根据调查数据显示,使用纯机器人完全替代客服的情况并不常见,人机结合模式的使用更为普遍。在这两种模式中,不满意用户的占比都非常低,不到1%。然而,在满意用户方面,人机结合模式的用户满意度明显高于其他模式。
至于为什么人机结合模式的满意度是3种模式中最高的,分析一下主要有以下几个原因:
1)机器人响应速度快 ,且可同时接待多位客户,而且客户不需要等待。
2)机器人替代人工处理咨询中的重复问题,人工客服不易陷入烦躁情绪,客户体验好。
3)遇到复杂问题,人机结合模式可以无缝切换人工来处理,顾客体验不会中断 。
使用智能客服机器人的优势也是很明显的。如下:
1)365天无休、响应快、问题解决快、无负面情绪、降低员工培训难度;
2)预先完成部分信息收集或咨询分流、缓解排队等待时间;
3)可触达量是人工的10倍以上、高并发。
1.功能需求
在考虑客服系统功能时,整个系统包含了不同的机器人,这些机器人通过一个**对话管理系统(Dialog Management)**进行统一管理。对话管理系统能够根据每个机器人的处理能力,将不同的问题精准地分配给相应的机器人。每个机器人都可以作为一个独立的系统,具备独特的功能,并生成相应的回复。系统通过收集每个机器人生成的回复,经过排序后进行返回。整个客服系统可以包含多个小的对话系统,以一家网店为例,FAQ Bot主要负责处理常见问题;售后Bot主要负责售后场景的问题处理;售前导购Bot支持职位推荐、招聘问答、观点回复等多种场景;闲聊Bot则主要应对客户的闲聊问题。而Other Bot代表了一种扩展,它可能是基于知识图谱的对话系统,也可能是针对某一类特定问题提供技术解决方案的专属对话系统。
FAQ问答 售前咨询 图片来源于网络
在设计客服对话系统时,我们需要考虑以下几点:
- 时间特性 :我们需要明确系统的极限响应时间是多少,以及在微服务调用时,每一步的时间消耗应该是多少。
- 灵活性 :为了确保系统的各个模块能够在可控的范围内运行,我们需要确保每个模块都是可插拔的,这样可以保证线上质量。
- 安全性:我们需要考虑内外网的隔离,并关注网络、系统、用户和数据的安全。
- 可扩展性:系统的各个模块应支持扩展、跨平台、多种语言和算法模型的灵活切换。
- 可靠性:系统和集群需要稳定运行,主要的集群应实现双机热备和灾备,以确保在单个节点发生故障时可以迅速切换。
- 可用性:系统的各项功能应该是可用的,并且系统在上线时必须符合一定的正确率。
2.系统逻辑架构
图片来源于网络
智能客服整个系统分为6个部分,包括数据服务、对话理解、对话场景、中控中心、服务治理和监控系统。
- 系统采用微服务的方式进行交互,每个服务都可以拥有多个实例,这样可以避免单点故障的产生,提高系统的可靠性和可用性。
- 底层服务框架采用了Dubbo和Spring框架,所有的服务都是基于这两个框架进行开发的,这样可以实现服务的发现和访问,降低服务耦合,提高可扩展性。
- Bot CC服务是一个中控服务,它本身并不保存状态,主要用来分发请求任务 和处理会话流程的控制。这种服务可以用于各种不同的场景,如问答、聊天等。
- 各种不同类型的Bot服务包括闲聊Bot、基于任务的Bot、QA Bot、FAQ Bot等,它们各自负责相应的会话逻辑和状态的维护管理。这些Bot服务可以根据不同的需求进行定制化开发,以满足各种业务场景的需求。
- NLP服务 包括自然语言处理(NLU)服务、意图识别服务和语义相似度计算服务。这些服务可以用于各种Bot内部所需要的NLP相关计算和分类工作,如文本分类、情感分析等。
- 存储/缓存部分包括Redis作为缓存服务,主要存储和维护实时会话状态;
- MongoDB用于持久化会话数据;
- MySQL则用于存储系统和服务的各种配置信息。
这些存储和缓存服务可以有效地提高系统的性能和响应速度。
3.机器人设计
根据上面介绍的一个可用客服机器人的功能架构和逻辑架构,在客服机器人比较重要的几个功能模块其实是FAQ Bot、售前导购Bot、售后Bot、闲聊Bot(Chit-Chat Bot),下面分别讲一下。
3.1FAQ机器人设计
这里借鉴了腾讯在FAQ方面的设计方案,旨在展示一个全面且周到的设计理念,其中涵盖了设计FAQ时应当考虑的所有关键点。该设计方案主要依赖于业务问答对的构建,并利用问答库进行检索匹配。其FAQ问题集融合了多元的相似文法与用户问题,以实现精准匹配。
- 预处理阶段则着重于文本纠错处理、标准化处理以及底层文本NLP特征的提取。
- 在召回阶段,该设计采用特定的检索技术与策略,以筛选出一系列候选问题集。
- 在匹配阶段,各种模型将进行匹配打分,并返回得分最高的结果。
值得一提的是,该设计方案充分考虑了冷启动情况下的应对策略,同时深度模型、知识图谱模型以及拒识模块在该方案中均发挥了重要作用。
FAQ的设计方案
我们也可以将上述问题简化,构建一个简洁的FAQ客服机器人设计流程。在此设计方案中,包括询问和答复两个环节,形成了一个完整的逻辑闭环 。其中,问题对匹配(QQ Match)是FAQ的核心,其设计与实现至关重要。QQ Match的计算方法多样,如采用机器学习算法,亦或是深度学习领域的有关算法如如循环神经网络(RNN)、长短期记忆网络(LSTM)、Transformer、BERT等。每一个标准问题与答案组合构成一个问答对。当遇到与标准问题相似的问题时,系统能够匹配并回复相应的标准答案。此外,该FAQ设计还包含一个对话理解模块,该模块负责提取对话文本中的NLP特征。
3.2售前机器人设计
导购机器人的侧重点是预先进行业务处理,相对于FAQ和售后机器人,其业务价值可能更高。在对话系统中应用**个性化推荐(基于用户画像)**的原因在于,对话交互更有利于信息获取,但对于信息的呈现并不理想。在对话交互过程中,需要更细致的个性化服务。
虽然推荐系统的设计和实现可以提供一些借鉴,但仅仅依赖传统推荐系统的方法是不够的。传统推荐系统通常依赖于用户的隐式反馈,如浏览、点击、购买、收藏、评论等行为。然而,在计算过程中,传统推荐系统很少考虑或完全不考虑时间、地点、场景、情绪、活动状态等上下文信息。此外,传统推荐系统的建模方式相对死板,可以总结为"F(User, Item)=?"或者"F(Context, User, Item)=?"两种模式。
然而,在对话交互的推荐系统中,需要结合更丰富的信息,包括显式反馈。这种系统需要更多地考虑上下文信息,如时间(早晚、星期、月份)、地点、情绪环境等。通过综合上述信息,对话交互的推荐系统能够完成交互并最终为用户提供一次售前的导购信息。
在设计导购机器人时,应遵循交互推荐的原则,**实现商家与用户之间的双向信息交换,**以换取用户偏好。推荐过程可以通过迭代过滤的方式来实现,即推荐、交互、再推荐的过程。
4.案例分析
某招聘网站目前每日会收到500条左右用户在线意见反馈,反馈完以后用户需要等待两个工作日内进行处理,而且每日会有500条左右的数据。反馈集中在认证问题、简历问题、职业测评问题、搜索推荐问题等,在反馈的用户问题中可以找到共同点,造成客服重复工作,其次,客服无法实时解决客户问题,也会给用户带来等待处理时间,造成用户体验不佳。采用客服机器人实时在线为用户解决问题,一方面提升用户体验,另一方面也为客服提升效率来减少人力成本,让一部分人力释放出来为用户提供一对一的在线服务。它的作用如下:
1)提升用户体验。机器人能实时解答用户问题,用户无须等待。
2)减少人力成本。减少客服劳动工作量,减少人力成本。
3)提升运营效率。打通工单流转通道在线形成闭环,实现对用户问题的快速响应。
这里给出一个系统的架构设计,如图10-5所示。
对话机器人的架构设计
系统主要分为服务层、对话层和基础层。
了解更多信息请看往期文章: