擁抱AI：從 VOC 推薦到會話小結，看 AI 如何幫客服減負
1、前言
2、VOC推薦
2.1 VOC概念與業務痛點
2.2 迭代歷程：從靜態推薦到動態AI推薦
2.3 AI實現方式
2.4 效果量化
3、會話小結
3.1 場景與痛點
3.2 如何實現
3.3 業務數據效果及界面呈現
4、尾聲
1、前言
隨著轉轉業務高速的發展和承接品類的拓寬，客服每天承接的進線量也在不斷增加，那么在有限的人力資源下，如何讓客服能高效的完成接線及建單任務成為了重中之重。 而本期要講的就是讓AI協助我們在兩方面幫客服減負。
2、VOC推薦
2.1 VOC概念與業務痛點
- VOC定義
Voice of Customer（客戶之聲）：用戶進線會話中表達的訴求本質（如售后申請、產品咨詢、投訴等），需在創建工單時精準歸類。
業務價值：VOC數據是客戶需求分析、服務優化、產品改進的核心數據源。
操作流程：用戶進線后，客服進行接線，本次會話結束后客服根據用戶的進線訴求，選擇對應VOC創建工單。
- 業務痛點
數量多：2000+人工維護的VOC標簽池，客服需手動搜索，且客服人員流動性較大，新人客服無法精準搜索所需標簽
準確率低：相似標簽易混淆（如“開票問題”vs“發票寄送延遲”），且不同的客服對同一標簽的理解不同，無法完全保證客服按統一的標準選擇
效率低：單次選擇耗時14.5秒，日均萬次操作，造成人力浪費
2.2 迭代歷程：從靜態推薦到動態AI推薦
階段 | 推薦邏輯 | 缺陷 | 用戶側體驗 |
1.0 渠道TOP推薦 | 按進線渠道的歷史高頻VOC推薦 | 無視會話內容，推薦結果固定，可能不符合場景 | “推薦常錯，不如自己搜” |
2.0 AI動態推薦 | 實時解析會話意圖，返回Top5推薦 | VOC庫需定期更新，否則無法推薦出新建的VOC | “點一下就行，省時省力” |
關鍵轉折：
- 數據埋點：工單創建時采集“用戶對話+推薦的VOC+客服最終選擇的VOC+最終數據校準”，構建訓練樣本池
2.3 AI實現方式
- 設計架構
架構圖片
- 訓練與迭代
正例輸入：拿到客服最終選擇的VOC，再進行人工標注，結果作為標簽標準，即最終準確數據
持續優化：每輪新數據統計→模型重訓→再次取線上數據驗證→效果分析→上線迭代
模型選擇：此場景使用分類模型，分類模型更適合任務明確且簡單的場景。
它以監督學習為主，通過學習輸入數據與離散標簽的映射關系，完成分類或預測任務
即學習我們輸入的正例，將聊天記錄分類至正確的VOC標簽，來完成后續的VOC預測任務
2.4 效果量化
指標 | 優化前 | 優化后 | 提升幅度 |
單次VOC選擇耗時 | 14.5秒 | 9秒 | ↓ 37.93% |
模型推薦準確率 | 14% | 74% | ↑ 428% |
業務收益
- 年節省工時超10,000小時，人力投入轉向高價值服務
- VOC數據質量提升 → 驅動產品改進
未來規劃
- 短期：推薦準確率>90% → 從Top5推薦改為Top1直選
- 長期：實現VOC自動匹配填充，零手動操作
3、會話小結
3.1 場景與痛點
- 場景用戶進線，客服接線，查看歷史聊天記錄（之前用戶是否進線過本次為重復進線），再給予回答。會話結束后，客服需要創建工單，歸納用戶的主要訴求，歸納成格式化文本留檔在工單內。
- 痛點在這個過程中，有2個動作十分耗時
動作 | 痛點 | 改進點 | 效果 | |
1 | 用戶重復進線字段，客服需反復查看歷史進線記錄，分析之前的訴求 | 1. 耗時 | 利用AI，總結歷史會話的用戶訴求，呈現給客服簡練總結的文本 | 1. 快速了解之前的進線訴求，避免重復溝通， 2. 提升用戶體驗 |
2 | 客服需要自己組織語言，留檔在工單 | 1. 耗時 2. 客服總結質量參差不齊 | AI總結本次會話至工單指定字段，無需人工 | 1. 快速建單，無需手動總結，提高建單速度 |
3.2 如何實現
小結實現方式
- 不同的場景使用不同的prompt，通過不斷調整來實現客服的查看歷史記錄及總結的訴求
- 在選擇模型上，輸入真實數據來測試不同版本的大模型的輸出能力
- 輸出結果后進行多輪標注確認最終方案
3.3 業務數據效果及界面呈現
指標 | 改進前 | 改進后 | 提升幅度 |
建單所需時間 | 148s | 131s | ↓ 11% |
會話小結功能使用率 | / | / | 80% |
工單小結
會話小結
4、尾聲
為客服人員提供更加高效、“好用”的系統，是我們一直以來的目標，AI讓我們有了更多發展的方向，后續我們將繼續探索和挖掘，打造一個“智能”系統！
關于作者
趙語涵，轉轉履約中臺研發工程師，主要負責客服業務
