基于智能語音分析的客服智慧運營管理系統解決方案

黃翊

摘 要 隨著移動互聯網技術升級及業務模式創新，電信運營商逐漸進行互聯網化改造，隨著運營商互聯網化的深入改革，同時對直接面對最終用戶的窗口客戶服務也提出了新挑戰，無論從用戶表達訴求的多樣性；訴求信息的差異化；對服務要求的時效性、準確性還是對整體服務意識都有了更高的要求，客服管理如何跟上客戶訴求發展步伐，提供更高質量的內部運營管理，滿足服務質量提升。本解決方案針對如上客服業務發展面臨問題與挑戰基于智能語音分析技術，利用語音識別引擎，文本處理技術結合目前客服業務面臨的痛點及訴求，提煉出基于智能語音分析的智慧客服運營管理業務應用，支撐內部運營管理的提質、提效，強化內部管理，服務管理由聽到看，由隨機到定位，由抽樣到全量，同時聚焦客服服務，提供熱點信息發現，問題根源分析，綜合模型算法專題分析采樣，做到滿足客戶心聲，聚焦熱點問題及訴求，規避投訴風險，更好地服務于客戶，提升客服服務質量，提升企業核心競爭力。關鍵詞 智能分析；語音檢索；根源分析；客戶心聲；業務趨勢；運營管理

中圖分類號 G2 文獻標識碼 A 文章編號 1674-6708（2018）204-0121-03

1 概述

1.1 背景和意義

隨著互聯網化產品的推陳出新及業務發展，逐漸暴露出互聯網化產品對客戶服務系統的更高要求：各類互聯網化產品具有形態創新、個性化強、產品小、迭代快的特點，其核心意義在于圍繞用戶的需求快速響應與改變。要求服務團隊具備專業化服務與業務快速部署上線能力。與傳統業務相比，互聯網化產品用戶的來電頻次更高、時長更長，投訴量波動大，貶損提及率更高。

綜上所述，傳統的服務體系已經無法滿足互聯網化產品的服務要求。如何運用集合時下熱門技術，結合通訊行業的服務創新理念，滿足基于互聯網化的客戶服務與運營，實現專業化、大數據、智能化的管理體系支撐，為客戶服務保駕護航，助力大IT新生態的戰略轉型。

1.2 現狀分析

現階段語音來話仍占據最主要的接觸方式中，只有1%～3%的語音文件被用于人工質檢，絕大部分隱藏在語音文件中的價值信息未被有效挖掘。運營商針對目前大量錄音數據暫無系統化的分析、質檢、運營解決方案。如何通過智能語音分析的技術應用，實現基于智能語音分析的客服智慧運營管理解決方案，從而有效提升智能化運營手段、強化內部管理、聚焦客戶服務心聲，提高客戶服務滿意度，有效降低客戶投訴率。

現階段客服管理面臨如下的挑戰：傳統錄音監聽方式無法及時定位賬期及各類熱點問題，造成服務流程掣肘，反饋及應答延時；針對客服代表引起的服務問題，客戶評價“不滿意”或“未解決”質檢的耗時繁雜，溝通中服務的量化與滿意度修復；客服代表服務時沉默或等待時間過長無法有效統計分析，缺少對靜音時長服務成本的量化認識和控制；客戶投訴隱患預防工作無法做到前置和前知，導致投訴率長期居高，且針對突發事件容易造成群訴事故；以往新業務上線后，無法及時精準獲取到用戶的咨詢熱點及難點問題，造成受理通話時間長、難點問題回答不標準，服務滿意度下降；針對客戶心聲，隱藏著大量的價值信息，如何收集、分析客戶心聲為深入剖析業務流程，系統及產品等存在的問題，協助決策領導針對性的問題解決。

2 智慧客服運營管理應用解決方案

方案采用基于智能語音分析技術，利用語音轉寫、轉譯平臺進行結構化數據建立，提供智能語音處理的語音識別、語義理解、情緒分析等核心能力，在語音語義能力基礎上，實現語音識別，意圖識別等功能。

通過智能質檢，錄音自動抽取對全量的錄音數據進行質量篩選，找到存在問題的語音，提供質檢員新的質檢測聽方法，通過語音播放與文字對照，違規問題產生的時間點定位等手段提升質檢效率。

及時感應熱點，分析市場動態，有效輔助經營決策。

分析客戶訴求，匹配新業務資訊，提升客戶滿意度，減少客戶流失。

實現投訴隱患預防前置，根據風險模型關鍵詞識別投訴風險，及時服務補救，將投訴、升級投訴風險控制在萌芽狀態。

按照業務邏輯，本智慧客服運營管理解決方案分為語音識別引擎層、文本數據處理層、業務應用層三層邏輯結構，語音識別引擎從大數據平臺獲取基礎數據后，通過語音識別、文本轉譯等技術將語音數據轉換成文本數據供文本數據處理層封裝處理，對外提供智能化語音分析能力業務應用。

2.1 智慧客服運營管理業務應用功能

2.1.1 語音檢索

語音檢索業務應用指在電信通話中檢索特定詞組，以達到分析、檢測、預防等目的的場景。1）幫助運營人員根據規則快速找到所需要的錄音及對應的文本；2）語音檢索基于文本技術的語音搜索，針對海量的語音數據，能夠通過自定義的詞句，在語音信息中定位匹配的錄音，并展現出相對應的結果錄音。

2.1.2 業務趨勢

業務趨勢應用功能實現對整體業務發展、業務走向、問題原因等提供報表分析數據。1）有助于了解關鍵業務在所選時間段內的變化趨勢，及時發現突變情況；2）可通過詞頻統計自動分析所選時間段內的錄音中占比TOP100的關鍵詞，了解該時間段內通話焦點。

2.1.3 熱點發現

熱點發現通過對用戶與客服每天的交流內容進行匯總分析，得出每天各省用戶反饋的熱點、突發、異動事件，進而及時應對處理，判斷規則：持續時間長、數量超過閥值（如：超過100次/日/省），范圍支持全國、省份，頻次支持日、周、月維度等。

2.1.4 語音質檢模型

語音質檢模型實現可配置化，質檢人員通過在系統中自定義質檢模型規則，包括關鍵詞、靜音長度、聲道等信息進行組合形成質檢規則，對全量的錄音數據進行質量篩選，找到存在問題的語音，同時提供質檢員新的質檢測聽方法，通過語音播放與文字對照，違規問題產生的時間點定位等手段提升質檢效率。endprint

2.1.5 根源分析

根源分析采用聚類算法，自動規集業務問題原因，幫助管理者能在已知原因之外，進一步發現新的可能原因，進行針對性改進；對多條錄音提到的關鍵字進行自動錄音聚類，總結歸納出幾類根本原因，并輔助展現每類的錄音關鍵字，自動對該樣本中的問題、客戶關心的熱點進行聚類，提供輔助分析。

2.1.6 客戶心聲

客戶心聲通過對交互語音分析的深入挖掘，統計客戶對運營商的真實訴求和心聲，找到運營商自身問題以及服務差異點，從而提供差異化的營銷和精準服務。

構建以“客戶”為中心的全面的、真實的客戶感知收集與分析體系，充分挖掘客戶服務交流中客戶訴求信息，同業產品、信息數據，客戶傾向、興趣熱點等數據，分析匯總后輸出客戶心聲圖譜，同時快速準確地定位影響用戶感知的判斷根源。

2.1.7 專題建模

業務應用提供專題分析功能，通過專題定義，人工設置地域、時間、維度并匹配相應關鍵詞形成初始數據模型，并進行文本分析，形成該專題所分析維度的變化趨勢及相應關聯問題；此初始模型可根據多次文本分析結果進行二次修正與優化，并支持輸出的分析報告形式、周期、圖表格式自定義功能。

管理人員通過系統專題分析功能模塊構建專題分析模型，對近期熱點事件、營銷活動、網絡熱詞等熱點專題進行自動或主動的追蹤分析，自動識別熱點專題可以從業務聚類、熱度、傳播趨勢等維度進行分析。

2.2 智慧客服運營管理文本數據處理

2.2.1 文本基本處理

文本基本處理是指語音文件轉譯成原始文本文件后進行的基本處理操作，文本基本處理包含：信息抽取、分詞、詞性標注、命名實體識別、新詞發現、漢語權重統計。

2.2.2 特征抽取

特征提取指對是一種使用數學和統計的方法對文本中的詞語進行抽取，推斷它們之間的語義關系，同時建立一個語義索引，并將文檔組織成語義空間結構的方法。其出發點是文檔的特征項與特征項之間存在著某種潛在的語義聯系，消除詞之間的相關性，簡化文本向量的目的。特征抽取方法主要為特征析取，通過將出事文本特征空間的映射到一個低緯空間的方法來降緯，原始的多個變量取若干線性組合，從而盡可能多地保留原始變量中的細信息。

特征提取包含特征詞及權重；關鍵詞摘要；特定信息抽取。

2.2.3 關鍵詞抽取

關鍵詞抽取指從文本里面把跟文本意義最相關的一詞抽取出來。通過關鍵詞抽取能夠反映出文本主題或者意思的詞語。

關鍵詞抽取采用有監督學習算法，抽取出所有的候選詞，利用訓練好的關鍵詞抽取分類器，對各個候選詞進行分類，最終將標簽為關鍵詞的候選詞作為關鍵詞。

2.2.4 文本分類

文本分類是按照一定的分類體系或標準進行自動分類標記，目標為讓機器學會一個分類函數或分類模型，該模型能把文本映射到已存在的多個類別中的某一類，使檢索或查詢的速度更快，提高準確率。訓練方法和分類算法是分類系統的核心部分。

2.2.5 句法分析

句法分析指對句子中的詞語語法功能進行分析，句法分析主要應用于中文信息處理中，用來識別出高層次的結構單元來簡化句子的描述。

2.2.6 情感分類

基于語義模型的情感分析后，綜合主題、場景信息后對用戶情感的分類處理。

2.3 智慧客服運營管理語音識別引擎

2.3.1 語音識別

語音識別指將分離后的語音通過聲學模型轉換為對應的漢語音標符號、音標信息，再通過大詞匯網絡的語言模型識別出其對應的文本內容。語音識別支持中文和英文混讀的常見語句聽寫；支持中文標點智能預測；支持前端語音處理；支持后端識別處理。

2.3.2 情緒分析

情緒分析指通過對錄音數據中坐席、用戶不同角色的情緒特征提取，采用聲紋特征技術實現對坐席和客戶不同角色的情緒特征捕捉，結合音量、語速、通話內容以及情緒模型及情緒分析算法，實現對通話內容高區分度的情緒檢測的需求，形成正常、異常兩類情緒判斷結果。

2.3.3 靜音識別

靜音識別利用語音識別引擎降噪、聲紋等生物特征技術實現通話過程中靜音及無效音的識別，通過引擎系統對平均通話時長進行細化識別統計。通過對錄音中無效通話時長，有效平均通話時長進行統計，并區別坐席通話及客戶通話統計無效時長、靜音時長。

2.3.4 索引建立

語音信息在分析之前所有的數據都會保存在相關的索引文件中，由索引建立模塊生成。

索引文件的內容一般包括：1）客服坐席人員和客戶語音的文字轉寫結果；2）聲道信息，如果是雙聲道語音，需要給出聲道信息；3）語速檢測：檢測和分析出整個電話錄音中平均語速以及某段錄音中語速的變。

2.3.5 場景分割

場景分割指在處理錄音過程中將對兩方的通話內容進行分離，進而方便后期的數據分析應用，可以針對性的對客服人員服務質量進行監控，提升熱線整體服務水平；從而對用戶語音內容進行熱點問題分析、主要意見、知識挖掘等應用。

2.3.6 全文轉譯

全文轉譯模塊形成針對錄音的非結構化的語音文件轉換為結構化的結構化索引信息。利用客戶服務領域的通用語言模型及聲學模型，并根據分析應用要求，在特定場景下著重保證如低頻服務忌語、新增業務等關鍵詞的識別率，最終實現將所有錄音進行全文轉譯，形成轉譯文件。

2.3.7 聲學模型管理

聲學模型管理需要涉及各地、各區域地方口音適配，從而優化聲學模型使其能夠廣泛覆蓋中國地方口音，聲學模型管理包含：模型采集、模型引入、模型類型管理、模型批量管理、模型發布管理、模型回退管理。

3 成功案例

根據上述解決方案，有效的解決客服管理中質檢管理、服務質量管理、投訴風險管理所面臨的諸多問題，通過業務應用層的業務邏輯配置，針對不同省份業務情況與客訴訴求，依托智慧化運營管理能力，實現客服運營管理能力顯著提升。

智能語音分析試點——湖南。2017年1月17日智能語音分析系統在湖南正式上線。從多個維度支撐客服系統內部運營管理，提質（投訴隱患預防前置，降低升級風險；帳期/熱點業務跟蹤，挖掘共性問題；客戶滿意度修復，聚焦感知提升）提效（長時間靜音管控，夯實基礎管理；新業務發布跟進，提升采編質量）聚焦客戶服務感知，深入剖析業務流程、系統及產品等存在的問題，以“客戶代言人”身份邀請本省對口部門傾聽客戶心聲，輸出價值信息，發揮10010熱線生產經營“晴雨表”和“傳感器”的作用。

參考文獻

[1]中國科學院軟件研究所.中文文本的主題識別技術[M].2007.

[2]俞菁菁.基于語義模型的情感語音識別技術研究[D].南京：東南大學，2008.

[3]馮晉，李春平.基于統計學和語義信息的中文文本主題識別技術[J].清華大學學報（自然科學版），2005，45（s1）：65-68.

[4]易中華，武全勝，陸登，等.一種客服語音智能搜索和分析系統及方法[P].CN103793515A.2014.endprint