中银金融商务有限公司IT总监、第二届金融CIO班学员  王小丽

 

　　各位领导、同仁，大家下午好！今天我给大家分享的主题是《客服转型中的AI应用》，之前也都提到这一轮AI浪朝中金融领域的主要应用是在反欺诈、风险防控、客服、智能投顾等这些方面，实际上客服是非常热的一个领域。我前段时间对这个领域的应用做了一些研究，在研究过程中也有些感触。刚刚腾讯和阿里是从整个人工智能展开分析，更偏向于技术层面。作为企业，更多的考虑应是这些新技术如何引入到企业里，如何结合我们企业业务的特点，真真正正的让其发挥作用。对于银行领域，或者说任何一个企业对技术的应用而言，成败与否更多的是看它能否帮助企业降本增效，能否帮助企业提升客户体验，真正转化为生产力。今天我就从客服这一个领域，以解剖麻雀的角度来看AI技术对客服领域中的哪些环节能起到作用，哪些环节有实践价值。大概分为以下三个部分：形势与观察、思考与行动、尴尬与应对三个方面。

 

 

 

 

　　客服这个领域实际上从诞生一直到现在，已经发生了好几代的转变。每一代的转变其实都源于技术革新的推动，这一轮转型同样源自新技术的推动。云、大、智、移、量、区、物七大技术热点领域，我说一下这些技术与客服的关系。

 

 

　　云计算的出现对客服领域而言，在基础设施层面降低了成本，增加了灵活度，这是不言而喻的。另外就是云客服的出现，客服的基础设施投入成本是非常高的，一些小的机构实际上是无法问津的，直到出现了云服务后，这些小型企业才可以随时租用云客服为其客户提供服务，所以说云计算推动了整个客服行业的发展。再则就是由于大量的云服务导致客户与企业减少了相互之间的接触，更多的是增加了对呼叫中心的需求。

 

 

　　就大数据技术而言，无论是开源的，还是像阿里腾讯，在大数据技术的基础上自己做的一些拓展也好，这个技术上应该说已经具备了一定的成熟度，而且有了一定的生产实践，但它在各个行业里的应用实际上目前还是参差不齐的，某些行业可能已经有了一些真正促进生产的应用了，但在很多行业其实还没有用起来。前段时间看到的数据是90%以上的大数据企业都属于亏损状态。那么在客服领域，这么多年来客服积累了大量客户和机构之间的联络数据，我们一说起大数据分析，往往大量的到处收集，甚至去海淘一些不确定的、各种分布在网上的这些数据，但对银行而言，客服数据则是来自客户所留下来的直接痕迹，在这些联络信息中，有的是客户对我们的机构、产品、服务，包括营销活动关切地询问，或是一些使用中的疑惑、使用后的不满，甚至是投诉，都蕴含在这些信息中，但这些信息到目前为止大量属于沉睡状态，没有很好的应用，一般而言，按要求存放七年，只用作当发生客户纠纷后的一个依据。

 

 

　　到现在AI的出现，自然语音开始有了一定的处理技术后，这一块真正开始发挥作用了。但到目前为止，行业内其实还没有看到非常成熟的应用出现。人工智能也是今天的主题，这儿不做过多的展开，后续整个探讨都是这部分的应用。

 

 

　　移动互联可以说是现阶段很多个行业真正受到这个技术革命性的影响，不得不去转型的一个始作俑者。对于客服而言，移动互联也是这轮转型中的始作俑者。它体现以下几个方面：一个是客户联络客服的方式、手段、媒体发生了非常大的变化，现在说客服可以在任意一个地方、任意一种方式、任意一种媒介，可能是视频，可能是语音，也可能是文字。另外一方面，我们的各种商业活动、为客户提供的各种服务模式，迁到网上后，网上的产品服务越来越多，这其实对客服而言是一个挑战，客服需要提供的服务内容越来越丰富，作为一个机构而言也是越来越丰富。再一方面就是客户的行为习惯发生迁移，到店率越来越低，大量的都是通过远程服务的方式去获取，远程的消费方式使用这些商业服务，使得这些客户越来越少与我们的机构直接接触，这也就引发了他们对呼叫中心领域中更多的需求。

 

　　上述四个方面属于和客服之间直接发生影响的技术领域，一定程度上对我们整个客服领域所面临的需求形势带来深刻变化。

 

 

　　我认为量子通信目前还在初级阶段，对于下一轮客服的转型而言，它一定是核心的驱动力量。

 

 

　　我们整个的客服、呼叫中心，目前的整体形势应该说是发生了非常大的一个转变。

 

　　客服内容日益丰富。刚刚提到的移动互联也好，互联网模式也好，带来的客服内容日益丰富，由于大量新产品的出现，技术手段带来的很多产品可能就在原有服务或产品基础上利用新的技术做了一些流程转换。但它的内涵和外延都发生了变化，客户在使用过程中会有一些新的疑问，所以说这些产品和服务，特别是线上商业模式的日益丰富使得客服内容也在不断的丰富。

 

　　客户群体不断延伸。一方面，因为客户的商业模式越来越丰富，另一方面，客户的行为习惯在发生变化，实际上客服所面临的客户规模加上机构的跨地域特征，你的客户已不再是国内的，或者说某一个区域的，那些客户可能是遍布到全球各地的。之前我在参加客服行业的一个国际会议时，香港、新加坡的客服相关行业的专家认为，他们只在本地的客户体量比较小，包括一些新技术的应用，一些面临的形势，与中国有一定的差异。实际上现在我们的客户已不再局限于一个区域内了。我们所面临的语种、客户文化背景，包括交流的一些行为习惯，这些其实都发生了变化。

 

　　客服机构的规模不断扩大。按照现在传统的模式而言，大多是以技能去分客户服务组的，那就是说一些人是负责像银行卡、信用卡业务的，一些人是负责网上银行的，一些人是负责日常的一般性业务的，或者说一般性业务中可能还要再进一步按照业务技能做区分，比如语种、专项产品等。所以说服务的内容品类增加，直接带来座席人员规模扩增，需要不断的去增加人力。

 

　　客户体验要求持续提升。互联网企业因为要从传统领域里抢客户，要拼命的讨好客户，在讨好客户的情况下确确实实推动了全社会对客户体验的觉醒，推动了整个社会的消费群体对自我权利维护的意识觉醒，一定意义上推动了社会进步。同样的内容对在计划经济时代形成服务模式的传统企业而言形成挑战，就是你吊高了客户的胃口，传统企业也要去满足客户体验的要求，同样也对我们的服务质量、服务能力、服务意识，包括一些效率流程，要不断的调整、提升。客服恰恰属于我们接触客户的最一线、最直接的一个环节，这也是一个方面的挑战。

 

　　客服价值转型。为什么会有价值方面的转型要求？因为作为客服，里边有大量和客户之间的联络信息，这些联络信息是客户留下来的痕迹，他的诉求、他的不满、他的关注，其实都是我们去改进服务、改进产品、提升客户体验最直接的一些信息。随着客户不到店，作为机构而言，要考虑如何去了解客户的这些诉求。客服原本在任何一个机构中都是相对边缘的一个部门或一个机构，其实这个时候它的价值就有了一个反转的要求，它需要把客户最真实的声音尽可能挖掘出来，反馈到机构去，帮助机构改进、提升自己。

 

　　客服职能转型。我们知道，对任何一个机构而言，特别是银行，传统的靠网点，在提供给客户一些操作服务的同时，会有一些营销销售，也会有一些交叉销售，将来客户越来越少到你网点去，这样子的销售机会从哪里来？这就要去捕捉所有和客户之间的接触点，当客户主动来找到你的时候，就是属于你抓住机会了解客户、对客户进行交叉销售的时候。所以说客服中心将来一个非常大的职能，就是要抓住和客户之间的交互点，做相应的营销销售。

 

　　客服人员流失率居高不下。这属于客服领域里一直以来所面临的一个问题，从整个行业而言，当然这个整个行业，包括了机构自己的客服和第三方客服。目前整体的流失率大约是在30%。这些高的流失率带来的是什么？产品日益丰富，客户体验要求越来越高，客户群体越来越不固定。这种情况下，其实对客服人员的要求是越来越高的。我们面临的大多都是新手，都是菜鸟，对他们的培训、素质要求都很挑战，这些其实就属于当前整个客服所面临的一个整体形势，这个整体形势对我们而言，从技术角度来看应该说是一个机遇。

 

　　从整体形势上来看，归纳起来就是客服从售后服务、售前咨询转向了全程参与，从传话筒变成了客户互动联络中心，劳动力密集型变成知识密集型和技术密集型，机构内的服务部门是一个相对边缘的服务支持部门，会走向前台进入决策支持部门。

 

　　从2016年开始，我们开始做一些价值挖掘，为行里提供价值分析报告，将一些客户最关注的问题提炼出来，反馈到行里相应的产品部门，为他们提供改进他们产品的依据，确实得到了一些关注，且取得了一定的成效。刚刚所说的有些交叉营销，包括现在各个机构也都在做一些外呼营销，比如银行卡的分期、某些产品的交叉升级，最原始的状况是给一个单子，由客服人员按照单子从上往下缕，不管客户是否有意愿，犹如我们经常会接到各种销售电话。后续做一些大数据的分析，进一步提升精准营销的度。对于客服慢慢转向客户关系经营是什么意思呢？其实已经有若干家银行开始这么做了。我们现在有一定金额以上的客户，会有客户经理来维护这些客户，但对于普通低价值的客户，现在的一般是任由其自生自灭。有些银行开始把这些小金额里的又一个金额段的客户，认为其有一定潜在价值的，会分到客服中心，由客服中心进行远程的客户关系经营，针对具体的资产状况做一些联络安抚，或者产品推荐。这些其实都对客服带来了挑战也带来了机遇。

 

 

　　中国的古话说到，易有太极是生两仪，一阴一阳谓之道，它制造了这个需求形势，同时新技术也提供了相应的解决方案。在这个新技术里，最典型、最突出的就是AI技术的应用，比如语音应用、智能知识库、语音导航、机器人客服、智能化术提醒等，这些其实都属于AI的应用，AI捆绑着大数据。我们看到不同的同业，其实有不同的应用，在整个新技术的应用过程中，我们还注意到一个情况，整个银行业客服中心人工电话的接听量，2016年是下降的一个趋势，但客服从业人员增加的幅度非常大。主要原因是在转型中做外呼营销，还有一个原因是转型中的新业务在发展，它需要人员去补充，同时传统的业务还在持续。所以说，在新技术应用的过程中，其实我们可以看到，人是原本想要压降的一个资源，这样也就存在一个悖论，看上去科技创新没有带来人员的减少。其实，公司在进行智能化的或大数据分析的项目时，还是需要有一个过渡阶段的。

 

 

　　基于目前这样的一种形势，我们在考虑呼叫中心的转型，在做一些分析，从客服本身的参与者而言，实际上包括以下四个方面：首先是我们的客户，然后就是我们的客服代表，再有就是我们的一线生产管理，因为对客户而言是劳动力密集型的企业。一般而言，大型的金融机构基本上都是5000以上的人员，工行应该是6000多人，中国银行客服人员也是6000多人，这些劳动力密集型企业要提供不间断服务，你对它的排班、绩效及整个生产状况，都要有相应的系统手段协助管理。因此，还会有面向一线生产管理的相应环节；最后就是面向整个机构的经营管理，决策支持这个环节。以上四个方面，应该是属于新一代客服转型过程中需要考虑的。

 

 

 

　　对客户而言，他不管你怎么样，要求就随时随地随意，我想找你，我以哪种方式找你就得作出回应。整体看来，就得任意渠道、任意媒体。对给客户本身而言，你要为客户提供自己相互辅助的一种模式，你的客户体验、客户诉求是全流程闭环的，去响应处理它。对于营销而言，只为它的需求买单，而不是骚扰。就服务机构而言，也不要去白费那么多资源去做这样的外呼服务，这个是从客户的角度来看的。

 

 

　　客服代表就是智能助理、智能替代和智能管理。智能助理，就是我们的客服座席，他坐在那儿的时候，不知道谁会打电话，有什么事情，打电话来的人什么特点，智能助理能做到话前提醒、话中帮助和话后处理。智能替代，其实大家说得比较多的就是智能机器人。除了文本的、在线的客服外，其实还有一块语音。因为我们还有一个过渡阶段，有大量的客户不习惯直接通过文本的方式去操作，他还是要有语音方式的需求存在，那么这就是语音智能客服实际价值。这一块，目前应该说也有相应的实例，某银行语音智能菜单导航，扁平化菜单并语音交互，就是属于语音智能客服。智能管理其实就是对于一线座席的状态而言，我们能够实时地对它的工作状态、绩效状况进行一些统计。对于客户而言，这种劳动力密集型的企业都是分层，有普通员工、小组长、助理经理、经理，相当于一个小组长一般带7到15个人，一个助理经理管七个组长，就是这样一层一层的层级结构。实际上整个劳动力的耗费、管理层的开销也是非常大的，有了智能管理后，我们可以随时掌控我们的座席，以及他们的工作状况，包括他整个的绩效情况和精神状态、情绪情况，实际上都可以随时进行一些干预，因而管理层级上可以一定程度上进行一些压缩。

 

 

　　对客服而言，以目前系统对他们支持，只能按照技能组的方式来进行分组。后续有了更多的小秘书，跟在后面做提醒，其实我们就不再需要按照技能分组了，我们可以按照客户群体进行，甚至可以根据一些客户的性格特征进行分类。这样子会更多更好的满足现在的一些服务要求，包括他们要更多的具备不同媒体、各种不同渠道的接入、进行一些交叉互动服务的一些技能，这些实际上也需要智能化的支持能力。绩效考核是计算座席的服务工时，就是服务时长，他每天接到电话的通数、服务接通率等方面。如果后续我们需要挽留客户服务的职能，要把交叉销售的这个职能赋予他们的时候，其实绩效考核要去实时进行一些绩效计算，这其实就会成为一个新的客户需求领域。质量管理目前更多的是抽样质检，我们目前更多的是靠人工抽听的方式。也就是说每天我们要接着拨通电话，按照现在的行业标准要求，要千8到千15去抽检。有了智能化工具后，实际上我们便可以进行一些全量质检，包括将来质检的指标内容，可能更多的会从人性关怀的角度去制定一些指标等等。

 

 

　　整个的客户交互过程中，对价值信息分析提炼后，推送给相关的机构去改善产品。同时，我们对客户基于统一视图的了解，向相关部门进行从前到后的联动化服务。

 

　　针对整个环节的应用影响，归纳起来，从客户接入到我们作息的全景服务、价值挖掘和智能化的生产管理。客户接入这个环节，主要是在语音以及在线文本的机器人客服。不论客户通过哪种方式打进来，现在根据我们的需要，更多的还是希望把来电业务分流到自助上，减少人工成本。但发展到一定程度时，我们可能会需要一些智能调控，当人工有了一定的节余，我需要接触客户的时候，会把原本可自助服务的一部分业务重新切回到人工，寻找交叉销售的机会。因此，当前阶段，优先是文本客服。同时，现在的语音智能客服正在发展过程中，个别行业已全面投入生产应用，目前正在做试点，还有一些正在做采购的过程中。目前智能化的应用，与我们一般性的IT系统还有差异，除了需要一般的IT系统特点外，上线后还需要大量的训练。上了以后，如果没有针对企业自身的特点进行模型的训练和调优，它的可用性是很差的。它在我们互联网企业中，技术与业务本身就是长在一起的，所以自然就会去兼顾这些特点。而在一般传统企业，在引入智能化时，包括大数据分析，也是一样，往往难以取得很好成效。

 

　　在座席层面，主要是智助、智代、智督这三个方面，同时还有智能知识库。有了智能知识库后，我们说不论是什么样的客户、什么样的业务接进来，都能随时为我们座席提供信息提示，包括它的性格特点、咨询的业务、资产状况，以及是否需要对他做一些交叉销售等等，这就可以通过智能知识库层面提供一些帮助。工单的处理，其实工单处理也属于传统机构里比较头痛的一个地方，包括它的流转和整个涉及到的环节，相互之间的协作等等，在当前的这个状况下，效率层面都是存在一些提升空间的。价值挖掘这一块，大数据平台也好，价值信息采集也好，实际上我认为都是值得挖掘的，但目前还没有一个真正做得很成熟、让人眼前一亮案例。

 

　　智能质检已有一些比较好的应用案例了。之前在一家同业做交流的时候，他说这个东西一点用都没有。这个系统一开始讲的时候非常好，能帮我们做全面的质检，一方面提高了质检的覆盖面，另一方面能大量地节省人工。做了之后发现既节约不了人工，也提升不了覆盖面，原因是系统投产后外包公司的投入太少，而实际上该同业自身也几乎没有人员投入。像百度、阿里云、蚂蚁金服、腾讯对于智能质检这一块都用得很好，他们在介绍的时候认为那是他们的一个亮点。其中一家机构在介绍中提到，因为一开始客户呈暴增式发展，相应的客服人员前两年以40%的幅度在提升。后来客户仍然是以非常大的规模在发展，但人员没再增加。一方面是通过智能客服，另一方面是智能质检，帮助它做一些替代原来劳动力必须做的事情。对于质检质量管理这一部分能否起作用，也在于相应的系统上线后，企业里相应的业务人员能否一起训练这个模型，一起把规则提炼出来。对于智能训练而言，要么你能提供足够的封闭的完整数据，大规模的数据让他实现所谓的自我学习，要么得人工干预进去，你把这个规则告诉给他。为什么棋类游戏的这些领域里面能突破，我认为它有大量的比较完整的案例，棋谱可以输入进去，包括一些高手对战的具体案子，也可以放进去。但一般性企业是没有那特别完整的数据，在应用时，原有的业务人员能否跟踪一段时间，就会很重要。例如，目前的大数据应用这一块，做投诉升级的预测，客户可能会发生投诉，可能会投诉升级。作为一个投资预测，如何验证预测的完整性。先开始的时候专门找出两个客服，让它们对预测出来的数据清单主动外呼客户去验证，回过来调整模型，达到一定的准确度的时候，会真正去上线应用，可能是一个很好的选择。

 

 

　　人工智能可能发挥作用的地方就围绕这些地方，我们也做了一些探索。

 

 

　　一个是我们的数据分析平台，这个数据分析平台是面向我们的运营控制、外呼营销、决策管理、客户支持这四个主题，具体的就是数据挖掘、风险筛查、投诉预警、外呼预测和日常管理中的自由查询。以外呼预测为例，因为我们有自己的外呼团队，早期属于纯清单是外呼，有了外呼预测后，我会根据一些客户的情况，做一个优先排序，做一个命中率的预测，然后把它主动推送给我们的座席，他们优先从命中率比较高的开始打，命中率差不多增加一倍。

 

 

　　AI的另一个案例，现在也正在做，我们叫及时语。就是在座席服务过程中，通过系统判断语言和情绪，给我们的座席一个实时的提醒，告诉他你现在需要稳定一下情绪了，或者客户有投诉升级的倾向了等等，要马上联系你的座席组长，同时也会把相应的信息给到他的座席组长，让他及时进行干预。

 

 

　　我们目前每天产生差不多几十万通电话，每天会把它做语音转换。语音转换后所做的事情就是全量的质检和价值信息提取。价值信息提取的主题是把某一段时间内，客户对所有产品的关注度、关注环节、存在的问题，包括一些地域分布情况，做一些实时的挖掘排序，然后反馈到行业的不同部门，包括形成相应的一些报告。

 

 

　　在AI应用的过程中，发现AI真正在企业里用的时候，会常常觉得还是很概念，离我们还很远，特别是一些业务人员。AI的自学习、深度学习能力产生了深刻印象，导致客户有一些误读，影响了客户的判断。我们就有同事在质疑，这些AI系统的自学习能力表现在哪？就是以为AI有了自学技能后，不需要人为的再做任何事情。实际上没有大量的数据去做训练和验证，这是不可能的。

 

　　同业里有些机构设置了专门的智能训练师，所谓智能训练师其实就是属于应用了AI之后，总结、提炼自己的业务特点，配合自己的数据，做AI这些模型的调优和训练。

 

　　另外还遇到了一个困惑是信息安全与模型训练。例如：在做语音转文本时，现在我们可以看到市场上似乎语音转文本非常强，但实际上主要是C端产品，它有云端大量的词库，所以说你能感觉到它很准。但当你到企业中用的时候，这个词库不可能搬到企业里，你没有那么大的空间，也没有必要存那么多的数据。但你自己一些专业性的数据语音、你的产品，好多都是自己取的名字。这个名字其实需要进行声学模型训练，语音语义模型所处的语境也需要去训练。特别是声学模型要标音的时候，需要把一定时长的语音数据给公司，它们拿到外面的标音公司标音。但这就存在问题了，标音的时候，因为我们的语音数据中常常藏有关键信息。如果租公有云服务的话，又是属于金融领域的限制，不能把这些数据放出去。这样未经训练的声学模型在后续的语音转文本处理时，其准确度会有一定的影响。

 

　　应对的话，要想办法要让业务和技术深度融合，如果业务做业务，技术做技术，这是不可能用的好的。然后就是投产后要有一定的适应条件。再有就是提供产品的公司应该进行适度的营销包装，避免给客户误读，导致投产后不能很好的销售，期待AI真正的给客户带来生产力。谢谢大家。