中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

電商行業中，導購扮演著非常重要的角色——既觸達客戶解答產品疑惑，又能夠通過溝通推廣銷售產品。那么在電商場景中，我們就可以利用智能導購，通過多輪會話的方式來完成導購流程

一、什么是“智能導購”？

我們在逛商店時候，有時候不知道買哪一款商品，需要找導購人員咨詢。如果遇到一個好的導購人員，就猶如貼心小閨蜜那么給人信任感，讓人如沐春風，放心地買買買。但如果運氣不好，碰上一名態度惡劣，帶著有色眼鏡的導購人員，也足夠敗壞我們一整天的好心情。

這種情況在線上購物時候也時不時發生，比如遇到一個回復賊慢，答非所問的導購客服，也特別讓人抓狂，干脆走人。某位劉姓天王就說過：“今時今日哩種服務態度係唔得噶”。

當然，如果是一個導購機器人，服務態度自不用說，它可以讓每一位顧客享受到公平而溫暖的服務，也不會受情緒的影響，不用等待，快速解決顧客的疑慮。

現在線下的導購機器人有“豹小秘”、“小船”這類比較知名的網紅，他們可以幫忙迎賓、商品推薦、咨詢問答、商品到工行、產品移動廣告等；同樣的，線上也有導購機器人，如有贊商城導購bot、優衣庫線上導購員“小優”，淘寶的店小蜜，可以幫助顧客挑選商品，解答購買的疑惑。

而我們要聊的場景，其實是基于線上的電商導購chatbot，如何通過多輪會話的方式來完成導購流程。這類場景比如在一個護膚品的線上店鋪里面，買家不確定哪款護膚品適合自己，就會找導購客服咨詢。那在開始之前，我們先來捋一捋電商行業的導購場景。

二、應用場景與價值

1. 不同行業導購場景

不同行業的導購場景，由于品類不同，買家會咨詢的問題不盡相同。比如買家想購買一雙鞋，會考慮是不是合腳，是休閑的還是運動的；而購買一臺洗衣機，就會考慮全自動還是半自動，滾筒還是波輪。

這里，我們來聊聊三個比較有代表的行業場景：美妝、服裝和家電。

（1）美妝行業

小姐姐們日常買護膚品就應該知道，遇到一些新的牌子，有時候不確定哪一款適合自己。

當然也包括像七爺這樣的直男，如果想買一款護膚品或者化妝品送給女孩子，簡直是噩夢，四處打聽，生怕買錯了。

這里有幾種類型的用戶：

第一種不了解自己要什么產品，但知道要解決什么肌膚問題；

反饋情況，尋求推薦：“油性肌膚適合什么產品”

第二種是知道自己要什么產品，但不知道能解決啥問題；

直接尋求推薦：“給我推薦一款口紅，送人的”

第三種是知道自己要什么產品，也知道要解決什么問題，但不確定是否匹配。

a.購買粉底：“皮膚黃，可以買啥粉底”

b.購買口紅：“這款口紅如何選色“（指定商品）

在美妝行業，其實有一種職業叫做BA（Beauty Adviser），也就是美容顧問。

而在線上店鋪中，客服小姐姐就充當了這個角色。針對買家上面的咨詢，客服會通過詢問更加詳細的肌膚問題來做推薦，以下為模擬對話（分別針對以上三種情景）：

買家：我的皮膚比較暗黃，沒營養，還有斑

買家：目前也在懷孕中，有沒有推薦的護膚品？

客服：您除了以上的肌膚需求 還有其他需要改善的肌膚困擾嗎？

買家：就這些吧。

客服：根據您的肌膚狀態，推薦您購買口碑經典套盒**巴拉巴拉**

買家：推薦一款口紅給我唄。

客服：您方不方便透露下您的膚色是偏白皙、偏自然還是偏暗黃的呢？

買家：偏白皙

客服：嗯嗯，為您推薦****。這款口紅受大家熱愛，涂抹唇部是比較清新淡雅顯氣色的哦。

買家：http://item.taobao.com/item.htm?id=*****（發送商品鏈接，指定商品)

買家：這款粉底液不知道怎么選色

客服：您的肌膚是偏白還是偏黃的呢

買家：臉頰有點暗黃

客服：嗯好滴，您想要用完后的妝效是自然白還是自然呢？

買家：自然點吧

客服：好的，為您推薦:*****

客服：這款的優勢在于**巴拉巴拉**

（2）服裝行業

服裝行業的導購場景相對美妝來說，買家咨詢問題會更聚焦。

我們網購衣服的時候，一般都知道買啥衣服，心里已經有了候選了，要求客服幫忙推薦的少之又少。那最擔心的，主要是尺碼問題。

至于擔心買家秀和賣家秀的差別太多，那七爺我只能勸你：用臉說話吧（微笑臉）。

買家咨詢尺碼的情況大致相同，都是提供自己的身材情況，比如身高體重，接著詢問對應衣服尺碼。

我身高170，體重65公斤，應該穿什么碼呢？

雖然買家的問題不復雜，但客服要解答這類問題，可一點都不輕松。這類問題有兩個特點：

• a.需要衡量：即對買家提供身材信息與尺碼表做對比，推薦合適的尺碼
• b.衡量條件不同：買家提供的身材信息的標準不同，有可能是身高/體重，也可能提供身高/月齡（嬰兒裝裝），腰圍（褲子），胸圍（內衣）等；標準多種多樣，客服做衡量時就更為復雜。

典型場景如下：

買家：https://item.taobao.com/item.htm?id=****** (發送商品鏈接）

買家：這款嬰兒裝，我家孩子得買多大的？

客服：親，咱家寶寶幾個月大了，身高大概多少呢？

買家：10個月吧，70公分吧

客服：那建議親購買S碼呢

也正因為解答難度高，服裝行業的客服小姐姐每天需要消耗大量時間，并且時常因為回復不及時，流失了客戶，且在大促期間尤為顯著。另外，如果買家購買的尺寸不合適，會造成嚴重的退貨率，從而影響店鋪的信譽。

（3）家電行業

電器行業的導購也不常見，顧客很少會找客服推薦，往往已經有了心儀的商品。但買家不問，不代表客服就不能推薦。

家電行業的客單價普遍比較高，買家也經常要貨比三家，猶豫再三。這時候如何抓住買家核心需求，推薦其最滿意的商品，則是客服提升業績的關鍵。

同時，家電行業對商品功能的要求比較高，買家買空調、洗衣機等大家電會要求尺寸，買吸塵器、風扇這些小家電會看功能。如果導購過程中沒有和買家確認關鍵信息，可能會導致買家買到商品發現不合適而申請退貨，這個結果是雙方都不愿意看到的。

所以在買家沒有要求推薦情況下做主動導購，一方面可以提升轉化，另一方面也能夠降低退貨風險。

那在什么場景下做主動導購的問題，后面會討論。這會兒主要討論具體推薦場景是怎么樣的。家電的品類繁多，每種電器都有自己的特性，買家的關注點也千差萬別。但每個品類有自己的關鍵屬性，比如空調的匹數，冰箱的容量等。

【為買家推薦冰箱】

客服：請問您是家庭自用還是出租房屋使用呢？

買家：家庭的

客服：請問您需要多大的呢？200L以下還是500L以下

買家：好的，為您推薦符合您要求的xxxx冰箱。。。

2. 電商行業引入智能導購的價值

對于電商行業來說，成單永遠是第一位的事兒。而售前導購客服的業務水平參差不齊，有金牌客服的高績效表現，也有新手或者臨時工的0成單現象。用金牌客服的有效套路，機器人將其用在智能導購流程中，是可以有效提升店鋪轉化率的。

其次，前面講了，售前客服的工資就是跟業績掛鉤。所以，如何通過有效的溝通來引導客戶下單，成為了售前客服業務能力強弱的重要衡量標準。

但某些導購問題的解答工作過于繁瑣而重復，比如服裝行業的尺碼推薦環節。這時候，如果機器人能夠把尺碼推薦的工作承擔下來，是可以幫助客服提升工作效率的。

站在店鋪角度考慮，智能導購機器人能夠幫助客服提升效率，帶來業績的提升；而站在買家的角度，導購可以幫助了解產品的真實情況，確認是否與預期匹配。

如果沒有導購，很可能顧客買回去才知道不匹配，然后需要申請退換貨。在電商行業，比如某寶，退換貨比例會影響店鋪的評分，從而影響店鋪流量的引入；其次，退換貨也增加了店鋪售后的工作量，所謂”您輕輕一鍵退貨，我重重一錘心肝??！“

最后，一次精準導購，能夠抓住顧客的核心需求，讓其整個購買過程都能放心，這在無形之中是可以提高用戶滿意度，甚至增加買家收藏店鋪，長期光顧的可能性。

現在我們review一下好的導購體驗能夠帶來的價值，主要有以下四方面：

1. 提升轉化率
2. 提升客服效率
3. 降低退換貨比例
4. 提升用戶滿意度

三、“智能導購”模型原理

那我們說完場景的東西，接下來就是設計chatbot，用機器人的方式來幫助客服做導購。而設計一個智能導購的chatbot，實際上是設計一個多輪會話的任務型對話系統，即通過多次交互的上下文來理解買家購買意圖，并完成推薦商品得任務。

七爺我一直相信一句話：工欲善其事必先利其器。想要設計出一個驚艷實用的導購bot，就必須先理解什么是多輪會話，并且用好這個東東。所以這一章，我們先來聊聊任務型對話系統的AI模型是怎么樣的。

1. 模型概述

就如同訂餐、查天氣這些任務，用戶的單輪問答往往無法提供滿足任務完成需要的信息，因此多輪對話是必須的，bot通過主動詢問缺失信息等策略來進行信息填充。

先放一張業內通用的任務型bot的對話流程圖（已經爛大街的一張圖）。其中ASR和TTS屬于語音的范疇，咱這次聊天主要以bot的語義交互為主，這塊就pass吧。

• NLU：將用戶的消息識別出來，轉化為結構化的語義表述（一般slot-value pairs 的方式表示），再把這個結構化語義傳給DM；
• DM（Dialog Managemment）：簡單講，就是接收并做推理理解NLU的輸出及其他信息（如上下文），來決定多輪會話的下一步動作。
• NLG：負責把DM的輸出（下一步動作）轉化為自然語言，并反饋給用戶。

下面將對這三個模塊做具體說明。

2. NLU模塊

該模塊的輸入是用戶的query，并為DM輸出是結構化的語義表達，主要目的是讓DM能夠理解用戶的意思。

這個結構化的語義表示通常被稱作DA（dialogue act）， 由 communicative function 和 slot-value pairs 組成，其中 communicative function 表示 query 的意圖類型 （如：請求推薦、打招呼，否定，感謝等等），而每個 slot-value pair 可以看成槽位內容，用來限定意圖的范圍。

舉個例子：

為了達到以上效果，NLU需要做三個事情：【識別領域domain】→【識別意圖】→【槽位填充】。

【意圖識別】（SUC,Spoken Utterance Classification)，是一個典型的分類問題，即劃分用戶咨詢的是下不下雨還是訂火車票

【槽位填充】即意圖所帶的參數。換言之，在某個任務中，bot需要確認的相關信息（確認方式有：反問、歷史記錄、其他API等）。

舉個簡單的例子，訂火車票時，需要確認用戶的出發地、目的地、乘車時間，最后幫用戶購買完成，這里確認的各個信息，就是所謂的【槽位】。槽位填充可以轉化為序列標注問題，可以 用基于BI-LSTM等模型進行填充。

【識別領域】，可以理解為意圖的集合，如咨詢氣溫、咨詢是否下雨都屬于天氣這個domain。

有人會問：直接識別意圖不就行了嘛？

這個問題從技術角度來說，領域可以約束知識范圍，提高后續意圖識別和槽位填充的搜索效率。而考慮該技術問題，主要因為在真實的業務環境中，一個多輪會話系統需要同時處理N多任務，比如導購會有護膚品導購，服裝導購，電器導購等。這里需要PM與算法同學一起做定義呢。

另外，技術上NLU模塊主要是一個分類+實體識別的問題，所以利用？

該模塊的衡量指標比較明確，我們可以看分類的準確率是否達標，以及檢驗槽位填充效果，一般用F1-score來做檢驗。

而對于PM來說，也需要與算法同學攜手（原諒我抱緊算法大大大腿的強烈意愿），圍繞該模塊所需要達到的效果而努力，相關評價的指標，主要有分類的準確率、槽位填充的F1-score。

現在，我們以前面咨詢護膚品粉底液的場景為例，機器人需要反問買家關于膚色、妝效的信息，整個對話設計如下：

用戶query：“推薦一款粉底液”

domain定義：護膚品推薦，skin-care

意圖定義：粉底液推薦，liquid foundation

槽位定義

槽位一：膚色，skin-colour

槽位二：妝效，Makeup effect

3. Dialog Management（對話管理模塊）

按照“前人”的定義，DM控制著人機對話的過程（發展方向），根據對話歷史（上下文信息），決定此刻系統對人的反應。

上面的高深玄學解釋了對話管理的定義，說白了有兩個作用：

1. 記住用戶在多輪對話中扯到哪里了，即對話狀態維護（dialog state tracking，DST)；
2. 按照對話狀態決定如何繼續和用戶扯淡，即生成決策系統（dialog policy）。

可見，DM算是一個多輪會話核心的軍事戰略基地，每個任務的走向都由其決策，來決定下一步的走向。

接下來我們先介紹兩個模塊（DST和DPL）的定義，然后用一個對話舉例，大概就能明白這是個神馬玩意兒了。

DST模塊

每個模塊都屬于對話管理系統的一部分，自然都有輸入和輸出。DST模塊的輸出是當前對話狀態，可以理解為槽位填充情況，以告訴后面的“人”現在扯到哪里了。輸入就很多了，包括:

1. 用戶當前的動作：此刻用戶說了啥
2. 之前的對話狀態（填槽狀態）：前面用戶都說了啥
3. 之前的系統動作：前面機器人是如何回應的

該模塊可以利用深度學習來實現，比如基于基于RNN和LSTM的序列跟蹤模型。當然，模型的效果無法保證的情況下，利用規則也是可以work的，并且人為把控性更強。

DPL模塊

DPL是接DST的輸出（對話狀態）作為輸入，當知道了當前對話到哪里了，就得想法子回復用戶，這時候就靠DPL中預設的對話策略，選擇響應系統動作作為輸出。

這里的系統動作一般有問詢、確認和回復三種。問詢的目的是了解必要槽位確實的信息；確實是為了解決容錯性問題，填槽之前向用戶再次確認；回答則是最終恢復，意味著任務和有限狀態自動機工作的結束。

還是以NLU模塊講到的推薦粉底液例子，講下DM模塊是怎么work的。

【聊天內容】

用戶：你好啊

機器人：您好，請問有什么可以幫到您?

用戶：幫我推薦一款粉底液吧

機器人：好的，請問您的膚色如何？

用戶：偏黑一點

機器人：嗯好滴，您想要用完后的妝效是自然白還是自然呢？

用戶：自然白吧

【NLU識別結果】

【對話初始狀態】

當在第3輪進入到recommend的任務型會話中，DM就開始填槽并回應的過程。

初始狀態：

【第一輪對話狀態】

【第二輪對話狀態】

當然，DM在工作中也會有很多異常情況處理，比如用戶主動切換場景、對話時存在多槽位值、用戶表達否定、NLU識別錯誤、槽位依賴、API填槽等情況。

這些情況不只是算法的工作，產品也需要根據實際業務情況來決定處理方式。本節只講述任務型會話模型的原理，關于如何結合業務和算法設計對話產品，將在下一節展開。

4. NLG模塊

NLG負責把上述DM的輸出【系統動作】轉化為自然語言，以回復用戶。這里的回復話術一般有澄清話術、引導用戶、詢問、定義確認、結束語等。

同時，目前基于生成模型的NLG尚未十分成熟，而基于業務（如電商）的任務型會話需要嚴謹的回復，避免出錯影響用戶滿意度，所以廣泛采用的還是傳統基于模板、樹或其他規則的方式，如下表則是根據規則定義NLG的示例。

好啦，一頓吹水猛如虎，多輪會話理解不再苦。當然，產品經理除了知道模型原理外，要做的事情還有很多。接下來，我們就來聊聊智能導購的對話機器人要如何設計了。

四、智能導購產品設計（以美妝行業為例）

我們在第二模塊算是梳理了美妝客服的實際業務場景，包括用戶類型，對話內容等，但這只是開始，接下來，AI產品需要用chatbot的解決方案，幫助客服提效增收。

做產品這個行當，始終要記得，自己做的玩意兒是給誰用的。而做TOB的，更應該了解自己的客戶，并結合其業務場景去定義自己的產品。

一般使用智能客服的客戶有兩類：

（1）大頭客戶，每年要耗掉大量人力成本在客服團隊，如美的電商每年就要招聘幾百名客服去做售前咨詢。他們希望能利用智能機器人減少自己的人工成本，而且往往這類客戶都傾向于私有化部署，價格賊貴，因此愿意投入專項人力去配合。

這種情況下，如果設計一個導購機器人能夠在不影響績效的情況下幫助減少大量人力投入，那無論需要前期冷啟動的數據收集，還是后續迭代所需要的數據標注訓練，客戶都愿意安排人員與供應商的數據團隊一起整合，即使需要幾個月的時間的維護時間。

現在電商市場上也可以看到，幾個平臺（天貓、京東、拼多多等）的大商家在自己的團隊專門設定了【機器人訓練師】的崗位，就是專門為了維護機器人，為店鋪客服提升效率。

（2）但另一類是小型客戶，他們希望機器人也能夠幫他們減少人工成本，最好還能創收，但是不能太貴。（此時讓我想到一個場景。。。）

男朋友：今天想要吃啥

女朋友：隨便

男朋友：隨便是啥嘛

女朋友：就是好吃的，環境好的，服務好的，但不要太貴

好吧，說到底，這類客戶適合使用saas型客服機器人，非私有化部署的。

但還有另一個問題，他們很可能也沒有專項訓練師，來維護一個機器人。如果讓客服主管或者運營人員來做這個事，那就真的很異想天開了，畢竟電商的忙碌可不是996那么簡單。

好了，講完這兩類客戶的基本情況之后，假如給大頭客戶設計一個多輪會話的導購機器人，可以由甲方人員配合乙方訓練師，先初始化配上意圖、詞槽、推薦商品，再利用數據標注的方式進行會話迭代，最終訓練好一個符合甲方的導購bot。而產品經理只需要將訓練師的流程平臺化，讓其快速地配置以及可以高效地迭代即可。

當然，如果希望最終效果明顯，這期間需要雙方投入N天的人力來做維護。當然，多輪會話平臺的設計其實大部分機器人友商都已經有成熟的方案，比如各種botframework，這次就不講了。

而上面的流程在大部分電商商家那里是不適用的（說到底，窮~）今天要講的，是如何為這一類”不適用“的電商商家（上述）設計適用的導購機器人。換個說法，產品經理要解決的問題，就是如何讓客戶更高效維護機器人，并達到客服提效增收的效果。

1. 意圖&詞槽組件化

既然客戶不想投入那么多人力（錢）維護，那我們沒錢有沒錢的過日子方法。

首先我們要整理清楚，創建一個導購bot需要做哪些事情：整理意圖 → 設計詞槽 → 設置商品推薦 → 迭代模型。其中，設置商品推薦這個環節，一定是店鋪根據實際情況設置，也就不可避免需要客戶自己維護。

那我們來看下其他幾個環節，我們可以如何提升客戶維護效率。

如果在創建意圖及設計詞槽的時候，讓客戶自己來確定哪些意圖可以進入導購場景，可能的結果：

【吃了懵逼果型】

維護人員：小明 身份：店鋪運營 職責：店鋪商品運營 店鋪咨詢情況了解程度：低

乙方：小明同學，麻煩整理下導購的意圖，也就是你們店買家咨詢最多的導購問題

小明：什么？意圖是什么？導購問題是什么？我平時哪知道買家咨詢什么?。课沂钦l？我在哪里？我要干什么？

乙方：。。。

【喝了雞湯型】

維護人員：小紅 身份：客服主管 職責：管理客服，關注買家 店鋪咨詢情況了解：高

乙方：小紅大哥，求求你，麻煩整理下導購的意圖，也就是你們店買家咨詢最多的導購問題

小紅：沒問題~我整理了很多情況都可以進入導購，比如問價格、問優惠、問尺寸、問活動。

乙方：這么多問題都直接給買家推薦，合適嗎？

小紅：怎么不合適？哦，對了，還有問包郵的，說不定也可以！反正只要能賺到錢，啥情況都可以做營銷！

乙方：。。。

【好吃懶惰型】

維護人員：小綠 身份：主管助理 職責：對接第三方各種軟件 店鋪咨詢情況了解：高

乙方：爸爸~麻煩整理下導購的意圖，也就是你們店買家咨詢最多的導購問題，我跪下了！

小綠：哎呀，我不知道哪里屬于導購啊，而且還要加那么多問法，太麻煩了。叫爸爸也沒用

乙方：。。。

為了讓運營交付同學不至于到處叫“爸爸”，讓客戶更舒服愉悅地從0到1構建導購bot，產品經理有責任來解決這件事！這么光榮的任務，就是由面向對象的類組件實現！

七爺之前讀計算機專業的時候，自從學了面向對象語言，寫程序就賊舒服。這其中很重要的一個點，在于引入了【類】的概念。

類的定義是：一組具有相同屬性和行為的對象的抽象。在寫程序時候，需要這些屬性就繼承這個類。而很多時候，為了更方便寫程序，我們會繼承類之后，進一步封裝成可直接使用的組件，比如登錄的通用程序組件。（不必懵逼，請偉大表情出場?。?/p>

大家小時候玩過的四驅賽車（沒玩過？不管！七爺玩過就好?。?，在一開始只是各種零件的設計圖（類），比如輪胎設計圖、車蓋設計圖等等；接著根據每個部件的設計圖，廠商制造了各種各樣的零配件（組件）：輪胎、車改、馬達等等；最后選擇合適的配件，就可以組裝成最威風的“音速戰神”了！

那我們是不是可以利用這個思路，將導購bot組件化，客戶只需要選擇配件，組裝起來就可以了？??！

七同學有了這個想法之后，也跟算法大大溝通過，在模型構建之前的數據集合構建，無論什么方式都沒問題，一句話：越快冷啟動越好。所以接下來要思考的是，電商按照什么標準來抽象出導購bot的組件？最明顯的是按照行業劃分：服裝、鞋業、家電、食品。。。但以行業特征來抽象存在兩個問題：

1. 顆粒度太粗：有些商家比如家電的華帝、方太旗艦店只賣廚房電器，沒有空調、洗衣機這類商品，如果抽象出家電行業的空調導購組件，對于華帝、方太、老板電器來說，是不適用的。
2. 無法兼容多個行業：如果一個店鋪售賣多個行業的商品，比如某大型鞋類品牌旗艦店，既賣鞋子又賣箱包還賣衣服，按照行業劃分應該屬于服裝、鞋類及箱包。如果要為該店鋪提供導購bot，需要同時選擇三個行業的組件，從信息架構來看，會顯得數據異常雜亂；從系統架構來看，開發同學也需要處理更多異常情況；而站在客戶角度，就像是擺了一堆互不相關的貨品，讓客戶自個兒去撈，那還不如不要給~

后面七爺看著每天的交互記錄，再做了不同行業的客戶調研，決定用品類來做標準。也就是說，關于空調、熱水器、鞋子、衣服、包包各種品類，我都抽象出可隨時調用的組件。這樣，不管你賣的是單廚房電器，還是多個行業的東西，只需要找品類即可。

在具體設計過程中，我們會先定義好不同品類的導購意圖，比如推薦護膚品的意圖【SKIN_CARE】，可以有各類問法：

給我推薦一款護膚品

我臉偏干，有什么合適的護膚品

我是懷孕媽媽，有哪些適合我的護膚品

……

關于如何確定不同品類的導購場景，就需要通過這個行業大量數據聚類分析，以及產品做業務的調研，具體實施過程會很痛苦，但做出來了就會很舒服了。所以做B端產品，頭部玩家很重要，產品經理也很重要！

設計好導購意圖組件之后，我們還需要關注客戶選擇的問題，畢竟不是所有品類都需要做導購。所以，我們可以利用店鋪數據分析，推薦店鋪咨詢最多的導購問題，客戶甚至無需思考，“機械般”照著系統推薦配置就可以了。

同理，在配置詞槽時候，與botframework的預置詞典一樣，以組件形式提供導購詞典：當選擇了【SKIN_CARE】意圖之后，系統自動推薦相關詞槽，客戶被安排得明明白白，正所謂“索然無味，絲毫沒有挑戰性”。

當然，如果客戶認為推薦的意圖不喜歡，強烈要他覺得的才是最好的，也提供了自定義意圖，讓他做配置bot的小天才！

最后，當導購bot冷啟動完成之后，客戶需要日常做數據標注，不斷優化模型，這塊工作量同樣不可避免，但可利用更高效的標注模塊來完成。這塊的功能設計其實已經爛大街了，就不在這里闡述了。

2. 組裝并進化bot

好了，從維護提效角度做的產品設計已經完成，但不要忘記設計一個導購bot的核心意義，是為客服提效增收，也給買家尚佳的用戶體驗。

從這個角度來考慮如何構建一個bot，產品經理需要回答四個問題：

1. 如何讓買家進入導購場景
2. 如何讓買家順利走到最后
3. 如何推薦給買家最合適的
4. 如何迭代該多輪對話

接下來，讓我們一一來看~

（1）如何讓買家進入導購bot

這個問題其實可以做分解，分為bot被動觸發及主動引導。

被動觸發的話，要考慮買家咨詢最多的導購場景，這里用到上述提到的推薦意圖即可解決，不再贅述。（雖然已經贅述了好多。。。）

主動觸發這塊，timing是最重要的因素?；氐娇头ぷ鲌鼍爸校麄冊诟I家咨詢過程中，也會在不同timing進行導購push，提升咨詢轉化。七爺總結了一下客服會做push的timing，這里列舉幾個主要的節點：

• 買家進店咨詢
• 買家咨詢結束n分鐘未下單
• 買家下單了未付款
• 買家取消訂單/系統自動取消訂單
• 買家咨詢后第二天
• 等等

當然，有些timing并不適合做導購，比如買家下單未付款或者取消訂單，說明買家已經有意向商品，無須再做商品導購。

最后，七爺抽絲剝繭，左思右想，決定了在買家進店的timing推薦導購，只要進來咨詢的買家，都會第一時間看到，這樣能保證覆蓋全部咨詢買家，不會遺漏。只有觸達率上去了，轉化量才有保證。

效果如下圖，買家如果有興趣可直接點擊問題，進入導購場景。

特別地，在客服下班之后，當夜間機器人無法識別咨詢消息，買家得不到答案，又長時間沒有人工介入，那么購買的意向則會大大降低。利用進店的問題卡片（上圖），機器人直接引導買家進行導購，減少上述識別失敗的可能性，并且也可以提升夜間無人的轉化率。

當買家與機器人聊天時，有可能會問天問地，所以我們需要確定哪些買家意圖能夠進入導購場景，也就是模塊三中聊到的domain和intent。

當然，我們不能夠拍腦袋來設計各種導購場景，千萬不能【我要我覺得】

A.什么時候觸發：不同業務場景不同

B.domain、intent確定，語料構建

（2）如何讓買家順利走到最后

①【詞槽設計策略】

關于如何設計詞槽，其實有個矛盾點：就是機器人要的信息太多，用戶會反感；要得少了，關鍵問題沒確定好，就容易讓用戶下錯單導致退貨，影響退貨率。

所以我們會根據每個品類，推薦最關鍵的信息詞槽，一般兩到三輪的交互是最合適的。如果商家有特定信息，可配置自定義詞槽。舉個洗衣機的例子：

user：推薦一款洗衣機

bot：請問您需要多大容量的洗衣機呢

user：1

bot：請問您需要全自動的還是滾筒的呢？(回復序號即可,1：全自動、2：滾筒、)

user：全自動

bot：親，根據您對洗衣機的購買需求：6.5公斤容量+全自動模式，為您推薦我們最受歡迎的洗衣機哦xxxxxxx

②【動態策略】

有時候bot在交互時，DM（對話管理）需要按照買家不同反饋采取不同的行為。說個簡單的例子，很多家長會去網上書店給小學階段的孩子購買讀物，機器人會根據不同年齡段給出不同的讀物推薦。

第一個是二年級孩子的讀物推薦

user：給我推薦一本小學課外書

bot：好的。請問您的孩子讀幾年級呢？

user：二年級

bot：這里有一款二年級的童話故事書，熱銷xxxx

第二個是六年級孩子的讀物推薦

user：給我推薦一本小學課外書

bot：好的。請問您的孩子讀幾年級呢？

user：我家小孩是六年級的

bot：好的，適合六年級小朋友的圖書有：文學類、歷史類、科學類，請問需要哪一種呢

user：科學類吧

bot：適合六年級小朋友的科學類圖書有：xxxx

在功能設計上面，如果涉及該類場景，可以考慮利用動態策略，即【槽位依賴】方式，解決本輪槽位值填充影響下一輪策略的問題，具體策略可以是直接給出回復或者進行下一輪不同的槽位填充，亦或者進入其他導購意圖。采用哪種策略，需要按照實際業務場景需求，確定產品的能力范圍。

③【記憶策略】

基于前面說到的輪次過多問題繼續討論，很多買家可能在之前交互中已經交代過槽位信息，若機器人再問同樣的問題，會顯得很**（咦，罵人果然不好）。

user：推薦一款粉底液

bot：請問您的膚色如何呢？

user：偏黃

bot：好的，為您推薦xxxx

user：謝謝。再給我來個口紅

bot：請問您的膚色如何呢？（NO!!!so stupid!!!）

bot：根據您偏黃的膚色，為您推薦xxxx口紅。。

所以一個有記憶的機器人，就顯得賊彌足可貴。要做到這一點，簡單的方式，在配置slot時，可以讓客戶選擇是否采用其他導購意圖的相同slot，以達到“記憶”的目的。

當然，我們還可以利用商家的會員信息，直接調用api填充詞槽。不過由于商家的開發資源有限，考慮ROI的問題，很少會為了多輪會話導購去做api接口。這種方式屬于說起來好聽，實際沒啥用武之地的功能，但在不同群體、不同場景下，這種方式還是有一定價值的。

④【多意圖交叉策略】

關于多意圖的場景，我們可以看下面的例子：

user：我是孕婦，可以幫我推薦一款適合我的產品嗎？

bot：我們店內有不同步驟的產品，您是需要哪個步驟的呢？

bot：?1.潔面 2.水 3.眼部產品 4.精華 5.乳液/面霜 6.防曬 7.底妝 9.唇部產品

user：精華和乳液有什么不同

bot：精華是xxx，乳液是xxxx

user：那我要精華、水、潔面

bot：好的哦，根據您的情況，給您推薦xxxx

當機器人進入導購意圖時，此時買家可能會突然cue到其他問題。這時候bot維護的不只是一個意圖了，則時候買家如果又回到了上一個意圖（如例子中的護膚品導購意圖），bot也需要能夠接上，否則用戶體驗極其討厭。

從業務角度看，客戶需要考慮每個導購意圖在跳出后多少輪之后還能再次進入該意圖，或者永久有效。

基于業務來考慮技術角度，相當于有一個堆棧維護所有被激活的意圖。如果是新的意圖，則入棧；如果是老的意圖，只要被觸發就隨時繼續交互。某個意圖交互完成了，就出棧。最終實現多意圖交叉的目的。

⑤【異常策略】

當然，基于bot的完整性，以及擁有足夠的資源協調，我們還可以處理一些異常情況，保證bot的智能。

異常1：NLU識別錯誤&ASR識別不準

這種情況往往不可控，萬一前面模塊提供一個亂七八糟的輸入給到DM，DM也無可奈何。此時除了優化ASR和NLU的模型外，可設置為非必要填充slot，這樣在導購意圖交互時，如果該slot的填充出現問題，就直接跳過，進入下一個slot填充action或者給出推薦，保證交互的流暢性。

異常2：用戶表示否定

很明顯，我們經常在后臺看到買家在做槽位填充時，不直接給答案，而是否定了其中的部分選項，這時候建議是采取其他選項作為slot值。

再者，當bot給出了推薦商品，買家表達“換一個”“不要這個”的時候，bot可以提供第二個備選商品；當然，bot也可以兜底回復，然后由人工做其他推送。畢竟對客服來說，這時候bot已經幫忙收集了大部分信息，客服只需要結合買家信息做推薦，效率上也提升了不少。

（3）如何讓買家愿意下單

當買家已經走到導購意圖的最后，收到bot的推薦商品，這個過程主要為了提升轉化率，可以有兩個策略：

①【熱門商品策略】

我們產品會推薦店鋪熱門的商品，商家也傾向于此種方式，一方面是由于買家對熱賣商品有更高購買意愿，另一方面熱門商品占店鋪業績的大頭，對于店鋪銷售的貢獻值更大。

同時，由于電商的sku經常需要更新，所以若商品已經下架或者有同類型的熱門商品上架，系統最好有相應預警機制，提醒商家進行及時更新。

②【話術策略】

話術的設置其實屬于運營范圍，但為啥要拎出來講呢？從數據反饋中可以看出，買家對于收到不同話術的體驗是不同的，往往功能設計得再好，話術不行，頁會讓買家放棄下單。這里簡單列舉話術設置的三點小建議，也是我們運營同學在跟客戶交付時的部分策略，早已歷經N個買家的風霜考驗，屹立不倒。

a 讓買家相信推薦的專業性：在推薦話術中加入買家的槽位值，如之前提到的例子：

親，根據您對洗衣機的購買需求：6.5公斤容量+全自動模式，為您推薦我們最受歡迎的洗衣機哦xxxxxxx

b 讓買家相信客服的重視性：在推薦話術中加入買家、客服昵稱

親愛的【某某買家】，根據您對洗衣機的購買需求：6.5公斤容量+全自動模式，【某某客服】千挑萬選，為您推薦我們最受歡迎的洗衣機哦xxxxxxx

c 讓買家相信商品的可靠性：追加過往商品的好評圖片

親愛的【某某買家】，根據您對洗衣機的購買需求：6.5公斤容量+全自動模式，【某某客服】千挑萬選，為您推薦我們最受歡迎的洗衣機哦xxxxxxx。

這款商品很多買家都說好哦，有圖為證，絕不吹牛哦！【圖片】

d 如何迭代該多輪對話

綜上所述，我們已經完成一個導購bot的冷啟動工作。接著就是上線并且做迭代，關于多輪會話的迭代，最重要的就是：數據！數據！數據！

③【語料標注】

意圖和slot值都需要語料完善，但一般采用系統推薦的則不需要商家做數據維護。整一套語料標注體系在市面上已經挺成熟，幾乎每個做AI的公司都有自己的系統，在此我就不嗶嗶了。

④【對話輪次優化】

我們在做日志時候，會用漏斗圖的形式，記錄多少買家進入導購意圖，多少買家走完了交互流程，以針對性確定整條路徑的優化點。比如進入導購的買家特別少，可以分析是該意圖本身觸發少，或者是語料標注不夠；同樣很多買家可能走了一輪slot就退出了，可以分析是否是輪數的問題，從而減少設計輪數。

⑤【推薦話術】

那最后也會對每個意圖的轉化數據做分析，除了語料、倫茨等影響轉化的因素之外，話術及商品推薦的擇優同樣非常關鍵，所以若商家有些商品推薦轉化高，有些商品推薦轉化低，我們會把轉化高對應話術等內容作為優化建議，推送給商家，從而更有效地提高導購地轉化。

本文由 @steseven 原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。