「证券客服中心」如何借助AI技术提升服务能力和效率

2023-09-19
演讲与活动

“

近日，以“共话质效，数智时代服务转型升级”为主题的客户观察·2023（第六届）证券行业服务创新论坛在北京成功举办。本届论坛，由中国信息协会客户联络中心分会指导，客户观察、循环智能主办，来自全国各地50多家券商头部企业代表及服务高管齐聚北京，共同启迪数字化转型提速提效，共赢创新化服务转型升级。

循环智能联合创始人、COO揭发在本次论坛做了主题为《AI助力证券客服中心能力升级及服务效率提升》的分享，介绍了循环智能在证券客服行业的最新实践和基于AI大模型的创新应用，引起了与会者的广泛关注和讨论。

本文根据现场演讲整理所得，扫描文末二维码可预约交流或产品演示。

”

客服行业的核心矛盾

循环智能（Recurrent AI）对于客服行业有这样的基本思考：无论是券商，还是银行、保险等其他行业，服务环节的主要供需矛盾在于，无限的、变化的、突然的客户需求与有限的、流动的、不均衡的客户服务资源之间的矛盾。

对于每个客户个体而言，当他（她）遇到问题的时候，都希望获得最高的标准、最好的服务，但企业的服务资源总是有限的，这就要求企业更高效地做全局的管理，让有限服务资源的客户价值可以最大化。

围绕这个核心矛盾，循环智能有三个主要的思考和三项对应的建议举措。

思考一：让问题的诊断/问题的解决能力不断前置。过去，客服中心和联络中心主要依靠人工从历史经验中不断去总结沉淀，再去优化流程，以提供更好的服务。所有的流程或策略优化的源头都是客户。现在可以充分利用企业与客户的所有真实互动数据，提前或更及时地知晓客户的问题和反馈是什么，前置去做客户的VOC分析，从而去优化服务流程。VOC的分析结果不仅可以用在客服部门，还可以帮助营销、产品等部门，基于最新的客户反馈及时更新业务策略和流程。

思考二：让客户问题和诉求得到及时的反馈和解决。在过去5到10年的时间里，AI对话机器人在券商行业得到了普及，与此同时客服人力的数量也同样在增长。我们判断未来几年AI仍然无法完全替代人工客服，而AI在辅助人，去提升人的效率方面的价值却容易被忽视。过去几年，循环智能基于AI语音和语义技术开发了面向一线人员的智能辅助系统，在证券等金融行业得到了广泛应用。

思考三：对合规的把控应贯穿始终。对于金融行业而言，合规是底线，任何的过度承诺、不充分的风险揭示都可能引发客户的投诉。在证券客服中心，也同样需要尽可能保障每一次沟通过程的合规，并且及时发现潜在风险。

一、客户VOC分析

客服行业依赖客户的评价（满意度）来追踪服务的质量，但普遍会遇到两个问题：第一，评价样本太少，能收到的客户反馈量低于10%甚至5%；第二，偏差比较大，只有非常满意或者非常不满意的客户才会评价，这些样本不能代表客户最真实和普遍的反馈。

循环智能借助语言大模型（LLM）的总结、分析和发现能力，打造了三项客户VOC应用，来破解这两个问题。

分析客户真实感受（系统自动评分）

对全量的客户服务过程去做真实客户满意度的评价。这种借助大模型进行系统自动评分的方法，结合了历史上的客户满意度数据与券商内部人工专家的经验实践，对模型进行优化训练，让模型尽可能准确地给出客户满意度的评价。

我们看一个例子。上图左侧是客户进线后的服务过程对话示例。借助循环智能的千循大模型，我们可以对客户在服务过程中，从开始接入到结束通话的情感变化做分析，得出整体的客户情感波动情况，最后给出一个综合的客户满意度客观评价。如果客户不满意，系统也可以解析出不满意的原因是什么。

问题自动归纳，根因分析

通过客服人员和客户的沟通过程分析，实现问题和解决程度的归类：总结客户真实的问题是什么，客服人员做了什么事情，问题的根因是什么，从而帮助企业更好地提升服务质量。

以客服领域的一个问题“三方存管变更”为例。千循大模型可以完整地从客户和服务人员双方的视角解析出：客户的关注点和诉求是什么；服务人员采取了什么措施；客户遇到问题的根因。

多维度客户发现

借助千循大模型的信息挖掘能力，企业可以从海量沟通数据中发现客户在不同维度的反馈。例如对券商的产品或服务有哪些反馈，对竞品有哪些评价和反馈。运营人员只需要选择不同的分析维度，就能让大模型自动去发现具体的客户反馈有哪些。

例如，想要了解客户最近对“账户操作”有哪些反馈，可以直接输入该问题，让千循大模型迅速提取沟通中与“账户操作”相关的内容，并且自动总结出常见的反馈话题类型（权限开通流程繁琐、风险评测更新路径不好找等）。

二、赋能一线

基于循环智能对技术和应用场景的判断，我们认为当前距离AI全面替代人类员工还有很长一段时间。当前阶段，通过AI技术为一线人员赋能，可以产生更大的业务价值。

具体来看，我们的做法包括策略上的辅助和产品知识等信息上的辅助。客户VOC分析的目的其实是帮企业产生策略或者说更新迭代策略——发现已知和未知的问题，优化服务流程，但这些策略需要得到一线人员更好的执行，才能产生好的业务结果。

从“人找信息”到“信息找人”

过去，客服人员服务客户的过程，就是理解客户的问题，然后从已有的经验或者知识库系统中查找信息的过程。也就是“人找信息”。在AI的帮助下，系统可以自动识别客户的意图，然后从知识库中调取相关的信息，自动弹出信息推荐给到服务人员。这个过程是“信息找人”。

同时，因为是实时的辅助，所以当客服人员遇到比较难处理的客户异议，也能获得最佳实践的处理建议。让他们从“手足无措”转变为“从容不迫”的状态。此外，通过实时质检功能，沟通中的业务风险可以第一时间发现和提醒客服人员，做到实时干预和补救，降低业务风险。

会话小结和工单流转

循环智能与多个客户共建了大模型的落地应用。其中在证券客服领域的一个落地场景是AI通话小结。工单是客服工作的标准工作流程，但是完全依靠人工去记录工单信息，往往会出现小结表述不够标准，工单信息不够完整，以及比较占用客服坐席服务时间的问题。

循环智能借助千循大模型平台，可以对每次沟通过程，不管是语音还是文本服务，都进行自动化的通话小结，然后结合客户的问题类型，实现工单的自动填写，大大减轻了坐席人员的工作负担。

助力知识库查询效率提升

从今年的年初开始，我们发现很多客户都关注一个大模型落地应用场景——企业的知识管理、知识库查询应用。在证券的客服中心以及内部协作中，知识的管理也是非常高频的场景。每家证券企业都会有多种类型的企业文档、知识库文档，分布也非常广，查找和总结相关知识的过程非常不便。

循环智能的千循大模型平台，可以支持企业接入各种类型的信息文档和知识库，只需要通过问答的形式，就可以实现企业知识的提取、总结和高效分析，让大模型基于接入的文档或知识库内容，从多个文档中查找相关信息，然后给出更加准确的答案。让企业知识管理、知识库查询更轻松。

三、合规质检

合规是所有金融领域企业始终要关注的问题，而且随着业务变得复杂多样，企业对合规质检的要求也越来越高。

循环智能提供多种模式的质检方案，支持上下文语义和正则/关键词质检，可以实现准确率和召回率更高的机器质检效果，助力人工复检的效率提升两倍以上。

这里有一个传统的基于关键词和正则表达式的质检模式与AI语义模式的对比示例。传统方案的原理是人工总结和罗列所有可能的说法。这种方法对员工的个人能力要求很高，需要专家非常理解业务场景，可以穷举尽可能多的表达方式。规则往往会变得越来越复杂，规则更新维护的成本越来越高。

循环智能的新一代AI建模质检是基于上下文进行训练，只需要标注一些真实样本数据（有了大模型之后，很多情况下只需要标注几十条数据就可以达到模型指标），就可以借助AI语义模型查找相应的违规信息，提升准确率和召回率。

综合来看，在证券行业的客服中心，循环智能的AI能力和“会话智能”解决方案，可以帮助企业更好地洞悉全量客户最真实的心声、提升一线客服人员的专业服务能力，同时保障业务的合规，降低投诉。

欢迎联系循环智能（Recurrent AI）交流探讨，共同解锁AI技术在证券领域的更多应用场景。

循环智能

AI赋能每一次沟通

循环智能（Recurrent AI）是一家会话智能和私域大模型产品及解决方案提供商，致力于让企业与客户的每一次沟通有更好的成效。循环智能借助领先的自然语言处理、语音识别、机器学习、AI大模型等核心技术开发了销售会话洞察、客户心声分析、智能辅助系统、智能合规质检和智能工牌等产品，在银行、保险、证券、汽车、零售、房产、教育、消费金融、B2B等行业得到广泛应用。循环智能的产品和解决方案致力于赋能一线业务人员、客户洞察、销售过程管理，帮助企业降本增效，获得新增长。

行业之选，有迹可循

■ 日均赋能近百万一线业务人员

■ 日均分析处理超1亿次对话

■ 积累了超过50TB行业文本数据