機器之心原創
機器之心編輯部
智能客服市場有多大？有哪些優秀玩家？這些玩家提供了哪些解決方案？解決了什麼痛點？在這份報告中，我們進行了詳細解讀。
近年來，以神經網絡、深度學習為基礎的新一代自然語言處理技術推動了 AI 交互的突破式發展，以對話式 AI 技術為核心的新一 代智能客服逐步走向成熟。
全球知名市場調研機構 Prescient & Strategic Intelligence 指出，全球範圍內基於人工智慧技術的智能客服相關服務營收有望在 2024 年底突破 29 億美元，並可實現近 22.6% 的年複合增長率，以中國為主的亞太將成為智能客服營收增速最快的區域。
根據中投顧問數據，中國傳統客服全職坐席數在 230 萬左右，以年平均工資 6 萬計算，再加上基礎設施與硬交換設備費用，可以預測中國國內客服市場的規模約為 2000 億人民幣左右。假設智能客服將替代 40-50% 的人工坐席，並排除設施、設備以及預算等其他因素，智能客服市場將接近 250-400 億人民幣。當然，智能客服的出現也將促使因成本、技術等因素未能部署客服業務的企業步入市場，這種需求的激增也將在一定程度上擴張現有市場。保守估計智能客服的市場將會擴展近 20% 左右，有望達到 300-500 億人民幣。
這一預測一方面基於市場對於智能客服的強烈需求，另一方面也基於 NLP 等 AI 技術對智能客服發展的推動和支撐作用。在各種技術的加持下，如今的智能客服技術有著語義識別更準確、問法更靈活、對話更連貫、知識更全面以及學習更主動幾個先進特點。
在這篇文章中，我們將從傳統客服流程存在的痛點入手，分析當前智能客服在多個方向實現的改進和突破。此外，我們還總結了當前國內智能客服的主要玩家及其解決方案。
為什麼市場需要智能客服？
智能客服是為了克服傳統客服中心存在的痛點而出現的。下面兩幅圖展示了傳統客服中心的服務場景和營銷場景客服流程。服務場景的一般流程是在渠道用戶接入後，進行客戶資料檢索、工單生成、排隊處理、線路分配等多個環節，還要配套通話數據儲存、會話記錄監控、周期性報表製作以及系統數據監控等多項操作。營銷場景的流程一般都會從業務工單與需求出發建立呼出任務，並涵蓋批量外呼、客戶資料與銷售線索整理、知識庫建立、坐席轉接等多個環節。
這類客服中心的痛點主要集中在從業者團隊運營與管理、按量數據處理兩個方面。
從業者團隊方面，根據不完全統計，傳統客服的從業者對相關工作的不滿意程度高達 51%，不滿意原因集中於工作強度大（夜班、輪崗、加班等）、工作內容枯燥、重複性機械勞作（重複性問題多、耗費精力時間長）、心理壓力負面情緒積累（投訴、刁難等）等。企業團隊運營也備受煎熬，坐席離職率高、成本受限、質檢業績不合格、表單填寫粗略等都是顯而易見的問題。
另一方面，因為數據相關技術的不成熟，客戶交互數據價值挖掘問題也是傳統客服需解決的核心問題。根據調研結果，目前大多數傳統呼叫中心無法統計一天內用戶到底問了多少問題、問題佔比多少、哪些任務存在失調。
而這些痛點正是智能客服的機遇。
智能客服智能在哪兒？
智能客服在服務與營銷兩大傳統場景的優化主要集中於人機協同、機器人問答、人力服務以及數據與服務運營監管四大方向。
人機協同的優化聚焦於呼入的智能路徑規劃、工單填寫、客戶數據與知識庫查詢輔助、批量外呼建議以及語音文字自動錄入等多個維度。而機器人應答則在於語音接聽、文字回答、無縫轉接、批量處理等多個領域。人力服務方面主要是針對坐席排隊管理、預接入、轉接、網際網路通話的保障。最後的數據與資源統籌則是在全流程方面進行介入從而實現客戶服務質檢、實時監控、大數據分析等多項功能。
在深度學習算法廣泛應用之前，大多數智能客服使用「檢索 +NLP 技術處理」的技術方案。隨著人工智慧與深度學習技術的發展與突破，智能客服背後的技術棧不斷演進，能處理的問題數量越來越多，職能邊界也隨之拓寬。具體的技術演進階段大致如下：
第一階段：基於關鍵詞匹配的「檢索式機器人」；
第二階段：運用一定模板，支持多個詞匹配，並具有模糊查詢能力；
第三階段：在關鍵詞匹配的基礎上引入搜索技術，根據文本相關性進行排序；
第四階段：以神經網絡為基礎，用深度學習理解用戶意圖。
以騰訊雲小微為例，看對話式 AI 智能客服的特點
語義識別更準確
無論是自然語言處理還是語音技術，基於深度學習的機器模型均是目前最主流的技術實現方法。得益於優秀的準確度和可遷移性，以 Transformer 模型架構為基礎的類 BERT 大規模語料預訓練模型是目前業內的主要技術框架。騰訊雲小微基於 BERT 基線模型，利用自身數據和業務優勢，通過任務優化、模型優化、領域優化、模型融合等步驟，遷移訓練出符合自身特定需求的智能客服模型。
從語義識別和理解方面來看，騰訊雲小微基於此流程訓練出的 CXW-MRC 模型在 2019 年法研杯閱讀理解賽道上以 83.4 的 F1 值取得第一，超越 BERT 基線模型 6 個百分點。2020 年又更進一步，其基於 ALBERT 開發的預訓練語言模型在權威閱讀理解任務 benchmark 數據集 RACE 上取得了 91.4% (集成模型) 和 90.7% (單模型) 的高準確率，分列排行榜第一和第三名，整體表現均優於英偉達的 Megatron-BERT 和谷歌的 ALBERT，非常接近人類表現參照的準確率 (94.5%)。
RACE 閱讀理解任務最佳模型表現排行
問法更靈活
對於重複度較高的結構性問題，智能客服通常都可以輕鬆應對，而當用戶的提問方式或問句結構與主流常見問法存在較大偏差時，智能客服往往不容易精準理解問題的真正含義，從而影響用戶體驗。
騰訊雲小微首創的業界 LARQ 技術提供問法擴展能力，以適配多種問法，語義理解更加豐富全面，其客服準確率能夠達到 95% 左右。
騰訊雲小微新一代對話引擎情況技術簡介。
對話更連貫
在具體到對話系統技術任務方面，騰訊雲小微技術團隊在今年的第八屆國際對話系統技術挑戰賽 (DSTC-8) 上參與了三個 賽道的七項相關任務，包括多領域對話系統、端到端問答預測、對話狀態追蹤等，取得其中四項指標世界第一、兩項指標第二的優秀成績。
面向多領域端到端的對話系統主要研究如何將已有的對話生成模型快速遷移到一個數據量有限的新領域場景中，騰訊雲小微使用混合微調訓練技術取得了第一名。在端到端的問答預測問題上，涉及到 「多輪對話回複選擇問題」、「基於聊天室 (IRC) 的回覆選擇問題」以及 「定位多輪對話中的問題是否得到解決」 三個不同子任務，騰訊雲小微在 BERT 模型的基礎 上使用數據增強技術來解決特定領域的數據稀疏問題，同時利用遷移學習將 BERT 模型進一步適配到特定的任務領域中， 以句子級別的上下文建模方法來捕捉整個對話中各部分之間的細微聯繫，從而使得生成的回覆更加準確。
雲小微基於 Task specific post-training on BERT 模型架構。
基於此，騰訊雲小微在多輪人機對話和 IRC 聊天室對話任務中分別達到了 97.7% 和 95.7% 的高準確率，體現了其技術在行業中的領先水平。
知識更全面
知識庫是問答系統的基礎之一，越豐富的知識庫可以帶來更好的問答效果。半結構的「問題 - 答案」對結構化的知識圖譜， 以及無結構的知識文檔是最常見的三種問答依靠的主要知識類型，分別對應檢索式問答 (IRQA)、圖譜問答 (KBQA) 以及文檔問答 (DocQA) 三個具體的技術任務。
騰訊雲小微憑藉其自身全棧 AI 語音能力以及騰訊本身內外部豐富的內容和服務生態，積攢了諸多垂直行業（如教育、法務、金融、文旅、政務等）的知識、數據，以及完整的 AI 解決方案，並不斷滲透到諸如智慧機器人、車聯網等新型場景。在豐富知識庫的基礎上，騰訊雲小微通過對用戶意圖的高精度識別，針對不同場景切換使用不同類型的知識庫，從而達到更優秀準確的智能對話目標。
學習更主動
沒有任何一項技術是完美的，智能客服目前的主要技術解決方案是基於深度學習的預訓練語言模型框架 + 特定領域數據的模型微調 (finetune) 和遷移學習。基於對數據的邏輯分析，智能 agent 是具備一定程度的自我學習能力的。在智能客服 系統的使用過程中，人工運營、統計監控以及配置平臺缺一不可，它們共同組成了一個發現並解決問題的流程（參見下圖），從而推動模型自主學習，快速迭代優化，以適應數位化時代的商業發展需求。
雲小微發現問題 & 解決問題流程圖。
總之，騰訊雲小微具備以下技術優勢：
EEQA：雲小微首創 EEQA 能力，利用全自動化的端到端問答對生成算法，實現志秒級別從文檔 / 人工服務日誌中轉換和抽取到問答對數據。
在線機器人 AI 應答引擎：運用最新的 bert 框架的核心模型算法，強化專業知識領域的訓練，同時提供多種技術手段降低模型對訓練語料規模的依賴，能準確理解用戶問題，提髙智能客服的服務效率。
冷啟動知識庫擴容能力：在知識庫冷啟動階段，利用騰訊大數據和 AI 強大的算法能力，對知識庫進行相似問法快速擴充，幾分鐘完成知識庫數量的十倍增長。
自不滿意問題評價標註體系：用戶點評不滿意的回答系統會記錄在後臺，供客服進行標註調優，算法根據標註回答優化問答引擎，提升相似問題答案滿意度。
以騰訊雲小微為例，看對話式 AI 智能客服在多個場景中的應用
智能客服解決方案在在線教育、線上會議、智慧導覽等多種場景中得到應用。該報告選取了多個重點案例，例如雲小微助力騰訊企點打造線上大會智能客服。
2020 年騰訊全球數字生態大會於 9 月 9 日 - 11 日舉辦。大會圍繞「未來經濟，數字優先」的主題，邀請 400 + 行業專家，覆蓋 38 個大會專場，42 個展區。
但受疫情影響，該屆數字生態大會首次由傳統的線下模式改為在線上舉辦。在大會籌備階段，由於大會不曾設立長期的客服團隊和固定的客服人員，主辦方預見其有限的人工客服席位將無法支撐來自數百名參會者的諮詢需求。因此，主辦方需要架設一套線上客服機制，並採用智能客服機器人來負責參會者的引導與諮詢工作。然而，由於大會不曾為線上運營準備過專門的知識庫，同時大會舉辦周期僅有三天，導致客服機器人的部署與運營工作面臨極大的挑戰。
於是雲小微與騰訊企點合作打造了線上大會智能客服解決方案。方案以「騰訊企點客服」為運營平臺，採用「雲小微對話機器人」作為客服自動問答功能的核心，為參會者提供全面且智能的引導與諮詢服務。
其中，騰訊雲小微的對話機器人（Conversational Robot，ICR）是基於人工智慧技術、面向企業場景的 AI 服務。產品適用於客服、資訊、業務辦理等場景，旨在幫助企業快速構建滿足自身業務訴求的對話機器人，從而減少企業人力成本或解決服務不及時問題。
案例落地流程及使用技術
針對騰訊數字生態大會因首次在線上舉辦所面臨的知識庫無儲備、活動周期短等挑戰，雲小微以其對話機器人產品為核心，結合自身多項智能技術來實現客服系統的部署工作。
大會知識庫擴容：由於大會初次在線上舉辦，未曾設立線上客服系統的語料數據和知識庫。即便項目團隊臨時收集相關語料，其數據量仍然不足以支持機器人的訓練工作。為此，雲小微採用「冷啟動知識庫擴容能力」，結合騰訊在大數據和 AI 算法上的儲備，基於有限的標準問答語料迅速生成近似的問題，快速填充語料庫。相較於常規以人力來為問答信息擴充相似問題的模式，雲小微所採用的新型算法能夠數秒內自動完成 1 條問答對 1:10 或 1:15 的近似問題擴張，為短期完成部署並上線客服機器人的目標帶來可能。
模型訓練：雲小微對話機器人內置的「在線機器人 AI 應答引擎」運用最新的 BERT 框架所打造的核心模型算法，可強化機器人在圍繞大會相關專業知識領域的訓練，並通過多種技術手段降低模型對訓練語料規模的依賴。AI 應答引擎設有檢索型問答（IRQA）模塊，可結合擴容後的知識庫為機器人設置常用問答數據的檢索匹配功能，支持用戶解決普通查詢類需求。
短周期客服問答優化：雲小微使用了「自不滿意問題評價標註體系」來支持客服機器人上線後的優化工作。系統會自動將用戶點評不滿意的回答記錄在後臺，供人工客服進行標註調優。隨後由算法根據標註內容優化問答引擎，快速提升相似問題答案的滿意度。在此基礎上，經過標註的對話語料同樣會接受擴容，補充知識庫儲備。由此，即便大會周期只有 3 天，該方案依然能夠實現客服問答效果的提升。
應用效果
在騰訊企服和雲小微共同打造的客服解決方案上線後，其智能客服機器人在騰訊全球數字生態大會中實現了 3 日破萬諮詢量。機器人客服問題匹配準確率高達 91.5%，客服機器人滿意度 99.05%，機器人接待佔比高達 60%。
當然，除了騰訊雲小微之外，中國智能客服市場還湧現了很多其他類型的解決方案，我們在報告中對這些解決方案進行了分析。
市場主流七大類別智能客服解決方案分析
中國智能客服市場頭部廠商從宏觀層面可簡單分為四大類型。
一是網際網路巨頭扶持的智能客服廠商，如騰訊雲企點客服、網易七魚、阿里小蜜等，它們往往已在網際網路巨頭核心業務中落地應用，並在獲客方面具備明顯資源優勢。
二是雲通訊服務下的智能客服廠商，如環信與容聯七陌，它們基本是從傳統雲服務起家，開始準備進入語音智能客服機器人，或人工智慧交互機器人領域，並在雲端構建能力上有相對優勢。
三是傳統行業智能客服廠商，它們往往是硬交換時代的硬體或軟體供應商，近年來隨著網際網路與人工智慧技術的成熟，踏入智能客服市場，如快商通、小能科技都是該類型的公司，較其他類型公司，它們具備大量的傳統企業服務行業客戶資源。
四是新銳智能客服或機器人創業公司，如小 i 機器人、雲問等，它們以核心人機互動、自然語言處理等技術切入市場，所以技術領先性可能是它們的優勢所在。
無論是哪個種類的智能客服廠商，都需要面對客戶的個性化與多元化需求。縱觀市面上成熟的解決方案，報告整理了市場主流的七大類別智能客服解決方案。
上述市場主流解決方案的成功落地，讓智能客服成為企業在數據化運營層面能力提升的幕後推手。
除了以上內容之外，報告還介紹了智能客服的發展趨勢及價值體現等內容，歡迎閱讀報告完整版。
報告如何獲取？
PC訪問，體驗更佳