【年会回顾】云问科技茆传羽​：“AI+知识”的下一代智能客服

云问，熟悉我们的行业同仁都知道，是做智能机器人为核心业务，现在串联起整个智能平台的这样一家科技公司。云问发展到第7个年头，我们的产品已经迭代到V5这样的一个版本，我们构建一个统一的服务平台。

发展到今天我觉得我们科技公司遇到了一个难题，如何能够更加的理解客户的业务，所以云问在去年上半年的时候提出了一个新的理念，AI+知识的智能客服。

首先简单的介绍一下云问，我们的整个愿景是希望通过机器理解变革服务，现在我们每天服务的业务交互次数，包括客户的合作伙伴也非常多，并且值得一提的是，我们作为创业公司也参与到了国家第一版AI人工智能技术标准的制定中去，尤其是负责了咱们比较擅长的虚拟助理的汇编。这个是我们基于AI+知识的行业化智能服务的产业系列，当然我们取材了古文当中的一些和我们的理念相关的术语来代表我们产品的一些核心想要表达的内涵。

接下来给大家分享一下，更多的我们的一些思考，最近我们拿到了很多的需求，这个需求主要来自于什么呢？可能不是单个孤立的产品，我们以城商行来举例，它需要做什么东西呢？不管是什么业务系统还是柜台的系统业务咨询系统以及分析和支撑系统里面都做一些智能化的优化，那么怎么才能够把所有的系统通过统一的平台来做到这样的一个升级呢？我们首先想到的就是知识的智能化。为什么你看这些不同的系统背后是代表不同的人，这些人串联起来的场景，不管是我们的坐席人员还是一线在大堂里面去做业务的业务顾问还是我们的用户还是大厅的服务人员，以及我们在后端的管理者，他们都希望对服务、对营销能够产生一些新的理念，我们就希望为每一个平台打造知识的小助手把知识的服务渗透到业务服务的场景中。所以从这一点我们开始发现，知识的统一化开始慢慢显现。

首先云问今年到年底的时候可能会做一件事，到年底的时候如果大家关注我们的公众号，我们可能会发布智能客服运营的秘籍，或者说地图，我们希望从几个点来讲这个事。因为现在大家很多都上了智能客服，不管是某个产品还是全系列的套餐都没有人告诉我智能客服到底应该怎么把它运营好。在思考这件事情的时候，应该分成4个方面，这里面所有的都有非常详细的架构图、说明也好，呈现在这个报告当中。

首先第一个我们要理解用户，所以是用户的运营，用户的场景理解我们做智能客服的时候要想的是，这个智能客服要运用到什么场景里面去，比如说我们会去分析话务排名60%的是什么类型？对你的话务去做文本的分析。这些分析里面我们通过什么样的客服的手段，帮客户修改什么资料，哪些是可以用智能化的场景去提升的？包括用户对智能的诉求是什么？可能需要能够快速的去解决问题，或者是说精准的推荐，对智能化的诉求是什么？如何的来分析用户的黏性，怎么能够让他在智能客户上停留，人机协同的策略以及用户运营的指标。我们在给用户提供服务的时候，我们以什么样的一套KPI和这样的一些数据来去体现我们在前端给用户提供的服务是合格的、是完善的。为什么呢？因为其实我们做智能客服也好，我们做其他的系统也好，我们最终的用户不是我们的甲方，而是使用我们甲方产品的用户。所以第一个我们要理解我们如何去服务好这些用户。

第二个是客服的一些智能化的运营，我们要去想客服的智能化运营里，服务辅助的场景怎么去划分？技能从哪些地方去做提升？智能培训的策略怎么去定？而不是说我的产品是什么样子？我怎么去给客户去做智能培训的策略。包括在客服运营的指标，我希望辅助和提升什么？我后面会讲。比如说客服录工单是十秒钟，我现在希望压缩到三秒，怎么把这个事情去做一些提升？这个就是我要去思考的事情。

第三个就是我们今天所要讲的重点就是知识运营，不管是给用户去做智能客服或者说去给客服去做智能的提升，都离不开底层的知识和AI能力的支持。第一知识的生命周期是什么样子的？就是它从来源到加工到存储到最后的调用，整个过程是什么样子？每个过程的类型是怎么样的？我们接下来去聊知识的构建、场景的设计、知识的运维、诊断、虚拟的方法、管理的制度、运营的指标，怎么样才是合格的。最后，我为了做成这三件事情我需要哪些职能，对这些职能的要求，我今天就简单的抛砖引玉，接下来请大家期待我们年底的报告。

针对这样的一种思路，我们就拿一个消费品的客户举例子，我们第一要想做什么？首先对它的服务渠道做一些区分，对它在智能营销或者说辅助营销的诉求上可以去做什么事情？比如说互动式的产品推进、直播的推送，或者说在直播的过程中我去做一些自动化的推送。以及我要扩大我的服务范围，比如说帮客服去做好门户、学习、交流、共创以及办公的助手。对于数据价值的挖掘可以做到什么？以及我最后的营销，我们能够做到商品的智能的筛选和智能的导购、推荐以及一问一答式的客服。所以我们希望是什么？以知识串联服务场景，以服务场景沉淀知识标准。这个是什么意思？我们其实去思考这个场景怎么提供服务的时候，我们需要用哪一类的知识或数据来提供服务。通过这样的服务场景，是人工也好还是机器也好，在服务的过程中一定要沉淀知识，因为这个知识是我将来去招新客服和优化服务也好是我的标准所在。

所以接下来来谈一下知识有哪些？在云问看来，第一个是文档，不同的PPT也好或者说PDF还是WORD，包括网页上的数据。第二是经验，什么是经验呢？可能是一些优秀的客服所服务的客户是怎么去服务这些用户的？为什么同样的话术他说就能够说得好，包括优秀的一线的推销人员，怎么能够把人员服务好。第三个就是数据，就是刚才罗总提到的数据的沉淀，因为它可能会不同于大家传统所理解的知识的类型。第四个是引擎，我们经常在服务的过程中，我们在使用智能客服的过程中我们忽略了对引擎的管理，因为引擎驱动它的本身是知识或者是数据。

所以我们希望未来的客服中心，不管它是变成价值中心也好，还是变成其他的利润中心也好，我们希望它首先是一个知识的赋能中心，通过知识的智能化加工，有效的去支撑在线、机器人电话质检分析多种场景服务，甚至可以给到全部的集团去使用。所以我们希望未来能够打造智能知识库的平台，不止于服务，这是我们和大厂去打造的联合的解决方案大家可以看到从前端不同的知识和数据类型到中间的构建，服务以及到推荐、助手、问答，其实不满足于我仅仅是为了客服做服务。今天在座的客服居多，但是我们现在发现了一个趋势，很多客服部门已经牵头去主导了整个集团知识服务的构建工作。

接下来聊一下基于知识智能化的云问的产品，我以前的分享经常会有一些技术的名词。BRT等，我们今天主要是聊一些场景。我们新一代的云问的V5.0是以知识的智能加工结合客服的解决场景，帮大家分析我们是怎么利用这些知识来下工夫的。这是大家熟悉的智能机器人的页面，里面有分析的导语，还有气泡的胶囊，这里面就有很多知识应用的场景，我们做了这样的一个用户，是多产品系列的。多个产品系列就导致，不可能它的平台里面某个家电客户有10万个知识点，怎么可能全放到里面呢？它一定是区分的。比如说我们首先产品，对用户运营理解的来判断，如果这个用户来问，他要么是冰箱的问题，要么是洗衣机的问题，不可能说我又问冰箱、又问洗衣机，这个概率是比较小的。

所以一上来之后，我首先要去做一个预判，我们叫知识集，我们在这个场景里面，你要去运营这一类知识，同样我们以技术的手段去实现，在冰箱里面你有这个问题，我们到洗衣机的场景里面去做服务。因为你的知识的范围已经缩小了之后，对于你的服务的精准度就提升了很多。第二，猜你想问，猜你想问有很多种对用户知识的理解，比如说身份，可能是经销商给你一个问题，猜你想问可能是经销商级别的，以及你最近最关心的问题的推荐，比如说地区，比如说同类人群所提问的记录，还有咱们滴滴的同事讲到了客服的渠道，比如说埋点。如果说你是一个软件产品或者说是某一个服务的页面，从当前的页面进来，也就意味着你的问题是服务页面所产生的，包括快捷的服务，你现在下了一个订单，很有可能你是想要我的快递什么时候能够到？所以我可能给你推的就是查快递。这是在小小的页面当中，我们是有在运营，这个也是需要我们有人去思考这件事情。

第二智能机器人还有一点个性化的智能营销。很多客户用机器人不满足于做问题的解决，还能不能做营销的赋能？有2种策略，服务促销售，我并不直接销售，但是是促进销售。要么是服务转销售，我们怎么在知识层面去做赋能呢？我首先给他做一些用户的画像，属性、行为、用户的关注度和用户的评论，这个时候我们可以用知识的小游戏，比如说你是卖保险的，你是一个宝妈，我识别到你的信息之后，你知道吗？3到5岁的小孩有以下患疾病的分享，你要不要来做一个测试，在这个过程中通过交互化搜集到你的数据，给你推送定向的产品，这个就是智能机器人运营的手段。比如说智能电话，我们为什么叫能完整的智能电话。我们做智能电话发现一个问题，很多用户非常的无奈，要么就是挂了，要么就是机器给掐掉了怎么能够让他完整的答完智能电话？他能够把这个问题完整的走完，这里面也会有很多知识构建里面所遇到的问题。比如说流程场景的设计，比如说在某个场景里面可能会有哪些动作，这些动作也是需要我们提前去配置的。如果有之前的一些参照，或者说是一个完整的体系，对我们来讲是有很多帮助的。这个话题就变成了如何由一个单个的企业我们能够构建全行业级的智能电话场景的生态，它这边考虑到了一个问题，用户在某种情况下会是插话或者打断，我们用什么样的策略来配置这个东西，其实这个策略就是知识沉淀。包括智能的辅助平台，包括知识和工单的辅助，我给你去做一些知识的推荐，包括你的访问的预测，去做到这样的一些分析。

这是具体的案例，工单填写时间减少到3到4秒。怎么减的？要分析在填工单的时候在干嘛？第一，搜集工单的类型。如果我发现这个客户，他填的是这个工单，在打开工单的时候大家可以看到很多人都在选，一级一级的往下选，这个就很耗时间。1天填一个工单的时候无所谓，1天填100个工单的时候这个时间就很可观。我们在这里可以定位，这个工单应该是这样的，或者说根据热点，把这个工单先写上。在这个场景中，我们把这个里面的这种匹配以知识的思维去做这件事情，我们分析用户的场景、客服的场景，把知识赋能在这个场景，包括知识库的分析。

这个是企业内部的场景，企业在录工单的时候，第一，能不能在录工单的时候就给你一种输入引导，我就给你弹出来一个问题可能存在的类型，这样子就可能不提这个工单了，对吧？就像我们经常说的笑话：电脑死机了。他可能会说：我的电脑打不开了。我给他推荐，你是不是要开一下机试试看，插头插了没有？举一个不是那么适合的例子，可能很多的问题是这样的，他可能不需要录工单的，需要录工单的就从这个场景去解决。比如说这个工单派发给IT部门的某一个人员，IT部门的人员回复的时候并不可能那么擅长的去解决这些问题，他需要知道前面的问题是否出现过怎么去解决。在回工单的时候也可以去做测试，这条工单可以怎么去回。在回的时候就可以做自动的派单，要不然还需要人去分拣，是派给IT还是派给HR等，派完之后还要去做审核，审核完了之后还要去做分析，这个分析不单是要分析完全是经常出现在什么环节？比如说我们给某一个家电的IT部门去做的时候，最后分析完发现这个工单会出现CRM系统，还是出现什么系统，这个时候就要主动的去做优化，因为服务就要做在未产生之前，所以这个分析很重要，而且还可以得到一个很有效的知识沉淀，因为这个工单之前就处理过，我要把它系统化的沉淀为标准化的知识，这个是需要一整个的环节。包括智能的培训，通过知识来给客服做题，做一些指标来判断你回答得对不对。刚才讲了还有很多的类别，知识的类型也不一样，是不是意味着我所有的系统和类型，是不是要重新的构建一套知识库呢？其实不然。

包括移动端的知识小助手，我们有一些传统企业，不单要给用户去用，可能还要给一线的维修人员去用。比如说电信的，上门修路由器的可能也不专业，怎么去给他们做知识小助手，包括客服可能也不是很懂，所以我们就可以理解为知识库的今日头条。比如我是修火车头的，火车头需要我关注什么？火车头会出现什么故障，这些都需要我去了解，把培训学习和服务支撑放在平时的日常支撑之中。

讲了前面那么多，是不是每一种类型都要去构建一套？怎么能够构建一套知识，让各个平台都能够用起来。前面的那些知识库，各种类型的文档也好，各种类型的经验怎么去解析呢？我们如何高效地构建知识中心，“地”是动态的词，我觉得知识中心一定是一个动态的词，智能化的工具+科学系统的方法论。首先是中台思想，它的类型有什么呢？非结构化的数据、半结构化数据、结构化数据，每个企业基本上都包括在这几类里。

非结构化的知识，我们可以做文档的拆解，对文档里面的知识，从篇章的知识到原子化知识的构建。所见即所得，就是你可以直接看到你构建成了一个什么样的样子，包括这里面的一些文档和图片都是可以做知识的拆解。因为文档不好调用，但是如果变成细腻度比较高的原子化的知识就非常好调用。这里我们以某一个电力设备的知识录入来讲这个事情，比如说它有故障报告、实验报告，数据录入、设备信息、故障概述，这里面是各种类型的结构化、半结构化的，我们通过统一构建的工具，生成我们可以理解的知识中心当中去，这是值得我们去参考的思想。还有一个就是知识图谱的交互通过图谱的方法可以快速的让这个人对知识整体的结构有一些了解。大家回复“知识图谱”，可以看到我们的这张文章叫“面向垂直领域的图谱构建的算法解析”，这是比较技术化的。

比如说AI+结构化知识的查询能力，如果它是非常表格化的文档，这个时候你是没有办法去构建FAQ的，你肯定是希望通过图谱也好，通过结构化知识构建的工具，能够快速的实现对多个维度的问答和查询。

比如说规范化的知识引擎，我们刚才讲了引擎的数据怎么做？其实引擎也很重要，不管是你的文本还是电话还是培训，几乎都会遇到和引擎相关的配置点，比如说信息的抽取，逻辑的机制、动作的配置等，这些是可以把它剥离开来变成引擎的配置的数据统一来进行管理。如果我们把眼光都放到统一的知识平台上，我们思考的时候会更好一点。

我们在机器人上体检的过程，首先我们做一下机器人的体检报告，就会告诉你哪些点是有问题的。这是整个运营体系的过程，比如说有智能的学习，告诉你知识库里面可能存在哪些比较好的问题？相关问题的推荐和发现，以及领域库的构建，这个是底层数据的一个财产。知识的冲突，知识库很多，是不是存在相互的冲突，要自动的去监测。我们要去做知识运营的报告，专业化的咨询服务。比如说你的知识库整体的概况是什么样的？为什么会转人工？为什么不满意？不满意的问题产生的原因是什么？都会给你做详细的分析，以此来改善知识运用的整个架构，这里有一个非常详细的报告，在座的客户可以给我们提出来。

最后讲一下从AI知识到数据运营，怎么去赋能决策呢？这个是多元异构的知识/数据的架构，知识中台和数据中台是关联的。

这里我简单讲一下就是AI+数据，某家电希望把所有的平台用户对它的评价，不管是从微信也好，还是从论坛也好，等等都能够汇总到一起。通过一个整体的并联评价中心来去做分析，分析完了之后有2个作用，一个是派一个是解决。比如说是从百度贴吧上，用户对我们的某一个服务有时间，就派给某一个部门，让他去做解决，解决完了再去做分析，总体的分析是怎么样的？对网上的舆情监控是怎样的？整体来进行分析。

包括我们做的标签的分类统计，因为它是一个开放式的回答，我们怎么通过标签来做分析，包括它的关联度，比如说某个标签产生的关联，上门时效和配件价格有什么关系？再细分到某一个用户的维度是不是还存在某一个什么关联？是这个区域的人到导致的吗？都值得我们去分析。

总结一下，云问发展了这么久之后，我们越发的发现我们要通过客户的需求去做落地，不是抱着单一的某项技术去套所有的企业，需要根据企业的知识、服务的特点、深度的定制智能化服务的策略、服务的场景，所以我们觉得一家合格的公司首先是一家AI的咨询公司，所以这是我们自己产生的一些变化，也跟大家分享。