；

4）利用预测的因子，结合出账日、还款日、年周月等规律，预测下个月的服务需求量。

最终大大提升花呗业务的预测效果，预测达标率提升几十个百分点，整体的思路如表3所示。

表3：预测达标率提升

3、预测复盘效率低，分歧大，难以快速给出科学可靠的复盘结论

服务需求量预测除了受到业务本身的影响，有一定的自然波动规律以外，还受渠道事件、产品事件、运营事件等的影响。这是相对独立的两部分，按统计学的分布规律，时间序列预测的结果是前者，后者需要作为独立事件单独预估其影响。因此我们将预测定义为整合预测=基准预测+事件预测，整合实际=基准实际+事件实际。

基准预测：是指仅考虑历史数据规律（剔除异常及事件影响后的服务量数据）、不含未来任何事件影响的预测结果。

事件预测：是指对未来可能发生的渠道事件、产品事件、运营事件等产生的服务影响量进行的预测。
整合预测：是由基准预测和事件预测叠加而成。

可以看出能够区分好、复盘好基准实际和事件实际，是后续能够做好基准预测的关键。然而在定位基准及事件实际影响量时往往需要联动多方（总控、数据、服务线体验、服务线管控）才能共识出结果，此过程运营投入人力大，且得到复盘结论耗时久。所以根据对服务量数据的分析及统计学方法设计了对应方案，可以快速的产出T-1的基准范围及事件范围。方案逻辑见表4。

表4：方案逻辑