Hello 大家好，我是YiBot。重磅推出一系列誠意滿滿的技術乾貨和行業資訊以後，小Yi的系列「自傳」終於千呼萬喚始出來。想知道YiBot究竟是個怎樣的客服機器人？智能客服的評價體系是什麼？YiBot如何幫助企業運營知識體系？企業又如何對YiBot進行後期維護……本期從最受客戶關注的14個問題開始，告訴你YiBot是個多麼才華橫溢的智能客服機器人。喜歡我記得關注我哦~

關於YiBot的14個問題

1.什麼是Yibot

YiBot是由深圳追一科技有限公司自主研發，應用目前最前沿的自然語言？處理及深度學習演算法，為企業級客戶提供的一套智能客服機器人系統。 Yibot後台的主要功能包括：知識庫管理以及機器人智能教育。同時，基於客服數據，Yibot還能提供運維監控、熱點分析、敏感分析、情緒分析等功能，及時發現用戶行為趨勢，為客戶產品運營提供保障和決策支撐。

可以說YiBot所有優越的性能都是根源於先進的技術。首先，與大部分市面上流行的機器人不同，YiBot機器人使用的不是關鍵詞或模板匹配，而是語義搜索+深度學習，這樣就能突破文本表面文字的限制。同時因為我們的技術優勢，在模型調優方面也做到了最佳的狀態。直觀的體現出來，就是回答問題準確率比其他機器人高一個台階。並且在運轉過程中融入自學習，這種優勢會越來越強。

其次，YiBot具有很強的主動性，能主動去改善客服行為，並對客戶的整個業務體系都有一個良好的回饋。這主要是因為YiBot有豐富的BI分析功能，包括熱點分析、輿情分析、情感分析、敏感詞分析等，能夠讓它對整個客服體系有一個良好的監控，然後主動的反饋和改善。這個具體會在下面的相關問題中詳細闡述。

最後，YiBot的技術優勢使得它的泛化能力很強，相當於一個更聰明的、能夠舉一反三的學生，因此運營成本也相對低。

首先最直觀的來說，會降低企業客服成本。電話坐席服務一個用戶平均成本在6元左右，在線坐席則為3元左右，YiBot可以控制在 0.3元以下。而且YiBot的運維每周僅需一人3小時教育維護即可，而傳統機器人則會隨著知識點增多，維護的人力成本直線上升。

其次是讓企業相當於擁有了一個無限大的客戶服務中心。這個客服中心準確率高、維護成本低，還可以根據你的業務需求動態擴容，滿足各種突發性增量需求。

再次，使用YiBot可以提升用戶體驗。拒艾媒諮詢統計數據顯示：約有75%的顧客因為客服不滿而放棄購買；43%的客戶因為對客服不滿而不向其他人推薦； 85後90後對客服質量更加敏感。提升了客戶服務體驗，也就是為企業留住了源源不斷的客戶。

最後，YiBot對於企業知識庫的擴充、完善、有效管理有很大幫助。YiBot所採用的問句聚類技術使得它能夠不斷挖掘、發現新知識點；通過補充更新知識點，不斷提高攔截率，在改善客服體驗的同時，也能夠不斷完善企業知識庫。這樣反過來還可以用以輔助人工坐席，提升效率和準確率，同時降低新客服人員教育成本。

目前YiBot準確率95%以上。

首先是建設合理的知識庫。每個知識點只能包含一個意圖，要足夠細分。同時知識點之間沒有交叉，相互獨立，沒有歧義，也沒有冗餘，避免造成混淆。

其次是標註，為每個FAQ積累一定數量的有代表性的相似問。

最後是後期的持續維護 ，包括新FAQ發現，已上線FAQ的合併、拆分、糾正等。這個問題後面也會專門再說。

6.什麼是FAQ發現

可以這麼理解，經過Yibot語義變換每一個FAQ都是在二維空間里的一個向量，每個句子是在這些向量周圍的點，FAQ相當於這些相似問句的中心點。用戶的問題是分布在整個空間中的按團分布的點，其中每一個團是一個類簇，這就是一個FAQ。我們需要把用戶的問句篩選出來，看那些聚成一團的問句附近有沒有已上線FAQ，如果沒有的話，就新建一個。這就是FAQ發現。FAQ發現主要是有助於知識點覆蓋率和機器人攔截率的提升。

BI數據分析包括熱點分析、輿情分析、客戶滿意度分析、情感分析和敏感詞分析等，總的來說是整合各類客服信息，使之能夠快速準確地提供數據化信息作為決策依據，幫助企業做出明智的業務經營決策。

首先是熱點分析，它是指對在一定的時間內，用戶對知識提問的熱度，系統自動聚焦，並按照訪問頻度將熱點知識聚合出來；

輿情分析做的是用戶問句中的關鍵詞分析，對於每一個關鍵詞分析其趨勢，比如它的出現頻率以及趨勢，它和其他詞的關聯性，比如說常和別的什麼詞在一個問句中一起出現。比如說「退貨」這個詞，做輿情分析之後就可以歸納退貨的原因，容易導致退貨的商品類別等。還有就是出現了這個關聯詞之後用戶的情緒是什麼樣的。比如新開放的業務，可以看出提到這個功能的用戶諮詢情緒如何，這樣就可以看出用戶對於新業務的一個反饋。

客戶滿意度分析主要是針對客戶對客服質量是否滿意的一個分析，有多個維度進行評判。譬如說經過幾輪會話理解了用戶的問題、有沒有解決客戶的問題，以及用戶最終對客服效果是「點贊」還是「點踩」。這些都是不同的評價指標。

情感分析對用戶的情緒和整體滿意率進行打分；通過智能分析用戶真實問句，獲得最真實準確的滿意度；同時它通過正向或負向評價分析，能夠精準定位我們服務中存在的主要問題，為進一步改進指明方向。最後它還可以根據不同的用戶群進行分群分析等。

敏感詞分析可以對用戶反饋進行7x24小時實時監控，幫助企業及時發現敏感事件，幫助客戶提早知曉問題趨勢提早準備預案。譬如對於當用戶的用語中出現「電視台」「消協」的時候，就可以考慮人工客服即時介入。

創建良好的知識庫是機器人客服質量的核心和基礎。在此模塊下，YiBot提供創建和管理FAQ/編輯FAQ答案/添加FAQ的相似問句/執行上線或下線FAQ等一系列便捷操作。這樣就相當於有一系列便捷的工具協助，運營成本低。

簡單地說，YiBot目前有三種使用場景。第一，Yibot智能客服直接服務用戶，高效解決用戶問題，並通過不間斷的智能自動訓練，越來越聰明，體驗越來越好。第二，Yibot具有智能輔助能力，也就是它可以為人工坐席推薦解決方案，提升人工處理效率和準確率。第三，Yibot還可以通過數據BI分析與推薦系統，結合用戶畫像，通過自助服務的方式提供熱點問題以及用戶可能碰到的問題的個性化推薦。

客服機器人大致可分為四個階段。

第一個階段客服機器人為基於關鍵詞精確匹配的「檢索式機器人」；

第二個階段客服機器人運用一定的模板，支持多個詞匹配，並具有模糊查詢能力；

到了第三個階段，智能客服機器人在關鍵詞匹配的基礎上引入了搜索技術，根據文本相關性進行打分排序；

第四階段以神經網路為基礎，客服機器人應用最新的基於「深度學習」的「端到端」學習技術。

其中，關鍵詞和模板可以看作一個最初級的技術；搜索作為一項非常重要的技術對互聯網和移動互聯網的發展起到了舉足輕重的作用。深度學習技術則因其超強的非線性擬合能力與泛化能力逐漸脫穎而出。Yibot採用了搜索+深度學習相結合的技術路線，將自然語言處理的深厚積累與深度學習新演算法相結合，打造更智能的客服機器人。

YiBot通過FAQ和聊天日誌訓練模型，學習人工客服服務用戶的解決方案。因此在客服機器人使用過程中，需要人工提供一定樣本和案例向機器人提供語言基礎、數據基礎，通過人工標註數據教育機器學習到某標準問題A對應某答案B、某用戶問句C和某用戶問句D同時對應某標準問題A等知識，讓Yibot能夠向上累加、泛化。

按照人參與的程度機器學習的模式可分為監督式學習、無監督式學習、半監督式學習三種。人工標註+客服原始日誌的學習在機器學習中屬於半監督學習，既可以從客服原始日誌中學習到專業語言的表達方式，又可以通過人工標註數據學習到專業語言與業務問題的映射關係，在問句錯誤地對應FAQ時及時做出糾正，保證客服機器人使用效果。

智能客服現在已經廣泛應用在金融、電商、遊戲、O2O、OTA等行業。除了通用的FAQ一問一答模式以外，還有一些較為特殊的場景。比如金融行業的查賬場景和OTA行業的預訂場景一般稱為任務式場景，需要完成必要信息填充才能返回精準答案，比如查詢需要提供時間、賬戶等信息。

在電商行業中，智能客服被應用於售前的導購，根據用戶畫像等大數據給出精準推薦。

O2O行業中的電影訂票系統涉及用戶對電影相關資料的諮詢，需要同時識別意圖並抽取實體才能返回正確答案。

智能客服機器人上線運轉時還存在坐席輔助和靜默坐席兩種場景。坐席輔助是指，如果不設置機器人置信度閾值，針對用戶問句，智能客服給出幾條推薦，再由人工客服選擇一條答案返回給用戶。如果設置機器人置信度（用戶問句和某個FAQ間相關度大小）閾值，當置信度高於閾值時問句直接返回推薦答案中的一個作為答案，當置信度低於閾值時再由人工客服回答。靜默坐席的主要意義在於只有在機器無法準確回答用戶問題的時才轉人工，其餘時間人工客服並不進行操作，大大降低了人工客服的工單量。

功能清單多，並不代表解決問題的能力就強，大量客戶的實踐反饋很多問題並不是通過增加功能就能解決的。Yibot背後依賴的是高度抽象的深度學習技術，採用FAQ日常管理+日常教育/快速教育的模式，將冗餘的功能化繁為簡，讓客服系統運維人員的操作更加方便、快捷，大幅提升工作效率。

上下文關聯是客服機器人非常重要，也非常具有技術挑戰性的能力之一。Yibot針對上下文關聯需求設計了完善的解決方案，支持意圖型上下文和任務型上下文兩種場景。

其中意圖型上下文是指用戶的意圖訴求隱含在其與客服多輪交互的會話文本中，需要將多輪會話文本有機結合才能精確提取用戶語義。意圖型上下文一般存在四種不同的形式：

（1）截斷式：由於輸入習慣或誤操作，用戶將一句話拆成了多次輸入，如先輸入「訂單不見了」，再輸入「我該怎麼辦」，如果不結合上下文，機器人無從獲得第二句話的語義；

（2）複述式：由於擔心客服沒有理解自己的意思，用戶會反覆將一個意圖用多種方式來表達，如「幫我取消訂單」、「我要取消這個訂單」，不理解上下文的單輪機器人往往會重複作答；

（3）補充式：用戶先粗略說了一個問題，然後再補充相關信息，如「我的訂單取消了」、「怎麼提交退款申請呢」，這時候需要兩句話結合來看，才能完整理解用戶意圖；

（4）追問式：用戶先問一個問題，接著又問另一個問題，如「我怎麼取消訂單」、「怎麼查看進度」，這實際上問了兩個問題，而且第二個問題省略了一些上個問題中出現的要素，這也需要結合上下文，才能把兩個問題都回答準確。

得益於YiBot的會話級端到端深度學習技術，目前上述各種意圖型上下文形式Yibot都可以很好的支持。

任務型上下文是指用戶在提交一個任務訴求時，需要同時提供這個任務相關聯的要素，比如訂機票的任務，需要至少提供起飛城市、落地城市、起飛時間這三個要素。這些任務所依賴的要素用戶往往不是一次性提供的，需要從用戶與客服機器人的多輪會話中逐個識別、提取，如果發現用戶沒有提供，還需要具備主動問詢的能力。針對這種場景，Yibot採用的是任務意圖和命名實體同時識別的方案，可以獲得比傳統方案更高的準確率。