客服型呼叫中心的发展

客服呼叫中心最早在国内应用于保险行业，近年来逐步应用于各个行业，今天小编就来讲下客服呼叫中心的发展。
一、客服系统的发展历程

中国客服软件市场大致经历了三个发展阶段：传统呼叫中心软件、PC网页在线客服+传统客服软件、云客服+客服机器人的智能客服阶段。

• 2000年以前，互联网尚未普及，客服主要以电话沟通为主。
• 2000-2010年间，得益于计算机技术、计算机电话集成技术（CTI）、网络技术、多媒体机技术以及CRM、BI、ERP、OA等企业信息化应用的集成，客服系统跳出单一的电话沟通出现了网页在线客服等多种客服渠道。
• 而过去近十年，移动互联网、云计算、大数据和AI技术的发展又将传统呼叫中心和客服软件带入了SaaS和智能化时代。一方面全新的SaaS模式使得企业搭建客服中心的成本大大降低，SaaS模式逐渐普及，早期提供呼叫中心硬件设备的厂商已经延伸到中下游，为外企、国企等大型客户提供本地客服中心解决方案。

从当前客服产业链构成情况来看，上游基础设施环节已经发展成熟，少数巨头垄断市场。未来，他们会继续向下游延伸，构建企业服务生态。

中游客服产品提供商中，云客服厂商经过几年竞争，头部几家已脱颖而出，但仍未长出巨头，竞争依然激烈。产品功能更加丰富，应用场景也从客服延伸到了销售、营销等多个环节，另一方面，客服机器人通过辅助人工，以及回答简单重复性问题，大大提高了人工客服的工作效率。同时，AI也在从各个环节上变革着企业客服的交互方式，加速线上线下客服的智能化升级。

二、智能客服系统搭建

智能客服系统主要基于自然语言处理、大规模机器学习、深度学习技术，使用海量数据建立对话模型，结合多轮对话与实时反馈自主学习，精准识别用户意图，支持文字、语音、图片等富媒体交互，可实现语义解析和多形式的对话。
任务对话服务：
定制化服务，通过与用户的多轮交互，实现快递查询、订餐、医生预诊等服务类功能。
业务咨询服务：
通过QA知识库，快速回复用户问题咨询服务。解决常见问题的解答。

2. 智能客服系统的技术构架

（1）基于知识库回答的智能客服系统

基于知识库回答的智能客服系统，
使用的检索或者分类模型来实现的。

检索式回答的流程是：

• 首先对用户的输入问题做处理，如分词、抽取关键词、同义词扩展、计算句子向量等；
• 然后基于处理结果在知识库中做检索匹配，例如利用BM25、TF-IDF或者向量相似度等匹配出一个问题集合，这类似推荐系统中的召回过程；
• 由于我们是一个问答系统，最终是直接返回给用户一个答案，因此需要从问题集合中挑出最相似的那个问题，这里会对问题集合做重排序，例如利用规则、机器学习或者深度学习模型做排序，每个问题会被打上一个分值，最终挑选出top1，将这个问题对应的答案返回给用户，这就完成了一次对话流程。

在实际应用中，我们还会设置阈值来保证回答的准确性，若最终每个问题的得分低于阈值，会将头部的几个问题以列表的形式返回给用户，最终用户可以选择他想问的问题，进而得到具体的答案。

（2）基于槽位填充的多轮对话系统

搭建基于槽位的对话系统是一个相对专业而复杂的过程，通常分三个主要的阶段。首先是需求分析。

了解该系统我们先熟悉一下几个名词的释义：

1）意图

意图是指用户在语音交互中发出的主要请求或动作。

意图示例：

• 肯定意图：是；对的；正确；Ok；
• 否定意图：不是；不对；错了；NO；
• 取消意图：退出；停止；关闭；结束；

2）技能

技能是满足用户特定需求的一个应用。例如用户说“查询我的洗发水快递到哪里了”时，会进入快递查询的技能。

3）问答型技能

通过Q（用户问法）和A（机器人回答）的配置，可以实现简单的用户与机器人的对话。

任务型技能：在问答型技能的基础上，增加槽位、API（接口）调用等高级功能，可以通过配置，来实现用户查询信息、问题搜索或者其他功能。

4）词典

某个关键词可能变化的内容，例如时间词典，位置词典。

语义槽：语义槽是用户说法中包含的关键词，它可以帮助系统准确识别意图，例如星座语义槽包含12星座的名称。语义槽和词典一般会同时使用，语义槽通常用来指代词典。一个语义槽可以同时绑定多个词典，一个词典也可以与不同的语义槽相关联。

5）追问

当用户问法中没有提供该语义槽值时，机器人要对其自动发起追问。

例如用户问：天气怎么样？我们无法获取到查询天气的地点的语义槽值，就需要机器人追问，您想获取哪里的天气信息？，追问话术一般设置多条，随机追问。

在国内开放的bot系统中，百度UNIT和微信的对话开放平台就是应用的该技术框架。

一个自然语言对话系统，理解的核心任务是对意图的解析和对词槽的识别。

例如：订明天早上8点北京到石家庄的火车，在这个例子中，对于用户表达的一句话，它的意图是要订火车票，其中涉及的词槽包括出发地、目的地、时间。当这个时间有多趟车次的时候，就需要进行追问用户，是要订哪一个。

3. 如何评判一个智能客服系统的好坏

（1）基于人工标注的评价

基于问答知识库来回答的系统，回答能力受限于知识库的丰富程度，也就是说知识库对用户问题的覆盖率，覆盖率越高，准确性越高。

因此并非能回答用户的所有问题，系统最佳的状态是将能回答的全部回答准确，不能回答的全部拒识，即拒绝回答。

因此这里的评价指标包括有问题解决率、拒识率、召回率和准确率等，我们的目标是让系统的有结果率无限接近数据的真实有结果率，召回率和准确率尽量高。

• 召回率 = 机器人能回答的问题数 / 问题总数
• 准确率 = 机器人正确回答的问题数 / 问题总数
• 问题解决率 = 机器人成功解决的问题数 / 问题总数
• 拒识率=机器人未回答问题数/用户问题数

通过从每日的全量数据集中抽样出一个小数据集，保证小数据集的数据分布尽量符合全量数据集，然后由标注团队对数据集做标注，标注出每个问题的实际答案，一般标注完成后还有质检的环节，以保证标注结果尽量准确，这样便生成了每日数据的标准评测集。

基于该标准评测集我们会去评价系统的好坏，并且每次做新模型迭代时都会使用标准评测集去评价新模型，只有新模型达到某个指标才可以上线。

客服呼叫中新的发展越来越好，越来越完善，应用也越来越广泛。