研究面向全網客戶投訴處理效能提升的新方法

左金虎 肖忠良 陳理華

目前，中國移動客戶投訴處理以工單形式流轉。在服務運營過程中，存在投訴處理效能不足的問題。為確保客戶服務質量，中國移動明確了投訴分級分類處理時限標準，各類投訴均有相應要求，其中五星鉆/金常規投訴和緊急投訴處理時限要求為8小時，現階段部分類型的投訴處理效能難以滿足及時性要求。本課題從保障客戶投訴服務感知的角度出發，致力于打造一個智能、敏捷、高效的投訴處理機制，逐步提升服務質量，實現降本增效。

一、引言

中國移動已進入5G全面運營時期，在拓展市場份額的同時，需做好存量服務經營，來維系和保有客戶。目前，中國移動客戶投訴服務以工單流轉形式開展，投訴處理周期長。以西藏自治區為例，客戶投訴工單平均處理時長呈增長趨勢，并在2020年3月達到12小時，投訴處理效能亟須提升。

目前，中國移動客戶投訴處理以工單形式流轉。在服務運營過程中，存在投訴處理效能不足的問題。為確保客戶服務質量，中國移動明確了投訴分級分類處理時限標準，各類投訴均有相應要求，其中五星鉆/金常規投訴和緊急投訴處理時限要求為8小時，現階段部分類型的投訴處理效能難以滿足及時性要求。致力于打造一個智能、敏捷、高效的投訴處理機制，逐步提升服務質量，實現降本增效，對提升中國移動整體IT運營能力至關重要。

二、 方案分析

從投訴分析、投訴助手、知識庫、敏捷運營四個方面進行方案細化，利用樹狀圖進行梳理。如圖1所示。

（一）投訴分析

投訴分析包括自動匯聚和智能匯聚兩種方案。基于規則引擎的投訴自動匯聚指基于既定規則或工單字段來對工單進行分類匯聚，進而達到減少重復工單的目的；基于語義分析的投訴智能匯聚是指通過自然語言建模、語義模型訓練，智能識別并匯聚成相同故障源投訴工單。

實現方式：首先對歷史工單事件描述、解決方案等信息進行AI模型訓練與迭代，逐步生成同源/相似事件描述庫；投訴工單通過同源/相似在線分析，調用對應投訴問題模型，自動匯聚成同類工單。隨著知識的積累同步，逐步做到實時追加模型數據，無須重啟，自動擴展泛化能力范圍。

預期效果：投訴工單聚類壓縮，同類問題可派發至相同運維人員處理，減少人力資源浪費。

（二）投訴助手

投訴助手方案有兩種，即時通信工具應答和客服機器人應答。即時通信工具應答是指使用IM工具（QQ/微信/飛信）進行投訴問題咨詢與應答；客服機器人應答是指使用Gensim語義分析、Jiba分詞技術、聚合算法等AI技術建設客服機器人，由機器人進行業務規則、操作指引、問題定位等應答。

實現方式：客服機器人應答實現兩方面功能。一是知識數據建模，通過大量知識內容預訓練，抽取知識內容語義學習，來建立自然語言模型，同時自動更新模型數據，實現自學習；二是用戶問答分析，通過NLP解析用戶咨詢內容，拆分出多維分詞，計算詞語間偏移向量，結合模型計算語義相似度，查詢返回相似度得分較高的答案，如圖2所示。

預期效果：客服咨詢問題，能直觀快速給出應答，效率高。投訴支撐能力逐步前移，客服人員可直接解決問題，降低投訴建單量。

（三） 知識庫

在投訴處理過程中，全流程人員（含客服、幫助臺、省投訴支撐）均需要快速查詢行之有效的投訴解決方案。知識庫提供各類投訴處理知識查詢功能，其建設包括基于關鍵字的知識檢索和基于圖譜的知識挖掘與推薦兩種方案。

預期效果：知識自動挖掘與推薦，投訴處理人員可快速選擇高質量解決方案，投訴處理效率提升，工單回復質量高，二次派單率降低。

（四）敏捷運營

敏捷運營包括業務端到端全流程可視化和投訴信息一鍵查詢兩種方案。

業務受理復雜的長流程業務由C R M、綜資、radius、各類業務平臺等多個支撐系統承載，業務流程不透明，客服人員日常協調工作量大，效率低。業務端到端全流程可視化方案聚焦客戶旅程管理，通過貫通個人、家寬、政企業務全流程，實現客戶服務可見、可控、可管，推動服務運營質量數智化、精準化。

BOSS系統包括10套內存數據庫（MDB），用于保存用戶訂購關系、用戶賬單、用戶余額、用戶狀態等重要且敏感數據，客戶投訴核查需分別查詢或修復MDB數據，技能要求高、操作效率低。投訴信息一鍵查詢方案通過開發集中運維管控平臺實現投訴信息一鍵獲取，提高客戶投訴處理效率。

實現方式：業務端到端全流程可視化方案打通各系統壁壘，將業務從受理、開通、施工到歸檔計費進行全流程跟蹤控制，提供多維數據視圖分權限展示，提升查詢效率；對業務異常可進行跨系統管理和干預，打破系統數據和功能孤島，提升處理效率。

投訴信息一鍵查詢方案開發集中運維管控平臺，平臺可使用當前主流的SpringBoot框架，引入ethz遠程連接包，來對其做方法封裝以實現MDB連接及增改查操作，另使用M4國密加密算法來保證數據安全。

預期效果：投訴支撐人員一鍵跟蹤控制業務端到端全流程，一鍵查詢投訴信息，投訴處理效率大幅提升。

三、方案實施

（一）基于語義分析的投訴智能匯聚

使用工單數據進行AI模型訓練與迭代，自動挖掘與推薦高質量知識，投訴支撐人員能力和效率大幅提升，工單回復質量高，二次派單率降低10%，如圖3所示。

導入2020年3月客戶投訴歷史工單，在處理時間段內進行模擬智能匯聚，經測試工單量經聚類壓縮后降低34.4%，工單分發效率大幅提升，滿足預期目標。

（二）客服機器人應答

通過客服機器人應答賦能一線，提升一線處理效率，同時前移支撐能力，降低20%的投訴建單量。

1.梳理應答業務流程，建設客服機器人。

2.點對點智能應答。接收用戶發送的文本內容，提取文本參數，使用NLP分析，通過決策處理模塊將聊天記錄入庫，同時匹配出最適合回復的文本內容進行回復。

客服機器人應答及時，平均響應時長0.53秒；一線能力提升，投訴建單量降低28.7%，幫助臺處理完成歸檔占比由24%提升至73%，滿足預期目標。

（三）基于圖譜的知識挖掘與推薦

自動挖掘與推薦高質量知識，投訴支撐人員能力和效率大幅提升，工單回復質量高，二次派單率降低10%。

1.清洗歷史工單內容數據，得到含有相關語義信息的文本內容。

2.識別知識實體。將套餐實體、區域實體等作為標注數據輸入模型進行訓練，對海量投訴工單數據進行實體識別預測，將自然語言中涉及的相關實體提取出來作為關系理解的目標，如全球通、魔百盒、王卡、家寬等業務名詞（實體）。

3.識別知識關系。對投訴工單數據的上下文，進行依存句法相關性分析，從而找出實體間存在哪種關系，以及關系周邊的實體分別是什么，作為構建三元組的基礎。

4.融合推薦運維知識。對抽取出的三元組內容進行二次分析，將根據詞性及依存句法抽取出的實體進行聚類，將涉及同類內容的實體進行融合，組成完整語義的回復答案，反饋到知識庫前端。

實現知識自動挖掘與沉淀，智能沉淀各類知識總計834條，實現以知識圖譜的方式推薦知識，一鍵獲取投訴現象、原因和解決方案。投訴支撐人員能力和效率大幅提升，工單回復質量高，二次派單率降低14.4%-3.4%=11%，滿足預期目標。

（四）業務端到端全流程可視化

實現端到端客戶服務可視、可管、可控、可溯源，業務流程查詢時長縮短50%，如圖4所示。

1.搭建客戶服務全流程可視化平臺

2.跟蹤展示整體業務的所有流程節點及詳情，并可對業務異常進行跨系統的管理和干預。

傳統方法查詢需要多菜單查詢、多系統溝通，整體排查時長為60min；業務端到端全流程可視化僅需單菜單查詢，耗時10min。

業務流程查詢時長縮短83%，滿足預期目標。

四、效益分析

（一）經濟效益

致力于研究實施面向全網客戶投訴處理效能提升新方法，活動成果首先在集中化支撐省份落地推廣，逐步輻射到全網。

以某省移動為例，2020年3月投訴支撐人員需處理創建工單量1328張，平均處理時長12小時，共計12*1328=15936小時。按人工每天工作8小時，共需15936/8=1992人天。按人工單價745元/人天計算，成本745*1992=1484040元=148.4萬元。

（二）社會效益

通過重塑投訴處理流程，打造出有溫度的服務支撐體系，圍繞一線和客戶訴求，逐步前移支撐能力，投訴處理及時、高質、高效。內外部客戶感知良好， 2020年12月一線滿意度提升至98.4%。

五、總結

堅持“把簡單留給客戶，把便捷留給一線，把復雜留給系統”，重塑投訴支撐流程，以工作流引擎為驅動，植入敏捷運營等多項關鍵技術能力，實現機制融通，流程潤滑。引入人工智能技術，將AI能力融智到投訴支撐服務中，由點及面，分場景推動逐步賦能一線，實現投訴量壓降、處理效能提升。

通過進行工單全過程分析、相似性度量，實現工單匯聚；搭建投訴助手，實現交互式應答，提高客服效率和質量；構建知識庫，組織、存儲、管理和更新大規模的知識，并利用存儲知識進行推理計算和問題求解。目前，成果已在集中化支撐11省份應用落地，并推廣至全網客戶，促進公司數智化運營和全社會數智化轉型。

作者單位：中移動信息技術有限公司