導讀
随着網際網路人口紅利的逐漸消失，智能手機銷量的停滞不前，網民的增長也大幅趨緩，市場已非昔日盛況。但與此同時，過去這一年，使用者每日線上時長的增長卻已超過30%，甚至超出了網民的增速。隻有精耕細作來服務好使用者，深度挖掘現有使用者的價值，才是“下半場”的正确玩法。
好的服務是網際網路産品的根基和命脈。在人工智能浪潮下，已經可以在許多産品中看到智能機器人的影子，越來越多的公司開始嘗試通過這種全新的互動形式，來優化或者更新自己的産品，逐漸代替人工來解決使用者問題，進而降低服務成本。智能機器人的解決率随着專家經驗的積累而不斷提升，但長尾問題仍普遍存在，使用者對人工服務仍有依賴。如今服務已經進化成管道多樣、智能與人工相輔相成的複雜體系。
這套體系如何有效的運轉，如何快速而精準的滿足使用者的個性化訴求，排程能力成為了這背後的關鍵。智能排程，就是在探索如何結合人工服務與機器人服務來做全局排程，優化客服中心的人員使用率，同時提升使用者體驗。
智能排程的現狀
從服務的發展角度看，客服中心一共經曆了三個階段：第一階段主要以人工服務為主，領域更多屬于一個人力密集型行業，比較依賴人工通過電話、郵件、IM、論壇等溝通工具和管道來解決問題；第二階段，主要集中在以IT平台為主的自助服務，通過搜尋引擎建構知識庫讓使用者通過搜尋來解決問題；到了第三階段，則是提供以智能化為主的多管道結合的服務，包括文字機器人、語音機器人、熱線服務、線上服務、預約服務、自助服務，等等。
目前智能客服類産品可謂百花齊放，基本都是圍繞呼叫中心 + 智能機器人 + 線上人工對話的方式來建設，差異化不大。産品定位更多是幫助一家公司能夠快速建設服務能力，但是這麼做服務品質沒法保障，因為服務品質更多是由服務背後的排程能力和營運能力來決定的。現有的客服類産品都比較缺乏對服務的深度建設，是以市場上有很多做服務承接的外包類公司，但卻很少聽到使用者回報說某個服務産品背後的客戶服務做的不錯。目前已經有一些大型企業開始投入智能服務建設來替代人工服務訴求，降低成本和優化體驗，但很多中小型企業，即使使用了雲端智能客服類産品，卻仍然無法享受到技術變革帶來的紅利，主要的原因就在大型企業裡有智能化的營運排程類系統和服務營運人員。
痛點分析
螞蟻金服當下的業務構成比較複雜，既有基于交易訂單産生的支付訂單類業務，也有基礎賬戶和安全類業務，另外還包括金融領域的存投保消貸以及信用的相關業務。這對服務管控來說是一個很大的挑戰。
從使用者的角度來看，選擇合适的求助管道，得到滿意的服務，盡快解決問題是最直接的訴求；然而實際情況是，目前螞蟻雖然擁有多樣化的接入管道，但是使用者并不了解自己的問題最适合求助哪個管道，也不了解每個管道下的繁忙程度，很多時候，使用者在排隊等待的過程中或者是在某個管道下沒法找到解決的方案就放棄了。
從營運人員的角度來看，如果能有合适的工具能幫助自己随時了解到服務現場的承接情況，快速定位問題并即時做出響應，并能通過資料分析來對曆史服務結果進行複盤，進而優化營運政策，是最理想的狀态；然而實際情況是，由于業務複雜，很多營運人員的現場決策隻能解決服務現場局部承接的優化問題，而沒法解決全局的優化問題，同時由于缺乏相應的營運工具，不少營運人員隻能依靠經驗和人肉盯盤的方式來發現問題，從發現定位到排查解決問題的效率很低。另外由于很難預估服務量，是以很難做好提前排班，一旦流量發生異常，就有可能會導緻現場無法正常承接。
從服務人員的角度出發，由于同一通話務有多種承接的方式，是以如何整合機器人、自營客服人員、外包客服人員以及社會化客服人員，提升資源的利用效率，是一個比較難的領域問題。在保證使用者滿意度的前提下，如果機器能解決問題，卻使用人力去承接（即使是外包服務人員），這是一種資源浪費；而如果自營客服人員本身能承接的話務，卻因為和外包公司的商務合同沒有達成，隻能分流給外包客服人員來進行承接，這也是一種資源浪費。
客服領域排程探索
在客戶服務現場需要這樣一種能力，能夠在使用者訴求和承接資源之間建立一種動态管控的能力，一種能夠提供跨管道、跨人機、跨主被動的全局服務管控能力，我們将之稱為排程大腦。
排程大腦首先應該具備的能力是感覺能力，能夠盡快捕獲到現場出現的承接異常資訊，幫助營運人員在最短的時間内定位問題，進而解放他們的生産力，讓他們更多的關注如何優化整體的承接政策，更多的思考如何避免現場繁忙，而不是現場出現問題以後再考慮怎麼來彌補。
接下來應該具備輔助決策能力，這建立在對現場的全局洞察之上。能夠預測時段内的流量，能夠明确使用者求助更适合通過什麼管道來解決，能夠大緻判斷使用者接入管道後需要等待多長時間才能得到服務，能夠了解現場每位客服人員的工作狀态，并協助營運人員針對現場實時狀态做出合理判斷和最優選擇。
最後應該具備的是響應能力。對現場有了判斷以後，剩下的就是響應執行了，這屬于基礎能力。繁忙時需要限流和引流，或者增加承接能力；空閑的時候則需要導流，引入新的承接任務。
感覺
#異常識别
資料的實時監控，是感覺體系的基礎，它能夠透過資料看清現場，能夠沉澱可以量化的營運标準，并為後續決策體系的模組化提供基礎資料。透過資料分析和異常識别，能替代營運人員傳統的盯盤模式，自動識别現場發生的異常并同步給營運人員，幫助他們在第一時間了解到現場的準确狀況并采取相應的補救措施。
正常的異常可以使用通用的文本分析、類目分析來檢測；長尾的異常可以使用人工輔助營運、客服衆包等模式來檢測，對于周期性的異常則通過定期掃描來檢測，突發性的新型異常則采用詞頻分析來檢測。
#監控大屏
目前螞蟻金服客戶中心每天有着數百萬的機器人求助量以及幾十萬的話務求助量，現場同時運作着上千條的營運政策和多個排程模型，整體的管理成本非常高，基于這個背景螞蟻金服建設了整體服務鍊路的監控大屏。
大屏主要包括了對求助來源、整體服務鍊路、排程節點、現場定時掃描、服務風險檢測、輿情觀測、目前咨詢熱點以及現場人力資源管控等子產品，并提供了放大鏡功能，能夠針對核心排程節點的宏觀表象與微觀詳情進行透析。
#決策
決策主要分為三類：管道決策用來為使用者選擇最合适的服務承接管道；承接決策用來保持現場的穩定，讓流入的話務能夠被順利的接起，盡量避免呼損的情況發生；資源管理本質上是為了優化現場資源使用率，同時管理好現場龐大的人力資源。服務中心本身擁有很多負責承接話務的客服人員，除此以外還有現場管理人員和衆包客服人員，管理成本會比較高，如何發揮客服人員之間的協同效率，以及降低現場管理人員乃至全局的管理成本，是領域性質的難題。
目前業界主流的服務管道仍然是熱線服務、通過IM工具進行線上求助的線上服務，以及通過和對話機器人進行直接交流的自助服務。熱線服務中通過多輪按鍵互動和機器人多輪對話的方式來對使用者提出的問題做問題識别進而引導話務派單。線上服務裡也主要通過機器人多輪對話的方式來識别使用者問題并引導派單。機器人自助服務則是通過使用者問題比對最佳的知識點來推送給使用者。
螞蟻金服提供的則是一種跨管道的解決方案：當使用者到達場景入口以後，首先會根據使用者基礎資訊，嘗試在使用者當下選擇的管道裡解決使用者的問題，如果目前管道不足以解決，再依據承接管道的繁忙程度、使用者咨詢的問題所屬的類目、使用者所問問題在各承接管道下的解決率、使用者的曆史求助行為等特征綜合模組化，為使用者推薦當下最優的管道；并同時給出目前可選的管道，讓使用者自主選擇，使用者選擇了自己傾向的管道以後，系統會同時把使用者在前一個管道裡描述的問題透傳到新的管道，這樣使用者轉接到别的管道以後就不再需要重複描述問題，直接接受客服人員的服務。
例如在螞蟻金服的客服咨詢中，每天都有很多使用者來電詢問螞蟻森林的遊戲規則，現場決策就會對是否需要将使用者引流至機器人自助管道來解決進行評估；而賬戶被盜屬于高風險的問題，現場決策就會在最短的互動後外露熱線人工入口，引導使用者直接進入熱線人工服務。
業務繁忙時提前為每條業務線準備好候補客服隊伍，同一塊業務能由不同的團隊(包括同一個業務線裡的不同團隊和跨業務線的團隊)來承接。接下來會對候補客服的助接能力進行評估打分。當現場出現繁忙的時候，可以通過實時排程在保證候補團隊自身承接沒問題的前提下，将承接出現緊張狀況的團隊的話務流量按照助接能力得分的高低配置設定給當下最适合助接的候補客服來進行承接。
如果引入候補客服助接仍無法緩解現場繁忙的狀況，系統會提供預約回呼的服務，将無法承接的話務流量導流到能夠保證現場承接的同時還有多餘人力的時段來進行回呼。使用者接受預約後，在預約回訪時段，系統會通過系統雙呼自動拉起使用者與客服來進行回呼服務。
能夠開放的預約名額也是有限的，并不能保證開放預約回呼服務後就能承接溢出的流量。在開放預約以後仍無法緩解現場繁忙狀況時，系統會安排有承接能力的營運人員協助承接，同時把通過實時排程引入雲客服人員來協助承接做為兜底方案。
首先會結合曆史下一時段流量，以30分鐘為粒度預測下一時段的流量，并考量預測結果，如果判斷未來時段會出現繁忙，會先進行前置排程（比如收緊客服人員小休政策、将就餐時段适度推遲、動态調整線上客服的線上服務并發數等）。
考慮到客服人員每天的服務狀态可能出現異常，系統引入了健康度模型（主要參考整體服務流程、客服服務态度、現場行為【小休，遲到，早退，缺勤等】、客服産能以及智能質檢和使用者評價等相關特征）來對客服做綜合評估，如果存在不健康的狀态，那麼現場主管需要對其保持關注或做相關提醒。當現場出現繁忙時，針對熱線坐席控制小休，針對線上坐席，控制客服人員的線上服務并發數。首先評估好人力缺口，然後根據缺口值來判斷收緊多少位熱線客服的小休政策與延遲就餐，提高多少位線上客服的線上服務并發數；當現場回歸到空閑時，再放開管控政策，這樣就能最大程度的保障現場的承接，目前在螞蟻的業務場景下已經實作了60%左右比例的自動決策。
當現場做出決策以後，剩下的就是響應執行，這也屬于基礎能力。這裡介紹幾種引導流量的方法。整體拉起采用了系統雙呼的方案，首先将繁忙時段無法承接的話務通過預約的方式導流到流量波谷區，到了預約時間會通過系統自動拉起空閑客服和使用者來完成預約回訪功能。
當流量超過現場人力承接的峰值（波峰）時，系統通過引入了資源預估模型來實時評估産能不飽和的時段與空閑名額（波谷），并将其提供給預約準入模型。預約準入模型會根據使用者接受度來進行打分，并對得分高的使用者開放預約入口。使用者接受預約後，在預約回訪時段，系統會通過系統雙呼自動拉起使用者與客服來進行回呼服務。這樣做能有效降低呼損，穩定時段接通率。
資源預估模型模組化依賴了目前排班和曆史排班資料、目前流量和曆史流量資料、日期資料等特征。預約準入模型模組化則依賴了問題畫像、曆史求助軌迹、求助偏好等特征。
針對呼損類的場景：
在現場人力出現空閑的時候，即流量低谷期，可以把當天較早時候産生呼損的高價值使用者未接通的話務自動的配置設定給目前空閑的承接資源進行主動回訪。
當下機器人的服務能力還不足以解決所有的問題，當機器人服務不到位的時候，會直接面臨使用者流失的風險。這時候可以透過資料分析圈出這部分服務不到位的人群，利用主動回訪來進行承接，可以避免使用者的流失。
針對主動服務類的場景：
當使用者在使用支付寶下的各類産品擁有不好體驗的時候，經常會在各類社交媒體上發聲，有時候還會導緻輿情事件，針對這種情況，可以通過空閑的資源承接一些社交媒體的官方賬号的解答和回應工作。
當使用者通過支付寶錢包轉賬時轉錯款的時候，可以通過系統雙呼拉起客服和錯誤的收款人來進行溝通調解，并在溝通完成後再通過雙呼拉起客服人員和轉錯款的使用者來同步溝通結果。這個場景引入系統雙呼之前隻能通過人肉手動操作的方式來處理，需要1天時間才能處理完，目前通過見縫插針的方式來解決，前後隻需要1小時。目前已經使用同樣的方式完成了一系列類似的複雜場景的外呼工作。
後續規劃
目前螞蟻金服在智能排程領域已經做了一些探索，希望通過後續的持續投入，來創造一些新的服務模式，建設能提供7x24小時服務的智能排程機器人。