图：Avaya大中华区副总裁 大中华区首席技术官熊谢刚
今天我介绍的题目是"数据+智能：客服新业态"。
过去的一两年来我们专注做私有云呼叫中心平台运营，我们一直在反思一个问题：呼叫中心的发展方向到底应该是什么？前面的领导们也都有谈到这个问题，我从最终呼叫中心运营和用户的角度，把它归纳为五方面：1、用户具象化。简单地说，就是用各种方法去更好地了解呼叫中心的用户，比如，基于客户行为特征分析的客户画像等。所以，我认为不管做什么，目的就是为了做到用户的具象化。2、刚才李农总讲到旅游行业全媒体沟通渠道的应用，其实就是呼叫中心发展的的第二个维度：渠道多元化。不管用什么手段为您的客户服务，其实就是做渠道多元化。3、接下来是我今天要重点谈的一个话题：服务智能化。智能化并不意味用了些AI的技术您的服务就智能了。以我切身的感受来看，今天的人工智能技术还做不到我们所期望的服务智能，稍后我会展开具体介绍。4、我要重点介绍的另外一个话题是关于呼叫中心运营，也就是运营如何数据化。实际上只有做到运营数据化，很多服务才能做到智能化。5、作为一个呼叫中心的运营者，当您做到上述4个层面，您的呼叫中心管理就一定能够做到可视化。以上5个维度是我认为的呼叫中心发展的主要方向。
由于时间关系，我今天只讲两个方面的内容，首先谈谈运营的数据化。对用户而言，运营最重要的是高可用、高效，所以运营数据化应该是"要命级"的，如果不把运营数据化做好，谈所谓的智能客服，就没有任何意义。其次，做好了运营数据化，就可以考虑如何更加智能地服务我们的用户，所以我认为它应该是"使命级"的。另外，今天讲呼叫中心服务智能化还有很多方面需要前瞻性地去探讨，需要更为现实的看这个问题，为什么这么说？因为AI技术目前还不能完全满足呼叫中心智能化的要求，更不能代替人工座席服务。但这件事情必须要做，所以服务智能化是一种"使命"。
下面，我们展开讨论运营数据化。
今天大家都谈大数据分析，但做呼叫中心实际运营，一定要看看这个事情到底怎么落地。过去1-2年我们在做私有云运营过程中，这个方面我们走了不少弯路，总结起来就是如何落地，落地之后的结果如何评估，并且是能够量化去评估，这也是我为什么提出运营数据化的初衷。我给它下了一个定义，运营数据化首先要做的是一定要把服务过程进行细化和拆分，宽泛地谈运营的数据化，是没有意义的。如果不能把整个服务过程细化、拆分，这个事情没有办法做。服务拆分完之后，每个节点就可以考虑如何去量化，完成这个步骤之后，我们就能怎么精准、快速的去定位和解决问题，最终达到提升效率的结果。过去1-2年，我们中间探索了很多方法，比如怎么拆分服务、怎么细分、怎么量化。我们把呼叫中心服务过程拆分成了6个环节，其中第一个环节就是客户服务动因，也就是客户今天来找你要求服务的原因是什么，我们总结出一套建模的方法，可以很好地描述出用户的服务意图是什么，然后采用一些数据模型来表述这些意图，模型里需要考虑哪些因素、哪些指标，从而实现服务动因的量化模型建立。
第二个环节就是服务场景，也就是用户在 什么场景下获得服务；有了服务场景，就要考虑第三个环节，也就是服务的精度是什么，所谓服务精度就是提供的服务是否能够真正满足客户所期望的服务；当这些定下来以后，我需要考虑第四个环节：服务效率。看看服务是否真正的高效？ 另外，我们还需要考虑一个环节：服务的氛围，最后我们需要考虑服务的满意度。通过上述6个环节的拆分，再把每个环节进行细分和量化，最后实现数据建模。通过实际运营，这套方法的效果非常不错。在这里我举个例子，当中有一个服务无效原因模型，我们给一家很大的消费金融公司做催收业务，催收业务每天的呼叫量大家猜一下可以达到多少？每天呼叫量达到210万，可是真正有效催收的服务只有8%-9%，也就是有超过90%的催收服务是失败的。在传统呼叫中心系统中，是很难全面了解失败原因的，也就是在报表中有个外呼接通率KPI考核。今天有了服务无效原因模型后，我们把呼叫为什么失败相关联的所有因素全部罗列出来，并分析和跟踪每种因素的变化。比如，我们会分析被催收用户的手机号码，并把这个手机号可以关联的各种属性纳入呼叫失败的考量因素，例如手机号码的运营商属性，是联通号码、电信号码还是移动号码。
在实际运营中，我们就碰到过这样一个真实例子。大家一定知道，通过手机号码可以判断这个号码说哪个省，甚至知道哪个地市的，在去年的10月份我们发现在外呼催收的号码当中，福建、广西两个省有很多联通的手机号码突然大面积拨不通，如果是过去我们是无法第一时间知道这些未接通电话的地域属性的，今天为什么能看到呢？因为我们关联号码的地域属性，一旦某个属性变化出现异常波动，我们立刻就可以知道了。最后查实，这个问题是因为我们客户的催收中继线路与其他电销线路共用，有客户投诉其中电话销售业务，运营商关停了相关地域的呼出线路，从而导致线路资源紧张后大范围呼叫失败。大家可以看到，通过这样的量化的模型，我可以第一时间知道到我们的服务在哪个地域、哪家运营商的哪些号码出现了问题。这就是我们所说的运营数据化。我们过去一两年用了大量的精力来做这方面的工作，今天我们开始尝试用一些人工智能算法，比如深度学习，半监督管理的方法来做运营数据化的工作。这样可以减少每个模型所需要的人力投入。
通过对服务过程拆分、细分和量化建模之后，我们基本上可以把呼叫中心内部运营做得很精细。当这些工作做到一定程度之后，我们很快又发现一个问题，催收的效果，也就是呼损从8%-9%提升到18%-19%，基本上就很难再提升。什么原因呢？通过和我们的这个消费金融的客户讨论，发现问题来自催收号码的采集，原来当消费金融公司跟贷款人签消费贷合同的时候，会要求贷款人填5个常用联系人的号码，然后让客服去回访确认号码真实性，其实这个途径是无效的，因为这些联系人是贷款人预先打过招呼的。但是当这个人欠款的时候，你后面再打这些电话，这些所谓的常用联系人基本都不会再接电话了。这就是为什么从内部运营的角度再怎么精细化也提升不了接通率的原因所在。
根据这个情况，我们想到了运营商的合作。
为什么想到运营商呢？ 在我们看来，三大运营商是最大的大数据公司，因为今天每个人都用手机，你手机的行为数据无时无刻不在产生，是最鲜活的，甚至比互联网上的数据活跃度都要高。你的手机不管是关机还是开机、连接的基站已经第一时间暴露了您所在的位置信息。回到刚才催收的案例，通过和运营商合作，当贷款人填写5个号码的时候，我马上把这5个号码发送到运营商，让运营商帮我们查询，这5个号码是否在过去一个月、三个月、六个月和贷款人实际通讯的频次。为什么说是频次和范围呢？因为运营商出于数据安全，是不可能准确告诉我们的这些数据的，但是可以给一个范围，比如是10次以内、10次-20次还是20次以上。有了这个范围，立马就可以知道所谓的常联系人是否经常联系了，设想过去6个月电话联系5次都不到，您觉得是经常联系吗？通过这个手段，我们就可以第一时间在贷前验真贷款人填写信息，再举个场景，为了了解贷款人是否有固定工作和常住地址，需要贷款人在贷款合同中填的家庭和工作单位地址信息，过去是很难第一时间检验所填信息的真实性的，现在我们把贷款人手机号码给到运营商，可以非常精准地查到过去一个月、三个月、六个月，通过基站的定位，查到晚上12点到早上6点，是超过60%还是20%的时间在贷款人所填写的家庭住址范围活动，比如深圳某个区、某个街道。通过这个途径，既保护了客户的敏感信息，但是我又验证了客户所填的信息是否真实可靠。
另外，我们做催收的时候有个业务指标叫作"通达率"，以前呼叫中心叫作"接通率"，为什么会不同呢？因为我们做催收，不只是电话打通就行，而是要看到借款人在接到催收电话、微信、短信之后要有响应，表示催收信息通知到了，所以我们叫作"通达率"。通过与运营商的合作，从过去催收通达率11.3%提升到了29.8%，大家看到，真正把客户信息在贷前过程中做了清洗和验证之后，其效果是相当明显的。
通过为不同金融公司做催收运营平台，我们逐渐领悟出一个道理，所有的金融企业希望在贷前阶段了解借贷人更多的信用信息，其中就包括因逾期还款被催收的记录。实际上，催收平台是存储了大量的这些催收记录数据的，比如某个人是否有过M0、M1、M2催收记录，也就是是否曾经逾期1个月之内、2个月之内还是3月之内被催过款，这些数据属于各个金融公司。这就象运营商数据平台一样，拥有有大量手机用户的实时行为数据一样。但怎样才能既保护好这些数据，同时又挖掘出这些数据的价值呢？一方面，有些借贷人从一家金融机构借款拖延未还又跑到其他公司又去贷款，用于还贷或超额消费，这类人的借贷风险非常大，而运营平台的催收记录数据是非常容易识别出这些人群的，比如象那些逾期 90天还被催收还款的。消费金融公司如果有了这些催收记录，您觉得还会有金融公司愿意借贷给他吗？
基于这样的一个市场需求，我们把各家的数据做了相互关联处理，打造出一个数据交换平台，各家拥有各自的数据，但可以提供相互间的脱敏级或泛化查询服务，也就是我们讲的数据生态。简单地说，就是不把你的数据给到别人，但为其他企业提供查询服务，只是告诉对方的是一个数量范围。比如之前提到的催收场景，某个人有90天逾期没有还款的记录，只需告知你是否有M3级别的催收记录。其放贷的可能性就由90%降到30%甚至更低。
有了这样一个数据生态，对这个生态的所有企业而言既是数据分享者，又是受惠者。比如，当其他的企业找您做某类数据信息确认服务，单次服务价格，也会相对便宜很多。通过做这个数据生态，我们感受到这个效果是非常明显的，回到消费金融这个市场，消费金融在过去一年当中，今天消费金融公司的市场增长超过到500%。业务的快速增长的同时也带来了相应的坏账问题，比如消费金融里面有一个考核指标叫逾期率，就是到期该还钱不还的有35.9%，也就是1/3的人在消费金融领域都有逾期还款。通过我们的数据生态建设，可以把逾期率从35.9%降到21.8%，这个都是真实数据。在今天这个会上，处于保护客户隐私，我没有办法介绍太多详细信息，但是我可以告诉大家，这个数据生态平台其实对所有参与公司的业务风控和还款率提升是非常明显的。
我们做了上述一系列动作之后，从呼叫中心的维度，无论怎么做数据清洗、数据运营，最终还是得落实到客户是否还了款？如果没有还款，前面做了这样或那样的动作，对我们还款业务是不会产生结果的。通过调查，和相应数据分析之后，发现大部分被催收的借款人并没有立即还款，而是半天以上，甚至是一天以上。通过回访了解到，借款人接到电话或微信、短息等催收信息后，由于还款流程太过于复杂很不方便，只能找专门的时间来完成还款。于是我们与我们的客户思考能不能有一个更便捷的方法去还款，我们设计了一种方法把催收电话、短信、微信与还款应用打通，通过手机通话记录一键式进入还款界面。为了做到这点，我们和很多手机厂商谈，在手机厂商的电话拨号盘软件里能不能内置一段代码，当他接电话的时候，不管有没有存储借贷公司的催收号码，在振铃的同时会显示催收公司的名称等信息，让接听者知道这是一个催收电话，不是其他骚扰电话。无论接通与否，在通话记录里面标识出催收公司的信息。被催收人通过点击这个标识就会跳转到催收公司的HTML 5还款的界面。并预先把相关还款信息都填好，包括要还款的金额。这样还款者在接到催收电话以后，不管是否接听，只需几个点击操作就能完成还款了。所需时间往往用不到1分钟，这对很多人而言是非常喜欢这种还款方式的。
通过这样的一个创新，现在已经有接近10%的还款是通过这种途径完成的，按每天为企业催款1500万，10%意味着150万可以通过这样的简易渠道还款。这都是能带来最实际的业务价值的。在这个方案中，我们用到了Avaya的一些底层通讯SDK开发包，集成到手机ROM或APP等业务应用和场景中。
通过上述介绍，大家应该可以看到，我们做了一个呼叫中心的运营闭环，从数据化内部运营，外部数据的清洗，到最后业务流程的优化。有了这样的闭环，呼叫中心的业务核心价值，催收还款的根本目的就达到了。
下面快速介绍一下一个客户的案例信息，这张胶片包含了各种各样的业务和运营数据，在这里细节就不多说了。可以看到这个消费金融企业上线了500个座席，每天催收呼叫量达到210万通，一天要催回来的金额超过5900万，每个座席每天催收指标14万，所以每通电话能不能接通对座席来说都是非常关键的，可以看到每一通电话平均下来要催回来930元钱。看到这些数据，你就知道呼叫中心运营里面最核心的东西是什么了。
接下来开始讲讲服务智能化。我留意了一下今天所有的演讲主题，从我开始，接下来的每个个演讲者的题目要么有"智能"，要么有"智慧"，要么有"AI"。可以看到今天大家都在关注呼叫中心的智能化这个话题。
我先问大家一个问题，谈到呼叫中心的智能化，当今的机器人真的能代替人工服务吗？我个人的观点认为目前根本不能替代。在过去一年多的时间当中，我见了差不多30家AI公司，包括我专门去见了一些所谓大公司的AI实验室，也见了很多从国外回国创业的，比如剑桥、斯坦福、麻省理工背景的AI团队，我和他们谈了很多。为此，我们的小A云平台投了7个人，专门研究市面上主流的AI算法。我们统计了将近60种算法，目前真正的深入研究有接近30种，研究完之后我们得了一个结论：用今天的AI算法和技术，直接去替换人工座席服务，而且是完全替代，那么我认为根本不现实。所以这张胶片里，我用了这样的示意图，3个人给他每个人两只机械臂、机械手，代表今天AI做的不是替换人的脑袋，实际上是当坐席人员的助手。
有了这样的一个认知，您就能更理智、更理性的来做所谓的服务的智能化。在过去将近一年左右的时间当中，我带着团队在这个领域搞了大量的智能化尝试。以我们的切身感受，应用AI技术，首先需要改造的是呼叫中心的业务流程，因为这些流程是以人工服务建立起来的，业务系统都是为传统的人工座席服务于人的模式来设计的，如果没有经过优化和改造，根本不合适用机器智能来做，因为今天的机器不可能有人聪慧。
在这个胶片中，我总结了两点，应用AI必须首先改造应用流程，其次，我认为AI在客服体系的应用是一个逐步优化和完善的过程，不是一个简单的产品不是就能做到的。我和蚂蚁金服有过沟通，10月12日，他们在阿里云栖大会有个智能客服专场，也会谈及这个观点。简单地说，如果今天没有用业务流程改造优化以适应AI技术的使用，智能客服是很难做到有效的。
服务智能化我们也象做数据化运营一样做了场景和流程拆分，为什么要做拆分呢？其实就是想把智能客服这个大目标切分成更小的可以实现的小目标，尝试在一下小的领域看看能不能有所突破。
接下来还是用呼叫中心的思维来考虑服务智能化，首先谈谈用户层面的AI 应用，今天如果要做AI，首先想清楚你为你的用户所提供的服务界面是什么，今天如果用机器人像真人一样去回答客户的问题，不管是语音方式，还是文本方式，在这里面有大量的技术工作要去做的。包括用监督、半监督学习去标注用户，为此我们做了很多研究。除此之外，我们还在其它技术领域做了大量努力，比如：包括声纹库，我们给一些客户做声纹库和基于上面的各种创新应用。其中的问答机器人这个产品我会重点介绍。
在座席层面的AI怎么用呢？比如座席的辅助系统、流程机器人、行业知识图谱等，这些看起来都是高大上的，但是真正做实际部署实施的时候，我们发现这里面有大量的问题，由于时间关系，我们不详细介绍。
在呼叫中心管理层面，AI应用有智能质检，其实不要说智能质检，开句玩笑我们希望做成傻瓜质检，因为人工做得越少才是最好的。
通过这张胶片我来详细介绍一下问答机器人的技术实现，因为我们花了大量的精力来做问答机器人这个产品，问答机器人的应用在很多做SaaS的平台上很普遍，包括蚂蚁金服，很多电商平台都有问答机器部署。为了实现问答机器人，我们实现的不只是AI的单一技术。当一个服务请求过来时，首先要判断的是用户的意图，一个呼叫中心无论规模多大，它提供服务一定是有限的，也就是说一点可以把用户的服务请求意图映射到其中的某类服务，帮助其解决相关问题。
为了让机器识别用户的意图，需要去分析客户的行为轨迹，上下文信息，通过这样的方式判别用户进入客服到底要寻求哪种服务，当机器人知道用户的意图后，就进入具体的服务场景的信息采集流程。比如，一旦机器一旦明确用户要预订酒店。机器人就会启动酒店对话场景模式，产生相应话术去采集如下信息：哪个城市的酒店，什么级别的酒店，什么价格的酒店等等。在这个过程中，有一个概念，叫对话管理模板。
不管怎么机器与用户之间的对话多么复杂，其实来就是按照相应场景模版采集全预设的几个指标信息。如果这个场景模板完全靠人工提前设计，一方面业务场景有任何的改变都需要靠人工去改变，工作量很大，往往时效性还不好。现在我们尝试应用深度学习的方法和技术，做了模板生成器和模板识别器，采用深层对抗网络，并通过研究谷歌"阿尔法狗"去实现这些场景模板建设的自动化或半自动化。有了这样一套技术和方法，是就可以用少量的样本数据来生成场景模板，省时省力。
有了好的场景模板，就把所有信息收集好之后，填充到场景信息槽位中。然后机器就会尝试去生产相应的答案，并计算答案的置信值，如果置信值超过85%，机器就会认为可以把生成的答案发送给用户。如果机器认为置信值不够，就会转给人工，由人工座席去提供服务答案。
整个服务过程当中，非常关键的一个环节是知识图谱的建设。
在问答机器人产品的开发中，用到了深度神经网络技术，比如刚才讲到对抗深层网络的自学习的技术，基于语义的推理，包括本体知识的建设，最终关注知识图谱的建设和完善。如果这些体系的建立，单纯依靠某一个AI的产品，根本不可能做好服务的智能化。
问答机器人，只是服务智能化中很小的一块应用。我们在呼叫中心平台还做了很多小的尝试，透过这张胶片我们可以看到，做些小的应用和改变，就象给座席增加机械手一样，可以在呼叫中心很多方面实现效率的快速提升。
下面讲几个应用场景，在很多大型呼叫中心中最头痛的问题是每到假期，比如马上到来的国庆大假，放假前的一周是很多90后的座席辞职的高峰期，很多90后座席可能因为十一长假要出去玩，不想加班干脆辞职。我们借助AI技术和流程的优化，做了套假日座席服务模式，在夜间或假日去启动这个模式，大大减少加班座席数量。
另外，为了降低坐席工作强度，比如座席每天的键盘录入工作量，我们把语音识别技术应用到座席录入场景中，也许识别率70-80%，对座席来说已经足够了，因为它已经解决了座席大部分的输入工作量，座席只要稍微修改校验一下即可。但如果直接把这个技术应用到用户服务，可能5%差错率都无法容忍。小的这种改变带来的效果是非常大的，真正让座席的效率提升，这才是我们想要做的事情。通过这些创新，我们做了些统计，座席的加班率降低了34.1%，自然离职率也相应降低。这就是服务智能化带来真金白银的效果。
最后我快速谈谈Avaya的新产品。
今天呼叫中心平台产品跟过去有了彻底的变革，通过这张胶片我们可以看到，Avaya推出了两个核心的全新一代产品：Breeze和 Oceana，其产品设计理念发生了根本性的改变，过去的呼叫中心是用座席人员服务于人，今天Avaya产品的设计理念是一定要用智慧应用服务于人：座席和用户，不管是通过APP还是微信，都是基于场景应用服务于人，而且这些应用会做得越来越智能。所以从技术维度来看，呼叫中心平台产品的发展方向一定是就是由过去人服务于人（我们叫Person to Person）向应用服务于人（Application 2 Person）方向发展和演进，这种演进将是革命性的。
下面稍微展开谈谈，比如呼叫中心的核心产品：基于呼叫和座席技能的排队机，将会演进成用户数据标签匹配和资源搜索引擎。
而传统的CTI产品将会演进成支持"全渠道"或者说是"泛渠道"的数据交互引擎。
过去的IVR产品是用户通过0-9按键信息来告诉计算机用户需要干什么的，今天更多是发展成自然语言理解和交互（NLP）。
另外，软交换通信平台更多变成提供通信开发包能力的平台。
呼叫中心的报表更多是向BI和可视化管理发展；
座席操作界面也向着移动化、Web化方向发展。
最后，呼叫中心的所有产品发展由最初的硬件变成软件，后来支持软件虚拟化部署，今天发展成可以全云化支持弹性部署。
总之，呼叫中心产业在面临巨大变革，其中两个最为关键的变化的是运营的数据化和服务即将走向的智能化。今天我的介绍就到这里。谢谢大家！
