智能时代的呼叫中心预测转型记

客户世界 | 2019年7月4日 | 客世原创, 文库 | 评论已关闭 | 1473

随着互联网时代进入下半场，企业的竞争力已从价格战转移到了服务战，用户体验成为了一家企业的生死线。而影响用户体验的首要感知就是客户求助时是否能被快速服务。这其中，话务预测的准确与否关系着服务能否快速响应。

但互联网行业本身以趋势多变、不可预测著称，这给企业的话务预测带来了极大的挑战，依靠传统数学建模的预测体系越来越难以满足业务需要，错误的判断将导致客服人员和客户的抱怨。

阿里巴巴集团智能服务事业部从2017年开始，便在探索将人工智能技术应用到呼叫中心的预测、排班及现场调度中。经过两年的打磨，终于有了一些积累，期望在这里和更多的行业同仁交流、探讨。

以阿里服务团队为例，服务量预测经历了三个阶段。

第一阶段：靠Excel表走天下

最初的预测用的也是Excel表，有经验的运营同学会通过如同环比的方法，做一版基础值的统计。而在整合数据前，他们要通过邮件提前收集未来会发生的事件，如规则变更等明确会影响到服务量的，会修正到预估值中。再预测值确认后，通过邮件让管理层审批，最终分发给各外包公司，让其备人及排班的应用。

一般相对精细化运营的呼叫中心，每周都会做量的预测，而日常类似这样的操作，假设有六条业务线，那预测同学最少要花3天左右时间处理。这中间包括了基础数据的统计，事件收集，数据修正，最后的审批流程等相关事宜。这种线下统计，邮件来回的方法，着实存在很大的风险；不仅强依赖运营同学的个体经验，且历史事件的修正数据也没有产品沉淀。

第二阶段：智能模式的开启

在呼叫中心盛行对话式智能产品时，我们开始探索资源管理的这条智能之路，一开始研究各类算法模型来支持预测业务；每次到了预测期，算法同学会帮着业务方出一版数据。虽然不用再让预测师做各种Excel计算，但这种需要算法周期性的投入运作也未曾解决人工投入的本质问题，故后面慢慢孵化了预测台的产品；所谓的产品，就是运营同学随时打开预测产品，便可见未来180天的预测量。算法能力+工程能力，终于实现了线上化，产品化，智能化的新预测的工作模式。这种颠覆传统的预测产品，就是我们称之为的“预测台”。

但，数据是沉淀下来了，可一遇到某几天或是某阶段预测的不够准时，预测师就得找算法，算法再做review，也就是在这反复对焦的过程中，让大家感知到了这产品背后的逻辑及调优方法都在算法心中，预测同学无法判断及分析背后的原因。就这样，带着这个问题，我们又开始琢磨着如何才能脱离算法同学的基础上让准确率做的更靠谱。

第三阶段：自运营的智能产品

有了预测台后，运营同学在预测上确实省时省力多了，但一款好用的智能产品，一定是有极致的应用体验。所以在进入新一轮的探索前，我们要解两个问题。

1、算法调优部分在算法同学的心中，如何白化给运营同学且可自助调优，助力运营同学可进入自运营的模式？

2、新的业务接入，如何把线下复杂的流程化繁为简？

基于上面这两个问题，我们又开始研发预测台2.0版本。不论是从做预测较为关键的源数据清洗，还是模型的择优及参数调整，到最后的数据沉淀等产品能力都做了一次大改造；不得不认清，如果人都预测不准的，算法不见得有这个能力预测的很准，但算法可以加上人的经验更科学更精准的成就业务。所以，我们将人的经验做了抽离，做更灵活的设计和调优区块。现在的预测台，不论从算法能力上还是说操作体验上，都较为极致（如图1）。

1）新人学习模块；该模块会将预测域中基础模型做最白盒化解释，让一名运营同学充分的理解和熟悉每个模型的特点，结合自己业务来看适配性。

2）实验室模块；一个新业务要预测未来的量，可以到实验室应用不同模型跑出数据做对比分析，产品给到最佳的推荐。诊断结果会说明你的业务最适合的模型是哪套，及背后的原因。

3）数据一键清洗；预测服务量的其中一个关键前提是你的历史数据够干净，才能有真实的趋势和规律。所以我们的预测台也具备一键清洗的能力，且异常点的诊断报告，让过去更真实。

4）任务生产库；原来的预测同学，本地电脑储存较多的Excel，而我们的预测台，直接可以拖拉拽动文件夹管理式的分类，一键分享给指定人。且能自动生产周期性数据等能力的具备。

5）用数据说话；不论是历史数据还是未来数据，均可视化，且数据修正部分贴心的设计了类Excel表的交互，让操作体验更接近运营同学的习惯。

6）……