知识中台能力构建—意图识别组件

    |     2021年11月26日   |   2021年, 客世原创   |     评论已关闭   |    350

知识中台的意图识别组件抓取客户进线时附带的线索信息,向各服务界面提供知识调用范围和颗粒预判的能力,提高知识调用效率。预判所需的线索信息包括客户画像数据、客户所在渠道和服务场景、订单信息、操作轨迹、过往服务沟通记录等,意图识别组件应用一个知识调用意图预判逻辑或模型,由系统根据预判结果完成所需知识目录、知识颗粒的检索,支持人工客服知识查询时,由意图识别组件告诉知识库要准备哪个知识分类、知识文档,知识颗粒去匹配服务这个客户解决方案所需的知识信息,降低人工知识查询的费力度,这也就是智能辅助人工的雏形。支持智能机器人、自助服务界面时,意图识别组件提供更小知识颗粒定位,向前端服务界面提供更高精度的知识定位信息,补充智能机器人对客户意图预判能力和答案匹配度(图1)。

图1:知识调用意图识别组件

对知识调用意图的预判,是建设更智能和动态知识支持体系的基础,为了更深刻的理解知识调用意图识别组件提供的能力和价值,我们全链路的盘点一下客户服务中所需知识支持的需、供、连。对于知识的调用,一定是起于需求的,即客户在购买产品或使用业务过程中出现问题需要获得帮助,触发了客户与各服务渠道建立联系表达诉求,在这个过程中是否能有效识别客户是谁,属于什么类型,可能遇到了什么问题,用什么方案解决客户的问题,对于服务效率和客户体验的影响差异巨大,试想在客户开口寻求帮助前,我们已经告诉客户预见到了他的问题并帮他专门制定了解决方案时,会不会造就更多客户的惊喜时刻呢,当然这个惊喜时刻前提条件是对客户问题的预判和解决方案匹配必须足够精准,避免变成惊吓。

知识调用的“需”是围绕两个关键点来看的,即客户可能遇到了什么问题,客户遇到问题时所处的环境,这两个问题的答案是根据客户进入服务场景时附带的信息综合判定的,如客户画像数据、订单状态、物流进度、产品购买记录、业务使用状态、以往服务交互记录,浏览轨迹等,用一个简单的例子可能更利于理解,客户购买商品,订单状态已超过承诺时效仍未正常完成,服务记录中有物流进度查询,那客户再次表达诉求时极大的可能性会命中催单或投诉的场景,这个服务场景中对知识支持的“需”就是应对物流进度催单或投诉的服务方案、话术。 “供”是更高效和精准的抽取到知识信息组合成服务场景所需的解决方案、话术。“交”是在服务方案呈现形式、信息颗粒、范围等方面满足服务界面对解决方案展现需要。本文主要围绕知识调用意图识别组件的能力展开,所以会更侧重在知识调用“需”的阐述上,“供”和“交”我们会在其他组件中详细探讨(图2)。

图2:知识调用的需、供、交链路

知识体系的建设是以支持解决客户诉求的服务方案为出发点的,用知识中台的调用意图识别能力把不同服务场景中客户诉求转化为具体的知识调用指令,调用所需知识信息组成服务解决方案。要满足这种模式下的知识调用需求,在知识供给端是需要对知识目录、结构、内容做大量精加工才能实现的,如对知识文档的分级筛选定位机制,知识编辑过程中需梳理知识的目录架构、知识与服务场景和产品的关系,关键词和知识文档结构化等方法,以提高知识筛选定位精度,建立知识在需和供之间的关联,提高人工客服和智能机器人、自助服务的知识调用的效率和精度(图3)。

图3:知识调用意图识别的逻辑框架

可以参考电商行业商品仓储和分拣的运转模式来类比理解知识的供、需关系,传统仓储管理方法是在仓库中划定区域,设置货架,货品来了分门别类上架,拣货时根据货品分类到相应区域和货架上找,一旦有货品规模放大和分拣提速的要求,这种运转模式就会成为整个货品交付效率的瓶颈。为了提高拣货速度和效率,就需要对传统的仓储管理模式做变革,提前预测客户购买行为,对商品销量做预判,动态调整商品存放位置、补货和调拨,让仓库智能起来,让商品动起来,以满足拣货“快”的需求。这个“快”同样适用于知识支持体系的建设,知识的存储和调用,原理上与实物货品的存放和分拣是共通的,传统基于业务和产品的知识库实际是一个按货架分类很粗犷的静态仓库,当人工坐席对知识调用有速度要求时,智能机器人对知识调用有精度要求时,这种方式显然是无法支持的。所以我们在推进知识体系建设时,以知识中台的知识调用预判组件,从客户服务需求出发,应用抓取到的客户数据、产品/业务信息、服务交互数据等,交给知识调用意图识别组件,根据人工服务、智能机器人、自助页面的解决方案和信息呈现需要,在知识库通过分级筛选定位机制,定位到组成解决方案所需知识颗粒或内容,建立动态的需、供关系,让知识库也能智能起来。

知识调用意图识别在对人工服务、智能机器人和自助页面上预判倾向上是有所区别的。系统通过数据接口收集到预判知识调用意图所需的各类数据信息后,对人工客服来说,预判结果更多应用于收敛知识搜索范围,通过知识目录、知识颗粒上的属性标签,关键词等帮助客服人员提高知识搜索效率。对于智能机器人或智能辅助来说,预判结果作为客户意图识别能力的补充,在交付解决方案是提供更小颗粒的知识,让智能机器人交付的服务方案的可用性更精确,更贴近客户需要。

知识调用意图识别逻辑或模型在构建时,以下数据或信息作为参数是需要着重被考虑纳入的,当然为了让这个逻辑或模型获得更强的预判能力,需要基于服务运营经验和数据分析结果持续优化迭代,增减参数种类或调整参数在模型中影响比重,以使逻辑或模型预判结果更贴近在客户服务场景中实际的知识调用意图。

• 客户基础信息数据:主要为客户画像,与客户关系系统打通,根据客户如B端、C端,地域、分群等属性,获取客户分群的定位线索;

• 客户行为数据:包括商品浏览信息,客户在网站或APP上的点击行为数据等,用于判断客户关键行为节点中可能遇到的问题和场景;

• 产品&业务信息:在用产品信息,订单/购买记录,基于业务规则,在用户处于不同状态下,做不同的产品定位或推荐;

• 服务交互信息:客户在全渠道的服务交互记录,包括咨询、查询、投诉或售后申请等记录,根据服务交互记录判断客户服务诉求;

• 服务界面或渠道信息:根据客户进入的不同服务渠道或入口,预判客户获取服务方式的偏好,体现差异化服务。

 

作者:顾传喜;

本文刊载于《客户世界》2021年10月刊。

转载请注明来源:知识中台能力构建—意图识别组件

相关文章

噢!评论已关闭。