银行智能电话客服用户体验优化研究

摘 要：本研究旨在探讨银行业中人工智能电话客服系统的用户体验优化，利用梯度学习的集成模型对数据进行拟合，预测客户满意度。通过收集银行业应用智能AI真实数据，本文使用了随机森林模型和梯度提升模型，结合它们的优势来提高模型的性能。本文分析了模型的拟合效果和预测准确性，并观察了数据的基本特征以及模型的决策边界、拟合响应面和预测结果。试验结果显示，集成模型在预测客户满意度方面表现出了很高的准确性和可靠性，能够有效优化银行业电话客服系统的用户体验。未来的研究将继续改进模型，以提高服务质量和用户满意度。

关键词：银行业；人工智能；智能客服；用户体验

中图分类号：TP 18" " " " " " " " " " " " 文献标志码：A

目前，随着智能语音技术的飞速发展，其在融媒体应用中的应用场景和模式创新备受关注。张楷越对智能语音技术在融媒体中的应用进行了深入剖析[1]。王晰巍等通过调查用户虚拟在线体验，探讨了AI语音助手的影响因素[2]。从用户体验的视角，陈积银等研究了人工智能视频生产平台的使用效果[3]，而陈曦和宫承波在场景理论的视野下，深入探讨了智能音频用户体验模型[4]。人工智能技术在融媒体体验中的其他方面也得到了广泛关注。徐延章以广电融媒体设计模型为基础，解读了人工智能与融媒体的交融[5]。颜洪等通过情感交互设计，深入研究了人工智能语境下的情感交互[6]。本文旨在研究使用梯度学习的集成模型进行数据拟合，以优化银行业中人工智能电话客服系统，提高用户体验。

1 模型概述

1.1 随机森林

随机森林是一种基于决策树的集成学习算法。决策树是一种树形结构，其中，每个非叶子节点为一个特征属性的判断，每个叶子节点为一种类别或者数值。在随机森林中，通过随机选择样本和特征来构建多棵决策树，并通过投票或平均值来综合多棵树的预测结果。

决策树如公式（1）所示。

（1）

式中：x为样本；h（x）为决策树模型对样本的预测值；M为弱分类器的数量；N为叶子节点的数量；Ri为第i个叶子节点的区域；wi为该叶子节点的预测值；I为指示函数，用于表示样本x是否属于第i个叶子节点的区域Ri。

在随机森林中，通过随机选择特征来构建每棵树，以增加模型的多样性。最终的随机森林模型如公式（2）所示。

（2）

式中：N1为随机森林中树的数量；hj（x）为第j棵树的预测结果；f（x）为随机森林模型对样本的预测值。

1.2 梯度提升

在模型中，将客户满意度作为目标变量y，而等待时长w和通话时长t则作为特征变量。本文的目标是学习一个函数f（w，t），使其能够准确地预测客户满意度y2。为了实现这个目标，本文使用了梯度提升算法来训练集成模型。

梯度提升是一种迭代的集成学习算法，通过迭代地训练一系列弱学习器，每个学习器都在上一个学习器的残差上进行训练。最终的模型是所有弱学习器的加权和。

梯度提升算法通过迭代地拟合残差来逐步优化模型。在第i轮迭代中，假设当前模型的预测结果为fi-1，则第i个弱分类器被训练来拟合当前模型的残差，如公式（3）所示。

ri=y1-fi-1 （3）

式中：r为残差；y1为预测结果。

然后，更新模型如公式（4）所示。

fi=fi-1+γihi （4）

式中：γi为学习率，控制每次迭代更新的步长；fi为更新后的模型预测值；fi-1为更新前的旧模型预测值；hi为弱分类器对样本x特征的预测结果。

通过迭代地添加弱分类器，并根据残差进行模型更新，最终得到一个在训练数据上表现良好的集成模型，可以用于预测客户满意度。

1.3 集成模型

本文提出的集成模型基于梯度学习，其核心思想是通过组合多个弱分类器（例如决策树、随机森林和梯度提升树）来构建一个更强大的模型，以提高预测的准确性和鲁棒性。本文提出的模型如公式（5）所示。

（5）

式中：f1（x）为最终的集成模型；M为弱分类器的数量；γm为第m个弱分类器的权重；hm（x）为第m个弱分类器的预测结果。

通过梯度学习的方式，迭代优化模型参数，使集成模型能够最大化拟合训练数据，从而提高预测的准确性。在训练过程中，使用损失函数来衡量预测值与真实值之间的差距，并通过梯度下降法来更新模型参数，以最小化损失函数。优化目标如公式（6）所示。

（6）

式中：N为训练样本的数量；L为损失函数；yi为第i个样本的真实值；f（xi）为模型对第i个样本的预测值。

集成模型通过组合不同的弱学习器，并通过梯度学习的方式优化模型参数，对银行业中人工智能电话客服系统用户体验进行有效预测。

2 模型性能

2.1 模型设置

本文使用了银行业人工智能电话客服真实数据（N=1000）对模型的性能进行测试。本文所使用的模型包括随机森林模型和梯度提升模型。其中，由500个决策树组成的随机森林模型用于回归问题，即预测客户满意度。由500个弱学习器组成的梯度提升模型使用了最小二乘提升算法（LSBoost），并进行了500轮训练。

本文利用了两个不同模型的优势，结合它们的预测结果以提高模型的性能。由于随机森林和梯度提升模型处理数据时采用了不同的策略，因此它们的预测结果可能会提供互补的信息。尤其是当面对真实世界的复杂数据时，这样的集成方法通常有助于提高模型的鲁棒性和泛化能力。

为了评估模型的性能，本文将使用银行业真实数据进行测试，并比较单个模型和集成模型的预测结果。本文使用常见的性能指标，例如均方根误差（RootMeanSquareError，RMSE）和决定系数（CoefficientofDetermination，R2）来评估模型的拟合效果和预测准确性。通过比较模型在测试数据上的表现，能够评估集成模型相对于单个模型的优势，并确定其在银行业电话客服系统用户体验优化中的效果。通过比较模型预测的客户满意度与实际调查结果，评估模型的性能。

2.2 数据基本特征

由图1可知，等待时长和通话时长与客户满意度之间存在一定的关系。

通话时间的分布较为集中，大部分通话时长在70s～140s，说明在这个范围内的通话时长较为常见。然而，也存在少量通话时长较短或较长的情况，这可能受到客户需求、问题复杂度等因素的影响。人工智能客服对处理特定问题的复杂度和耗时情况基本稳定，因此不同类型和复杂度的问题可能会导致通话时长变化。一些简单的问题可能解决很快，通话时长较短，而一些复杂的问题可能需要更长的时间来解决，导致通话时长较长。

客户在通话前的等待时间约为9s，这表明大部分客户等待时间较短。然而，本文也观察到一些客户等待时间较长，最长为15s。等待时间过长可能会使客户对服务质量和解决方案的准确性有很高期望，因此引入人工智能客服而非人工客服时降低了客户满意度，需要进一步关注和改善AI与人工客服的切换。与此同时，人工智能电话客服系统本身的技术问题或系统故障也可能影响等待时长和通话时长。如果系统出现故障或者技术问题，就可能会导致等待时间延长或者通话过程中中断，导致客户满意度降低。

客户满意度评分主要集中在五分，这说明大多数客户对银行业电话客服系统的服务表示满意。然而，也有部分客户选择了三分，少量客户选择了四分、二分和一分。这些低分可能反映了客户在服务过程中遇到的问题或不满意的地方，需要重点关注和改进，以提高整体用户体验。

图2展示了模型的决策边界，这是指模型在特征空间中划分不同类别或预测值的边界。对本文的模型来说，决策边界表明了模型对客户满意度的预测边界，即不同特征值下模型对客户满意度的预测结果。

通过观察决策边界的形状和位置，本文可以深入了解模型对不同特征值的预测结果以及模型在不同区域的表现。

在银行业电话客服系统中，通话时长和等待时长是影响客户满意度的重要因素。因此，本文将重点关注这两个特征对决策边界的影响。可以观察到，随着通话时间的延长，客户普遍选择较高的评分。如果系统的语音识别准确性高，那么客户能够更快地完成通话，从而缩短通话时长。反之，如果语音识别存在误解，就可能导致通话时长延长。然而，等待时长较长使客户评价下降。特别是通话时长在30s～50s的客户对等待时间更敏感，更易因为等待时间较长而选择较低的满意度评分。因为等待时间较长会让客户感到不悦，所以影响了其对服务的整体评价。

因此，通过观察决策边界，本文可以更清晰地了解模型对不同特征值的预测结果以及模型在不同区域的表现。这有助于更好地理解客户满意度的预测机制，并提出针对性地改进措施，以优化银行业电话客服系统的用户体验。

与图2类似，图3的拟合响应面也提供了模型对客户满意度预测的整体趋势和变化规律。通过在三维空间中展示不同特征组合下的客户满意度预测结果，本文可以更全面地了解模型的预测效果。拟合响应面的形状和曲线反映了模型对不同特征值的敏感程度以及不同特征组合对客户满意度的影响程度。

预测结果如图4所示，当客户满意度较高时，模型的预测能力表现较好，当客户满意度较低时，更易于高估客户满意度。模型的训练数据可能存在偏差，即在训练数据中，客户满意度较高的样本比较多，因此模型更擅长预测这种类别。通过比较预测结果与实际观测值之间的差异，本文可以评估模型的预测准确性和拟合效果，从而更全面地了解模型在银行业电话客服系统用户体验优化中的表现。

模型在银行业人工智能客户服务的真实数据上表现出非常高的拟合效果和预测准确性。

决定系数R2为0.99900，非常接近于1。这表明模型能够解释目标变量（客户满意度）中99.90%的方差，说明模型对数据的拟合效果非常好。

平均绝对误差（MeanAbsoluteError，MAE）为0.0021，这说明模型的平均预测误差约为0.0021，在实际问题中属于非常小的范围。

均方误差（MeanSquaredError，MSE）为0.0010，这也是一个非常小的值，表明模型的预测值与实际值之间的偏差非常小。

综合这些指标来看，模型在银行业真实数据上的拟合效果非常优秀，能够准确地预测客户满意度。这些结果说明本文提出的集成模型在银行业电话客服系统用户体验优化中具有很高的可行性和实用性。

试验结果表明，本文的集成模型在预测客户满意度方面具有较高的准确性和可靠性。与单一算法相比，集成模型能够更准确地捕捉不同因素对客户满意度的复杂影响，从而提高了预测的准确性。

3 结语

本研究利用梯度学习的集成模型对银行业中人工智能电话客服系统的用户体验进行研究。将等待时长和通话时长进行数据拟合，本文建立了一个预测客户满意度的模型，并证明了其在实际应用中的有效性。未来，本文将继续改进模型，探索更多因素对用户体验的影响，以进一步提高银行业人工智能电话客服系统的服务质量和用户满意度。

参考文献

[1]张楷越.智能语音技术在融媒体中的应用场景与模式创新[J].传媒，2023（18）：25-27.

[2]王晰巍，刘宇桐，乌吉斯古楞，等.AI语音助手用户虚拟在线体验影响因素[J/OL].图书馆论坛，2024，44（1）：71-85[2024-01-26].http：//kns.cnki.net/kcms/detail/44.1306.G2.20230828.1416.006.html.

[3]陈积银，胡睿心，孙鹤立.用户体验视角下人工智能视频生产平台使用效果研究[J].新闻大学，2021（12）：92-107，124-125.

[4]陈曦，宫承波.场景理论视野下智能音频用户体验模型探究[J].当代传播，2021（2）：89-92.

[5]徐延章.人工智能+融媒体体验：基于广电融媒体设计模型的解读[J].电视研究，2020（6）：45-48.

[6]颜洪，刘佳慧，覃京燕.人工智能语境下的情感交互设计[J].包装工程，2020，41（6）：13-19.