深蓝海域KMPRO

没有一个好的知识库,智能客服就是个传说

2020-02-08 09:56


        知识库是智能化服务的大脑,这个大脑的“聪明程度”、效率决定了产品的质量和服务满意度,所以如何建设并且运营既能支持座席又能支持多媒体和渠道的知识库成为客户服务中心现在和未来很长一段时间内面临的核心任务!

智能化客户服务的缘起
        仿佛一夜间,人工智就能走入寻常百姓家:百度为致力O2O战略高调推出了度秘,在交通银行的营业厅机器人“娇娇”到处卖萌,之前的微软小冰、苹果Siri都是大家“调戏”的对象,还有我们无法访问的基于Android平台的Google Now、微软力推的Cortana背后都是大数据和人工智能算法,他们都号称要做我们的女秘书,都要做我们的助理:操心我们的衣食住行、或准确或错误地预测我们的下一步行动并提供及时的服务。百度说人人都能拥有一个贴身的秘书,这不是梦想。
由于中国人力成本优势的丧失和人口红利的过期,原来人力密集的客户服务行业面临着巨大的变革:传统的客户服务中心一改前些年大批招聘座席代表的做法,降成本、减员不减效成为这几年的管理主旋律。同时,随着客户接触渠道的多样化(即时通讯工具、微信、微博、SNS)和媒体形式的变革,人人一台智能手机的现状让客户的自助服务、在线服务成为趋势。如何通过技术手段提供智能化的客户服务方式成为大部分客户服务公司的必然选项:
成规模的客户服务中心都已经或者正在建立智能化客户服务的平台,国内也涌现出了许多提供智能客户服务的供应商。

现状:智能客服不智能
        为了解国内客户服务行业智能客户服务的现状,知识管理中心(Knowledge Management Center,以下简称KMCenter)试用了17家企业的在线智能客户服务方式,这17家企业属于5个行业(电子商务、政务服务、电信运营、旅行商旅、金融证券),他们所使用的技术平台涵盖了国内主要的智能客服技术提供商。
总体的感受是:现在的智能客服大部分都是刚刚起步,都在路上,许多仅仅是一个不太高明的搜索引擎功能!
大部分情况是客户写入关键词、自动关联一篇或几篇知识文档推送给客户,而这些知识文档之前是服务于座席培训、阅读后用来回答客户问题的,但现在直接开放给客户。由于这些文档没做客户化的工作或者做的不够,存在着专业术语多、逻辑不清晰、官方立场而非客户立场等问题,用户看不懂或者与用户问题关联度较差,虽然能够解决一部分问题但满意度不高。
另一部分做的比较好的是客户通过类似于我们聊天的自然语言与系统互动,系统建立了相应的词库进行分词,提取出相应的关键词后再进行搜索,回复给客户的是碎片化的片段内容。这种系统背后的核心仍然是搜索,只是将相应内容作了一定程度的碎片化并手动设置了相应的标签,客户体验好于前面的一种情况,但也只能在客户输入的语言比较专业时效果才好,而问题是大部分客户根本不专业。
        举一个例子,在某电信运营商智能客服系统中我们想咨询是否有不需要月租或者月租费用最低的电话卡,我们的提问方式是“无月租电话卡、免月租电话卡”,但他返回的结果是:
尊敬的客户,根据您发送的内容,我们判断您可能需要了解以下业务:
1.后付费无线上网卡如何扣除月租?
2.无月租和最低消费的预付费手机号码是否有话费使用限期?
3.什么是基本月租?
4.什么时候扣取月租费?
        明显的是该系统没有识别出客户的核心需求“无/免”月租这个关键字,而这样的需求是站在客户立场上最常见的需求之一。
        进一步试验,我们知道该公司在互联网转型,正在全国各地的营业厅、互联网上大张旗鼓地宣传新推出的一种“SUN套餐”,就用“SUN套餐”去提问,但结果竟然是没有内容而推荐的其他无关内容。百思不得其解,公司这样大张旗鼓去推的产品不可能没有相关内容啊,只有去咨询他们人工客服才明白,因为他们在存的时候不叫“SUN套餐”而叫“太阳套餐”,所以智能客服就找不到了。
这根本不智能
        理想的情况是智能客服系统能自动建立“SUN套餐”与“太阳套餐”的关联,因为他们是一个意思的词,客户无论用SUN还是太阳都能搜索到。智能系统需要能够识别用户提问的“核心需求点”在哪里,但现在大部分智能客服系统对于用户提问中的名词(上文中的“月租”、“卡”)已经比较敏感,而对于核心需求点的“无、免”则不能识别,更进一步,当这个运营商没有相应的无月租或者免月租的卡时应该推荐月租最便宜的卡,这才是客户的需求!
KMCenter的顾问也对国内大部分提供智能客服的技术平台进行了简单的评估,各技术平台提供方由于其策略方向和积累程度的不同,在技术水平和能力上有差别,但不大,许多技术上的难题是共性的,需要随着行业数据积累量和质的提升、更高效算法的出现才能有质的提升。
那么问题就来了,智能客户服务该怎么提升满意度?在技术水平一定的情况下更有效的做法在于知识库组织方式的提升:谁的知识库组织得更好,谁的智能客服效率就更高、客户满意度就更好!

知识库支撑的智能实现
        许多做客服中心智能客服的同学感叹:如果我们的系统能够像百度的度秘、微软的小冰、苹果的Siri和Google的Now一样该多好啊!但貌似现在还做不到。他们为什么好呢?有两个原因。首先,他们的技术团队是现在市场上提供智能客服系统的公司所没有的全球深度学习领域的3位牛人GeoffreyHinton、Yann LeCun和吴恩达,他们分别被谷歌、Facebook和百度招安,这些互联网公司有大笔的资金和人才积累去做这块研究,这个状况短期内不会改变。另一个是数据量的积累,智能来自于对历史积累大数据量的学习与挖掘,譬如谷歌的数据来源就涵盖了它的Gmail、搜索引擎、谷歌地图、Chrome浏览器、各类APP等内容,它甚至比我们自己更了解我们;百度也类似,它有海量的用户搜索行为、浏览轨迹、地理位置信息等等,但这些数据在客服中心内很少,能系统地记录一个客户整个生命周期的咨询、查询、消费记录的不多。
在这两个条件都欠缺的情况下,客户服务中心该如何做智能化服务呢?我们的答案是知识库的优化与提升、卓越的知识库建设与运营。2015年初,由云客户服务提供商eGain委托、知名技术和市场调研公司Forrester咨询执行的面向美国5000名各层次消费者的调查发现客户服务中最大的痛点是知识库。KMCenter基于超过200家呼叫中心调研数据发布的《2015中国呼叫中心知识库现状与问题报告》也显示大部分客户服务知识库都存在各种各样的问题,最核心的问题有两个。

一是内容组织上存在问题。
        由于内容组织上的欠缺,造成了知识库使用上的许多不满意,包括搜索结构不准确、内容找不到(很可能是有的)、类似内容间的关联欠缺等,这种不满意既来自于传统的座席代表,也来自于在线服务的人员和最终客户。
        知识关联:在前面的例子中如果建立了“SUN”与“太阳”的关联(同义词),那么无论是用“太阳套餐”还是用“SUN套餐”去发现,都可以找到相应的内容,这是在知识库组织中基础的词表的建立:同义词、近义词、上位词、下位词。譬如苹果、梨、橘子、葡萄都属于水果的下位词,当客户搜索苹果没有相应内容的时候可以推荐橘子、葡萄给用户。类比成用户想寻找无月租的套餐,但该公司没有这样的套餐怎么办,最低的是5元套餐,这个时候就可以推荐这个给客户,客户很可能就会选择。
多维度分类:在大部分的客户服务知识库中也有多维度分类,但这个多维度首先是数量太少,通常3、4个维度,而具体需求的复杂程度要远高于3、4个角度;其次是这些维度都是站在服务提供方的立场上,基于产品、服务、自己的流程等,然而客户根本不是这样去发现内容的。看看百度的度秘怎么说的:“建立丰富的索引维度,方便用户个性化的查询需求。以餐馆为例,地理位置是一个维度,菜品类别是一个维度,但可不可以带宠物、有没有明星光顾过、餐馆的包间有没有电视等等都能成为新的标签和索引维度。索引维度越丰富,用户在拥有个性化的需求时能找到相关服务的可能性越大。“维度越多,理论上越准确,但成本也越高,百度因为有海量用户搜索行为数据才可以基于用户的搜索内容去自动确定维度标签。我们客服中心的优势是客户诉求明确,则可以依据专家+服务数据结合的方式去有针对性地确定相应标签。

二是知识库的客户化
        这里的客户化包括内容的客户化、内容组织的客户化、用户使用场景的考量等因素。在“2015中国呼叫中心知识库现状与问题”调查中这是反馈最多的问题,但这也是一个比较困难的问题。解决对策首先需要建立相应人员的客户化思维,从客户部门的负责人到座席都要有站在客户立场上去思考的意识和能力,理解客户问题产生的场景,既要看到显性的需求又能挖掘背后的潜台词;其次是提高知识库管理人员知识组织的能力、采编人员对业务面和需求面的深入理解,在这个基础上提升表达的能力和技巧。在这个过程中除了充分利用一线人员、后台管理人员的经验、判断等隐性知识去改进外更要充分利用智能化客服系统所记载(悲催的是有不少系统欠缺这个记载)的用户行为轨迹和数据去分析,不要仅仅去看满意度高的部分,更要去分析不满意的部分:为什么出现、规律和趋势是什么、潜在需求是什么、为什么没有满足等等。但在实践中,我们很少看到有公司来做这一块分析,这无疑是十分可惜的。

三是知识库决定了智能化的程度
         在客户服务环节,宝贵的人力资源应该去做更重要的事情,用智能化方式服务客户是一个正在到来的趋势,大家都在路上!
知识库是智能化服务的大脑,这个大脑的“聪明程度”、效率决定了服务的质量和客户满意度,所以如何建设和运营既能支撑座席又能支撑多媒体和渠道的知识库成为客户服务中心现在和未来很长一段时间内面临的核心任务!在今天,大部分知识库内容的生产和知识组织方式都是人工主导和参与;而未来,随着数据量的积累和智能客服相关技术的进步,知识库的优化方式更多来自于对用户行为的分析和基于大数据深度学习所发现的洞见和需求。

相关推荐