【数据应用案例】阿里巴巴客服助手_人机协作提高客服效率

案例来源：@阿里巴巴机器智能

案例地址：https://weibo.com/ttarticle/p/show?id=2309404343904739692374

 

一、背景

1. 阿里每天客服进线量大，除了机器客服外，人工客服仍不可避免，提高人工客服效率能保障用户体验

2. 客服接入电话主要有三个耗时过程：1）确定会员名；2）确定订单号；3）确定问题&找到解决方案

 

二、问题

1. 确定会员名：虽然系统提供了来电识别会员的功能，但识别正确率只有55%。原因是：(1)一个人多个手机号或多个账号；(2)用家人的手机进线；(3)固定电话，无绑定会员

2. 确定问题订单号：客服让用户报有问题的订单号，但找订单很麻烦、报订单号很长，而且拨打电话的时候网络信号差，非常耗时

3. 场景识别（确定问题&找到解决方案）：首先要求客服能准确理解用户的诉求，其次要根据诉求搜索到解决方案。这两个环节都耗时且容易出问题

 

三、解决方案

1. 确定会员名：先用高可信规则匹配，然后模型进行模糊匹配，最后用会员平台接口兜底，通过这种方式减少花在确定会员名的时间。

    1）高可信规则匹配：

        i. 对于固定电话，采用历史数据匹配（历史有进线的，会标注“电话-会员名”）

        ii. 对于手机电话，优先匹配24小时内的重复进线数据。因为同一天同一手机号进线，很大概率是同一会员

    2）模型匹配：找到该手机号对应的几个会员账号，然后根据账号活跃度、账号近期是否有退款行为等，输出最大概率产生客诉的会员账号

    3）会员平台接口兜底：人工问用户会员名，在会员平台匹配

2. 确定问题订单号：进线前根据上下文信息匹配订单号，进线后根据用户说的商品、时间等信息来匹配最可能的问题订单号

    1）上下文信息：

        i. 小蜜机器人有订单识别基础，进线前能识别30%的问题订单

        ii. 重复进线数据（昨天咨询过某订单，今天进线有90%的概率还是咨询该订单）等输入模型，将进线前订单识别提高到50%

    2）命名实体信息：与其让用户报订单号，不如让用户报商品、时间等信息来确定订单。因此电话接入后，先转化为文字，然后命名实体出品类、品牌、日期等信息，匹配出最接近的订单。能识别出20%的订单

    3）人工兜底

3. 场景识别（确定问题&找到解决方案）

    1）高可信规则匹配：对于外部业务方，可以通过配置规则来满足变化的业务需求，实现扩展性

    2）模型识别：

        i. 主场景（如退款、运费等）类型少、数据量多，采用分类模型判断属于哪个主场景，输入数据是电话中的语料

        ii. 确定主场景后，子场景较多且复杂，训练模型效果不一定好。因此采用语义匹配、相似度计算等轻量级方案结局

    3）人工兜底

 

四、效果

1. 业务指标平均通话时长（ATT）提高，目标是提升30%

2. 客服对工作台满意度提升11%

3. 使用界面示例：

 

五、思考点

1. 业界实践中，先用高可信规则满足一大部分需求，然后用模型去满足规则无法覆盖的需求，最后用人工处理兜底。

2. 规则是业务理解的高度提炼，同时规则能够支持插拔（如人工在流程中增加部分规则），对于需要拓展性的方案，规则参与其中是一种有效的思路