新时代银行智能客服应用研究与展望

张 诚

（1.复旦大学，上海 200433；2.交通银行股份有限公司，上海 200233）

新时代银行智能客服应用研究与展望

张 诚1，2

（1.复旦大学，上海 200433；2.交通银行股份有限公司，上海 200233）

近年来，随着金融脱媒、利率市场化进程加速，银行业所处的经营环境日益复杂多变。同时，云计算、大数据与人工智能等新兴互联网技术蓬勃发展，开放、平等、分享、协作的互联网精神也正在潜移默化地改变着人们生活的方方面面，客户行为与预期发生显著变化，传统金融服务模式面临重大变革。快速迭代的银行渠道功能、自助开放的客户沟通需求、丰富宝贵的客户体验痕迹捕捉，新时代下的银行服务环境与传统基于人工的服务模式形成了矛盾。而智能化的客服模式，也许正是解决问题的一把关键钥匙。文章以业内率先探索智能服务领域应用的大型国有商业银行为研究案例，浅析智能客服应用现状与展望。

商业银行；智能客服；人工智能；客户体验

一、智能时代扑面而来

随着信息技术的迅猛发展，AlphaGo引领的人工智能浪潮正在席卷全球，金融业也徜徉其中，经历着一场全新而又持久的变革，“智能与高效”日渐成为现代金融业的重要标签。

与此同时，以客户服务中心为典型代表的金融业服务窗口仍在经受诸多困扰：客户数量与日俱增持续推高人力成本、咨询问题偏于简单重复长期制约效率提升、被动式交互方式严重阻碍服务品质突破……如何推动金融客服中心由劳动密集型部门向技术密集型、服务高端化部门转型，成为横亘在客服人面前的重要课题[1]。

进入21世纪以来，中文语音语义识别技术的快速发展，使得“机器人客服”代替“人工客服”的构想不再遥不可及。近年来一大批分属不同领域的知名企业纷纷开始智能客服的应用探索，先后推出了或基于语音、或依托文字、或借助图片、或用作引导、或解答业务、或开展营销的智能交互系统，且部分企业已取得显著效果。以腾讯公司为例，目前其Web交互渠道已不再设置人工座席，统一采用智能客服应答服务方式，降本增效成果突出[2]。

二、美蟹虽凶猛勇者仍可食

较之互联网企业而言，出于审慎的风险考量限于较高的业务复杂程度，金融业对于智能客服技术的应用要显得保守许多，业内始终颇有争议与犹豫。2012年，以交通银行为首的国内大型股份制商业银行率先开启了国内大型金融机构应用智能应答技术的先河。

探石过河无路自开。智能客服依赖于中文自然语义识别与交互技术。但可供参考的既有经验稀缺，诸如“智能知识库结构如何构建”、“业务的专业性与客户的通俗性之间如何有机对接”、“业务答案的广泛适用性与匹配精准度如何取舍”等问题始终困扰着商业银行与系统服务商。与此同时，系统服务商虽已具备相对丰富的项目建设经验，但对金融行业尤其是银行业却相对陌生，其智能应答软件的产品功能与银行业客服中心各项需求的贴合度尚需提升，以各取所长，优势互补。2012—2016年期间，除先驱交通银行外，工、农、中、建等大型国有银行及以招商银行为代表的股份制商业银行纷纷建立并推广了智能客服应用。通过银行与第三方服务商的密切协作，逐项攻克了一系列业务难题，并在权限控制、数据识别、答案干预等多个方面对产品进行了优化改造。这些创造性工作的开展不仅为智能客服系统的持续发展奠定了基础，在一定程度上也为许多同业项目的顺利实施提供了可参考的范本。如今人机交互越来越被年轻一代用户所接受[3]。

降本增效是归宿。中国经济进入新常态以来，企业纷纷通过压缩成本谋求效益提升。对于显著具备劳动密集型组织特征的金融业客服中心而言，在确保服务品质不降低的前提下管控好日益膨胀的人力资源成本成为重要经营目标。智能客服系统正是以高效服务为追求，全方位多维度地构建了客户与交行之间快速沟通渠道，客户在办理各项业务的过程中可以快捷获取服务支持。面对客户通过各类渠道的接入需求，前置的智能机器人将快速响应实时提供精准解答，其强大的并发接待能力彻底扫除了人力限制、话务测算与人员排班等因素带来的接通率制约。某股份制银行智能客服接入微信、APP、web等电子渠道后的营运数据显示，人工在线客服接入量骤降并最终稳定在了智能客服上线前的30%左右，相应节约人力成本达50%以上[4]。

图1

保证客户体验是关键[5]。在图灵测试的理论中，只有当第三者无法辨别人类与人工智能机器反反应的差别，则可以论断该机器具备人工智能。试想当客户与银行智能客服进行交谈，却浑然不知对方是个机器人时，客户体验一定无与伦比。当前智能客服的核心机制是“抓取关键词+匹配对应文本”，因此在智能客服知识库建设过程中，需坚持易用性原则，综合采用多项技术手段与服务策略，确保机器人服务与人工服务间不存在明显的客户体验落差。考虑到部分客户对银行专业术语的理解能力有限，智能知识库应答文本需要对大量专业性术语进行通俗性解释，使得业务规则易于理解；考虑部分客户无法精准描述业务需求，供客户自行选择的互动式菜单也是一个不错的引导方式；考虑到部分客户不熟悉各项业务功能入口，交互应答时可以灵活穿插相关功能的快速链接；考虑到部分客户对机器人服务缺乏信任，机器人服务与人工服务无缝转接机制是一个保险手段；考虑到部分业务的敏感性，相关关键词可直接触发人工策略。

除上述措施外，客户与智能客服的交互日志包含了丰富的客户体验素材，通过对交互日志进行分析，持续优化应答策略与文本，可以最大程度提升智能应答的客户体验。以大型银行2015年营运数据为例，智能客服在微信、网银、手机银行等渠道上线后，Web渠道客户满意度指数稳步上升。

图2

融营销于互动之中。除智能服务、客户经营外，零售营销更是当前银行创利的重要手段。智能客户服务除了为客户常态化地提供各类活动资讯及相关细则，更成为融互动性与趣味化于一体的营销推广工具。以微信渠道智能应答服务为例，通过该渠道实现智能应答、公众号推送、手机银行、人工服务四大功能间的有机互动，有效促进了精准营销的开展：公众号可以不定期向全部或部分客户推送理财资讯，客户可通过智能应答获取产品链接，依托手机银行功能完成产品在线购买，操作过程中如遇疑问还可直接通过智能应答或人工客服快速获取支持。

人机互补协同服务。智能服务与人工服务共同构建了银行Web渠道新服务体系，两者互为补充缺一不可。当客户由智能服务转入人工服务时，系统将自动带入自动应答记录便于人工座席在第一时间掌握客户需求，而人工座席若在受理过程中遇到高频问题将及时向智能应答系统管理团队反馈，后者将迅速完成业务文本整理及智能应答知识库发布工作，后续客户若再次上行类似问题将由智能应答系统直接给出准确答案。人机互补协同服务机制的建立打通了智能服务与人工服务在内部管理上的壁垒，实现信息互通与服务互补，在保障客户服务体验的同时还有效降低了内部成本。

大数据挖掘助力业务优化。客户数据是客服中心的宝贵财富。智能客服管理台系统将逐笔完整记录海量的客户上行问题与智能应答答案，并实时生成覆盖问题触发频次、客户满意度、匹配失败情况等关键指标的智能应答报表。通过对业务大数据的密切跟踪与深入挖掘，智能应答系统运维团队可以获取持续完善智能应答知识库的直接依据，从而进一步促进了应答成功率的提升。此外，管理团队还可以定期开展热点问题分析，找出相关产品与服务规则设计中的可能存在的潜在不足并形成优化建议。

三、智形于外，慧起于内

智能客服的智慧来源于背后的智囊团队，就目前而言，金融行业的人工智能尚不具备自学能力。动态菜单、问题匹配、对答文本及其文体风格均来自运维团队的基础建设。

以“让客户分不出面前的是人，还是机器人”为理念，通过逐笔分析交互日志，优化语言表述，贴近自然人语言习惯。同时通过动态菜单提供定向引导提升问题解决率。服务愈加智能化的背后，也隐藏了大量的脑力堆积。

四、前路漫漫，且行且求索

限于中文语音语义识别技术的实际发展水平，当前主流的智能应答技术本质上仍基于上送样本与后台数据库（智能应答知识库）的对比匹配，应答成功率结果直接取决于人为的词义拆分与场景预设的水平。以知识信息构建与日常运维过程为例，系统无法直接通过自然语言进行信息扩充与自学习，必须先通过人工方式完成以词语为单元的信息碎片化拆解、同义词定义及特定化表达，方可被系统引擎收录、识别并用于匹配，整个运维操作过程繁琐，专业化要求高，上手难度大，同时，由于知识库信息碎片化程度过高，且文字表达与组织形式特殊，使得智能应答知识库与客服中心用于提供内部支持的传统知识库无法实现融合，两套知识库系统彼此割裂的存在形式拉长了内部管理半径，滋生了信息一致性与准确性风险。如要实现更好的信息融合，有效降低存在的风险，在现有技术条件下，必须要采取专人管理，可能需要耗费大量的人工[6]。

人工智能应答服务致力于无人服务，但却又过度依赖人工的现状让人颇为无奈。为此，我们寄望于中文语义识别与交互技术的革新与突破，期冀一套具备自然源理解能力、可基于大数据学习进化的智能应答系统能在不久的将来面世。

五、畅想大数据时代智能服务

根据艾瑞2016年中国人工智能应用发展报告，人工智能的应用发展分为三个阶段[7]：第一个是计算智能，它使得机器能够像人类一样进行计算，诸如神经网络和遗传算法的出现，使机器能够更高效处理海量的数据。第二个是感知智能，让机器能听懂我们的语言、看懂世界万物。第三个是认知智能，在这一阶段，机器能够主动思考并采取行动，比如无人驾驶汽车，实现全面辅助甚至替代人类工作[8]。

2016年3月，被应用于围棋人机大战的最新人工智能阿尔法狗惊艳亮相，以4∶1战胜了韩国著名棋手李世石九段，跃居围棋界世界第二，随后以3 100的惊人算力击败了世界排名第一顶级中国棋手，轰动世界。而其智能核心-神经网络技术更成为了科学界的焦点。

不同于现有依赖人工的“名义智能”，基于Deep Learning的深层卷积神经网络技术是人工智能一次真正的登堂入室。以人体神经元的机理，打造机器人的类神经反射网络，通过大量的数据训练，使机器人的思维方式无限贴近人，而其绝对数字化的逻辑运算，相比较人拥有更低的犯错率与更前瞻的预知力。阿尔法狗是深层卷积神经网络的一个成功应用案例。然而深度卷积神经网络对因果联系不敏感，且技术实现难度也较大。如同硬币的正反面，与卷积神经网络相媲美的贝叶斯概率网络弥补了卷积神经网络的不足。举一个贝叶斯医学诊断的例子。该案例最早由Laurutzen&Spiegelhelter提出。

图3

这是一个简化版用以分析病人来诊所的情况，网络中的每个节点都反映了病人的一些症状，比如smoking代表是否吸烟，当此模型用于判断一个个体病人症状时，病人表示吸烟（此时smoke数值调整为100，nonsmoker数值为0），则相应的结果概率会产生变化。任何两个节点间的箭头体现了两个节点的状态之间我们已知的可能性关系。箭头的方向大致性和因果关系意思一致，图表上方的节点更可能影响下层的节点，无论如何会比反过来的可能性要高[9]。

而应用到银行智能客户服务上，试想以下场景，当客户开口描述他的问题与需求时，已经经过大量数据训练的智能机器人客服即在不断的构建概率网络。在大数据法则下，通过采集客户话语中的关键信息，动态推算客户所需要的因果解决方案。在递进的人机交互中，最终智能客服会给出数个乃至一个精准的解答。而在人工智能环境下，推算的速度甚至不会给客户造成任何时滞感。

当客户描述完场景时，详细且精准的回复已经组合完成并实现推送。时隔80年，也许图灵实验终将实现。客户使用的虽然是自助服务，但完全无法区分与之对话的是人还是机器。作为服务提供方银行，也节约了大量的人力成本。并且智能机器人服务，其投入成本几乎不会伴随客户业务量的增加而增加。相反，随着业务量的增加，其训练成效只会越来越明显。

无论如何，一个新的时代正在扑面而来，在创新突破上我们始终勇于探索，新的技术手段也将继续带动整个服务模式的转型升级，不断提升服务水平。未来，银行客服中心必将给客户带来更加智能、便捷的服务体验。

[1]李斐，邵晓东，2016.智能客服机器人的现状及发展[J].中国传媒科技（4）.

[2]文博.面向智能客服机器人的交互式问句理解研究[D].哈尔滨工业大学论文集，2014.

[3]李枫，徐韬.智能语音交互技术在呼叫中心的应用[D].2016电力行业信息化年会论文集，2016.

[4]李燕妮，2013.陕西移动客服多媒体引导系统创新研究[J].科技风（12）.

[5]张瑞，潘鑫，杨艳妮，2016.情感介入式智能客户服务系统[J].情报理论与实践（8）.

[6]吴江宁，王晓欢，2009.面向呼叫中心的知识导航系统研究[J].大连理工大学学报（6）.

[7]任亚龙，2016.第三类接触，智能客服的成长与蜕变[J].客户世界（11）.

[8]鲍勇剑，袁文龙，高日菖，2016.工作的冬天来了！——无所不在的“智能机器换人”时代[J].清华管理评论（9）.

[9]Francois，2006.36 best Robots[J].多媒体世界（7）.

（责任编辑：C 校对：R）

F830.4

A

1004-2768（2017）07-0032-03

2017-04-30

张诚（1985-），男，上海人，复旦大学硕士研究生，交通银行股份有限公司中级经济师，研究方向：金融投资。