新時代銀行智能客服應用研究與展望

張 誠

（1.復旦大學，上海 200433；2.交通銀行股份有限公司，上海 200233）

新時代銀行智能客服應用研究與展望

張 誠1，2

（1.復旦大學，上海 200433；2.交通銀行股份有限公司，上海 200233）

近年來，隨著金融脫媒、利率市場化進程加速，銀行業所處的經營環境日益復雜多變。同時，云計算、大數據與人工智能等新興互聯網技術蓬勃發展，開放、平等、分享、協作的互聯網精神也正在潛移默化地改變著人們生活的方方面面，客戶行為與預期發生顯著變化，傳統金融服務模式面臨重大變革。快速迭代的銀行渠道功能、自助開放的客戶溝通需求、豐富寶貴的客戶體驗痕跡捕捉，新時代下的銀行服務環境與傳統基于人工的服務模式形成了矛盾。而智能化的客服模式，也許正是解決問題的一把關鍵鑰匙。文章以業內率先探索智能服務領域應用的大型國有商業銀行為研究案例，淺析智能客服應用現狀與展望。

商業銀行；智能客服；人工智能；客戶體驗

一、智能時代撲面而來

隨著信息技術的迅猛發展，AlphaGo引領的人工智能浪潮正在席卷全球，金融業也徜徉其中，經歷著一場全新而又持久的變革，“智能與高效”日漸成為現代金融業的重要標簽。

與此同時，以客戶服務中心為典型代表的金融業服務窗口仍在經受諸多困擾：客戶數量與日俱增持續推高人力成本、咨詢問題偏于簡單重復長期制約效率提升、被動式交互方式嚴重阻礙服務品質突破……如何推動金融客服中心由勞動密集型部門向技術密集型、服務高端化部門轉型，成為橫亙在客服人面前的重要課題[1]。

進入21世紀以來，中文語音語義識別技術的快速發展，使得“機器人客服”代替“人工客服”的構想不再遙不可及。近年來一大批分屬不同領域的知名企業紛紛開始智能客服的應用探索，先后推出了或基于語音、或依托文字、或借助圖片、或用作引導、或解答業務、或開展營銷的智能交互系統，且部分企業已取得顯著效果。以騰訊公司為例，目前其Web交互渠道已不再設置人工座席，統一采用智能客服應答服務方式，降本增效成果突出[2]。

二、美蟹雖兇猛勇者仍可食

較之互聯網企業而言，出于審慎的風險考量限于較高的業務復雜程度，金融業對于智能客服技術的應用要顯得保守許多，業內始終頗有爭議與猶豫。2012年，以交通銀行為首的國內大型股份制商業銀行率先開啟了國內大型金融機構應用智能應答技術的先河。

探石過河無路自開。智能客服依賴于中文自然語義識別與交互技術。但可供參考的既有經驗稀缺，諸如“智能知識庫結構如何構建”、“業務的專業性與客戶的通俗性之間如何有機對接”、“業務答案的廣泛適用性與匹配精準度如何取舍”等問題始終困擾著商業銀行與系統服務商。與此同時，系統服務商雖已具備相對豐富的項目建設經驗，但對金融行業尤其是銀行業卻相對陌生，其智能應答軟件的產品功能與銀行業客服中心各項需求的貼合度尚需提升，以各取所長，優勢互補。2012—2016年期間，除先驅交通銀行外，工、農、中、建等大型國有銀行及以招商銀行為代表的股份制商業銀行紛紛建立并推廣了智能客服應用。通過銀行與第三方服務商的密切協作，逐項攻克了一系列業務難題，并在權限控制、數據識別、答案干預等多個方面對產品進行了優化改造。這些創造性工作的開展不僅為智能客服系統的持續發展奠定了基礎，在一定程度上也為許多同業項目的順利實施提供了可參考的范本。如今人機交互越來越被年輕一代用戶所接受[3]。

降本增效是歸宿。中國經濟進入新常態以來，企業紛紛通過壓縮成本謀求效益提升。對于顯著具備勞動密集型組織特征的金融業客服中心而言，在確保服務品質不降低的前提下管控好日益膨脹的人力資源成本成為重要經營目標。智能客服系統正是以高效服務為追求，全方位多維度地構建了客戶與交行之間快速溝通渠道，客戶在辦理各項業務的過程中可以快捷獲取服務支持。面對客戶通過各類渠道的接入需求，前置的智能機器人將快速響應實時提供精準解答，其強大的并發接待能力徹底掃除了人力限制、話務測算與人員排班等因素帶來的接通率制約。某股份制銀行智能客服接入微信、APP、web等電子渠道后的營運數據顯示，人工在線客服接入量驟降并最終穩定在了智能客服上線前的30%左右，相應節約人力成本達50%以上[4]。

圖1

保證客戶體驗是關鍵[5]。在圖靈測試的理論中，只有當第三者無法辨別人類與人工智能機器反反應的差別，則可以論斷該機器具備人工智能。試想當客戶與銀行智能客服進行交談，卻渾然不知對方是個機器人時，客戶體驗一定無與倫比。當前智能客服的核心機制是“抓取關鍵詞+匹配對應文本”，因此在智能客服知識庫建設過程中，需堅持易用性原則，綜合采用多項技術手段與服務策略，確保機器人服務與人工服務間不存在明顯的客戶體驗落差。考慮到部分客戶對銀行專業術語的理解能力有限，智能知識庫應答文本需要對大量專業性術語進行通俗性解釋，使得業務規則易于理解；考慮部分客戶無法精準描述業務需求，供客戶自行選擇的互動式菜單也是一個不錯的引導方式；考慮到部分客戶不熟悉各項業務功能入口，交互應答時可以靈活穿插相關功能的快速鏈接；考慮到部分客戶對機器人服務缺乏信任，機器人服務與人工服務無縫轉接機制是一個保險手段；考慮到部分業務的敏感性，相關關鍵詞可直接觸發人工策略。

除上述措施外，客戶與智能客服的交互日志包含了豐富的客戶體驗素材，通過對交互日志進行分析，持續優化應答策略與文本，可以最大程度提升智能應答的客戶體驗。以大型銀行2015年營運數據為例，智能客服在微信、網銀、手機銀行等渠道上線后，Web渠道客戶滿意度指數穩步上升。

圖2

融營銷于互動之中。除智能服務、客戶經營外，零售營銷更是當前銀行創利的重要手段。智能客戶服務除了為客戶常態化地提供各類活動資訊及相關細則，更成為融互動性與趣味化于一體的營銷推廣工具。以微信渠道智能應答服務為例，通過該渠道實現智能應答、公眾號推送、手機銀行、人工服務四大功能間的有機互動，有效促進了精準營銷的開展：公眾號可以不定期向全部或部分客戶推送理財資訊，客戶可通過智能應答獲取產品鏈接，依托手機銀行功能完成產品在線購買，操作過程中如遇疑問還可直接通過智能應答或人工客服快速獲取支持。

人機互補協同服務。智能服務與人工服務共同構建了銀行Web渠道新服務體系，兩者互為補充缺一不可。當客戶由智能服務轉入人工服務時，系統將自動帶入自動應答記錄便于人工座席在第一時間掌握客戶需求，而人工座席若在受理過程中遇到高頻問題將及時向智能應答系統管理團隊反饋，后者將迅速完成業務文本整理及智能應答知識庫發布工作，后續客戶若再次上行類似問題將由智能應答系統直接給出準確答案。人機互補協同服務機制的建立打通了智能服務與人工服務在內部管理上的壁壘，實現信息互通與服務互補，在保障客戶服務體驗的同時還有效降低了內部成本。

大數據挖掘助力業務優化。客戶數據是客服中心的寶貴財富。智能客服管理臺系統將逐筆完整記錄海量的客戶上行問題與智能應答答案，并實時生成覆蓋問題觸發頻次、客戶滿意度、匹配失敗情況等關鍵指標的智能應答報表。通過對業務大數據的密切跟蹤與深入挖掘，智能應答系統運維團隊可以獲取持續完善智能應答知識庫的直接依據，從而進一步促進了應答成功率的提升。此外，管理團隊還可以定期開展熱點問題分析，找出相關產品與服務規則設計中的可能存在的潛在不足并形成優化建議。

三、智形于外，慧起于內

智能客服的智慧來源于背后的智囊團隊，就目前而言，金融行業的人工智能尚不具備自學能力。動態菜單、問題匹配、對答文本及其文體風格均來自運維團隊的基礎建設。

以“讓客戶分不出面前的是人，還是機器人”為理念，通過逐筆分析交互日志，優化語言表述，貼近自然人語言習慣。同時通過動態菜單提供定向引導提升問題解決率。服務愈加智能化的背后，也隱藏了大量的腦力堆積。

四、前路漫漫，且行且求索

限于中文語音語義識別技術的實際發展水平，當前主流的智能應答技術本質上仍基于上送樣本與后臺數據庫（智能應答知識庫）的對比匹配，應答成功率結果直接取決于人為的詞義拆分與場景預設的水平。以知識信息構建與日常運維過程為例，系統無法直接通過自然語言進行信息擴充與自學習，必須先通過人工方式完成以詞語為單元的信息碎片化拆解、同義詞定義及特定化表達，方可被系統引擎收錄、識別并用于匹配，整個運維操作過程繁瑣，專業化要求高，上手難度大，同時，由于知識庫信息碎片化程度過高，且文字表達與組織形式特殊，使得智能應答知識庫與客服中心用于提供內部支持的傳統知識庫無法實現融合，兩套知識庫系統彼此割裂的存在形式拉長了內部管理半徑，滋生了信息一致性與準確性風險。如要實現更好的信息融合，有效降低存在的風險，在現有技術條件下，必須要采取專人管理，可能需要耗費大量的人工[6]。

人工智能應答服務致力于無人服務，但卻又過度依賴人工的現狀讓人頗為無奈。為此，我們寄望于中文語義識別與交互技術的革新與突破，期冀一套具備自然源理解能力、可基于大數據學習進化的智能應答系統能在不久的將來面世。

五、暢想大數據時代智能服務

根據艾瑞2016年中國人工智能應用發展報告，人工智能的應用發展分為三個階段[7]：第一個是計算智能，它使得機器能夠像人類一樣進行計算，諸如神經網絡和遺傳算法的出現，使機器能夠更高效處理海量的數據。第二個是感知智能，讓機器能聽懂我們的語言、看懂世界萬物。第三個是認知智能，在這一階段，機器能夠主動思考并采取行動，比如無人駕駛汽車，實現全面輔助甚至替代人類工作[8]。

2016年3月，被應用于圍棋人機大戰的最新人工智能阿爾法狗驚艷亮相，以4∶1戰勝了韓國著名棋手李世石九段，躍居圍棋界世界第二，隨后以3 100的驚人算力擊敗了世界排名第一頂級中國棋手，轟動世界。而其智能核心-神經網絡技術更成為了科學界的焦點。

不同于現有依賴人工的“名義智能”，基于Deep Learning的深層卷積神經網絡技術是人工智能一次真正的登堂入室。以人體神經元的機理，打造機器人的類神經反射網絡，通過大量的數據訓練，使機器人的思維方式無限貼近人，而其絕對數字化的邏輯運算，相比較人擁有更低的犯錯率與更前瞻的預知力。阿爾法狗是深層卷積神經網絡的一個成功應用案例。然而深度卷積神經網絡對因果聯系不敏感，且技術實現難度也較大。如同硬幣的正反面，與卷積神經網絡相媲美的貝葉斯概率網絡彌補了卷積神經網絡的不足。舉一個貝葉斯醫學診斷的例子。該案例最早由Laurutzen&Spiegelhelter提出。

圖3

這是一個簡化版用以分析病人來診所的情況，網絡中的每個節點都反映了病人的一些癥狀，比如smoking代表是否吸煙，當此模型用于判斷一個個體病人癥狀時，病人表示吸煙（此時smoke數值調整為100，nonsmoker數值為0），則相應的結果概率會產生變化。任何兩個節點間的箭頭體現了兩個節點的狀態之間我們已知的可能性關系。箭頭的方向大致性和因果關系意思一致，圖表上方的節點更可能影響下層的節點，無論如何會比反過來的可能性要高[9]。

而應用到銀行智能客戶服務上，試想以下場景，當客戶開口描述他的問題與需求時，已經經過大量數據訓練的智能機器人客服即在不斷的構建概率網絡。在大數據法則下，通過采集客戶話語中的關鍵信息，動態推算客戶所需要的因果解決方案。在遞進的人機交互中，最終智能客服會給出數個乃至一個精準的解答。而在人工智能環境下，推算的速度甚至不會給客戶造成任何時滯感。

當客戶描述完場景時，詳細且精準的回復已經組合完成并實現推送。時隔80年，也許圖靈實驗終將實現。客戶使用的雖然是自助服務，但完全無法區分與之對話的是人還是機器。作為服務提供方銀行，也節約了大量的人力成本。并且智能機器人服務，其投入成本幾乎不會伴隨客戶業務量的增加而增加。相反，隨著業務量的增加，其訓練成效只會越來越明顯。

無論如何，一個新的時代正在撲面而來，在創新突破上我們始終勇于探索，新的技術手段也將繼續帶動整個服務模式的轉型升級，不斷提升服務水平。未來，銀行客服中心必將給客戶帶來更加智能、便捷的服務體驗。

[1]李斐，邵曉東，2016.智能客服機器人的現狀及發展[J].中國傳媒科技（4）.

[2]文博.面向智能客服機器人的交互式問句理解研究[D].哈爾濱工業大學論文集，2014.

[3]李楓，徐韜.智能語音交互技術在呼叫中心的應用[D].2016電力行業信息化年會論文集，2016.

[4]李燕妮，2013.陜西移動客服多媒體引導系統創新研究[J].科技風（12）.

[5]張瑞，潘鑫，楊艷妮，2016.情感介入式智能客戶服務系統[J].情報理論與實踐（8）.

[6]吳江寧，王曉歡，2009.面向呼叫中心的知識導航系統研究[J].大連理工大學學報（6）.

[7]任亞龍，2016.第三類接觸，智能客服的成長與蛻變[J].客戶世界（11）.

[8]鮑勇劍，袁文龍，高日菖，2016.工作的冬天來了！——無所不在的“智能機器換人”時代[J].清華管理評論（9）.

[9]Francois，2006.36 best Robots[J].多媒體世界（7）.

（責任編輯：C 校對：R）

F830.4

A

1004-2768（2017）07-0032-03

2017-04-30

張誠（1985-），男，上海人，復旦大學碩士研究生，交通銀行股份有限公司中級經濟師，研究方向：金融投資。