起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識一文讀懂智能客服：發展歷程、系統搭建、市場推廣
在人工智能領域，智能客服是比較容易落地，且技術比較成熟的一項應用實踐。本文以智能客服為對象，梳理了它的發展歷程、系統搭建、市場推廣。enjoy~
2018 I/O開發者大會上，谷歌演示了對話機器人Duplex。
Duplex完成了兩項任務：
- 第一項任務，預定理發服務；
- 第二項任務，一個預定就餐的電話接待。
實際上，Duplex扮演的就是智能客服的角色。
在人工智能領域，智能客服應該是比較容易落地，而且技術比較成熟，這是因為客服領域的場景路徑具有相對明確的特征，決定了基于全量數據進行高并發需求處理的人工智能在客服領域將大有可為。
目前，基于大數據、云計算和深度學習等領先的人工智能技術，智能客服已經可以實現自主問答、業務辦理、故障診斷等一系列復雜操作，實現客服行業中大部分的應答需求，快速高效的解決用戶問題。
據2018年5月發布的《中國智能客服行業研究報告》統計，中國大約有500萬全職客服，以年平均工資6萬計算，再加上硬件設備和基礎設施，整體規模約4000億元。
如此巨大的市場，當然會使得眾多企業對于智能客服趨之若鶩。但是為什么到現在還沒有一家獨角獸公司出現？
雖說這是人工智能中最容易落地、技術相對成熟的項目，但相關企業如果想開發和構建一套人工智能客服系統，到底要投入多大的成本？
一家企業是自己搭建一套智能客服系統，還是找到一家合適的智能客服平臺廠商，站在“巨人”的肩膀上，利用它們賦予的能力，搭建自己的智
能客服解決方案。
今天我們好好聊聊。
一、客服系統的發展歷程
中國客服軟件市場大致經歷了三個發展階段：傳統呼叫中心軟件、PC網頁在線客服+傳統客服軟件、云客服+客服機器人的智能客服階段。
- 2000年以前，互聯網尚未普及，客服主要以電話溝通為主。
- 2000-2010年間，得益于計算機技術、計算機電話集成技術（CTI）、網絡技術、多媒體機技術以及CRM、BI、ERP、OA等企業信息化應用的集成，客服系統跳出單一的電話溝通出現了網頁在線客服等多種客服渠道。
- 而過去近十年，移動互聯網、云計算、大數據和AI技術的發展又將傳統呼叫中心和客服軟件帶入了SaaS和智能化時代。一方面全新的SaaS模式使得企業搭建客服中心的成本大大降低，SaaS模式逐漸普及，早期提供呼叫中心硬件設備的廠商已經延伸到中下游，為外企、國企等大型客戶提供本地客服中心解決方案。
從當前客服產業鏈構成情況來看，上游基礎設施環節已經發展成熟，少數巨頭壟斷市場。未來，他們會繼續向下游延伸，構建企業服務生態。
中游客服產品提供商中，云客服廠商經過幾年競爭，頭部幾家已脫穎而出，但仍未長出巨頭，競爭依然激烈。產品功能更加豐富，應用場景也從客服延伸到了銷售、營銷等多個環節，另一方面，客服機器人通過輔助人工，以及回答簡單重復性問題，大大提高了人工客服的工作效率。同時，AI也在從各個環節上變革著企業客服的交互方式，加速線上線下客服的智能化升級。
二、智能客服系統搭建
智能客服系統主要基于自然語言處理、大規模機器學習、深度學習技術，使用海量數據建立對話模型，結合多輪對話與實時反饋自主學習，精準識別用戶意圖，支持文字、語音、圖片等富媒體交互，可實現語義解析和多形式的對話。
任務對話服務：
定制化服務，通過與用戶的多輪交互，實現快遞查詢、訂餐、醫生預診等服務類功能。
業務咨詢服務：
通過QA知識庫，快速回復用戶問題咨詢服務。解決常見問題的解答。
2. 智能客服系統的技術構架
（1）基于知識庫回答的智能客服系統
基于知識庫回答的智能客服系統，
使用的檢索或者分類模型來實現的。
檢索式回答的流程是：
- 首先對用戶的輸入問題做處理，如分詞、抽取關鍵詞、同義詞擴展、計算句子向量等；
- 然后基于處理結果在知識庫中做檢索匹配，例如利用BM25、TF-IDF或者向量相似度等匹配出一個問題集合，這類似推薦系統中的召回過程；
- 由于我們是一個問答系統，最終是直接返回給用戶一個答案，因此需要從問題集合中挑出最相似的那個問題，這里會對問題集合做重排序，例如利用規則、機器學習或者深度學習模型做排序，每個問題會被打上一個分值，最終挑選出top1，將這個問題對應的答案返回給用戶，這就完成了一次對話流程。
在實際應用中，我們還會設置閾值來保證回答的準確性，若最終每個問題的得分低于閾值，會將頭部的幾個問題以列表的形式返回給用戶，最終用戶可以選擇他想問的問題，進而得到具體的答案。
（2）基于槽位填充的多輪對話系統
搭建基于槽位的對話系統是一個相對專業而復雜的過程，通常分三個主要的階段。首先是需求分析，然后是使用平臺搭建 BOT，最后是持續優化。
了解該系統我們先熟悉一下幾個名詞的釋義：
1）意圖
意圖是指用戶在語音交互中發出的主要請求或動作。
意圖示例：
- 肯定意圖：是；對的；正確；Ok；
- 否定意圖：不是；不對；錯了；NO；
- 取消意圖：退出；停止；關閉；結束；
2）技能
技能是滿足用戶特定需求的一個應用。例如用戶說“查詢我的洗發水快遞到哪里了”時，會進入快遞查詢的技能。
3）問答型技能
通過Q（用戶問法）和A（機器人回答）的配置，可以實現簡單的用戶與機器人的對話。
任務型技能：在問答型技能的基礎上，增加槽位、API（接口）調用等高級功能，可以通過配置，來實現用戶查詢信息、問題搜索或者其他功能。
4）詞典
某個關鍵詞可能變化的內容，例如時間詞典，位置詞典。
語義槽：語義槽是用戶說法中包含的關鍵詞，它可以幫助系統準確識別意圖，例如星座語義槽包含12星座的名稱。語義槽和詞典一般會同時使用，語義槽通常用來指代詞典。一個語義槽可以同時綁定多個詞典，一個詞典也可以與不同的語義槽相關聯。
5）追問
當用戶問法中沒有提供該語義槽值時，機器人要對其自動發起追問。
例如用戶問：天氣怎么樣？我們無法獲取到查詢天氣的地點的語義槽值，就需要機器人追問，您想獲取哪里的天氣信息？，追問話術一般設置多條，隨機追問。
在國內開放的bot系統中，百度UNIT和微信的對話開放平臺就是應用的該技術框架。
一個自然語言對話系統，理解的核心任務是對意圖的解析和對詞槽的識別。
例如：訂明天早上8點北京到石家莊的火車，在這個例子中，對于用戶表達的一句話，它的意圖是要訂火車票，其中涉及的詞槽包括出發地、目的地、時間。當這個時間有多趟車次的時候，就需要進行追問用戶，是要訂哪一個。
以百度UNIT平臺為例，搭建一個買票智能回復的流程。
- 需求分析：訂火車票需要知道時間、出發地、目的地
- 新建一個BOT，命名為：火車票
- 新建對話意圖：命名訂票
- 添加詞槽：出發時間、選擇系統詞槽詞典，選擇然后選擇系統詞典 sys_time(時間)，出發地詞槽、目的地詞槽，這兩個都可以選擇系統詞典，這些都是必填項。
- 設置詞槽與意圖關聯屬性，這里火車票的出發時間是訂票里必須的關鍵信息，所以選擇必填。澄清話術就是當用戶表達訂票需求的語句里缺少出發時間時 bot 主動讓用戶澄清的話術。還可以設置讓用戶澄清多少輪后放棄要求澄清，默認是 3 次。
- 設置 BOT 回應，BOT 回應就是當 BOT 識別出用戶的意圖和所有必填詞槽值時給用戶的反饋。對于訂票回復一般對接API接口，實現自動生成方式。
當然，這只是火車票中的一個場景，在火車票這個場景中還有退票、改簽、查詢等功能。這些都是需要我們在需求梳理中要確定的。
3. 如何評判一個智能客服系統的好壞
（1）基于人工標注的評價
基于問答知識庫來回答的系統，回答能力受限于知識庫的豐富程度，也就是說知識庫對用戶問題的覆蓋率，覆蓋率越高，準確性越高。
因此并非能回答用戶的所有問題，系統最佳的狀態是將能回答的全部回答準確，不能回答的全部拒識，即拒絕回答。
因此這里的評價指標包括有問題解決率、拒識率、召回率和準確率等，我們的目標是讓系統的有結果率無限接近數據的真實有結果率，召回率和準確率盡量高。
- 召回率 = 機器人能回答的問題數 / 問題總數
- 準確率 = 機器人正確回答的問題數 / 問題總數
- 問題解決率 = 機器人成功解決的問題數 / 問題總數
- 拒識率=機器人未回答問題數/用戶問題數
通過從每日的全量數據集中抽樣出一個小數據集，保證小數據集的數據分布盡量符合全量數據集，然后由標注團隊對數據集做標注，標注出每個問題的實際答案，一般標注完成后還有質檢的環節，以保證標注結果盡量準確，這樣便生成了每日數據的標準評測集。
基于該標準評測集我們會去評價系統的好壞，并且每次做新模型迭代時都會使用標準評測集去評價新模型，只有新模型達到某個指標才可以上線。
（2）基于用戶反饋的評價
人工評價能夠評價智能客服系統的準確率，但是答案是否合理，能否為用戶解決問題，需要用戶去反饋評價，整個智能客服系統的最終目標是幫助用戶解決問題。
我們會在產品上設計智能客服和在線客服的評價功能，例如會讓用戶評價智能客服的每個答案或者某次會話，在和人工客服聊天完畢會發送評價卡片給用戶去評價滿意度，如下圖所示。
最終我們會統計參評比例、滿意度等指標，這些指標能夠真正反應智能客服系統的好壞。實際中往往用戶參評比例低，我們會使用各種方法去刺激用戶評價。
三、智能客服遇到的那些問題
1. 做通用智能客服系統還是垂直行業智能客服系統
智能客服系統的都是2B的，通用型智能客服系統意味著市場更大，用戶更多。而垂直領域的客服系統用戶就少的多了。
以保險行業為例，全國保險公司一共一百多家。而且做垂直領域的智能客服系統，AI團隊必須充分理解行業。了解業務需求，了解業務流程還需要跨部門溝通。
做垂直領域的智能客服系統，往往會陷入一兩個大項目，不斷滿足用戶的個性化需求上。最終系統很“定制”，同時市場也很小。做幾個項目之后就會碰到透明的天花板。
然而做通用型智能客服系統最然市場很大，但是和做垂直領域的智能客服系統的團隊相比，沒有了優勢，技術優勢現階段各家差距不大，小公司可以給用戶定制化，但是通用化系統不可以，最終變成市場很大，但是被一個個一句突起的做垂直領域的智能客服系統小公司蠶食了。
那怎么辦呢？
互聯網剛開始的時候，門戶網站率先突起，能夠服務大多數人的需求，接下來，微信公號可以訂閱，每個人的閱讀內容都不一樣了，這就是一種定制版的資訊平臺。從用戶角度來說，定制化是演進方向，最終通用型客服會被垂直行業智能客服所取代。
2. 做SAAS服務還是私有化部署
傳統行業銀行、保險、證券、房地產等大企業往往有很強的客服需求，對引入智能客服系統的意愿很強，但同時其對自身數據安全性的要求也很高，因此只會同意本地化部署的解決方案。
這類大客戶做本地化部署解決方案，就只能采用項目制的商業模式，做一個項目收一次費用。好處是一個項目就能收到幾十至上百萬元的收入，創業初期就能有盈利；壞處是私有化部署客戶需要定制化需求比較多，會占用大量人力成本而且難以規模化復制，長久來看增長空間有限。
那怎么辦呢？
單從數據安全角度來講，會隨著技術發展來解決，移動支付剛開始的時候大家還很害怕，綁定自己銀行卡會不會被盜。會不會有黑客黑進我的支付寶?，F在來看是杞人憂天了。有足夠的投入才會有足夠的資金支撐技術開發，SAAS服務服務的用戶更多，技術漏洞更容易被找出來，系統的安全性會進化的更快。私有化部署不是一個好的選擇。
3. 服務大客戶還是中小客戶
創業之初選擇目標客戶時所有智能客服創業公司都需要面臨一個選擇：究竟是主攻大企業客戶，還是一開始切入中小企業市場？
主切中小企業客戶則可以用標準化的SaaS產品來滿足其需求，不僅模式輕占用人力成本低可實現規模化復制，而且能通過每年續費的方式獲得持續的收入，還能不斷得到數據循環反饋建立起技術壁壘。
但缺點是前期獲客難度大，需要做大量市場教育工作，并且中小企業的死亡率高，整體的續費率難以保障，創業初期很難實現盈利。
但是主攻大客戶的話，一些定制化需求難以滿足，而且大客戶流程比較長，一般具有長期服務的服務商，對產品成熟性要求比較高，創業公司很難打進去。定位于服務幾個大客戶，對于創業公司風險比較大。
那怎么辦？
做垂直領域的SAAS系統，就需要有更多的用戶使用，才能更快的迭代系統，只有一兩個大客戶，很難提出建設性的改進建議，所以說做中小客戶，盡快的找到第一批用戶，把系統跑起來然后不斷優化迭代。
3. 智能客服銷售難點
大家都在說傳統客服行業有很多痛點，智能客服可以很好地解決這些痛點。例如：
（1）人工成本高
人口紅利消失，用人單位的用人成本會越來越高。
這個是真實需求嗎？首先客服并不是一個企業的核心部門，大多企業對于客服部門并不是很重視。在中小企業，客服人員并不太多，真正能節省的人力成本并不高，所以企業的替換的動力并不大。在大企業中，人力成本的確是一個大的成本支出部門，但是也正基于此，大企業有足夠的支出來自己做智能客服系統。因為他們的投入產出比是合適的。就像是滴滴這類擁有大客服部門的企業，更傾向于自己來做。
（2）決策悖論
智能客服系統要解決的就是人類客服做的事情，當替換掉他們的工作后，就意味著部門裁員。
這樣當然對于企業來說是節流的好辦法，但對于客服部門領導來說就不那么好，部門人說減少就意味著自己在企業中的權重降低。
雖然長遠來看這是大勢所趨，但現如今銷售過程中基本是還是從上到下的銷售過程，而不是部門提出的迫切需求，并且有部門人員持續跟進。
總結
太陽底下沒有新鮮事，大公司應用底層技術框架，搭建自己的智能客服系統。也許會是一個趨勢，既能夠保證數據的安全性，也能夠控制成本。對于一些SAAS智能客服系統來說，當技術形不成寡頭優勢，產品推廣和服務能力就會變得尤為重要。
智能客服公司有壁壘嗎？什么才是智能客服公司的壁壘呢？
客服系統的使用習慣，和數據的積累，以及知識庫的完善，是智能客服系統的行業壁壘，用戶切換智能客服系統的成本太高，也就懶得替換。
所以盡快拓展自己用戶，這就是智能客服公司的壁壘。只做智能客服未來的業務增長會非常有限，找到自己的第二增長曲線，是決定智能客服公司走多遠的關鍵。
#專欄作家#
老張，人人都是產品經理專欄作家。運營軍師聯盟創始人之一，《運營實戰手冊》作者之一。AI產品經理，專注于自然語言處理和圖像識別領域?，F智能保險創業公司合伙人，希望與人工智能領域創業者多多交流。
本文原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash，基于 CC0 協議。
可以體驗下春松客服，https://bot.chatopera.com
假大空
??