您当前的位置是:  首页 > 新闻 > 文章精选 >
 首页 > 新闻 > 文章精选 >

「深度」改变客服产业的未来

2018-02-05 14:24:27   作者:Grandsys 研发部 Joe   来源:CTI论坛   评论:0  点击:

  人类尝试着让电脑拥有与人类相同的思考能力,在1958年,感知机(Perceptron)这个启蒙概念就被提出,但由于只是个初期理论,未能实际投入到应用上,电脑科学家不断参考人脑神经元运作方式,在20世纪末逐渐将必要的理论完备。正当要一展身手的时候,电脑科学家确发现自己低估人脑是多么精密且处理能力强大,以当时的运算能力,训练出一个模型不仅旷日费时,而且不一定能够一次就能够成功,因此这个理论的流派又再度沉寂了一阵子。在摩尔理论基础中,除了CPU外的另一个操作数件GPU发展下,让大量并行运算的速度与成本达到合理的范围后,做了些调整再以新的名称重新展现在世人面前,其结果成功夺取科技圈的目光,也就是最近常听到的深度学习(Deep learning)。
  销售与客服两个单位,是企业与顾客面对面最直接的媒介,而其中的客服平时是要面对客户疑问、疑难解答、信息查询、订单处理,一个客服专员同一时间里,只能面对一个客户,可以称的上是个人力与产品知识密集的单位。电脑擅长迅速处理精准的问题,人类之所以会拿「冷冰冰」这个词来形容电脑,是因电脑只能响应够精准的问题,没有被设计者考虑进去的情境,一概被列为不精准问题,电脑无法提供你相对应的答案,使用者转而寻求9「为您转接客服专员」的帮助,这也是为何在电脑发明了将近八十年,真人客服依然屹立不摇,以及大多数话机上的12颗按钮中,9永远是最干净明亮的根本原因。
  在信息领域里,让电脑去了解与分析人类使用文字符号的学科称为自然语言处理(Natural Language Processing),自然语言处理也是一门拥有长久发展历史的技术。在全世界的数据中,大约有21%的数据属于结构化数据,呼叫中心处理的语音与文字对话,正是属于占大部份的非结构化数据,这是一座尚未开采的金矿,而自然语言处理就像是一盏明灯,赋予机器一部份理解人类语言功能,进而有能力去挖掘非结构化数据。「人分成两种,一种好看,一种难看,你刚好介于两者之间,属于好难看的」,如果以情绪字典下去计算,可以算出「好难看」是反向情绪没错,但语言经过人类社会的千锤百炼,其抽像程度非常之高。常见的网络用语「啊不就好棒棒」是一种富有弦外之音的说法,连外国人都无法理解一堆正向的词摆在一起,结果会产生负向的意思,更何况是电脑,可见没有一套的公式或规则就能够描述文字间的情绪。以往的自然语言处理,靠的就是这些所谓的高质量字典以及特征工程,虽然投入大量的人力与时间去研究,但得到的结果却往往不尽理想。适逢这个信息爆炸的世代,从网络上取得带有情绪标注的数据变得容易许多,深度学习能在数据驱动(Data-Driven)下,自动从大量数据中萃取出一些特征,来评断一段话的情感倾向,或是将一篇文本分类。只要模型参数设计的好,训练的数据够完整,就能够得到一个效果不错的分析模型。
  现代客服产业应用里,与客户沟通的渠道,因智能型的装置兴起而趋于多样化,在线文字客服、Email、社交平台就能够传讯息与客服专员进行凯发体育投注,而这些传送的文字对话本来就属于自然语言处理的范围。语音客服不管是透过一般的电话,或者是实时通讯软件,语音讯号利用STT(Speech to text)转译成文本后,也能够使用自然语言来进行处理。而客服事件处理进行时,以自然语言为工具,让客服专员更了解客户后,提供更适当的服务。已结束的服务,能用更聪明的方式将这些对话保留,以供往后更快速的进行检视或利用。而如同前面所说的,对话过程里留下来非结构化数据,如何用自然语言转换为结构化信息,也是必要的过程。
  客服事件处理
  客户每次进线分配到的通常不是同一个客服专员,所以客专员与客户都是素未谋面,如果提供以下这些方法,让客服专员对客户多一点的了解,能够让客户感到舒服的状况下,得到这每一次的客服服务
  • 情绪分析:让客户的情绪在可被量测下进行监控,一方面能让客服专员更加的感同身受,另一方面也能了解客户愿意以及不愿意接触的话题。
  • 客户描述:一个经验老道的客服专员,经过一定程度的对话后,就可以掌握客户个性大致的个性样貌,以及字里行间透露出的重要讯息,可以使用客户描述让这项功能成为每席客服专员的「标配」技能。而这位客户的样貌信息,可以在每位接待客服专员里被共享,在与客户接触越久后,样貌轮廓也就会更完整。
  对话留存
  在客户务服进行一段时间后,留存的数据也就会越来越多而形成大数据,每一份数据都会成为滋养深度学习的来源。但数据量一大还能提供往后的检视,以及了解数据的轮廓,都是大数据架构下的必要条件。
  文本聚类:机器学习能在未提供更多的标注下,利用文本的里的特征,将各个文本在高维度空间中进行分群。而数据管理者就能够在群聚的结果里,观测出目前持有数据的样貌,进一步分析能够获取更多的信息。
  文本分类:相较于文本聚类,文本分类更明确知道分群的意图,在以监督或半监督的状态下,让数据分门别类。在往后的检视或分析中,能够取单一类或多个类别进行处理,可以大量的减少运算资源以及处理时间。
  客服质检
  在客服产业里,非常注重的就是事后的客服质检,这攸关于客服品质的好与坏,如上面所说的,深度学习使用于自然言处理中,在抽像的语意概念里以及词语间的相似度关联判断能力,都较旧有的技术强,因此在质检评分里,能够得到更客观精准的评分。而用电脑来进行质检,在处理速度上,以及可以24小时不间断的工作,与人工质检相比,更容易达到「全质检」的目标。
  数据挖掘
  在这个数据淘金的时代,企业能拥数据量就像是原油储备量,经过提炼的数据,能成为企业向前迈进的动力来源。一个懂的怎么使用数据的公司,和一个只存放却不知道怎么去运用的公司,在往后的经营上的差异,只会越来越明显。
  • 建模分析:与情绪分析类似,我们可以依靠数据去建立分类或评分的模型,不同以往硬梆梆规则式模型(Rule-Based),深度学习模型能够提供更有关联更深层的分析,甚至能够让模型达到自适应能力,而不用靠一个领域专家去手动调整模型或增减规则。
  • 异常检测:其原理与建模分析相似,不同在于分析结果出来后,依造异常程度状况,而采取不同通知程序,对管理者进行通知,或产生异常报表供往后检视。
  • 信息抽取:这是个从非结构化数据转换为结构化数据的过程,因为有这个过程,让往后的搜寻或者机器学习建模,会变的更加的容易。
  钻石与黄金埋藏在地底下数万年,直到被发现开采出来价值依旧存在,而数据矿与他们不同的是,数据矿会是具有时效性的,其价值会随着时间慢慢的「氧化」,所以趁着手上的矿还新鲜的时候,准备好工具,当个快乐的矿工。
【免责声明】本文仅代表作者本人观点,与CTI论坛无关。CTI论坛对文中陈述、观点判断保持中立,不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考,并请自行承担全部责任。

专题