基于智能语音分析的客服智慧运营管理系统解决方案

黄翊

摘 要 随着移动互联网技术升级及业务模式创新，电信运营商逐渐进行互联网化改造，随着运营商互联网化的深入改革，同时对直接面对最终用户的窗口客户服务也提出了新挑战，无论从用户表达诉求的多样性；诉求信息的差异化；对服务要求的时效性、准确性还是对整体服务意识都有了更高的要求，客服管理如何跟上客户诉求发展步伐，提供更高质量的内部运营管理，满足服务质量提升。本解决方案针对如上客服业务发展面临问题与挑战基于智能语音分析技术，利用语音识别引擎，文本处理技术结合目前客服业务面临的痛点及诉求，提炼出基于智能语音分析的智慧客服运营管理业务应用，支撑内部运营管理的提质、提效，强化内部管理，服务管理由听到看，由随机到定位，由抽样到全量，同时聚焦客服服务，提供热点信息发现，问题根源分析，综合模型算法专题分析采样，做到满足客户心声，聚焦热点问题及诉求，规避投诉风险，更好地服务于客户，提升客服服务质量，提升企业核心竞争力。关键词 智能分析；语音检索；根源分析；客户心声；业务趋势；运营管理

中图分类号 G2 文献标识码 A 文章编号 1674-6708（2018）204-0121-03

1 概述

1.1 背景和意义

随着互联网化产品的推陈出新及业务发展，逐渐暴露出互联网化产品对客户服务系统的更高要求：各类互联网化产品具有形态创新、个性化强、产品小、迭代快的特点，其核心意义在于围绕用户的需求快速响应与改变。要求服务团队具备专业化服务与业务快速部署上线能力。与传统业务相比，互联网化产品用户的来电频次更高、时长更长，投诉量波动大，贬损提及率更高。

综上所述，传统的服务体系已经无法满足互联网化产品的服务要求。如何运用集合时下热门技术，结合通讯行业的服务创新理念，满足基于互联网化的客户服务与运营，实现专业化、大数据、智能化的管理体系支撑，为客户服务保驾护航，助力大IT新生态的战略转型。

1.2 现状分析

现阶段语音来话仍占据最主要的接触方式中，只有1%～3%的语音文件被用于人工质检，绝大部分隐藏在语音文件中的价值信息未被有效挖掘。运营商针对目前大量录音数据暂无系统化的分析、质检、运营解决方案。如何通过智能语音分析的技术应用，实现基于智能语音分析的客服智慧运营管理解决方案，从而有效提升智能化运营手段、强化内部管理、聚焦客户服务心声，提高客户服务满意度，有效降低客户投诉率。

现阶段客服管理面临如下的挑战：传统录音监听方式无法及时定位账期及各类热点问题，造成服务流程掣肘，反馈及应答延时；针对客服代表引起的服务问题，客户评价“不满意”或“未解决”质检的耗时繁杂，沟通中服务的量化与满意度修复；客服代表服务时沉默或等待时间过长无法有效统计分析，缺少对静音时长服务成本的量化认识和控制；客户投诉隐患预防工作无法做到前置和前知，导致投诉率长期居高，且针对突发事件容易造成群诉事故；以往新业务上线后，无法及时精准获取到用户的咨询热点及难点问题，造成受理通话时间长、难点问题回答不标准，服务满意度下降；针对客户心声，隐藏着大量的價值信息，如何收集、分析客户心声为深入剖析业务流程，系统及产品等存在的问题，协助决策领导针对性的问题解决。

2 智慧客服运营管理应用解决方案

方案采用基于智能语音分析技术，利用语音转写、转译平台进行结构化数据建立，提供智能语音处理的语音识别、语义理解、情绪分析等核心能力，在语音语义能力基础上，实现语音识别，意图识别等功能。

通过智能质检，录音自动抽取对全量的录音数据进行质量筛选，找到存在问题的语音，提供质检员新的质检测听方法，通过语音播放与文字对照，违规问题产生的时间点定位等手段提升质检效率。

及时感应热点，分析市场动态，有效辅助经营决策。

分析客户诉求，匹配新业务资讯，提升客户满意度，减少客户流失。

实现投诉隐患预防前置，根据风险模型关键词识别投诉风险，及时服务补救，将投诉、升级投诉风险控制在萌芽状态。

按照业务逻辑，本智慧客服运营管理解决方案分为语音识别引擎层、文本数据处理层、业务应用层三层逻辑结构，语音识别引擎从大数据平台获取基础数据后，通过语音识别、文本转译等技术将语音数据转换成文本数据供文本数据处理层封装处理，对外提供智能化语音分析能力业务应用。

2.1 智慧客服运营管理业务应用功能

2.1.1 语音检索

语音检索业务应用指在电信通话中检索特定词组，以达到分析、检测、预防等目的的场景。1）帮助运营人员根据规则快速找到所需要的录音及对应的文本；2）语音检索基于文本技术的语音搜索，针对海量的语音数据，能够通过自定义的词句，在语音信息中定位匹配的录音，并展现出相对应的结果录音。

2.1.2 业务趋势

业务趋势应用功能实现对整体业务发展、业务走向、问题原因等提供报表分析数据。1）有助于了解关键业务在所选时间段内的变化趋势，及时发现突变情况；2）可通过词频统计自动分析所选时间段内的录音中占比TOP100的关键词，了解该时间段内通话焦点。

2.1.3 热点发现

热点发现通过对用户与客服每天的交流内容进行汇总分析，得出每天各省用户反馈的热点、突发、异动事件，进而及时应对处理，判断规则：持续时间长、数量超过阀值（如：超过100次/日/省），范围支持全国、省份，频次支持日、周、月维度等。

2.1.4 语音质检模型

语音质检模型实现可配置化，质检人员通过在系统中自定义质检模型规则，包括关键词、静音长度、声道等信息进行组合形成质检规则，对全量的录音数据进行质量筛选，找到存在问题的语音，同时提供质检员新的质检测听方法，通过语音播放与文字对照，违规问题产生的时间点定位等手段提升质检效率。endprint

2.1.5 根源分析

根源分析采用聚类算法，自动规集业务问题原因，帮助管理者能在已知原因之外，进一步发现新的可能原因，进行针对性改进；对多条录音提到的关键字进行自动录音聚类，总结归纳出几类根本原因，并辅助展现每类的录音关键字，自动对该样本中的问题、客户关心的热点进行聚类，提供辅助分析。

2.1.6 客户心声

客户心声通过对交互语音分析的深入挖掘，统计客户对运营商的真实诉求和心声，找到运营商自身问题以及服务差异点，从而提供差异化的营销和精准服务。

构建以“客户”为中心的全面的、真实的客户感知收集与分析体系，充分挖掘客户服务交流中客户诉求信息，同业产品、信息数据，客户倾向、兴趣热点等数据，分析汇总后输出客户心声图谱，同时快速准确地定位影响用户感知的判断根源。

2.1.7 专题建模

业务应用提供专题分析功能，通过专题定义，人工设置地域、时间、维度并匹配相应关键词形成初始数据模型，并进行文本分析，形成该专题所分析维度的变化趋势及相应关联问题；此初始模型可根據多次文本分析结果进行二次修正与优化，并支持输出的分析报告形式、周期、图表格式自定义功能。

管理人员通过系统专题分析功能模块构建专题分析模型，对近期热点事件、营销活动、网络热词等热点专题进行自动或主动的追踪分析，自动识别热点专题可以从业务聚类、热度、传播趋势等维度进行分析。

2.2 智慧客服运营管理文本数据处理

2.2.1 文本基本处理

文本基本处理是指语音文件转译成原始文本文件后进行的基本处理操作，文本基本处理包含：信息抽取、分词、词性标注、命名实体识别、新词发现、汉语权重统计。

2.2.2 特征抽取

特征提取指对是一种使用数学和统计的方法对文本中的词语进行抽取，推断它们之间的语义关系，同时建立一个语义索引，并将文档组织成语义空间结构的方法。其出发点是文档的特征项与特征项之间存在着某种潜在的语义联系，消除词之间的相关性，简化文本向量的目的。特征抽取方法主要为特征析取，通过将出事文本特征空间的映射到一个低纬空间的方法来降纬，原始的多个变量取若干线性组合，从而尽可能多地保留原始变量中的细信息。

特征提取包含特征词及权重；关键词摘要；特定信息抽取。

2.2.3 关键词抽取

关键词抽取指从文本里面把跟文本意义最相关的一词抽取出来。通过关键词抽取能够反映出文本主题或者意思的词语。

关键词抽取采用有监督学习算法，抽取出所有的候选词，利用训练好的关键词抽取分类器，对各个候选词进行分类，最终将标签为关键词的候选词作为关键词。

2.2.4 文本分类

文本分类是按照一定的分类体系或标准进行自动分类标记，目标为让机器学会一个分类函数或分类模型，该模型能把文本映射到已存在的多个类别中的某一类，使检索或查询的速度更快，提高准确率。训练方法和分类算法是分类系统的核心部分。

2.2.5 句法分析

句法分析指对句子中的词语语法功能进行分析，句法分析主要应用于中文信息处理中，用来识别出高层次的结构单元来简化句子的描述。

2.2.6 情感分类

基于语义模型的情感分析后，综合主题、场景信息后对用户情感的分类处理。

2.3 智慧客服运营管理语音识别引擎

2.3.1 语音识别

语音识别指将分离后的语音通过声学模型转换为对应的汉语音标符号、音标信息，再通过大词汇网络的语言模型识别出其对应的文本内容。语音识别支持中文和英文混读的常见语句听写；支持中文标点智能预测；支持前端语音处理；支持后端识别处理。

2.3.2 情绪分析

情绪分析指通过对录音数据中坐席、用户不同角色的情绪特征提取，采用声纹特征技术实现对坐席和客户不同角色的情绪特征捕捉，结合音量、语速、通话内容以及情绪模型及情绪分析算法，实现对通话内容高区分度的情绪检测的需求，形成正常、异常两类情绪判断结果。

2.3.3 静音识别

静音识别利用语音识别引擎降噪、声纹等生物特征技术实现通话过程中静音及无效音的识别，通过引擎系统对平均通话时长进行细化识别统计。通过对录音中无效通话时长，有效平均通话时长进行统计，并区别坐席通话及客户通话统计无效时长、静音时长。

2.3.4 索引建立

语音信息在分析之前所有的数据都会保存在相关的索引文件中，由索引建立模块生成。

索引文件的内容一般包括：1）客服坐席人员和客户语音的文字转写结果；2）声道信息，如果是双声道语音，需要给出声道信息；3）语速检测：检测和分析出整个电话录音中平均语速以及某段录音中语速的变。

2.3.5 场景分割

场景分割指在处理录音过程中将对两方的通话内容进行分离，进而方便后期的数据分析应用，可以针对性的对客服人员服务质量进行监控，提升热线整体服务水平；从而对用户语音内容进行热点问题分析、主要意见、知识挖掘等应用。

2.3.6 全文转译

全文转译模块形成针对录音的非结构化的语音文件转换为结构化的结构化索引信息。利用客户服务领域的通用语言模型及声学模型，并根据分析应用要求，在特定场景下着重保证如低频服务忌语、新增业务等关键词的识别率，最终实现将所有录音进行全文转译，形成转译文件。

2.3.7 声学模型管理

声学模型管理需要涉及各地、各区域地方口音适配，从而优化声学模型使其能够广泛覆盖中国地方口音，声学模型管理包含：模型采集、模型引入、模型类型管理、模型批量管理、模型发布管理、模型回退管理。

3 成功案例

根据上述解决方案，有效的解决客服管理中质检管理、服务质量管理、投诉风险管理所面临的诸多问题，通过业务应用层的业务逻辑配置，针对不同省份业务情况与客诉诉求，依托智慧化运营管理能力，实现客服运营管理能力显著提升。

智能语音分析试点——湖南。2017年1月17日智能语音分析系统在湖南正式上线。从多个维度支撑客服系统内部运营管理，提质（投诉隐患预防前置，降低升级风险；帐期/热点业务跟踪，挖掘共性问题；客户满意度修复，聚焦感知提升）提效（长时间静音管控，夯实基础管理；新业务发布跟进，提升采编质量）聚焦客户服务感知，深入剖析业务流程、系统及产品等存在的问题，以“客户代言人”身份邀请本省对口部门倾听客户心声，输出价值信息，发挥10010热线生产经营“晴雨表”和“传感器”的作用。

参考文献

[1]中国科学院软件研究所.中文文本的主题识别技术[M].2007.

[2]俞菁菁.基于语义模型的情感语音识别技术研究[D].南京：东南大学，2008.

[3]冯晋，李春平.基于统计学和语义信息的中文文本主题识别技术[J].清华大学学报（自然科学版），2005，45（s1）：65-68.

[4]易中华，武全胜，陆登，等.一种客服语音智能搜索和分析系统及方法[P].CN103793515A.2014.endprint