圖：Avaya大中華區(qū)副總裁 大中華區(qū)首席技術官熊謝剛

　　今天我介紹的題目是"數(shù)據(jù)+智能：客服新業(yè)態(tài)"。

　　過去的一兩年來我們專注做私有云呼叫中心平臺運營，我們一直在反思一個問題：呼叫中心的發(fā)展方向到底應該是什么？前面的領導們也都有談到這個問題，我從最終呼叫中心運營和用戶的角度，把它歸納為五方面：1、用戶具象化。簡單地說，就是用各種方法去更好地了解呼叫中心的用戶，比如，基于客戶行為特征分析的客戶畫像等。所以，我認為不管做什么，目的就是為了做到用戶的具象化。2、剛才李農總講到旅游行業(yè)全媒體溝通渠道的應用，其實就是呼叫中心發(fā)展的的第二個維度：渠道多元化。不管用什么手段為您的客戶服務，其實就是做渠道多元化。3、接下來是我今天要重點談的一個話題：服務智能化。智能化并不意味用了些AI的技術您的服務就智能了。以我切身的感受來看，今天的人工智能技術還做不到我們所期望的服務智能，稍后我會展開具體介紹。4、我要重點介紹的另外一個話題是關于呼叫中心運營，也就是運營如何數(shù)據(jù)化。實際上只有做到運營數(shù)據(jù)化，很多服務才能做到智能化。5、作為一個呼叫中心的運營者，當您做到上述4個層面，您的呼叫中心管理就一定能夠做到可視化。以上5個維度是我認為的呼叫中心發(fā)展的主要方向。

　　由于時間關系，我今天只講兩個方面的內容，首先談談運營的數(shù)據(jù)化。對用戶而言，運營最重要的是高可用、高效，所以運營數(shù)據(jù)化應該是"要命級"的，如果不把運營數(shù)據(jù)化做好，談所謂的智能客服，就沒有任何意義。其次，做好了運營數(shù)據(jù)化，就可以考慮如何更加智能地服務我們的用戶，所以我認為它應該是"使命級"的。另外，今天講呼叫中心服務智能化還有很多方面需要前瞻性地去探討，需要更為現(xiàn)實的看這個問題，為什么這么說？因為AI技術目前還不能完全滿足呼叫中心智能化的要求，更不能代替人工座席服務。但這件事情必須要做，所以服務智能化是一種"使命"。

　　下面，我們展開討論運營數(shù)據(jù)化。

　　今天大家都談大數(shù)據(jù)分析，但做呼叫中心實際運營，一定要看看這個事情到底怎么落地。過去1-2年我們在做私有云運營過程中，這個方面我們走了不少彎路，總結起來就是如何落地，落地之后的結果如何評估，并且是能夠量化去評估，這也是我為什么提出運營數(shù)據(jù)化的初衷。我給它下了一個定義，運營數(shù)據(jù)化首先要做的是一定要把服務過程進行細化和拆分，寬泛地談運營的數(shù)據(jù)化，是沒有意義的。如果不能把整個服務過程細化、拆分，這個事情沒有辦法做。服務拆分完之后，每個節(jié)點就可以考慮如何去量化，完成這個步驟之后，我們就能怎么精準、快速的去定位和解決問題，最終達到提升效率的結果。過去1-2年，我們中間探索了很多方法，比如怎么拆分服務、怎么細分、怎么量化。我們把呼叫中心服務過程拆分成了6個環(huán)節(jié)，其中第一個環(huán)節(jié)就是客戶服務動因，也就是客戶今天來找你要求服務的原因是什么，我們總結出一套建模的方法，可以很好地描述出用戶的服務意圖是什么，然后采用一些數(shù)據(jù)模型來表述這些意圖，模型里需要考慮哪些因素、哪些指標，從而實現(xiàn)服務動因的量化模型建立。

　　第二個環(huán)節(jié)就是服務場景，也就是用戶在 什么場景下獲得服務；有了服務場景，就要考慮第三個環(huán)節(jié)，也就是服務的精度是什么，所謂服務精度就是提供的服務是否能夠真正滿足客戶所期望的服務；當這些定下來以后，我需要考慮第四個環(huán)節(jié)：服務效率�？纯捶�務是否真正的高效？ 另外，我們還需要考慮一個環(huán)節(jié)：服務的氛圍，最后我們需要考慮服務的滿意度。通過上述6個環(huán)節(jié)的拆分，再把每個環(huán)節(jié)進行細分和量化，最后實現(xiàn)數(shù)據(jù)建模。通過實際運營，這套方法的效果非常不錯。在這里我舉個例子，當中有一個服務無效原因模型，我們給一家很大的消費金融公司做催收業(yè)務，催收業(yè)務每天的呼叫量大家猜一下可以達到多少？每天呼叫量達到210萬，可是真正有效催收的服務只有8%-9%，也就是有超過90%的催收服務是失敗的。在傳統(tǒng)呼叫中心系統(tǒng)中，是很難全面了解失敗原因的，也就是在報表中有個外呼接通率KPI考核。今天有了服務無效原因模型后，我們把呼叫為什么失敗相關聯(lián)的所有因素全部羅列出來，并分析和跟蹤每種因素的變化。比如，我們會分析被催收用戶的手機號碼，并把這個手機號可以關聯(lián)的各種屬性納入呼叫失敗的考量因素，例如手機號碼的運營商屬性，是聯(lián)通號碼、電信號碼還是移動號碼。

　　在實際運營中，我們就碰到過這樣一個真實例子。大家一定知道，通過手機號碼可以判斷這個號碼說哪個省，甚至知道哪個地市的，在去年的10月份我們發(fā)現(xiàn)在外呼催收的號碼當中，福建、廣西兩個省有很多聯(lián)通的手機號碼突然大面積撥不通，如果是過去我們是無法第一時間知道這些未接通電話的地域屬性的，今天為什么能看到呢？因為我們關聯(lián)號碼的地域屬性，一旦某個屬性變化出現(xiàn)異常波動，我們立刻就可以知道了。最后查實，這個問題是因為我們客戶的催收中繼線路與其他電銷線路共用，有客戶投訴其中電話銷售業(yè)務，運營商關停了相關地域的呼出線路，從而導致線路資源緊張后大范圍呼叫失敗。大家可以看到，通過這樣的量化的模型，我可以第一時間知道到我們的服務在哪個地域、哪家運營商的哪些號碼出現(xiàn)了問題。這就是我們所說的運營數(shù)據(jù)化。我們過去一兩年用了大量的精力來做這方面的工作，今天我們開始嘗試用一些人工智能算法，比如深度學習，半監(jiān)督管理的方法來做運營數(shù)據(jù)化的工作。這樣可以減少每個模型所需要的人力投入。

　　通過對服務過程拆分、細分和量化建模之后，我們基本上可以把呼叫中心內部運營做得很精細。當這些工作做到一定程度之后，我們很快又發(fā)現(xiàn)一個問題，催收的效果，也就是呼損從8%-9%提升到18%-19%，基本上就很難再提升。什么原因呢？通過和我們的這個消費金融的客戶討論，發(fā)現(xiàn)問題來自催收號碼的采集，原來當消費金融公司跟貸款人簽消費貸合同的時候，會要求貸款人填5個常用聯(lián)系人的號碼，然后讓客服去回訪確認號碼真實性，其實這個途徑是無效的，因為這些聯(lián)系人是貸款人預先打過招呼的。但是當這個人欠款的時候，你后面再打這些電話，這些所謂的常用聯(lián)系人基本都不會再接電話了。這就是為什么從內部運營的角度再怎么精細化也提升不了接通率的原因所在。

　　根據(jù)這個情況，我們想到了運營商的合作。

　　為什么想到運營商呢？ 在我們看來，三大運營商是最大的大數(shù)據(jù)公司，因為今天每個人都用手機，你手機的行為數(shù)據(jù)無時無刻不在產生，是最鮮活的，甚至比互聯(lián)網上的數(shù)據(jù)活躍度都要高。你的手機不管是關機還是開機、連接的基站已經第一時間暴露了您所在的位置信息�；氐絼偛糯呤盏陌咐�，通過和運營商合作，當貸款人填寫5個號碼的時候，我馬上把這5個號碼發(fā)送到運營商，讓運營商幫我們查詢，這5個號碼是否在過去一個月、三個月、六個月和貸款人實際通訊的頻次。為什么說是頻次和范圍呢？因為運營商出于數(shù)據(jù)安全，是不可能準確告訴我們的這些數(shù)據(jù)的，但是可以給一個范圍，比如是10次以內、10次-20次還是20次以上。有了這個范圍，立馬就可以知道所謂的常聯(lián)系人是否經常聯(lián)系了，設想過去6個月電話聯(lián)系5次都不到，您覺得是經常聯(lián)系嗎？通過這個手段，我們就可以第一時間在貸前驗真貸款人填寫信息，再舉個場景，為了了解貸款人是否有固定工作和常住地址，需要貸款人在貸款合同中填的家庭和工作單位地址信息，過去是很難第一時間檢驗所填信息的真實性的，現(xiàn)在我們把貸款人手機號碼給到運營商，可以非常精準地查到過去一個月、三個月、六個月，通過基站的定位，查到晚上12點到早上6點，是超過60%還是20%的時間在貸款人所填寫的家庭住址范圍活動，比如深圳某個區(qū)、某個街道。通過這個途徑，既保護了客戶的敏感信息，但是我又驗證了客戶所填的信息是否真實可靠。

　　另外，我們做催收的時候有個業(yè)務指標叫作"通達率"，以前呼叫中心叫作"接通率"，為什么會不同呢？因為我們做催收，不只是電話打通就行，而是要看到借款人在接到催收電話、微信、短信之后要有響應，表示催收信息通知到了，所以我們叫作"通達率"。通過與運營商的合作，從過去催收通達率11.3%提升到了29.8%，大家看到，真正把客戶信息在貸前過程中做了清洗和驗證之后，其效果是相當明顯的。

　　通過為不同金融公司做催收運營平臺，我們逐漸領悟出一個道理，所有的金融企業(yè)希望在貸前階段了解借貸人更多的信用信息，其中就包括因逾期還款被催收的記錄。實際上，催收平臺是存儲了大量的這些催收記錄數(shù)據(jù)的，比如某個人是否有過M0、M1、M2催收記錄，也就是是否曾經逾期1個月之內、2個月之內還是3月之內被催過款，這些數(shù)據(jù)屬于各個金融公司。這就象運營商數(shù)據(jù)平臺一樣，擁有有大量手機用戶的實時行為數(shù)據(jù)一樣。但怎樣才能既保護好這些數(shù)據(jù)，同時又挖掘出這些數(shù)據(jù)的價值呢？一方面，有些借貸人從一家金融機構借款拖延未還又跑到其他公司又去貸款，用于還貸或超額消費，這類人的借貸風險非常大，而運營平臺的催收記錄數(shù)據(jù)是非常容易識別出這些人群的，比如象那些逾期 90天還被催收還款的。消費金融公司如果有了這些催收記錄，您覺得還會有金融公司愿意借貸給他嗎？

　　基于這樣的一個市場需求，我們把各家的數(shù)據(jù)做了相互關聯(lián)處理，打造出一個數(shù)據(jù)交換平臺，各家擁有各自的數(shù)據(jù)，但可以提供相互間的脫敏級或泛化查詢服務，也就是我們講的數(shù)據(jù)生態(tài)。簡單地說，就是不把你的數(shù)據(jù)給到別人，但為其他企業(yè)提供查詢服務，只是告訴對方的是一個數(shù)量范圍。比如之前提到的催收場景，某個人有90天逾期沒有還款的記錄，只需告知你是否有M3級別的催收記錄。其放貸的可能性就由90%降到30%甚至更低。

　　有了這樣一個數(shù)據(jù)生態(tài)，對這個生態(tài)的所有企業(yè)而言既是數(shù)據(jù)分享者，又是受惠者。比如，當其他的企業(yè)找您做某類數(shù)據(jù)信息確認服務，單次服務價格，也會相對便宜很多。通過做這個數(shù)據(jù)生態(tài)，我們感受到這個效果是非常明顯的，回到消費金融這個市場，消費金融在過去一年當中，今天消費金融公司的市場增長超過到500%。業(yè)務的快速增長的同時也帶來了相應的壞賬問題，比如消費金融里面有一個考核指標叫逾期率，就是到期該還錢不還的有35.9%，也就是1/3的人在消費金融領域都有逾期還款。通過我們的數(shù)據(jù)生態(tài)建設，可以把逾期率從35.9%降到21.8%，這個都是真實數(shù)據(jù)。在今天這個會上，處于保護客戶隱私，我沒有辦法介紹太多詳細信息，但是我可以告訴大家，這個數(shù)據(jù)生態(tài)平臺其實對所有參與公司的業(yè)務風控和還款率提升是非常明顯的。

　　我們做了上述一系列動作之后，從呼叫中心的維度，無論怎么做數(shù)據(jù)清洗、數(shù)據(jù)運營，最終還是得落實到客戶是否還了款？如果沒有還款，前面做了這樣或那樣的動作，對我們還款業(yè)務是不會產生結果的。通過調查，和相應數(shù)據(jù)分析之后，發(fā)現(xiàn)大部分被催收的借款人并沒有立即還款，而是半天以上，甚至是一天以上。通過回訪了解到，借款人接到電話或微信、短息等催收信息后，由于還款流程太過于復雜很不方便，只能找專門的時間來完成還款。于是我們與我們的客戶思考能不能有一個更便捷的方法去還款，我們設計了一種方法把催收電話、短信、微信與還款應用打通，通過手機通話記錄一鍵式進入還款界面。為了做到這點，我們和很多手機廠商談，在手機廠商的電話撥號盤軟件里能不能內置一段代碼，當他接電話的時候，不管有沒有存儲借貸公司的催收號碼，在振鈴的同時會顯示催收公司的名稱等信息，讓接聽者知道這是一個催收電話，不是其他騷擾電話。無論接通與否，在通話記錄里面標識出催收公司的信息。被催收人通過點擊這個標識就會跳轉到催收公司的HTML 5還款的界面。并預先把相關還款信息都填好，包括要還款的金額。這樣還款者在接到催收電話以后，不管是否接聽，只需幾個點擊操作就能完成還款了。所需時間往往用不到1分鐘，這對很多人而言是非常喜歡這種還款方式的。

　　通過這樣的一個創(chuàng)新，現(xiàn)在已經有接近10%的還款是通過這種途徑完成的，按每天為企業(yè)催款1500萬，10%意味著150萬可以通過這樣的簡易渠道還款。這都是能帶來最實際的業(yè)務價值的。在這個方案中，我們用到了Avaya的一些底層通訊SDK開發(fā)包，集成到手機ROM或APP等業(yè)務應用和場景中。

　　通過上述介紹，大家應該可以看到，我們做了一個呼叫中心的運營閉環(huán)，從數(shù)據(jù)化內部運營，外部數(shù)據(jù)的清洗，到最后業(yè)務流程的優(yōu)化。有了這樣的閉環(huán)，呼叫中心的業(yè)務核心價值，催收還款的根本目的就達到了。

　　下面快速介紹一下一個客戶的案例信息，這張膠片包含了各種各樣的業(yè)務和運營數(shù)據(jù)，在這里細節(jié)就不多說了�？梢钥吹竭@個消費金融企業(yè)上線了500個座席，每天催收呼叫量達到210萬通，一天要催回來的金額超過5900萬，每個座席每天催收指標14萬，所以每通電話能不能接通對座席來說都是非常關鍵的，可以看到每一通電話平均下來要催回來930元錢�？吹竭@些數(shù)據(jù)，你就知道呼叫中心運營里面最核心的東西是什么了。

　　接下來開始講講服務智能化。我留意了一下今天所有的演講主題，從我開始，接下來的每個個演講者的題目要么有"智能"，要么有"智慧"，要么有"AI"。可以看到今天大家都在關注呼叫中心的智能化這個話題。

　　我先問大家一個問題，談到呼叫中心的智能化，當今的機器人真的能代替人工服務嗎？我個人的觀點認為目前根本不能替代。在過去一年多的時間當中，我見了差不多30家AI公司，包括我專門去見了一些所謂大公司的AI實驗室，也見了很多從國外回國創(chuàng)業(yè)的，比如劍橋、斯坦福、麻省理工背景的AI團隊，我和他們談了很多。為此，我們的小A云平臺投了7個人，專門研究市面上主流的AI算法。我們統(tǒng)計了將近60種算法，目前真正的深入研究有接近30種，研究完之后我們得了一個結論：用今天的AI算法和技術，直接去替換人工座席服務，而且是完全替代，那么我認為根本不現(xiàn)實。所以這張膠片里，我用了這樣的示意圖，3個人給他每個人兩只機械臂、機械手，代表今天AI做的不是替換人的腦袋，實際上是當坐席人員的助手。

　　有了這樣的一個認知，您就能更理智、更理性的來做所謂的服務的智能化。在過去將近一年左右的時間當中，我?guī)е鴪F隊在這個領域搞了大量的智能化嘗試。以我們的切身感受，應用AI技術，首先需要改造的是呼叫中心的業(yè)務流程，因為這些流程是以人工服務建立起來的，業(yè)務系統(tǒng)都是為傳統(tǒng)的人工座席服務于人的模式來設計的，如果沒有經過優(yōu)化和改造，根本不合適用機器智能來做，因為今天的機器不可能有人聰慧。

　　在這個膠片中，我總結了兩點，應用AI必須首先改造應用流程，其次，我認為AI在客服體系的應用是一個逐步優(yōu)化和完善的過程，不是一個簡單的產品不是就能做到的。我和螞蟻金服有過溝通，10月12日，他們在阿里云棲大會有個智能客服專場，也會談及這個觀點。簡單地說，如果今天沒有用業(yè)務流程改造優(yōu)化以適應AI技術的使用，智能客服是很難做到有效的。

　　服務智能化我們也象做數(shù)據(jù)化運營一樣做了場景和流程拆分，為什么要做拆分呢？其實就是想把智能客服這個大目標切分成更小的可以實現(xiàn)的小目標，嘗試在一下小的領域看看能不能有所突破。

　　接下來還是用呼叫中心的思維來考慮服務智能化，首先談談用戶層面的AI 應用，今天如果要做AI，首先想清楚你為你的用戶所提供的服務界面是什么，今天如果用機器人像真人一樣去回答客戶的問題，不管是語音方式，還是文本方式，在這里面有大量的技術工作要去做的。包括用監(jiān)督、半監(jiān)督學習去標注用戶，為此我們做了很多研究。除此之外，我們還在其它技術領域做了大量努力，比如：包括聲紋庫，我們給一些客戶做聲紋庫和基于上面的各種創(chuàng)新應用。其中的問答機器人這個產品我會重點介紹。

　　在座席層面的AI怎么用呢？比如座席的輔助系統(tǒng)、流程機器人、行業(yè)知識圖譜等，這些看起來都是高大上的，但是真正做實際部署實施的時候，我們發(fā)現(xiàn)這里面有大量的問題，由于時間關系，我們不詳細介紹。

　　在呼叫中心管理層面，AI應用有智能質檢，其實不要說智能質檢，開句玩笑我們希望做成傻瓜質檢，因為人工做得越少才是最好的。

　　通過這張膠片我來詳細介紹一下問答機器人的技術實現(xiàn)，因為我們花了大量的精力來做問答機器人這個產品，問答機器人的應用在很多做SaaS的平臺上很普遍，包括螞蟻金服，很多電商平臺都有問答機器部署。為了實現(xiàn)問答機器人，我們實現(xiàn)的不只是AI的單一技術。當一個服務請求過來時，首先要判斷的是用戶的意圖，一個呼叫中心無論規(guī)模多大，它提供服務一定是有限的，也就是說一點可以把用戶的服務請求意圖映射到其中的某類服務，幫助其解決相關問題。

　　為了讓機器識別用戶的意圖，需要去分析客戶的行為軌跡，上下文信息，通過這樣的方式判別用戶進入客服到底要尋求哪種服務，當機器人知道用戶的意圖后，就進入具體的服務場景的信息采集流程。比如，一旦機器一旦明確用戶要預訂酒店。機器人就會啟動酒店對話場景模式，產生相應話術去采集如下信息：哪個城市的酒店，什么級別的酒店，什么價格的酒店等等。在這個過程中，有一個概念，叫對話管理模板。

　　不管怎么機器與用戶之間的對話多么復雜，其實來就是按照相應場景模版采集全預設的幾個指標信息。如果這個場景模板完全靠人工提前設計，一方面業(yè)務場景有任何的改變都需要靠人工去改變，工作量很大，往往時效性還不好�，F(xiàn)在我們嘗試應用深度學習的方法和技術，做了模板生成器和模板識別器，采用深層對抗網絡，并通過研究谷歌"阿爾法狗"去實現(xiàn)這些場景模板建設的自動化或半自動化。有了這樣一套技術和方法，是就可以用少量的樣本數(shù)據(jù)來生成場景模板，省時省力。

　　有了好的場景模板，就把所有信息收集好之后，填充到場景信息槽位中。然后機器就會嘗試去生產相應的答案，并計算答案的置信值，如果置信值超過85%，機器就會認為可以把生成的答案發(fā)送給用戶。如果機器認為置信值不夠，就會轉給人工，由人工座席去提供服務答案。

　　整個服務過程當中，非常關鍵的一個環(huán)節(jié)是知識圖譜的建設。

　　在問答機器人產品的開發(fā)中，用到了深度神經網絡技術，比如剛才講到對抗深層網絡的自學習的技術，基于語義的推理，包括本體知識的建設，最終關注知識圖譜的建設和完善。如果這些體系的建立，單純依靠某一個AI的產品，根本不可能做好服務的智能化。

　　問答機器人，只是服務智能化中很小的一塊應用。我們在呼叫中心平臺還做了很多小的嘗試，透過這張膠片我們可以看到，做些小的應用和改變，就象給座席增加機械手一樣，可以在呼叫中心很多方面實現(xiàn)效率的快速提升。

　　下面講幾個應用場景，在很多大型呼叫中心中最頭痛的問題是每到假期，比如馬上到來的國慶大假，放假前的一周是很多90后的座席辭職的高峰期，很多90后座席可能因為十一長假要出去玩，不想加班干脆辭職。我們借助AI技術和流程的優(yōu)化，做了套假日座席服務模式，在夜間或假日去啟動這個模式，大大減少加班座席數(shù)量。

　　另外，為了降低坐席工作強度，比如座席每天的鍵盤錄入工作量，我們把語音識別技術應用到座席錄入場景中，也許識別率70-80%，對座席來說已經足夠了，因為它已經解決了座席大部分的輸入工作量，座席只要稍微修改校驗一下即可。但如果直接把這個技術應用到用戶服務，可能5%差錯率都無法容忍。小的這種改變帶來的效果是非常大的，真正讓座席的效率提升，這才是我們想要做的事情。通過這些創(chuàng)新，我們做了些統(tǒng)計，座席的加班率降低了34.1%，自然離職率也相應降低。這就是服務智能化帶來真金白銀的效果。

　　最后我快速談談Avaya的新產品。

　　今天呼叫中心平臺產品跟過去有了徹底的變革，通過這張膠片我們可以看到，Avaya推出了兩個核心的全新一代產品：Breeze和 Oceana，其產品設計理念發(fā)生了根本性的改變，過去的呼叫中心是用座席人員服務于人，今天Avaya產品的設計理念是一定要用智慧應用服務于人：座席和用戶，不管是通過APP還是微信，都是基于場景應用服務于人，而且這些應用會做得越來越智能。所以從技術維度來看，呼叫中心平臺產品的發(fā)展方向一定是就是由過去人服務于人（我們叫Person to Person）向應用服務于人（Application 2 Person）方向發(fā)展和演進，這種演進將是革命性的。

　　下面稍微展開談談，比如呼叫中心的核心產品：基于呼叫和座席技能的排隊機，將會演進成用戶數(shù)據(jù)標簽匹配和資源搜索引擎。

　　而傳統(tǒng)的CTI產品將會演進成支持"全渠道"或者說是"泛渠道"的數(shù)據(jù)交互引擎。

　　過去的IVR產品是用戶通過0-9按鍵信息來告訴計算機用戶需要干什么的，今天更多是發(fā)展成自然語言理解和交互（NLP）。

　　另外，軟交換通信平臺更多變成提供通信開發(fā)包能力的平臺。

　　呼叫中心的報表更多是向BI和可視化管理發(fā)展；

　　座席操作界面也向著移動化、Web化方向發(fā)展。

　　最后，呼叫中心的所有產品發(fā)展由最初的硬件變成軟件，后來支持軟件虛擬化部署，今天發(fā)展成可以全云化支持彈性部署。

　　總之，呼叫中心產業(yè)在面臨巨大變革，其中兩個最為關鍵的變化的是運營的數(shù)據(jù)化和服務即將走向的智能化。今天我的介紹就到這里。謝謝大家！