簡介：2021年10月21日，阿里巴巴達摩院“新一代企業智慧服務論壇”在杭州圓滿舉行。達摩院產品創新中心阿里雲智慧客服業務總經理王巍巍分享了阿里雲智慧客服最新進展，包括全渠道全場覆蓋的雲上產品矩陣，從智慧服務向智慧營銷場景延伸的解決方案，國內首創的智慧策略中心；號召客戶和生態夥伴共同探討智慧服務行業未來發展動向。
一、阿里雲智慧客服最新進展
1、發展軌跡及應用效果：智慧客服作為生產力工具經歷了從演算法的具體效果到實戰中降本增效的層面轉換；2015-2016年左右，智慧客服的特徵主要體現在演算法效果 ，在各個行業客戶不斷解決和驗證的過程中，有的企業可以達到50%降本增效的效果，這也就意味著原來有1000位人團隊負責的工作，現在500位就可以解決同樣的問題，餘下的坐席人員可以投入到營銷、使用者增長等層面上去；
阿里雲智慧客服近期在《IDC MarketScape：2021年全球通用對話式AI平臺廠商評估》成為國內唯一入選的廠商。無論是在產品力、收入規模和長期發展策略上都贏得了國際化分析師的認可；
2、智慧客服落地需要解決的難題：經過長時間的探索發展下來，除了面向經營者視角的提效降本已被廣泛驗證外；仍然有幾個問題沒有解決，比如：B端客戶是一個經營鏈條，裡面有客戶、知識運營人員、銷售/客戶代表、坐席人員、管理者等不同角色；以下三個維度我們依然有很長的路要走；
- 面向客戶視角的完美體驗：客戶是否擁有精準、快速解決問題的良好體驗，在現階段客服環境下，服務離不開人，服務過程中離不開坐席人員的參與；使用者潛意識依然是轉接人工跟進解決；是否有更好的解決方案促進人機結合，照顧使用者的產品體驗，使回答疑難問題越來越精準，溝通過程效率越來越高；
- 面向知識運營人員的低成本運營：過去主要依賴FAQ或者文件為主，現在融入了更多的知識結構，像知識圖譜、TableQA，甚至圖片知識；在這個過程中知識運營人員迎來非常大的挑戰，2017年初智慧客服業務剛落地，標註量十分龐大，雖然現在有一些下降，但還沒有下降到讓運營人員非常輕鬆的地步；
- 面向客戶經理貼身助手：業務變化非常迅速，知識變化也隨之飛快，坐席團隊流失率居高不下，有些甚至達到100%以上，這也就意味著，坐席人員在服務過程中亟需強大有力的輔助工具來解決效率和學習的問題。
二、阿里雲智慧客服矩陣升級及優勢
針對我們觀察到的這些比較普遍存在現象，阿里雲智慧客服是如何逐步來解決的呢？
1、不懈追求客戶視角的完美體驗
- 驚豔的智慧語音對話能力；面向C端場景時，如何持續提升服務體驗？問答過程中的擬人度和對於複雜關鍵資訊的收集，像人名、身份證號等；我們現在的語氣承接的擬人度相比原來有了較大提升，同時在複雜關鍵實體資訊的提取收集上可通過多輪對話完成，更貼近於實際的互動體驗，尤其在長數字識別應用上，可用性非常高；
- 靈活多變的Chat UI：除一體化完整解決方案外，C端客服體驗在智慧客服領域關注度較少；面對頭部客戶時，就會出現一個問題，阿里雲智慧客服所有能力是組合在一起的，前端部分會邀請供應商共同參與；經過一年多的打磨，我們希望使用者在C端體驗是所見即所得，靈活可配置，併為客戶與夥伴提供便捷、可運營的互動體驗，快速滿足客戶差異化的產品需求；
- 資料驅動的人機融合： 坐席與被服務的C端物件如何形成一個更好的組合關係，更快度的解決問題，提升客戶滿意度。通過智慧分配與實施推薦能力，在人機結合場景上，基於客戶畫像與歷史行為表現，集合當前線路的忙閒、技能組等情況進行綜合制定；我們可以很大程度上讓客戶的問題能匹配到當前最適合解決這個問題的坐席身上，縮短解決問題時間的同時，兼顧提升客戶滿意度，極大釋放坐席人員效能。
2. 知識運營人員的提效利器「全鏈路運營工具」
- 任務式對話半自動化構建：基於人工會話日誌自動化構建任務式對話流，包括意圖、結構、流程；多輪對話場景下。作為企業內部的知識運營者，垂直業務可能只有幾位坐席，在面臨整體複雜度較高，包含數千個細分場景的業務時。一個人可能承擔著好幾個角色，多輪對話的知識樹構建便成為有挑戰的任務。利用先進的NLP技術挖掘企業之前的海量溝通記錄、歷史日誌等資料來源，自動生成業務大圖；在此基礎上，方便對業務種類、頻度進行優化調整，方便業務快速上線；溝通過程中的情緒識別不久也將上線語音識別；
- 自動化知識挖掘：從會話日誌、網頁、文件挖掘FAQ，從非結構化文件中挖掘知識圖譜三元組。面向同樣文件、日誌資料來源的非多輪對話場景下，我們可以挖掘出FAQ、知識圖譜等資訊，知識運營人員只需快速複核即可入庫，緩解業務冷啟動時的知識匱乏；
- 智慧薦句：基於薦句演算法，自動化生成及推薦相似問。在建立一個新知識點時，需要很多關聯的擴充套件問來提升準確率；在缺少資料參考的情況下，基於公開、可獲取的資料集上結合客戶企業內部所有可獲取的資料，自動生成推薦擴充套件問，快速構建知識；
- 語音語義一體化融合標註：語音語義一體化線上標註系統，實時聚類語義標註，實時標註資料迴流，模型訓練一鍵拉取資料。標註作為相對標配的能力，後續進行訓練、做小樣本、小流量測試最後上線；將語音語義分開標註相結合，同時對兩者進行標註，提升整體效率；也支援在原有標註工具的基礎上進一步提升體驗。
3. 知識運營人員的提效利器「白皮書方法論和課程」
阿里巴巴08-09年開始組建客服業務，2014年成立CCO，我們將一線落地的產品經理、人工智慧訓練師，客戶代表們的積累經驗進行沉澱和融合，不僅要解決智慧客服遇到的問題，也要解決客戶原有客服業務問題；經過多年探索努力，梳理打造出一套3-5天的課程體系；在工具之外幫助客戶們進一步提升效能；提高運轉與落地效率。
4、讓客戶經理信手拈來「智慧輔助、對話洞察和分析」
知識運營人員在這個方法的指導和工具的幫助下，可以快速推進程式，長線來看，我們要解決客戶的產品、服務和營銷需求。面向於客戶經理和一線坐席，我們現在能有哪些工具和產品可以幫助到大家？
- 自我進化的智慧輔助：基於坐席採用反饋和服務效果反饋的自我進化的知識和SOP挖掘模型，降低坐席負荷同時提高了滿意度和轉化率。核心解決企業內部知識生產匱乏，減少人力沉澱知識比重；將問答知識、意圖知識、SOP知識等通過技術進行提煉，結合人工參與到業務；使企業內部知識庫實時更新、流動起來；
- 實時對話洞察和分析：基於輿情分析，通過雙向分析客戶和坐席情緒識別服務過程中的情緒異常情況，為管理和干預提供指導，識別VOC中的高頻詞彙及話題，快速瞭解客戶的關注點。通話內容分析，藉助NLP能力，分析海量來電的主要表達內容，深挖重複來電的具體內容和客訴類電話的主要原因。還可以做到話術執行監督，智慧化判斷對話場景，根據場景判斷話術執行情況是否符合要求，形成分析總結，輔助坐席針對性改進提升。最後，它會根據客戶統計資料探勘，以線上、熱線會話記錄為資料來源，分別生成客戶統計資料，基於類別對客戶進行智慧營銷；形成分析總結，輔助坐席針對性改進提升。並將會話內容生成客戶統計資料反哺到其他業務系統，實現呼叫中心的資料資產增值。
三、技術產品創新與生態夥伴相互成就
除了上面介紹的產品維度外，技術維度上有很多大家在使用過程中無法感知的底層技術，佔據達摩院智慧客服投入的最大部分。我們各種引擎能力在全球都取得了非常好的效果，大幅降低人工標註成本；在WikiSQL、Spider、SParC、COSQL四大國際榜單長期排名第一，成績斐然；
- 多引擎能力持續打破紀錄：我們打造的大規模預訓練對話模型，口語語言理解準確率提升5%。大幅降低30%人工標註成本，在QA對問答引擎方面，多模態FAQ問答首次超越人類基準80.83%，準確率達到了81.26%。下一步多模態VQA即基於圖片的問答將繼續整合融入。
- 挖掘私域客戶的價值，向產品和運營要增長：將企業營銷從經驗驅動轉變為資料驅動，過去只能靠人力沉澱資料，總結經驗；現在我們的演算法加上過往歷史資料可以比人工經驗洞察更多資訊，為客戶提供個性化推薦，匹配更優質的坐席進行服務；將來演算法會伴隨資料進行自主進化和學習，用資料迭代模型能力，服務滿意度和營銷轉化率在原有基礎上進一步提升；在零售場景比如店鋪、商家、商品法人資訊等。我們能提供支撐智慧客服的一些能力，希望從服務向營銷領域做的一些延伸。所以我們提出了服務式營銷:用客戶運營思維，構建”始於客戶、終於客戶”的營銷閉環，幫助客戶找到更合適解決問題的客戶經理。
- 賦予品牌具化的擬人形象：互動技術在實時變化，像最近火熱的Metaverse元宇宙概念；不可能所有直播都靠人力承載，這對很多商家來說不是最經濟的方式，我們做了具有互動效果的互動形態，賦予品牌化的擬人形象，現階段場景中，應用數字人技術可以很大程度上解決互動體驗拉近距離的問題。
四、阿里雲智慧客服矩陣架構
如下圖所示， 智慧客服的產品能力架構底層是溝通通訊能力，中間層是達摩院各個實驗室的先進AI技術，往上是智慧客服產品矩陣；我們擁有一個非常好的開放度，並已覆蓋阿里雲的所有行業；在對外落地過程中豐富的開放方式支援客戶間業務相互打通。
之前取得的成績都與生態夥伴息息相關。在過去的幾年，有幾十個夥伴與我們一起為客戶提供服務。大家在各個行業耕耘多年，具體到行業中，具體到客戶的細分場景裡，像稅務、法律、金融等業務；其中貢獻最多、最重要能力有三個：交付能力；產品/方案能力；渠道銷售能力。
我們把阿里雲智慧客服的產品、技術優勢與合作伙伴的綜合能力有效結合在一起，讓服務創造出更多企業價值，實現商業增長。
版權宣告：本文內容由阿里雲實名註冊使用者自發貢獻，版權歸原作者所有，阿里雲開發者社群不擁有其著作權，亦不承擔相應法律責任。具體規則請檢視《阿里雲開發者社群使用者服務協議》和《阿里雲開發者社群智慧財產權保護指引》。如果您發現本社群中有涉嫌抄襲的內容，填寫侵權投訴表單進行舉報，一經查實，本社群將立刻刪除涉嫌侵權內容。