【数智化案例展】居然之家 X 容联七陌——智能客服引领家居行业新体验

‍

容联七陌案例

本项目案例由容联七陌投递并参与数据猿与上海大数据联盟联合推出的《2024中国数智化转型升级创新服务企业》榜单/奖项评选。

大数据产业创新服务媒体

——聚焦数据 · 改变商业

---

为进一步打通居然之家各平台客户服务系统，监控服务质量、提升客服沟通效率及消费者咨询体验，将售前、售中和售后咨询链路打通，实现线上化闭环管理并根据数据推进业务成长，需要将400电话、微信、线下、洞窝⼩程序和APP客服咨询流程统⼀合并为智能客服系统，从而优化用户体验和提高客服工作效率。

通过将400电话、微信、线下、洞窝⼩程序和APP客服咨询流程统一合并为智能客服系统，形成多渠道整合一体化的方式，通过完善和优化各业务咨询路径，监管各流程数据，建⽴服务标准，提升用户体验。

建设新一代多渠道智能客服系统，包含网站、微信、H5、APP、小程序以及呼叫系统和语音机器人等消费端的接入；

智能客服系统包括的功能模块：在线服务管理平台，多渠道坐席工作台，工单管理平台、客户管理平台、监控管理平台、数据统计管理平台、质检平台、以及智能机器人平台（文本和语音）等；

提供全国统一400呼入，形成语音机器人智能分流，将通话分流全国各个门店；

提供前端在线接入方式，包括居然常规业务（微信、官网、洞窝小程序、洞窝APP等）以及提供自营IP（以旧换新、茅台酒瓶、居然会、居家保、积分商城）和线下渠道的接入。

时间周期:

开始时间：2023年6月12日

服务器资源部署完成：2023年6月20日

冒烟测试完成：2023年6月26日

通话业务上线：400呼入IVR以及转接技能组：2023年6月28日

IM业务上线：2023年6月28日

邮件客服、工单上线：2023年6月28日

文本机器人上线：2023年7月3号

语音机器人上线：2023年8月12号

截止时间：持续服务中

数智化需求

为进一步打通居然之家各平台客户服务系统，监控服务质量、提升客服沟通效率及消费者咨询体验，将售前、售中和售后咨询链路打通，居然之家携手容联七陌升级智能客户联络中心，将400电话、微信、线下、洞窝小程序和APP客服咨询流程统一合并为智能客服系统。

一、通话模块

初期将400作为统一呼入，将按键1查询门店信息（主要为查询门店电话并转接）流转至语音机器人，由机器人进行获取门店并提供转接，如果未获取到则进行兜底转人工（优先保障用户体验）由人工进行查询处理；

二、会话标签&会话小结：

1、咨询类：

会员信息：积分兑换、积分查询、其他会员信息；

门店信息：服务电话、营业时间、地址及行车路线、促销活动、其他门店信息、招商信息、所属品牌；

业务咨询：售后咨询、退换货流程、服务承诺、居然乐屋装饰、居然金融、洞心服务、怡生健身、开发票事宜；

品牌查询：基本信息、价格；

其他：战略合作、其他。

2、在线欢迎语：

欢迎光临居然之家，为提升服务质量，您的咨询可能会被记录，一见倾心，遇见知心，优质服务让您开心，居然之家客服很高兴为您服务~

3、客服问候语：

您好！居然之家很高兴为您服务！

三、工单类型

服务类投诉、重大投诉、合同类投诉、私单。

四、工单流程

客服提交工单（可查看全国门店）---->分配至业务经理（业务经理可选择自己处理也可向下直接分配）【首席服务官只查看当前分公司工单情况】---->分配至楼层管理员（工单处理人）---->完结；

五、来电弹屏

弹出方式：弹出一个独立页面,可以选择是重新打开新页面或者Tab页面。

嵌入方式：将弹屏页面嵌入通话模块的右侧空白处。

面临挑战

为进一步打通居然之家各平台客户服务系统，监控服务质量、提升客服沟通效率及消费者咨询体验，将售前、售中和售后咨询链路打通，实现线上化闭环管理并根据数据推进业务成长，需要将400电话、微信、线下、洞窝⼩程序和APP客服咨询流程统⼀合并为智能客服系统，从而优化用户体验和提高客服工作效率。

通过将400电话、微信、线下、洞窝⼩程序和APP客服咨询流程统一合并为智能客服系统，形成多渠道整合一体化的方式，通过完善和优化各业务咨询路径，监管各流程数据，建⽴服务标准，提升用户体验。

建设新一代多渠道智能客服系统，包含网站、微信、H5、APP、小程序以及呼叫系统和语音机器人等消费端的接入；

智能客服系统包括的功能模块：在线服务管理平台，多渠道坐席工作台，工单管理平台、客户管理平台、监控管理平台、数据统计管理平台、质检平台、以及智能机器人平台（文本和语音）等；

提供全国统一400呼入，形成语音机器人智能分流，将通话分流全国各个门店；

提供前端在线接入方式，包括居然常规业务（微信、官网、洞窝小程序、洞窝APP等）以及提供自营IP（以旧换新、茅台酒瓶、居然会、居家保、积分商城）和线下渠道的接入。

应用技术与实施过程

概述

随着基于大模型的人工智能技术的飞速发展，已经在多个领域展现出强大的语言理解和生成能力。在智能客服场景中，这种能力被广泛应用于理解用户提出的问题、生成与用户需求匹配的回复，甚至是预测用户行为和提供个性化推荐。这不仅极大地提高了客户服务的效率和质量，还为企业节省了大量的人力和时间成本。

容联七陌智能客服，作为现代数智客服领域的佼佼者，正逐步帮助越来越多的企业取代传统的客服模式，成为企业提升服务效率、降低运营成本的重要工具。下面我们将从已赋能企业中的《居然之家-智能客服》项目，详细阐述应用技术与具体实施过程。

居然之家智能客服项目建设目标

解决方案链路

功能架构

高性能服务架构设计

• 全渠道接入消息适配，高可用微服务架构，保障应用运行稳定

• Node.js+Java以及高性能Web UI框架，服务高稳定、高并发、快速响应

• DB集群+Redis，提升系统响应速度

• 分布式部署灵活、可靠，打破客服服务地域限制

• 开放标准接口，高效对接周边系统

• 支持坐席分布接入，打破服务地域限制

X-BOT

总体架构

模块说明

配置管理系统 CMS

CMS 为用户提供体验良好的系统管理页面，用户通过简单的配置，就可以实现一个拥有对话能力的机器人。

配置管理系统包含 CMS后台和 CMS前端，采用前后端分离的技术方案实现。CMS 支持单机和分布式部署。

消息路由系统 MRS

MRS 提供机器人消息接入能力，用户的业务系统可以通过 API、网页嵌入等方式对接机器人系统。

MRS 支持HTTP和 websocket 协议，支持单工和全双工消息通信。

MRS 支持单机和分布式部署。

机器人引擎 BotEngine

BotEngine 是机器人的中控系统，它维护对话的上下文状态和逻辑，并最终决定机器人的回答。

BotEngine 内部采用有限状态机来实现，通过解析对话流程文件来运行。

BotEngine 支持单机和分布式部署。

自然语言处理系统 NLP

NLP 提供自然语言处理能力，包括分词、词性分析、语义分析、意图识别、实体识别及抽取、知识挖掘等。

NLP 服务的实现采用了基于规则、基于深度学习模型相结合的方案。

NLP 支持单机和分布式部署。

流程编辑器 Flow

Flow 模块为用户提供对话流程编辑能力，包含流程编辑器页面、流程文件转换服务 2 个部分。

用户通过流程编辑器页面，只需简单的拖拽对话组件，就可以实现一个对话流程。

对话组件包含：机器人说组件，选择组件，信息收集组件，条件组件，动作组件。

Flow 支持单机和分布式部署。

对象存储服务 OSS

OSS 主要为 X-Bot 内部其他模块提供对象存储服务，支持图片、音视频、任意格式文件的存取。

OSS 支持单机和分布式部署。

聊天日志存储 ChatLog

ChatLog 提供聊天日志的收集和存储服务，对发送侧和接收侧的消息分别进行收集。

ChatLog 支持单机和分布式部署。

aicall方案整体架构

(网络部署架构图)

技术说明

1、语音识别（ASR）

实时语音识别

对长音频流进行识别，支持智能断句，实时识别为文字。

适用于持续时间较长、有一定实时性要求的场景，例如语音输入、会议现场记录、电话会议记录、会场字幕、直播内容审核、视频直播字幕、智慧法庭记录、客服通话内容记录等场景。

语言和方言：语音识别服务目前支持中文普通话，和带有一定方言口音的普通话识别；实时语音识别还可以支持英文16k音频识别。

音频格式支持：支持16bit、8k或16k的单声道中文音频识别；支持16bit 16k单声道英文音频识别；支持音频格式为wav、pcm、sppex、silk。

一句话识别：

对60秒之内的实时短音频流进行识别，可应用于运营活动，和各种语音交互场景，例如语音输入、语音短信、语音搜索、智能硬件和智能语音助手的语音指令等。

语言和方言：语音识别服务目前支持中文普通话，和带有一定方言口音的普通话识别。

音频格式支持：支持16bit、8k或16k的单声道中文音频识别；支持音频格式为wav、mp3。

音频数据长度支持：若采用直接上传音频数据方式，整个数据包不能大于1 M，若采用上传音频url方式，整个音频时长不能大于60s。

录音文件识别：

对录音文件进行识别，适用于语音量大、对实时性要求低的场景，例如客服质检、视频字幕生成、音频节目字幕生成等。

语言和方言：语音识别服务目前支持中文普通话，和带有一定方言口音的普通话识别。

音频格式支持：支持16bit、8k或者16k的单声道或双声道的中文音频识别；支持音频格式为wav、pcm、mp3、silk、speex、amr。

音频数据长度支持：若采用直接上传音频数据方式，则音频数据不能大于5M，若采用上传url方式，则音频时长不能大于1小时。

语音识别特征：

1）海量数据积累

立足数据大平台，积累了大量标注语音数据，识别率高；

2）算法业界领先

应用业内最领先语音识别算法，包括LSTM、BLSTM、Deep CNN、LFMMI、CTC 等算法；结合超大规模语言模型，覆盖广泛的垂直领域。

3）支持深度定制

提供深度定制服务，根据业务需求深度定制具有行业特点的模型，让行业专有名词识别得更精准，更高效。

4）噪声环境识别佳

模型能够识别来自嘈杂环境的音频信息，不需要客户进行降噪处理。

2、语音合成技术

语音合成（Text To Speech，TTS）满足将文本转化成拟人化语音的需求，打通人机交互闭环。提供多种音色选择，支持自定义音量、语速，为企业客户提供个性化音色定制服务，让发音更自然、更专业、更符合场景需求。语音合成广泛应用于语音导航、有声读物、机器人、语音助手、自动新闻播报等场景，提升人机交互体验，提高语音类应用构建效率。

特性如下：

1）高拟真度

基于业界领先技术构建的语音合成系统，具备合成速度快、合成语音自然流畅等特点，合成语音拟真度高，能够符合多样的应用场景，让设备和应用轻松发声，人机语音交互效果更加逼真。

2）灵活设置

语音合成支持中文、英文，可以合成中英混读语音；

支持根据业务需求选择合适的音量、语速等属性；

支持离线音频文件和实时音频流两种合成格式；支持电话、移动APP等多种场景和合成效果选择。

3）声音多样

语音合成支持多种男声、女声的选择，使得音色能够覆盖多样化的应用场景，适用于电话客服，小说朗读，消息播报等场景。此外，支持为企业客户定制发声人。

具体功能：

语种支持：支持中文、英文以及中英混读。

音色支持：支持发声人选择，现阶段支持3种音色，2男1女。未来会增加更多音色，包括童声。

语速调整：支持0.6、0.8、1.0、1.2、1.5多种倍速率的合成语速。

音量调整：支持1~10倍速率的合成音量。

实时性：支持离线语音合成和实时语音合成两种模式。

采样率：支持8K、16K等采样率的合成效果。

3、自然语言处理（NLP）

NLP自然语言处理技术

近年来，NLP自然语言处理处于快速发展阶段。各种词表、语义语法词典、语料库等数据资源的日益丰富，词语切分、词性标注、句法分析等技术的快速进步，各种新理论、新方法、新模型的出现推动了自然语言处理研究的繁荣。互联网与移动互联网和世界经济社会一体化的潮流对自然语言处理技术的迫切需求，为自然语言处理研究发展提供了强大的市场动力。

NLP 作为人工智能的一个子领域，其主要目的就包括两个方面：自然语言理解（NLU），让计算机理解自然语言文本的意义；自然语言生成（NLG），让计算机能以自然语言文本来表达给定的意图、思想等。

自然语言理解系统通常又叫做自然语言问答系统（Question Answering System，QA System）。问答系统是信息检索系统中的一种高级形式，主要包含三部分：问题理解、信息检索和答案抽取。其中，问题语义理解是问答系统中的核心任务，是提升问答系统整体性能的关键。

NLP自然语言处理的对象有词、句子、篇章和段落、文本等，但是大多归根到底在句子的处理上，自然语言处理中的自然语言句子级分析技术，可以大致分为词法分析、句法分析、语义分析三个层面。

第一层面的词法分析包括汉语分词和词性标注两部分。和大部分西方语言不同，汉语书面语词语之间没有明显的空格标记，文本中的句子以字串的形式出现。因此汉语自然语言处理的首要工作就是要将输入的字串切分为单独的词语，然后在此基础上进行其他更高级的分析，这一步骤称为分词。

除了分词，词性标注也通常认为是词法分析的一部分。给定一个切好词的句子，词性标注的目的是为每一个词赋予一个类别，这个类别称为词性标记，比如，名词（Noun）、动词（Verb）、形容词（Adjective）等。一般来说，属于相同词性的词，在句法中承担类似的角色。

第二个层面的句法分析是对输入的文本句子进行分析以得到句子的句法结构的处理过程。对句法结构进行分析，一方面是语言理解的自身需求，句法分析是语言理解的重要一环，另一方面也为其它自然语言处理任务提供支持。例如句法驱动的统计机器翻译需要对源语言或目标语言（或者同时两种语言）进行句法分析；语义分析通常以句法分析的输出结果作为输入以便获得更多的指示信息。

第三个层面是语义分析。语义分析的最终目的是理解句子表达的真实语义。但是，关于语义的统一表示形式目前业界并没有统一的标准。

语义角色标注是目前比较成熟的浅层语义分析技术。基于逻辑表达的语义分析也得到学术界的长期关注。出于机器学习模型复杂度、效率的考虑，自然语言处理系统通常采用级联的方式，即分词、词性标注、句法分析、语义分析分别训练模型。实际使用时，给定输入句子，逐一使用各个模块进行分析，最终得到所有结果。

一个典型的交互式NLP处理过程如下图所示。

NLP交互处理流程说明

NLP算法的深度学习实现

近年来随着研究工作的深入，研究者们开始从传统机器学习转向深度学习。2006年开始，有人利用深层神经网络在大规模无标注语料上实现了分布式表示，在形式上把每个单词表示成一个固定维数的向量，作为词的底层特征。在此特征基础上，又完成了词性标注、命名实体识别和语义角色标注等多个任务，后来有人利用递归神经网络完成了句法分析、情感分析和句子表示等多个任务，这也为语言表示提供了新的思路。

目前关于NLP算法的深度学习实现的研究工作仍然在进展中，已有的深度学习算法模型如循环神经网络、递归神经网络和卷积神经网络等都已经有较为显著的应用。围绕适合NLP领域深度学习模型构建研究仍然有着广阔的空间。

在当前已有的深度学习模型研究中，一个已知的难点是在模型构建过程中参数的优化调整方面。主要有深度网络层数、过拟合问题及网络学习收敛速率等。首先随着深度网络层数（网络深度）的增加，或者当激活函数选择不当时，会出现网络梯度下降、梯度消失的问题。其次随着模型复杂度的增加，可能带来模型的过拟合，即随着训练层数的增加，出现模型泛化能力下降的情况。针对以上情况，可行的解决方案如采用多核机提升网络训练速度，或针对不同应用场景选择合适的优化算法等。

容联在NLP自然语言处理和深度学习技术上投入团队进行算法研究，并与高校建立联合算法实验室，分享行业最新的算法研究成果。在自然语言交互算法的实现层面，我们采用了经典机器学习(DBN、SVM等)和深度学习技术 （CNN， RNN，LSTM， FastText等）建立高效的意图识别和分类模型，实现基于规则的词法分析器，以及领域识别（场景识别）、意图识别和词槽填充等智能交互基础功能。

在词法和句法分析层面，实现了文本规范化句法分析、依存关系分析、自动中文词性标注、多语言检测、深层句法分析、短句分析、词槽位检测、主题分类、多轮问答、情感分析等功能，构建了完整的中文自然语言处理平台，为语言交互式智能应用提供基础能力支撑。

目前我们的算法研究方向 ，一方面是在现有算法成果基础上的补充和功能完善，如多粒度分词、词义消岐、语料学习优化、语义搜索、情感分析等，另一方面我们也在积极探索如知识图谱技术、自适应的信息抽取技术、深度推理问答等新的课题领域。

智能客服项目的应用技术

智能客服项目的核心技术主要包括自然语言处理（NLP）、机器学习（ML）、语音识别（ASR）、情感分析（Emotion Analysis）、知识图谱（Knowledge Graph）等。这些技术共同支撑起智能客服系统的智能化与高效性。

1、自然语言处理（NLP）

自然语言处理是智能客服系统的核心技术之一，它使得系统能够理解和处理人类日常语言，包括文本和语音。NLP主要包括自然语言理解（NLU）和自然语言生成（NLG）两大方向。

自然语言理解（NLU）：

• 词汇识别（Tokenization）：将用户输入的文本或语音划分为单词或子词汇，形成一个词汇序列。

• 语法分析（Parsing）：根据词汇序列构建一个语法树，表示文本的语法结构。

• 实体识别（Named Entity Recognition， NER）：在词汇序列中识别实体，如人名、地名、组织名等。

• 意图识别（Intent Recognition）：根据词汇序列和实体信息，识别用户的意图。

自然语言生成（NLG）：

• 文本生成：根据结构化信息生成自然语言文本。

• 语音合成：将文本转换为语音信息。

2、机器学习（ML）

机器学习技术让智能客服系统能够自主学习和调整自身的算法和模型，不断改进性能和准确度。通过数据分析，系统能够自动发现模式和规律，并根据经验智能地做出决策。

应用场景：

• 意图识别：使用SVM、Random Forest、Gradient Boosting等机器学习算法提升了意图识别的准确率。

• 情感分析：利用机器学习模型对用户的情感态度进行分类和评估。

3、语音识别（ASR）

语音识别技术使得智能客服系统能够准确理解用户的语音指令和问题，将用户的语音转化为文本，并提取关键信息。

应用场景：

语音客服：用户通过语音与智能客服系统进行交互，系统识别语音内容并给出相应回复。

4、情感分析（Emotion Analysis）

情感分析技术用于分析用户的情感和情绪状态，帮助系统更准确地理解用户需求，提供更加个性化和贴心的回答。

应用场景：

• 情感词汇识别：识别用户输入中的情感词汇。

• 情感分类：将用户的情感分为不同的类别，如积极、消极、中性等。

• 情感强度评估：评估用户的情感强度，如非常满意、一般满意等。

5、知识图谱（Knowledge Graph）

知识图谱是智能客服系统的核心支持结构，它包含了企业内部的知识库与通用知识库，将大量的结构化和半结构化数据整合在一起，形成一个庞大的知识网络。通过知识图谱，系统能够快速获取和推理出与用户问题相关的信息，提供更为全面的答案。

智能客服项目的具体实施过程

智能客服系统是一个复杂而全面的过程，它涵盖了从需求分析、系统设计、开发实现、测试上线到后续维护等多个阶段。以下将详细阐述这一过程：

1、需求分析与产品设计

项目启动后，通过了解业务需求，确定居然之家对智能客服的功能范围和诉求后，迅速组建项目团队，并进行详细的需求分析。主要步骤包括：

1）目标定义：明确居然之家对智能客服系统的建设目标是：提高客服效率、提升用户满意度、降低运营成本。

2）需求调研：通过与业务部门和客户的沟通，详细了解他们的具体需求细节和期望，收集居然之家现有业务场景和使用案例。

3）需求分析：对收集到的需求进行整理和分析，确定系统需要实现的主要功能和性能指标。

4）产品设计：分析用户需求结合我们云客服产品，设计用户交互流程。

产品业务流程：

2、技术选型与架构设计

在产品设计通过内部评审和客户确认后，技术团队根据需求基于自研的云客服技术平台与工具，设计了系统的总体架构。

3、数据准备与模型训练

数据准备是智能客服系统实施过程中至关重要的一环，主要步骤包括：

• 数据收集：收集和整理历史客服数据，包含客户咨询记录、客服回答记录等。这些数据可以来自多个渠道，如电话、邮件、在线聊天等。

• 数据清洗：对收集到的数据进行清洗，去除无效和重复的数据，确保数据的质量。

• 数据标注：对数据进行标注，构建训练数据集。这一步采用人工干预，以确保数据的准确性和代表性。

• 数据存储：将整理好的数据存储到数据库中，便于后续的模型训练和系统开发。

模型训练是智能客服系统的核心步骤之一，通过对数据的学习，使系统具备理解和响应用户自然语言的能力。首先是对模型的选择，涵盖了自然语言处理（NLP）、机器学习、深度学习及数据管理等多个方面。以下为主要的数据模型：

1）自然语言处理（NLP）模型

a. 文本分类模型（Text Classification Model）

目标：将用户查询分类到预定义的类别中（例如，信息请求、投诉、反馈等）。

模型：支持向量机（SVM）、随机森林或神经网络

b. 意图识别模型(Intent Recognition Model)

目标：从用户的查询中识别出用户的意图。

模型：递归神经网络(RNN)、长短期记忆网络(LSTM)或Transformer

2）机器学习与深度学习模型

a. 情感分析模型(Sentiment Analysis Model)

目标：确定用户消息的情感(正面、负面、中性)。

模型：卷积神经网络(CNN)、LSTM

b. 对话管理模型(Dialogue Management Model)

目标：管理对话流程并生成适当的响应。

模型：强化学习、带注意力机制的Seq2Seq

3）语音识别与合成模型

a. 自动语音识别(ASR)模型

目标：将口语转换为文本。

模型：Deep Speech、连接时间分类(CTC)

b. 文本转语音(TTS)模型

目标：将文本转换为口语。

模型：Tacotron、WaveNet

4）数据管理与知识库模型

a. 知识图谱模型(Knowledge Graph Model)

目标：存储和检索结构化知识。

模型：图数据库(Neo4j)、RDF三元组

5）性能优化模型

a. 负载均衡模型(Load Balancing Model)

目标：均匀分配进入的请求到各服务器。

模型：轮询法、最少连接法、加权最少连接法

通过这些数学模型，使用准备好的数据集对模型进行训练，并不断调整模型参数和结构，以提高模型的准确性和响应速度。通过交叉验证、超参数调优等技术手段对模型进行优化，进一步提升模型的性能。智能客服系统能够有效地处理用户查询、识别用户意图、进行情感分析、管理对话流程以及提供语音交互和知识管理等功能。

4、系统开发与集成

在训练模型的同时启动前后端各模块的开发，并将训练好的模型应用于实际系统中，构建完整的智能客服系统。主要工作包含：

• 前端开发：开发用户交互界面，包括网页、移动应用等，确保用户能够方便地与智能客服系统进行交互。

• 后端开发：开发后台服务和业务逻辑，包括用户管理、对话管理、数据处理等功能模块。

• 系统集成：将前端、后端和模型进行集成，确保各个模块之间能够无缝协作。

• 接口开发：开发与外部系统的接口，如CRM系统、工单系统等，确保智能云客服系统能够与其他业务系统进行数据交换和功能协同。

5、测试与上线

对开发完成的系统，进行全面的测试，确保系统在各种场景下都能稳定运行，并且能够满足用户的需求。

• 功能测试：对系统的各项功能进行测试，确保功能实现符合需求。

• 性能测试：对系统的性能进行测试，包括响应时间、并发处理能力等，确保系统在高负载情况下能够稳定运行。

• 安全测试：对系统的安全性进行测试，确保系统能够防御各种安全威胁。

• 用户体验测试：邀请部分用户进行试用，收集用户反馈，进一步优化系统。

测试完成后，系统便正式上线。上线阶段准备了应急预案，确保在出现问题时能够迅速处理。

6、上线后的监控与运维

系统上线后，我们会进行持续的监控和维护，以确保系统的稳定运行，并不断优化系统性能和用户体验。

7、持续改进与升级

容联七陌智能客服系统任然在不断演进和升级，以适应用户需求的变化和技术的发展。后续的改进和升级都会同步更新到居然之家-智能客服。主要包括：

• 定期更新模型：根据最新的用户数据和业务需求，定期更新和重新训练模型，确保系统能够理解和响应最新的用户需求。

• 功能扩展：根据用户需求和市场变化，持续开发和上线新的功能，提升系统的服务能力。

• 技术升级：跟踪最新的技术发展，不断引入新的技术和工具，提升系统的智能化水平和运行效率。

• 用户培训：定期开展用户培训，帮助用户更好地使用智能云客服系统，提升用户满意度。

总结

为居然之家实施智能客服系统是一个复杂而全面的过程，我们从项目启动、需求分析、技术选型、数据准备、模型训练、系统开发、测试上线到后续维护等多个环节进行系统的规划和实施。通过科学的方法和严谨的执行，构建了高效、智能、用户满意的智能客服系统。

总之，容联七陌的智能客服系统不仅有先进的技术和强大的功能，而且更贴近用户需求，为企业提供优质的数智客服体验，赋能企业提升服务水平创造更大的价值。

商业变化

七陌帮助居然之家打通微信客服、网站在线客服、小程序等多渠道客服，一个平台处理所有问题，

• 单个客服工作效率提升60%、售后满意度提升54%

智能语音机器人、文本机器人、知识库、智能IVR等，助力提升客户智能化新体验，X-Bot智能机器人为企业带来的改变：

• 将知识生产效率提升70%，对话构建成本下降80%，100%提升客户服务效率

• 回复准确率提升60%、客服人工成本降低30%、学习培训时长降低32%

• 智能机器人Xbot解决客户至少75%以上的咨询问题，释放人工座席

• 经过一段时间的运营训练，机器人知识库基本涵盖所有业务咨询，未知回复率仅仅只有1%

• 自机器人上线以来，机器人接待量直线上升，目前单渠道的日均会话数达3000+，机器人日均回复数5000+，机器人解决率高达80%左右，转人工率仅15%左右，知识覆盖率高达90%

• 目前为客户节约了70%人力成本，知识覆盖率高达99%

关于企业

·容联七陌

容联七陌，智能客服系统服务商，为企业提供多场景多链路智能服务解决方案，在AI、通讯、数据三轮驱动下，容联七陌生成式一体化智能客服平台旨在帮助企业提高客户服务质量，通过对客户数据的分析挖掘为企业提供有价值的市场洞察和智能服务，可以将知识生产效率提升70%，对话构建成本下降80%，100%提升客户服务效率，并为客服人员提供文档智能问答/抽取、用户语料/业务话术/流程类方案建议自动生成、销售优秀话术自动提炼等能力，助力客服员工高效推进业务服务，全面赋能客服&营销场景应用。

点击文末左下角“阅读原文”链接还可查看“容联七陌”官网

·居然之家

居然之家是以“大家居”为主业，以“让家装家居快乐简单”为企业使命的全国性商业连锁集团，业务涵盖室内设计、装修、家居建材销售、智能家居、智慧物流、后家装服务以及百货商场、购物中心、生活超市等多业态。2019年12月居然之家于深圳证券交易所主板上市。自创立以来，居然之家不断进行商业模式创新，平台服务与线性服务相结合、线上线下相结合、“大家居”与“大消费”相融合，引领家居行业向新零售转型升级。

★以上由容联七陌投递申报的项目案例，最终将会角逐由数据猿与上海大数据联盟联合推出的《2024中国数智化转型升级创新服务企业》榜单/奖项。

该榜单最终将于7月24日北京举办的“2024企业数智化转型升级发展论坛——暨AI大模型趋势论坛”现场首次揭晓榜单,并举行颁奖仪式,欢迎报名莅临现场：