客服人说 | “三驱”蓄力：金融行业客服服务新业态“共融”之路

根据一组来自哈佛商业评论的数据显示，一个企业如果能够将客户流失率降低5%，相对应的利润就能增加25%～85%之间。而一个真正对企业的服务满意的客户，则可以为企业带来8笔转介绍生意。

与此相反的论证是，一个不满意的客户可能会影响25个人的购买意愿。可见，且不讨论数据来源的问题，可以大概率地确定，在现有的商业时代，服务的好坏早已成为一个企业获得客户青睐的重要因素。

从2022年开始，OpenAI发布ChatGPT，大模型凭借天然的语言理解和文本生成能力，迅速进入到各行各业。由此开始，客服行业的生态格局构建开始发生颠覆性的变化。

当拥有大模型加持的人工智能客服进行客服行业时，金融机构又应该如何构建一个完善的客服行业生态格局，过程中需要重视哪些关键要素，成为当前亟须解决的问题。

放眼金融行业在服务方向的长线发展，不难看出，决定其效率提升和效果增强的关键在于智能客服和人工客服的协作。

构建这样的客服行业新生态格局关键在于如何通过双效协同来达成人智合一的目标，而这其中包含自然语言理解（NLU）、自然语言生成（NLG）以及客户生命周期管理三个重要因素。

01

驱动客服“智动力”，强化自然语言理解

管理学中关于分工理论有很多论述，而亚当·斯密在《国富论》里就提出了一个重要的经济规律，那就是“经济发展在相当大的程度上决定于分工，分工越细，生产力发展的水平就越高。”在实际企业管理和运营中，当个体明确意识到自己可量化的工作明细的时候，工作满意度和绩效也会显著提高。正确分工有利于人工客服和智能客服的效率双增，但前提智能客服在信息转接过程中需要理解客户的自然语义。

（一)意图识别：靶向对标问题本质

人与人之间的沟通满意度，很大程度取决于是否具有同理心。根据客服工作的结果表明，能够理解和管理客户情绪的服务人员，相对应地客户满意度也会更高。

在这样的服务过程前期，智能客服系统可以通过NLU识别用户的意图，并将简单问题转交给自动化流程或提供即时答案。而当遇到需要更高层级的理解或者更复杂的情感支持时，智能客服能够将对话无缝转接给人工客服。

比如客户对一笔支出存在疑虑，智能客服首先可以把基础的消费支出信息精准反馈给客户，如果客户在这个时候提出进一步疑问，则可以转接给人工，提供更具有个性化和针对性的服务。

人工客服在这一过程中主要承担客户情绪安抚和重建信任的职能，快速地判别问题严重级数以及合理的处理方式，然后将问题转交给专门处理安全和欺诈案件的人工客服团队，确保问题得到专业且及时地处理。

（二）相互反哺：全面促进二元成长

智能客服有着强大的信息积存能力，在每次服务的交互过程中，它可以不断积累新的知识点，并与原有信息进行整合，形成不断健全和完善的新知识体系。

例如当多位在线客户遇到同类型问题时，在智能客服端就可以根据这类型问题总结出标准答案，然后根据客户反馈，不断优化更新，并实时将其作为标准答案提供给未来的咨询。

同理，在这一过程中，人工客服也可以在跟客户的沟通中，把自己获得的独到处理见解和对此类问题之所以出现的分析录入系统中，并反馈给智能客服系统。这样的“反哺”模式使得智能客服能够更好地理解特殊问题，也能够对未来出现的非典型问题提前做好准备。

02

健全客服“言值”：催生自然语言生成

当智能客服系统成为企业降本增效的重要手段时，我们的智能客服系统通过自然语言生成（NLG）技术实现与客户的交流。

在整个服务链路中，为了使客户在与智能客服互动的过程中，感受到更加贴近人性化的服务体验，识别用户意图成为前端至关重要的一环，而打磨具体的服务细节更成为重中之重。

（一）绘形图鉴：构建多元人物模型

用户的精准画像构建，是健全自然语言生成技术的第一步，基于客户过去的交互记录、客户反馈生成的智能偏好设置进一步结合人工反馈。智能客户可以集合多方信息构建详细的用户画像。

例如对于基金理财感兴趣的客户，智能客服可以在日常沟通中适时提供近期的基金品种。而对于经常跨境汇款的客户，智能客服可以在回答问题时提供相关货币汇率信息或建议最佳汇款时间点。让客户通过这样的细节感受智能客服的“去智能化”，更多地体会到人机结合的温度服务。

（二）言之有理：完善多维语言体系

每个人都有自己的语言体系，而传统的人工智能难以匹配千人千言。在服务链路中，基于用户画像得出一套多样的语言风格模型也非常重要。利用机器学习算法，智能客服能够分析每次对话的情感倾向，并据此调整回复语气和措辞。

比如面对日常对话更活泼的用户，智能客户可以采取轻松愉悦的方式进行对话，甚至可以尝试调侃的语气，让业务沟通更具有生活感。而对于喜欢短频快沟通，讲究高效的专业人士，则使用简洁明了的表达方式。

（三）情绪导航：精准判别情绪与语境

在中文沟通里，语境一直是一个无法绕开的重点。离开语境去谈语意，是不明智的。因此，在智能客户从海量信息中提取答案时，需要结合上下文来决定回应的方向和方式。

如果客户已经提出之前的问题尚未解决，那么智能客服需要主动提及未解决的讨论问题，而不能不回应。互动过程中的连贯性和记忆能力，能够增加客服对智能客服的信任感。

（四)人工及时雨：适时干预与有效优化

尽管现在智能客服已经尽量做到人性化，但在一些特殊情况下仍需人工客服介入。在这一过程中，无缝转接、有效整合之前的沟通重点信息，能够大力提高服务效率。

以此确保转接后的人工沟通不出现断层情况，并在此基础上深入问题本质，表达同情、理解以及额外的帮助。建立严格、精准、高效的反馈机制是当前人工有效干预能达成优化的重要前提。

（五)沟通桥梁：多元长效的反馈机制

客户的反馈很多时候不单单来自与客服的沟通中。在金融行业中，还可以通过线下搜集、年终答谢会访谈、问卷调查、电话回访、社交媒体评论等多渠道收集客户对智能客服服务的真实感受。

这些反馈无论是正面的还是负面的，都包含着大量可搜集和分析的信息，客服人员在搜集整理这些信息的同时，也可以以此结合自己的日常服务，做出总结与复盘，通过人工客服的有效应对，弥补智能客服在现阶段的服务缺漏。

（六）八维分析：精细化情绪分类

在罗伯特·普鲁契克（Robert Plutchik）的理论中，他把人的基本情绪分为8种，分别是快乐、信任、恐惧、惊讶、悲伤、厌恶、愤怒和期待。因此在互动过程中，有效识别客户反馈的情感色彩，是一件需要持续优化的事。这样的识别，不能单单停留在正面、中立或负面的三个维度，而要逐步做到精细化。

只有精准识别，才能相对应地给出客户期待的以及更实用的答案。在客服团队中，需要建立专门的质量保证小组，通过定期审查智能客服的回答逻辑和措辞，寻找可能存在的缺陷和优化的方法。

（七）伙伴机制：定期培训与模拟测试

人与人的协同需要定期进行情感维系和训练，同理，为保持智能客服与人工客服之间的协同效应，金融企业也需要定期组织此类联合培训课程，让人工客服和智能客服达成伙伴关系，两者相互学习对方的优势。

学习过程中添加阶段性的模拟测试环节，模拟真实的服务场景和配合环节，跟踪智能客服的各项性能指标，如它的响应时间、准确率、满意度评分，并以此评估人、智配合度和默契度，从而快速提升智能客服在语言表达和协同上的能力。

03

维系客户“优生态”，持续观测生命周期

构建客服服务新生态格局除了关注人机协同，也要关注作为第三方的客户生命周期。而客户关系生命周期理论主要包含四个阶段，分别是考察期、形成期、稳定期和退化期。

在考察期间，我们需要利用智能客服系统收集的数据作为分析和洞察的基础材料，帮助制定精准的服务流程和改进措施。人工智能通过这些有效分析，可以进一步跟进，以此达成业务成交以及巩固客户关系。

而在形成期，人工客服则需要和智能客服达成高效协作，通过文本分析、语义查询、情绪辨别等帮助客户解决问题，以此带来更多业务机会。进入稳定期，智能客服需要发挥定期进行回访、信息推送，发挥企业关怀等作用，以信息、语音等方式加深客户与企业的黏性。

随着技术的进步，大模型的开放让智能客服的功能不断完善，但这并不意味着人工客服就要退出服务舞台或者消减其职能。

于金融行业而言，一个完善的客服行业生态格局，既要满足客户需求，有利于企业的长效发展，同时也要满足企业中客服人员个体的自我成长。

三驱蓄力势必带来多维增长，新的机遇已经到来，客服行业的新生态格局也将继续在迭代中焕发新生力量。