如下圖《數字化客服設計》中指出,即使處理率達到100%,若解決率僅為50%,則用戶費力度反而增加。只有當解決率達到75%時,用戶的費力度和成本才得以降低,因此,提升智能客服機器人的解決率,是降低費力度、提升客戶體驗感的關鍵。
圖:不同智能解決率對費力度的貢獻
那么,如何提升智能客服機器人的解決率?
我們先來看看智能客服機器人在解決客戶問題時的主要流程:
可見機器人解決問題的流程要比人解決問題更加復雜。當用戶表達需求后,機器人首先是利用相關問題,給出推薦答案。但當用戶不選擇問題推薦,而是通過輸入問題獲取服務時,則會進入到機器人多輪交互。
以一個多輪會話為例,這個過程中機器人先要理解問題,比如用戶是需要追加備注、修改地址,或是申請退款等等,都需要機器人理解后再嘗試自助解決。
News
利用好問題推薦的關聯性,解決80%重復性問答
通過高效的算法和智能推薦系統,機器人能夠根據用戶的問題和訂單信息,智能推薦相關的實體問題。
以外賣行業為例,當用戶下單后,客服機器人會根據訂單信息識別出用戶購買的具體產品。進而利用常見問題的關聯性,自動推薦與該產品相關的常見問題和解決方案。
例如,當用戶下單了辦公桌,客服機器人會推薦關于辦公桌定制、尺寸詳情、預約安裝等常見問題的答案。
這種基于訂單內容的智能推薦,能夠層層遞進引導用戶自助解決,無需交互,即可解決高達80%的重復性問題。
News
從傳統到智能,大模型機器人問題理解更具優勢
傳統機器人在問題理解上存在一定的局限性。它們通常依賴于預設的規則和關鍵詞匹配,能夠處理的問題類型相對有限,且對復雜或模糊的查詢理解能力不足。此外,還需要人工定期更新知識庫。
相比之下,大模型智能客服機器人通過深度學習和自然語言處理技術(NLP),經過大量文本數據的訓練,直觀學習了語言的使用規則和常見表達方式,能更有效的理解語言的語法、語義和上下文。并結合知識圖譜,大模型機器人能夠關聯不同實體和概念問題,理解能力更精準。
以一個常見的催單場景為例:客戶:我的訂單到哪里了?再不到,我就要退單了。
大模型機器人則能更精準地理解客戶的真實意圖是“催單”,并給出更有針對性的回答:“您好,我們注意到您對訂單的急迫性。您的訂單已經到達XXX,預計3分鐘內送達。我們會盡快確保您收到商品?!?/span>
在這個示例中,大模型客服機器人不僅理解了客戶的緊迫感,還提供了具體的訂單狀態和預計送達時間,更有效地解決了客戶的問題。因此,大模型機器人在理解復雜問題時更具優勢。
News
賦能對話引擎更多權限,提高問題解決效率
對話引擎作為設計和構建機器人流程自動化解決方案的核心工具,其權限的高低直接影響到問題解決的效率。通過在可視化流程畫布上模擬業務流程,我們可以預見智能客服機器人執行任務的方式。當流程設計精細、貼近實際業務邏輯時,機器人在執行時的問題理解能力就越強。
機器人對話引擎的節點類型多樣,包括意圖判斷、對話節點、判斷節點、回復節點、收集節點和查詢節點等,這些基本節點的組合構建出了復雜的對話邏輯。并可靈活調用API業務接口,實現自動化流程中的信息調用和管理,從而自助解決問題。
可見對話引擎很好的將意圖理解、知識庫、交互過程中的任務調度很好的銜接結合起來,支持運營人員在平臺上利用這些元素,快速自由組合配置對話流。
業務系統可以通過系統公共API接入全局變量,并將這些變量運用到對話流配置中。同時也可以使用系統預置的條件參數,或對話中已收集到的信息來完善任務場景。所以當賦予對話引擎更多權限時,它在處理復雜問題時的能力也更強。
News
結合AI生成式應答,讓交流更具擬人化
AI大模型客服機器人的應答方式主要分為精準式應答和生成式應答兩種。精準式應答指AI機器人根據預設的規則、知識庫或特定算法輸出答案,會隨知識庫更新而相應更新,便于管理和維護。
而生成式應答是指AI機器人利用深度學習、自然語言生成等技術,結合上下文信息自主生成回答,具有高的創造性、靈活性。
假設一個客戶服務場景,當用戶遇到了一個關于產品使用的問題,并向客服機器人尋求幫助。
針對同一個用戶問題: “這個文檔我打印了好幾遍,都出不來,怎么辦?我急著需要?!?/span>
精準式應答匹配知識庫答案后直接輸出:
而同一個問題,生成式應答的方式則在理解用戶意圖后,結合知識庫,生成更擬人化的交流內容如下:
可見,作為非標準性的用戶問題,AI機器人可以結合知識庫自主生成符合邏輯的應答,察覺客戶情緒進行安撫,結合知識庫創造性地提供解決步驟。這不僅增加了交流的擬人化,同時也保障了回答的準確性。
以上就是提升智能客服機器人問題解決率的關鍵。但要真正將智能機器人的作用最大化,還需要持續、專業、科學地運營,實現機器人數據效果與業務效果的不斷優化。