我是創始人李巖：很抱歉！給自己產品做個廣告，點擊進來看看。
近幾年，運營商領域的生產運營工作的內外部環境發生了深刻變革，加快向標準化、系統化、自動化、智能化的新模式轉型勢在必行。
運營商領域的工單處理是與客戶體驗息息相關的重要工作，要求處理人員具有豐富的運營商一線業務知識和很強的綜合分析能力，因而它是一項經驗密集型工作，適合進行智能化改造。本文結合達觀數據在運營商領域的智能工單處理的豐富實踐進行探討。
對于運營商客戶服務熱線的業務流程來說，一般包括故障報修、舉報、投訴、建議、咨詢、意見、表揚、查詢以及訂閱服務等多個業務環節，每個環節都會產生大量工單數據。具體說來，運營商的投訴受理流程為客服人員接到客戶投訴致電后，根據客戶描述生成投訴受理內容， 由客服人工判別投訴類型并進行投訴處理， 形成投訴處理意見。
客戶投訴管理作為運營商領域優質服務工作的重要一環
， 需要基于業務數據中臺（WEB端/APP）， 充分挖掘客戶投訴工單數據， 掌握客戶訴求， 不斷提升客戶滿意度。
然而，長久以來，上述過程大都是經由人工處理的，往往會存在如下問題：
知識密集型
工單處理與客戶體驗息息相關，對人員的專業素養要求極高，是一項知識密集型的工作。聯調的業務員大多學歷不高，理解系統及使用方式上，接收起來比較吃力，業務員很多，分散各地，全部培訓成本較高。
問題定位不夠準確
由于處理人員經驗不足，可能造成問題定位不準確，形成有偏差的解決方案。這不但無助于解決問題，還進一步降低了客戶體驗，增加了系統運行風險。
工單分類準確度低
目前工單分派是根據業務人員填寫的工單所屬系統進行自動分派，導致工單分類的準確度不高，經常出現工單分派錯誤的情況，影響了工單的順利流轉。
效率影響用戶體驗
工單處理效率低，用戶反映了問題后，因為業務處理流程和分析問題，導致不能盡早反饋用戶，影響用戶體驗。
無法快速匹配歷史工單
運營商領域的賬號注銷、網絡故障、話費充值等問題經常出現，類似的工單會反復出現，這在工單處理業務中很常見。經驗豐富的維修人員憑借豐富的經驗或知識總結，可以快速找到類似的歷史工單，并參照歷史最優處理方案進行處理，確保高質量、高效率處理。由于工作人員的流動性，新的工作人員可能在短時間內不具備這種能力，導致低效的重復勞動。
自動化程度低，維護成本高
隨著每日需處理的工單數量不斷上升，維護人員處理工單的難度也逐漸增加。
工單價值亟待挖掘
工單以非結構化文本數據形式存儲，嚴重制約歷史工單數據的價值挖掘。
鑒于上述情形，運營商亟待打造一個智能化的運營管理平臺，以促進集團各省分公司向智慧化運營邁進。在探索運營商智能運營解決方案的過程中，達觀數據的智能工單處理技術開拓了
工單檢索
、
知識推薦
、
工單派送
、
知識運營
等多個運營場景，有效的幫助運營商實現“降本增效”的業務目標。
1.智能工單處理嵌入業務流程
對工單內容引入語義分析能力，實現共性工單預警、自動派單，自動推薦解決方案，大幅縮短工單處理周期。
2.業務流程智能化改造
引入機器訓練模型，結合專家經驗，培養一體化運營管理平臺的自主學習能力，匹配自動化處理手段，構建一個“智能、敏捷、高效”的問題處理平臺。原有知識中心引入智能推薦系統進行知識匹配和推薦，提升知識使用效率，并通過在線學習管控，提升業務知識的傳遞，有效降低員工培訓成本，提升業務能力。
3.先進的AI技術賦能運營商智慧化運營
達觀數據智能工單處理技術利用前沿的深度語義分析技術進和知識圖譜技術對工單數據進行智能化處理和知識泛化，建立貼合業務的分類模型，提升工單分類和流轉效率，可實現系統自動分類與派單，并能基于歷史沉淀的語料庫構建智能語義知識庫，輔助一線坐席快速找到優秀的應答話術。
總體上講，智能工單處理技術/引擎可以為運營商運營部門帶來如下業務價值：
優勢1：知識圖譜與機器學習相結合提高短文本分析準確度
客服熱線中用戶的非正式的表達很多，比如“那個給我取消了我我沒訂那個”屬于指代不明的口語化說辭，且缺少有意義的特征；還有字少信息量大，比如“我問一下幺零零八五是什么平臺？;那為什么他給我打電話說？;贈送我流量了...”中提及的“幺零零八五（營銷服務熱線）”屬于運營商領域獨有的詞匯，需要結合運營商領域的業務知識來處理。
引進知識圖譜做長短文本處理分析（與復旦大學肖仰華教授合作技術）中，解決了文本稀疏性等難題。
優勢2：機器學習模型結合人工反饋機制驅動產品更智能
智能工單引擎中若干機器學習/深度學習模型，會隨著業務人員的使用和bad case反饋，會“學習”到更多的業務知識，變得越來越“聰明”，準確率、召回率和F1Score會逐步提高。
優勢3：人機協作大幅度提升業務分類體系構建的效率
在工單處理中，需要對工單所反映的問題進行自動化打標，這需要提前認為構建業務標簽體系。標簽體系的構建要符合“MECE（Mutually Exclusive CollectivelyExhaustive）”原則，即“相互獨立，完全窮盡”。然而，人工構建分類體系的成本很高，且需要業務經驗深厚的員工參與，一般人員難以在短時間內完成一個高質量的業務標簽體系的構建。
達觀數據通過先進的無監督語義算法，可輔助業務人員在短時間構建一個的科學化的業務標簽體系：
- 基于無監督語義聚類算法從大量無標注的業務語料中發現潛在的業務結構。
- 基于少許先驗知識（即有一定結構的種子詞匯）的主題模型可以提高主題劃分和主題詞拓展的質量。
除了運營商智慧化運營這個典型場景外，
其他文字密集型領域，如銀行、保險、電力、運營商等
，每年需要處理數以萬計的工單數據，也需要基于自然語義理解技術的智能工單處理引擎進行能力支撐。
目前，上述領域的工單處理系統僅在工單報送、審批、存檔等辦公事務性環節實現了自動化，在最主要的問題分析處理環節，還是主要依靠人工。上述領域的服務智能化已經是大勢所趨，這些領域的工單處理是與客戶體驗息息相關的重要工作，要求處理人員具有豐富的業務知識和很強的分析能力，是一項經驗密集型工作，適合進行智能化改造。
理解用戶話語意圖后，經提醒功能頁面，將回答建議提供給客服人員
識別和防范業務挖掘中潛在的、突發的風險，針對非結構化數據，通過簡單的關鍵詞匹配較難實現對高頻、高危問題的挖掘和監控，并對這個高頻、高危、突發事件進行及時的預警。
對客服違禁用于進行（實時）監控，更可以直觀展現坐席在服務過程中的表現，能及時發現問題并反饋給運營層。
話務、微信、APP等應用所產生的的文本數據涵蓋了許多客戶真實的需求和意圖信息，如客戶通話情緒、客戶通話意圖等重要的客戶服務信息，需要針對這些新技術可獲取的客戶服務信息進行分析展現，以便更真切、及時的感知到用戶的需求。
客服與用戶的交互過程中產生大量數據（語音轉文本、工單等），難以及時處理，并產生商業價值
為實現目標客戶的個性化營銷，提高營銷成功率，信用卡中心提出對營銷錄音轉譯后的文本數據和工單數據進行分析，實現對客戶行為及偏好分類，為坐席提供動態營銷指導，提升客戶體驗，優化已有非金融產品，引領客戶生命周期管理。
電話營銷主要依據規范話術和銷售人員自身的營銷經驗，雖話術標準，但缺少針對性，無法滿足客戶更多的業務需求，導致存在部分目標客戶流失的風險。
基層客服人員素質參差不齊，專業技能較差，缺乏服務意識的敏感性，為客戶提供的供電服務存在單一性、粗糙性和趨同性。
客戶的投訴是針對電力產品或服務中的某一個具體問題提出的，這就為供電服務中心提供了市場反饋的信息。如何有效的根據工單數據分析客戶投訴的心理需求與行為訴求，切實提高服務質量，是供電公司面臨的一項迫切任務。
雖然行業領域不同，但各行業面臨的場景訴求和以期得到業務價值相同。
達觀智能工單處理技術可以為上述場景提供量身定制的智能化工單處理解決方案。歡迎申請試用。
科技獵