解密！看螞蟻金服智能調度技術如何優化客服中心資源調配

摘要： 利用調度大腦感知問題、輔助決策、及時調配資源快速響應！

原文：http://click.aliyun.com/m/42998/

能手機銷量的停滯不前，網民的增長也大幅趨緩，市場已非昔日盛況。但與此同時，過去這一年，用戶每日在線時長的增長卻已超過30%，甚至超出了網民的增速。只有精耕細作來服務好用戶，深度挖掘現有用戶的價值，才是「下半場」的正確玩法。

好的服務是互聯網產品的根基和命脈。在人工智慧浪潮下，已經可以在許多產品中看到智能機器人的影子，越來越多的公司開始嘗試通過這種全新的交互形式，來優化或者升級自己的產品，逐步代替人工來解決用戶問題，從而降低服務成本。智能機器人的解決率隨著專家經驗的積累而不斷提升，但長尾問題仍普遍存在，用戶對人工服務仍有依賴。如今服務已經進化成渠道多樣、智能與人工相輔相成的複雜體系。

這套體系如何有效的運轉，如何快速而精準的滿足用戶的個性化訴求，調度能力成為了這背後的關鍵。智能調度，就是在探索如何結合人工服務與機器人服務來做全局調度，優化客服中心的人員利用率，同時提升用戶體驗。

智能調度的現狀

從服務的發展角度看，客服中心一共經歷了三個階段：第一階段主要以人工服務為主，領域更多屬於一個人力密集型行業，比較依賴人工通過電話、郵件、IM、論壇等溝通工具和渠道來解決問題；第二階段，主要集中在以IT平台為主的自助服務，通過搜索引擎構建知識庫讓用戶通過搜索來解決問題；到了第三階段，則是提供以智能化為主的多渠道結合的服務，包括文字機器人、語音機器人、熱線服務、在線服務、預約服務、自助服務，等等。

目前智能客服類產品可謂百花齊放，基本都是圍繞呼叫中心 + 智能機器人 + 在線人工對話的方式來建設，差異化不大。產品定位更多是幫助一家公司能夠快速建設服務能力，但是這麼做服務質量沒法保障，因為服務質量更多是由服務背後的調度能力和運營能力來決定的。現有的客服類產品都比較缺乏對服務的深度建設，所以市場上有很多做服務承接的外包類公司，但卻很少聽到用戶反饋說某個服務產品背後的客戶服務做的不錯。當前已經有一些大型企業開始投入智能服務建設來替代人工服務訴求，降低成本和優化體驗，但很多中小型企業，即使使用了雲端智能客服類產品，卻仍然無法享受到技術變革帶來的紅利，主要的原因就在大型企業里有智能化的運營調度類系統和服務運營人員。

痛點分析

螞蟻金服當下的業務構成比較複雜，既有基於交易訂單產生的支付訂單類業務，也有基礎賬戶和安全類業務，另外還包括金融領域的存投保消貸以及信用的相關業務。這對服務管控來說是一個很大的挑戰。

從用戶的角度來看，選擇合適的求助渠道，得到滿意的服務，儘快解決問題是最直接的訴求；然而實際情況是，目前螞蟻雖然擁有多樣化的接入渠道，但是用戶並不了解自己的問題最適合求助哪個渠道，也不了解每個渠道下的繁忙程度，很多時候，用戶在排隊等待的過程中或者是在某個渠道下沒法找到解決的方案就放棄了。

從運營人員的角度來看，如果能有合適的工具能幫助自己隨時了解到服務現場的承接情況，快速定位問題並即時做出響應，並能通過數據分析來對歷史服務結果進行復盤，進而優化運營策略，是最理想的狀態；然而實際情況是，由於業務複雜，很多運營人員的現場決策只能解決服務現場局部承接的優化問題，而沒法解決全局的優化問題，同時由於缺乏相應的運營工具，不少運營人員只能依靠經驗和人肉盯盤的方式來發現問題，從發現定位到排查解決問題的效率很低。另外由於很難預估服務量，所以很難做好提前排班，一旦流量發生異常，就有可能會導致現場無法正常承接。

從服務人員的角度出發，由於同一通話務有多種承接的方式，所以如何整合機器人、自營客服人員、外包客服人員以及社會化客服人員，提升資源的利用效率，是一個比較難的領域問題。在保證用戶滿意度的前提下，如果機器能解決問題，卻使用人力去承接（即使是外包服務人員），這是一種資源浪費；而如果自營客服人員本身能承接的話務，卻因為和外包公司的商務合同沒有達成，只能分流給外包客服人員來進行承接，這也是一種資源浪費。

客服領域調度探索

在客戶服務現場需要這樣一種能力，能夠在用戶訴求和承接資源之間建立一種動態管控的能力，一種能夠提供跨渠道、跨人機、跨主被動的全局服務管控能力，我們將之稱為調度大腦。

調度大腦首先應該具備的能力是感知能力，能夠儘快捕獲到現場出現的承接異常信息，幫助運營人員在最短的時間內定位問題，從而解放他們的生產力，讓他們更多的關注如何優化整體的承接策略，更多的思考如何避免現場繁忙，而不是現場出現問題以後再考慮怎麼來彌補。

接下來應該具備輔助決策能力，這建立在對現場的全局洞察之上。能夠預測時段內的流量，能夠明確用戶求助更適合通過什麼渠道來解決，能夠大致判斷用戶接入渠道後需要等待多長時間才能得到服務，能夠了解現場每位客服人員的工作狀態，並協助運營人員針對現場實時狀態做出合理判斷和最優選擇。

最後應該具備的是響應能力。對現場有了判斷以後，剩下的就是響應執行了，這屬於基礎能力。繁忙時需要限流和引流，或者增加承接能力；空閑的時候則需要導流，引入新的承接任務。

感知

#異常識別

數據的實時監控，是感知體系的基礎，它能夠透過數據看清現場，能夠沉澱可以量化的運營標準，並為後續決策體系的建模提供基礎數據。透過數據分析和異常識別，能替代運營人員傳統的盯盤模式，自動識別現場發生的異常並同步給運營人員，幫助他們在第一時間了解到現場的準確狀況並採取相應的補救措施。

常規的異常可以使用通用的文本分析、類目分析來檢測；長尾的異常可以使用人工輔助運營、客服眾包等模式來檢測，對於周期性的異常則通過定期掃描來檢測，突發性的新型異常則採用詞頻分析來檢測。

#監控大屏

目前螞蟻金服客戶中心每天有著數百萬的機器人求助量以及幾十萬的話務求助量，現場同時運行著上千條的運營策略和多個調度模型，整體的管理成本非常高，基於這個背景螞蟻金服建設了整體服務鏈路的監控大屏。

大屏主要包括了對求助來源、整體服務鏈路、調度節點、現場定時掃描、服務風險檢測、輿情觀測、當前諮詢熱點以及現場人力資源管控等模塊，並提供了放大鏡功能，能夠針對核心調度節點的宏觀表象與微觀詳情進行透析。

#決策

決策主要分為三類：渠道決策用來為用戶選擇最合適的服務承接渠道；承接決策用來保持現場的穩定，讓流入的話務能夠被順利的接起，盡量避免呼損的情況發生；資源管理本質上是為了優化現場資源利用率，同時管理好現場龐大的人力資源。服務中心本身擁有很多負責承接話務的客服人員，除此以外還有現場管理人員和眾包客服人員，管理成本會比較高，如何發揮客服人員之間的協同效率，以及降低現場管理人員乃至全局的管理成本，是領域性質的難題。

#渠道決策

目前業界主流的服務渠道仍然是熱線服務、通過IM工具進行在線求助的在線服務，以及通過和對話機器人進行直接交流的自助服務。熱線服務中通過多輪按鍵交互和機器人多輪對話的方式來對用戶提出的問題做問題識別從而引導話務派單。在線服務里也主要通過機器人多輪對話的方式來識別用戶問題並引導派單。機器人自助服務則是通過用戶問題匹配最佳的知識點來推送給用戶。

螞蟻金服提供的則是一種跨渠道的解決方案：當用戶到達場景入口以後，首先會根據用戶基礎信息，嘗試在用戶當下選擇的渠道里解決用戶的問題，如果當前渠道不足以解決，再依據承接渠道的繁忙程度、用戶諮詢的問題所屬的類目、用戶所問問題在各承接渠道下的解決率、用戶的歷史求助行為等特徵綜合建模，為用戶推薦當下最優的渠道；並同時給出當前可選的渠道，讓用戶自主選擇，用戶選擇了自己傾向的渠道以後，系統會同時把用戶在前一個渠道里描述的問題透傳到新的渠道，這樣用戶轉接到別的渠道以後就不再需要重複描述問題，直接接受客服人員的服務。

例如在螞蟻金服的客服諮詢中，每天都有很多用戶來電詢問螞蟻森林的遊戲規則，現場決策就會對是否需要將用戶引流至機器人自助渠道來解決進行評估；而賬戶被盜屬於高風險的問題，現場決策就會在最短的交互後外露熱線人工入口，引導用戶直接進入熱線人工服務。

#承接決策

業務繁忙時提前為每條業務線準備好候補客服隊伍，同一塊業務能由不同的團隊(包括同一個業務線里的不同團隊和跨業務線的團隊)來承接。接下來會對候補客服的助接能力進行評估打分。當現場出現繁忙的時候，可以通過實時調度在保證候補團隊自身承接沒問題的前提下，將承接出現緊張狀況的團隊的話務流量按照助接能力得分的高低分配給當下最適合助接的候補客服來進行承接。

如果引入候補客服助接仍無法緩解現場繁忙的狀況，系統會提供預約回呼的服務，將無法承接的話務流量導流到能夠保證現場承接的同時還有多餘人力的時段來進行回呼。用戶接受預約後，在預約回訪時段，系統會通過系統雙呼自動拉起用戶與客服來進行回呼服務。

能夠開放的預約名額也是有限的，並不能保證開放預約回呼服務後就能承接溢出的流量。在開放預約以後仍無法緩解現場繁忙狀況時，系統會安排有承接能力的運營人員協助承接，同時把通過實時調度引入雲客服人員來協助承接做為兜底方案。

#資源管控

首先會結合歷史下一時段流量，以30分鐘為粒度預測下一時段的流量，並考量預測結果，如果判斷未來時段會出現繁忙，會先進行前置調度（比如收緊客服人員小休策略、將就餐時段適度推遲、動態調整在線客服的在線服務並發數等）。

考慮到客服人員每天的服務狀態可能出現異常，系統引入了健康度模型（主要參考整體服務流程、客服服務態度、現場行為【小休，遲到，早退，缺勤等】、客服產能以及智能質檢和用戶評價等相關特徵）來對客服做綜合評估，如果存在不健康的狀態，那麼現場主管需要對其保持關注或做相關提醒。當現場出現繁忙時，針對熱線坐席控制小休，針對在線坐席，控制客服人員的在線服務並發數。首先評估好人力缺口，然後根據缺口值來判斷收緊多少位熱線客服的小休策略與延遲就餐，提高多少位在線客服的在線服務並發數；當現場回歸到空閑時，再放開管控策略，這樣就能最大程度的保障現場的承接，當前在螞蟻的業務場景下已經實現了60%左右比例的自動決策。

#執行

當現場做出決策以後，剩下的就是響應執行，這也屬於基礎能力。這裡介紹幾種引導流量的方法。整體拉起採用了系統雙呼的方案，首先將繁忙時段無法承接的話務通過預約的方式導流到流量波谷區，到了預約時間會通過系統自動拉起空閑客服和用戶來完成預約回訪功能。

#削峰填谷

當流量超過現場人力承接的峰值（波峰）時，系統通過引入了資源預估模型來實時評估產能不飽和的時段與空閑名額（波谷），並將其提供給預約准入模型。預約准入模型會根據用戶接受度來進行打分，並對得分高的用戶開放預約入口。用戶接受預約後，在預約回訪時段，系統會通過系統雙呼自動拉起用戶與客服來進行回呼服務。這樣做能有效降低呼損，穩定時段接通率。

資源預估模型建模依賴了當前排班和歷史排班數據、當前流量和歷史流量數據、日期數據等特徵。預約准入模型建模則依賴了問題畫像、歷史求助軌跡、求助偏好等特徵。

#見縫插針

針對呼損類的場景：

在現場人力出現空閑的時候，即流量低谷期，可以把當天較早時候產生呼損的高價值用戶未接通的話務自動的分配給當前空閑的承接資源進行主動回訪。

當下機器人的服務能力還不足以解決所有的問題，當機器人服務不到位的時候，會直接面臨用戶流失的風險。這時候可以透過數據分析圈出這部分服務不到位的人群，利用主動回訪來進行承接，可以避免用戶的流失。

針對主動服務類的場景：

當用戶在使用支付寶下的各類產品擁有不好體驗的時候，經常會在各類社交媒體上發聲，有時候還會導致輿情事件，針對這種情況，可以通過空閑的資源承接一些社交媒體的官方賬號的解答和回應工作。

當用戶通過支付寶錢包轉賬時轉錯款的時候，可以通過系統雙呼拉起客服和錯誤的收款人來進行溝通調解，並在溝通完成後再通過雙呼拉起客服人員和轉錯款的用戶來同步溝通結果。這個場景引入系統雙呼之前只能通過人肉手動操作的方式來處理，需要1天時間才能處理完，目前通過見縫插針的方式來解決，前後只需要1小時。目前已經使用同樣的方式完成了一系列類似的複雜場景的外呼工作。

後續規劃

目前螞蟻金服在智能調度領域已經做了一些探索，希望通過後續的持續投入，來創造一些新的服務模式，建設能提供7x24小時服務的智能調度機器人。

更多技術乾貨敬請關注云棲社區知乎機構號：阿里云云棲社區 - 知乎