客服中心非结构化价值信息提取与应用研究.docxVIP

客服中心非结构化价值信息提取与应用研究 　　摘要：客服中心依托电话、微信、在线客服等多渠道，积累了海量的客户意见、需求信息，对这些非结构化信息的有效整理与分析，将有助于企业更好经营管理、产品研发和客户维护。为深入挖掘客服中心信息价值，本文对客服中心如何利用信息发挥价值、促进转型提出思考和分析，对非结构化信息提取与应用开展设计。 　　关键词：客服中心;非结构化;信息提取 　　一、背景与意义 　　企业产生的数据按照存储形式可分为结构化数据和非结构化数据，随着越来越多客户通过移动社交渠道与企业发生联系，非结构化数据的数量日趋增大，增长速度远快于结构化数据，蕴藏着巨大的经济价值，越来越多的企业决策参考非结构化数据。据统计，58%的企业高管做商业决策时都依赖于非结构化数据分析。如何基于hadoop和文本数据挖掘技术收集、存储以及从中提取出有价值信息，帮助企业优化服务流程、降低成本、把握业务机会，已成很多客服中心转型发展中亟待解决的问题。 　　（一）业内外已对非结构化数据开展挖掘应用 　　非结构化数据挖掘应用主要应用于业务问题识别和客户识别。一是互联网企业凭借技术优势在问题识别与精准营销方面取得一定成效，通过识别和判断用户信息、历史交互信息，利用文本分析模型、预警模式等实现某业务热点问题分类，主动推送用户可能关注的问题。二是运营商和银行业也通过结构化与非结构化数据融合挖掘营销价值，通过获取客户购买产品信息及行为偏好，结合客户在社交网络上留言及对产品偏好进行分析，丰富客户画像，有针对性的开展营销。 　　（二）客服中心的非结构化信息价值挖掘有较大空间 　　客户行为方式变化及新技术应用促进非结构化信息价值挖掘应用。一是受传统分析技术限制，客户与客服中心交互的信息未得到有效利用。大量线上客服记录、投诉工单，客户意见及需求意向等交互信息，客户在不同渠道重复反映的问题以及在其他渠道表露的产品偏好无法有效识别，影响提升客户体验。二是随着非结构化数据读取和分析技术发展，很多企业开始注重挖掘客服中心录音信息，通过对非结构化信息进行转化，从中提取价值信息。 　　二、现状分析 　　（一）信息采集以传统的手工录入为主，缺少采集工具及自动化技术的支持 　　客服中心目前采集信息多通过坐席手工录入、归纳总结客户意见建议，但很难过滤海量低价值信息，急需实用高效的采集工具以及自助化采集技術的支持。 　　（二）非结构化信息来源众多，缺少互联互通 　　虽然客服中心提供电话、短信、微信、在线客服等多种服务方式，但很多与企业内部营销销售系统相互隔离，未发挥集聚效应。客户拨打电话咨询时，在其他渠道问过什么、买过什么、客户偏好信息等并未随客户咨询一起带入。 　　（三）信息流转受人的干预较多，时效性不足 　　客服中心作为密集接触客户的入口，收集到的咨询热点、体验痛点还主要依赖人的敏感性，受到人的干预和控制，信息提取应用的链条较长，信息流转时效性不高，由此制约了对进一步精准营销和客户维系。 　　三、非结构化信息提取与应用设计 　　（一）总体思路设计 　　第一，信息采集规范化、智能化，构建人机分工协作的采集体系。不同非结构化信息由于特征不同，采集的方式和流程不尽相同，应充分结合非结构化信息的特征采集与之相适应相匹配的采集方式，充分发挥人对信息敏感性、经验判断的优势作用，充分发挥机器对海量高效自动化、智能化的优势作用，由人负责采集信息内容抽象概括、业务规则复杂多变的“深层信息”，由机器负责采集业务规则可量化、可标准化的“浅层信息”，通过人与机器的分工协作，高效采集出有价值的关键信息，具体来看： 　　第二，全貌类问题信息。这类信息需要成千上万的数据聚集才能得出结论，传统的人工采集效率较为低下，必须借助系统智能化的方式实现。可针对座席在知识的操作、搜索记录等由系统自动采集，识别关联出客户咨询信息，并结合借助智能机器人的语音自动识别技术、文本自动识别技术自动采集语音、文本中的客户咨询信息，将这些采集信息聚集整合，得出客户咨询的全貌。 　　第三，客户体验痛点信息。此类信息在业务规则上存在多变性、不确定性，需要人的经验积累和敏感判断，人在采集中处于主体作用，应主动识别并通过标签方式标记出异常情况、影响客户体验的重点问题，由人工事先设置好采集规则，构建自动采集模型，由机器自动识别出重点问题。 　　第四，客户需求意向信息。这些信息对时效性要求较高，且存在客户的个性化，采集时往往不需要很详细，只需要记录关键信息，采集时需要座席的主动识别并通过标签方式记录客户关注或有购买意向的产品以及客户的偏好、要求，并直接对接到企业内部营销销售系统。