一、阿里云智能客服最新进展

1、发展轨迹及应用效果：智能客服作为生产力工具经历了从算法的具体效果到实战中降本增效的层面转换；2015-2016年左右，智能客服的特征主要体现在算法效果 ，在各个行业客户不断解决和验证的过程中，有的企业可以达到50%降本增效的效果，这也就意味着原来有1000位人团队负责的工作，现在500位就可以解决同样的问题，余下的坐席人员可以投入到营销、用户增长等层面上去；

阿里云智能客服近期在《IDC MarketScape：2021年全球通用对话式AI平台厂商评估》成为国内唯一入选的厂商。无论是在产品力、收入规模和长期发展策略上都赢得了国际化分析师的认可；

2、智能客服落地需要解决的难题：经过长时间的探索发展下来，除了面向经营者视角的提效降本已被广泛验证外；仍然有几个问题没有解决，比如：B端客户是一个经营链条，里面有客户、知识运营人员、销售/客户代表、坐席人员、管理者等不同角色；以下三个维度我们依然有很长的路要走；

• 面向客户视角的完美体验：客户是否拥有精准、快速解决问题的良好体验，在现阶段客服环境下，服务离不开人，服务过程中离不开坐席人员的参与；用户潜意识依然是转接人工跟进解决；是否有更好的解决方案促进人机结合，照顾用户的产品体验，使回答疑难问题越来越精准，沟通过程效率越来越高；

• 面向知识运营人员的低成本运营：过去主要依赖FAQ或者文档为主，现在融入了更多的知识结构，像知识图谱、TableQA，甚至图片知识；在这个过程中知识运营人员迎来非常大的挑战，2017年初智能客服业务刚落地，标注量十分庞大，虽然现在有一些下降，但还没有下降到让运营人员非常轻松的地步；

• 面向客户经理贴身助手：业务变化非常迅速，知识变化也随之飞快，坐席团队流失率居高不下，有些甚至达到100%以上，这也就意味着，坐席人员在服务过程中亟需强大有力的辅助工具来解决效率和学习的问题。

二、阿里云智能客服矩阵升级及优势

针对我们观察到的这些比较普遍存在现象，阿里云智能客服是如何逐步来解决的呢？

1、不懈追求客户视角的完美体验

• 惊艳的智能语音对话能力；面向C端场景时，如何持续提升服务体验？问答过程中的拟人度和对于复杂关键信息的收集，像人名、身份证号等；我们现在的语气承接的拟人度相比原来有了较大提升，同时在复杂关键实体信息的提取收集上可通过多轮对话完成，更贴近于实际的交互体验，尤其在长数字识别应用上，可用性非常高；

• 灵活多变的Chat UI：除一体化完整解决方案外，C端客服体验在智能客服领域关注度较少；面对头部客户时，就会出现一个问题，阿里云智能客服所有能力是组合在一起的，前端部分会邀请供应商共同参与；经过一年多的打磨，我们希望用户在C端体验是所见即所得，灵活可配置，并为客户与伙伴提供便捷、可运营的交互体验，快速满足客户差异化的产品需求；

• 数据驱动的人机融合： 坐席与被服务的C端对象如何形成一个更好的组合关系，更快度的解决问题，提升客户满意度。通过智能分配与实施推荐能力，在人机结合场景上，基于客户画像与历史行为表现，集合当前线路的忙闲、技能组等情况进行综合制定；我们可以很大程度上让客户的问题能匹配到当前最适合解决这个问题的坐席身上，缩短解决问题时间的同时，兼顾提升客户满意度，极大释放坐席人员效能。

2. 知识运营人员的提效利器「全链路运营工具」

• 任务式对话半自动化构建：基于人工会话日志自动化构建任务式对话流，包括意图、结构、流程；多轮对话场景下。作为企业内部的知识运营者，垂直业务可能只有几位坐席，在面临整体复杂度较高，包含数千个细分场景的业务时。一个人可能承担着好几个角色，多轮对话的知识树构建便成为有挑战的任务。利用先进的NLP技术挖掘企业之前的海量沟通记录、历史日志等数据源，自动生成业务大图；在此基础上，方便对业务种类、频度进行优化调整，方便业务快速上线；沟通过程中的情绪识别不久也将上线语音识别；

• 自动化知识挖掘：从会话日志、网页、文档挖掘FAQ，从非结构化文档中挖掘知识图谱三元组。面向同样文档、日志数据源的非多轮对话场景下，我们可以挖掘出FAQ、知识图谱等信息，知识运营人员只需快速复核即可入库，缓解业务冷启动时的知识匮乏；

• 智能荐句：基于荐句算法，自动化生成及推荐相似问。在创建一个新知识点时，需要很多关联的扩展问来提升准确率；在缺少数据参考的情况下，基于公开、可获取的数据集上结合客户企业内部所有可获取的数据，自动生成推荐扩展问，快速构建知识；

• 语音语义一体化融合标注：语音语义一体化线上标注系统，实时聚类语义标注，实时标注数据回流，模型训练一键拉取数据。标注作为相对标配的能力，后续进行训练、做小样本、小流量测试最后上线；将语音语义分开标注相结合，同时对两者进行标注，提升整体效率；也支持在原有标注工具的基础上进一步提升体验。

3. 知识运营人员的提效利器「白皮书方法论和课程」

阿里巴巴08-09年开始组建客服业务，2014年成立CCO，我们将一线落地的产品经理、人工智能训练师，客户代表们的积累经验进行沉淀和融合，不仅要解决智能客服遇到的问题，也要解决客户原有客服业务问题；经过多年探索努力，梳理打造出一套3-5天的课程体系；在工具之外帮助客户们进一步提升效能；提高运转与落地效率。

4、让客户经理信手拈来「智能辅助、对话洞察和分析」

知识运营人员在这个方法的指导和工具的帮助下，可以快速推进进程，长线来看，我们要解决客户的产品、服务和营销需求。面向于客户经理和一线坐席，我们现在能有哪些工具和产品可以帮助到大家？

• 自我进化的智能辅助：基于坐席采用反馈和服务效果反馈的自我进化的知识和SOP挖掘模型，降低坐席负荷同时提高了满意度和转化率。核心解决企业内部知识生产匮乏，减少人力沉淀知识比重；将问答知识、意图知识、SOP知识等通过技术进行提炼，结合人工参与到业务；使企业内部知识库实时更新、流动起来；

• 实时对话洞察和分析：基于舆情分析，通过双向分析客户和坐席情绪识别服务过程中的情绪异常情况，为管理和干预提供指导，识别VOC中的高频词汇及话题，快速了解客户的关注点。通话内容分析，借助NLP能力，分析海量来电的主要表达内容，深挖重复来电的具体内容和客诉类电话的主要原因。还可以做到话术执行监督，智能化判断对话场景，根据场景判断话术执行情况是否符合要求，形成分析总结，辅助坐席针对性改进提升。最后，它会根据客户统计数据挖掘，以在线、热线会话记录为数据源，分别生成客户统计数据，基于类别对客户进行智能营销；形成分析总结，辅助坐席针对性改进提升。并将会话内容生成客户统计数据反哺到其他业务系统，实现呼叫中心的数据资产增值。

三、技术产品创新与生态伙伴相互成就

除了上面介绍的产品维度外，技术维度上有很多大家在使用过程中无法感知的底层技术，占据达摩院智能客服投入的最大部分。我们各种引擎能力在全球都取得了非常好的效果，大幅降低人工标注成本；在WikiSQL、Spider、SParC、COSQL四大国际榜单长期排名第一，成绩斐然；

• 多引擎能力持续打破纪录：我们打造的大规模预训练对话模型，口语语言理解准确率提升5%。大幅降低30%人工标注成本，在QA对问答引擎方面，多模态FAQ问答首次超越人类基准80.83%，准确率达到了81.26%。下一步多模态VQA即基于图片的问答将继续整合融入。

• 挖掘私域客户的价值，向产品和运营要增长：将企业营销从经验驱动转变为数据驱动，过去只能靠人力沉淀数据，总结经验；现在我们的算法加上过往历史数据可以比人工经验洞察更多信息，为客户提供个性化推荐，匹配更优质的坐席进行服务；将来算法会伴随数据进行自主进化和学习，用数据迭代模型能力，服务满意度和营销转化率在原有基础上进一步提升；在零售场景比如店铺、商家、商品法人信息等。我们能提供支撑智能客服的一些能力，希望从服务向营销领域做的一些延伸。所以我们提出了服务式营销:用客户运营思维，构建”始于客户、终于客户”的营销闭环，帮助客户找到更合适解决问题的客户经理。

• 赋予品牌具化的拟人形象：交互技术在实时变化，像最近火热的Metaverse元宇宙概念；不可能所有直播都靠人力承载，这对很多商家来说不是最经济的方式，我们做了具有互动效果的交互形态，赋予品牌化的拟人形象，现阶段场景中，应用数字人技术可以很大程度上解决交互体验拉近距离的问题。

四、阿里云智能客服矩阵架构

如下图所示， 智能客服的产品能力架构底层是沟通通信能力，中间层是达摩院各个实验室的先进AI技术，往上是智能客服产品矩阵；我们拥有一个非常好的开放度，并已覆盖阿里云的所有行业；在对外落地过程中丰富的开放方式支持客户间业务相互打通。

之前取得的成绩都与生态伙伴息息相关。在过去的几年，有几十个伙伴与我们一起为客户提供服务。大家在各个行业耕耘多年，具体到行业中，具体到客户的细分场景里，像税务、法律、金融等业务；其中贡献最多、最重要能力有三个：交付能力；产品/方案能力；渠道销售能力。

我们把阿里云智能客服的产品、技术优势与合作伙伴的综合能力有效结合在一起，让服务创造出更多企业价值，实现商业增长。