温馨提示：篇幅较长，可点击目录查看对应节点。
1.机器人搭建期
搭建机器人包含：素材整理、问题提炼、相似问题补充、答案编辑、问题分配引擎等等步骤，不同厂商可能有所区别，但关键功能的实现离不开以下步骤。
1.1素材整理
语料源来自于哪里？
如果我们计划构建一个知识库，首先需要明确它的目的和用途。
例如，在电商领域，我们希望机器人能够回答一些频繁出现的问题，例如发货时间、退货流程和换货政策等。为了实现这一目标，我们需要将这些问题整理并存储在知识库中。
再比如，在职工医保咨询场景下，我们希望机器人能够解答一些关于医保报销和刷卡等方面的问题。为了使机器人能够准确地回答这些问题，我们需要将相关的知识点整理并存储在知识库中。
放什么知识取决于我们的业务场景以及我们的需求。
常见的素材整理的方式有以下四个：
1、客服已有的知识库：基于客服与用户直接接触的经验，他们能够明确了解用户关注的问题和常见的高频问题。因此，通过整理这些问题并构建知识库，可以提供更加有价值的信息。
2、历史对话日志。可以尝试用最近三个月的历史会话去做意图聚类，然后提炼出一些高频问题放到知识库中。无论是与机器人还是人工进行的对话，这种聚类方式的会话数据都是来自真实访客的具体聊天记录。因此，通过这种方式提炼出高频问题能够真实反映用户关注的问题。此外，问题聚类的方式包含了各种真实的问法，有助于提高机器人匹配率，使我们在编写相似问法时更加得心应手。
3、历史工单。客服在日常处理客户问题时积累了大量工单，可以帮助企业完善知识库。
4、文章政策：相关行业的文章政策也可以作为信息源提取知识。
确定以后，在根据问题编写答案时，建议采取问候语+问题名称+问题答案的方式进行编写，这样可以更清晰地回答问题并提高回答的准确性。
例如：
问题名称：如何查询订单状态？
问题答案：您好，查询订单状态，您可以登录我们的网站或APP，在订单页面查看您的订单状态。如果您需要更详细的帮助，可以联系我们的客服团队。
1.2确定知识类型与对应问答引擎
在确定标准问题以后就需要判断标准问法的知识形态。
现在很多的知识库里基本上有 80% 左右的知识形态都可以通过一问一答， FAQ 的形式去处理。而那些多轮的会话，也就是用户进线后他说的话，我们是没办法去判断他的精准意图的。
举个银行智能客服例子，比如修改密码，密码有登录密码，有支付密码，那么机器人就需要去进行意图确认。比如“您现在想要修改登录密码还是要修改支付密码？”然后根据访客的回答，我们推出对应的答案。这种情况就属于多轮会话，因为他不是一问一答就结束话题了，而是需要我们用一触即达的方式去处理。
除了这种方式以外，还有二维表格结构这样的知识形态。举个例子，比如二维可以把它理解为 X 轴和 Y 轴，两个轴交汇就是具体的一个答案了。拿具体例子来看，比如售前咨询，比如针对不同型号的产品属性信息，如果它的型号有非常的多，那么答案也就很具体。那么，我们就可以用二维的方式，用表格知识图谱的方式把它做出来。
| 产品名称 | 所属类别 | 价格（元） |
|---|---|---|
| iPhone | 手机 | 6499 |
| iPad | 平板电脑 | 3299 |
| MacBook | 笔记本电脑 | 9999 |
| Apple Watch | 智能手表 | 3199 |
如果有的问题它本身就超级复杂，可能机器人没办法处理必须要人工客服去处理，针对这部分的问题我们就需要剔除或者提炼出关键词可以让机器人识别的时候直接转到人工客服那边。如果有专门处理的方式，比如投诉方面，我们可以指定一个专门的客服组或者具体到某个客服，让他去解决这个问题，接待访客的投诉。
所以知识形态不同，处理方式也是不一样的。
1.3答案编写规范
智能客服旨在通过QA问答给予客户想要的答案，解决客户的问题。我们可以通过以下方法，规范化答案格式，减少我们与客户之间的“噪声”。
- 答案格式
建议答案用问候语+问题名称+问题答案的方式去展示。例如：
Q：PLUS会员运费规则
A：您好，感谢您对PLUS会员的关注，PLUS运费券权益已于23年8月23日0点起升级为PLUS无限免邮（如是购买的PLUS月卡会员效期免邮额度为60元，PLUS试用会员效期免邮额度为6元），您账户中运费券及取消退回运费券均会同步取消，下单结算时自动抵扣订单中的运费。
- 尽量保证答案的简洁性
举个例子，我咨询了一个问题：睡眠面膜是多少钱？机器人回答了一个答案，还写了面膜的使用方法。大家觉得有没有问题呢？
首先，问题的意图是，客户想知道面膜是多少钱，那这个答案是包含的。其次，还说了一下使用方法。像这种情况，我建议我们可以针对反馈意图去做回答，尽量保证答案的简洁性。
- 添加关联问
如果在价格的基础上，你觉得用户还可能会问面膜是怎么使用的以及适用哪些肤质等等这类的问题，我们可以把这些问题做成单纯的 FAQ 然后通过关联问的形式，在答案的下方一条一条地展示出来，如果访客他感兴趣就会点击答案下面的标准问题，就可以直接获得答案了。
- 插入链接或按钮跳转
假设问题是如何退货？机器人是有很多功能，比如你可以在回答里插入链接，插入短视频，配置图片或者做一个跳转的按钮等等，像这样的答案其实就是一个操作的步骤，本身是没有问题的，但是如果实际用户真的问到了如何退货的这种问题，需要用户按照机器人的回答一步一步去操作，他可能会反复来回查看答案，然后再一步一步跟着走，这对用户而言其实是很麻烦的一件事情。
那我们怎么优化呢？比如我们可以做一个按钮，让访客一键点选就可以直接退货了，也就是我们相应的推出他的订单信息，点一下就可以直接退货了。这种方式是非常快捷方便的，这是它的一个易读性。
目前市面上很多智能客服，尤其是语音客服回复的答案未能解决客户问题，机器人播报答案客户没听清、没理解等情况是比较突出的痛点。怎么解决？提供以下思路：
控制答案字数、请同事试听、支持答案追问...（欢迎私信讨论）
1.4相似问题的编写规范
相似问题我们编写的时候要注意哪些点呢？
第一，意图要明确。
比如标准问题的意图是”优惠券如何使用？“下图中，相似问法则写的五花八门，和标准问题的意图不相干，就是一个错误案例演示。
我们写相似问题的时候，它的意图一定要和优惠券如何使用是一个意图。其次意图是必须一致的，不要去维护各种五花八门的和意图本身没有关系的问题。如果这样维护，我们推出去的答案也解决不了问题。
第二，相似问法的维护，要尽量清晰简洁。
第三，思考一下这个问法有没有必要。
第四，问法有一定丰富性。
问法丰富了以后，它覆盖的面也就越广，机器人的理解识别能力自然也会越强。在我们知识都准备好之后，就可以去做知识的配置了。
1.5基础功能配置
这边有很多的基础功能，比如欢迎语、导航菜单，以及它的转人工按钮，或者访客询问多次以后，我们就可以让机器人转到人工客服那边去接待，或者访客连续问了两个问题或者三个问题，机器人都没有能够理解，这种情况下，我们可以判断出用户的问题可能是在库里没有对应的知识点，需要人工客服去接待。我们就可以无感知地将用户转到人工客服那边。
1.6词库配置
词库是自然语言理解的基础，丰富的词库有利于提高机器人的识别能力。
- 相似词就是用来提升机器人的理解能力的，比如在某些业务场景下，苹果是指iPhone手机，两种说法是一个意思。如果我们把它去作为一个相似词做一下关联，写相似问法的时候就可以少写很多。当访客去咨询的时候，不管他说的是 iPhone 还是苹果，机器人都能直接 get 到他说的意思。
词库可以分为通用词库和行业专属词库两部分，通用词库就行中华字典（包含常见的词语），行业专属词库则是对通用词库的补充。例如金融行业、电商行业各有自己的一些专用词，在面对不同客户时，需要应用到不同的行业专属词库。
- 停用词是用来提升机器人的抗干扰的能力，比如客户咨询的时候说了很长一串话，其实他里面有一些文字和意图本身是没有关系的。
比如说“您好，我想问一下什么什么”，像前面这几个字，“您好，我想问一下”本身是没有意图的，那我们就可以把这部分内容放到我们的停止词库里，当访客咨询的时候，机器人就会把这些过滤掉，再去看看剩余的内容里具体问的是什么意思。
1.7知识库测试调优
当我们的知识库都搭建好了以后，就可以看测试效果了。我们以数据指标为抓手，控制智能客服的质量。（数据指标详见基础课23）
比如它的意图识别率不高，我们就看具体是哪个问题没有匹配或者哪个问题的答案不合适等等，然后去做对应的调优，这就是对应的处理方式。
或者比如输入一个问句，然后这个机器人回答了这个问题的答案，但我们希望它给出的是另一个答案，但是这个答案好像也行。那我们就要考虑一下是不是这两个知识点之间是存在覆盖的。如果存在，我们建议把它整合成一个知识点。
2.机器人运营期
当机器人上线以后，就进入到了机器人运营的阶段。运营期主要做知识库的增删改、输出数据指标、客户反馈优化的工作。
2.1知识库的增删改
知识库搭建后并不是一劳永逸，需要根据政策、市场、客户要求不断更新答案，新增知识点等等。
2.2输出数据指标
运营主要是围绕两个指标和三个元素。
两个指标，一是匹配率，也就是用户问的问题，机器人能不能够正确理解？二是解决率，也就是当访客咨询的时候，机器人给出的答案有解决访客的问题吗？是否有访客看完答案还是解决不了问题？面对这种情况，我们就需要针对具体的案例分析是为什么没有解决，要怎么去提升。
关于三个元素，标准问题，相似问题和答案。相似问题和标准问题是强相关的，相似问题是用来提升机器人的理解能力，也就是它的匹配率。答案和解决率是强相关的，答案本身是否有效，是否能够解决用户的问题，直接决定了机器人的解决率。
2.3客户反馈优化
解决率低的常见原因
1、知识缺失。知识库里是没有知识点，所以机器人是没办法回答用户的问题。
2、匹配错误。
-
知识库里有知识点，但是我们没有类似的用户问法，导致机器人没能理解，也就没办法回答用户的问题。
-
库里的知识点很庞杂，相互交叠，可能一个知识点，维护了三条甚至更多。这样就会导致当用户问问题的时候，机器人推荐的精准匹配性会比较弱
3、答案设置的不合理。
4、人工入口策略设置不合理。
解决率提升策略大致分为四种情况：
1、正确匹配了，但是访客就是给了一个差评。
我们可以有三点分析：一是答案本身能否解决问题 ，二是如果我们开启了差评，支持用户做备注，那我们可以看一下用户备注的情况，是为什么差评了？分析他差评的原因，然后根据客户的意见完善我们的答案内容。第三是去提升一下答案的展示效果，比如有一些单个问题的答案，可能一下子放了 2000 甚至更多的字，用户在看到这样的一个答案的时候，第一眼肯定感觉压力是有点大的，这可能会让用户有一个很暴躁的情绪。我们可以通过分段、字体加粗、添加颜色等方式改善答案的展示效果。
2、针对问法未匹配，但是知识库里存在这个知识点的答案。
我们需要去提升匹配准确率，也就是把这个问法添加到我们的库里。
3、新知识
需要判断一下，这个问题属于高频问题吗？有没有维护的价值？如果说这个问题它本身很少见，可能两三个月都没有人能会问一次，那我们可以考虑放弃就忽略掉这个问题。如果这个问题它确实被问到的次数很多，那它就是很具有价值的问题，我们就可以把它作为一个标准问题添加到我们的知识库里。
4、匹配上了，但是这个知识点是错的。
那我们就可以看它为什么会匹配错，是不是被匹配错的这个标准问题里面，它的问法和它的相似问法是不是有什么不对的地方。
其次可以考虑一下，如果知识库里已经存在这个问题了，那我们把这个问法加到对应的标准问题的下方作为相似问法维护进去，这样是不是访客下次咨询的时候，我们的机器人就能够正确回答了？如果库里匹配错了，是因为库里没有这个知识点，我们就要考虑这个知识点我们要不要提炼出来做一个标准问题维护进去，这就是解决率提升的大概思路。
3.突破期
通过持续的运营，我们会产生大量的线上数据，如果我们放任这些数据不管不顾，就会与客户脱离。因此通话质检显得极为必要。
目前很多智能客服都配套有通话质检功能，通过人工质检，输出语音转写准确率、意图识别准确率、整通解决率等等指标。
通过质检过程与指标对比，我们可以更清晰的定位问题，解决问题。
3.1 评价指标的范围
- 性能指标:用于衡量人工智能客服语音识别及语义理解能力，主要包括语音识别准确率、问题识别率、意图理解准确率等。
- 运营效果指标:用于衡量人工智能客服在客户体验提升、服务分流等方面的能力，主要包括交互准确率、问题解决率、智能分流率等。
3.2 评价指标的方法
3.2.1 抽样法
根据交互样本标注数据推算人工智能客服评价指标的方法。按照GB/T 21664-2008规定，假设事项发生率为50%、绝对误差为1%时，所需的必要样本量为1万。完成样本抽取后，与标注人员对本单位业务流程判定的结果进行对比，一致即为正确。
3.2.2 报表法
根据系统运营数据计算人工智能客服评价指标的方法。典型的系统运营数据包括进线量、交互数、客户评价数、转人工进线量。
3.3 评价指标的内容
3.4针对性优化
突破期需要根据客户重点关注的指标，如转人工率，不断地优化以达到客户满意的效果。
最佳实践分享：
例如，在智能客服中，有一个很常见的指标叫做转人工率，转人工率越低，说明机器人解决率越高。
假设当前的转人工率为70%，客户要求转人工率降低到35%。
那么我们首先需要拆分用户转人工的原因：
例如：来电直接转人工，对答案不满意-要求转人工，多轮不按提示回-要求转人工，新知识，拒识超时三次转人工等等，通过分析各种情况的权重，得到优化的优先级，进而分解成项目阶段与项目任务落实到团队或个人。通过持续的跟进复盘，相信你也会取得不错的效果。
基础课21——搭建运营SOP-CSDN博客文章浏览阅读493次，点赞15次，收藏13次。SOP（Standard Operating Procedure三个单词中首字母的大写）即标准作业程序，就是将某一事件的标准操作步骤和要求以统一的格式描述出来，用来指导和规范日常的工作。SOP不是单个的，是一个体系，虽然我们可以单独地定义每一个SOP，但真正从企业管理来看，SOP不可能只是单个的，必然是一个整体和体系，也是企业不可或缺的。构建SOP旨在将业务推向标准化、流程化、自动化。
https://blog.csdn.net/2202_75469062/article/details/134765085
扫一扫
5831
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
