關於利用分類模型建立非實時渠道客户聲音服務響應閉環機制的建議

共享服務中心自2019年11月開始，協助流程與運營部實施NPS[1]“客户之聲”體驗問題分類模型（以下簡稱“模型”）建設工作，今年4月，聯手研發中心技術及數據大產品團隊、數據中心基礎平台團隊，完成了第二次模型迭代並優化了數據鏈路。在利用多個非實時渠道客户聲音對模型進行效果驗證時，發現模型具有“發現客户投訴隱患，將非實時響應轉化為實時響應；精準定位客户反饋痛點和熱點，將沉默信息轉化為有效改進點”的價值，可基於模型建立非實時渠道服務閉環響應機制。特此彙報：

一、模型特點介紹

（一）調整模型架構，提升同類場景泛化能力

前期模型在實際應用中存在客户反饋和採集場景非嚴格的一一對應[2]，以及新增場景[3]初期數據積累不足不能預測識別等問題。為了解決上述問題，此次模型打破迭代前模型和場景一一對應關係，針對NPS全場景客户反饋，對3大類情感8大類116小類業務方向進行分類（詳見表1），提升了模型的泛化能力，新建場景亦可利用模型識別出絕大多數問題，後續隨着數據積累逐漸提升預測精確度，做到快速察覺用户反饋變化與分類精準預測之間的平衡。在利用另外兩個非實時渠道文本數據（用户直通車、上行短信）進行驗證時，針對NPS中未涉及的問題（如申請延期繳費、申請延期還款等）會識別錯誤，且三渠道客户反饋場景和表述風格存在一定差異，指標存在明顯低於NPS的情況（詳見表2），但模型核心指標也達到基本可用水平。

表1：情感—業務分類表

表2：模型訓練結果指標表

（二）增加服務類別標籤，明確響應方向

客户反饋中，除了反映業務問題內容之外，客户的語氣語調用詞，同時反映了客户不同程度的服務響應期待（詳見表3）。為了能夠在資源有限的情況下，優先處理高價值、服務響應等級高的客户反饋，保證和客户的有效互動，提升客户體驗，此次模型迭代增加了服務分類，並將服務按響應等級分為高中低三級，為後續服務響應提供方向。

表3：服務分類表

（三）對接大數據平台，方便輸出調用

重構數據鏈條，在高斯公共層[5]構建面向應用的數據服務模型，將模型處理後的結構化數據迴流至高斯公共層，方便數據看板平台直觀展現或其它業務流程調用，提升數據查詢效率，實現數據複用，後續新增場景免去數據二次加工[6]。

二、非實時渠道客户聲音及服務響應現狀分析

非實時交互渠道的客户文字反饋，通常產生在公司向客户的單向通信但被客户反向利用（客户回覆公司的下行短信或郵件），或公司設計的線上信息採集渠道（如壽險直通車、和NPS留言），由於這些渠道信息發送者壓力相對較小，信息質量相對實時交互渠道有較大差距。用户反饋數據進行模型泛化性驗證、解讀時發現，非實時交互渠道中也摻雜着很多高價值的信息（如投訴意向和購買意向等）。

（一）非實時渠道客户反饋中，沉澱着大量業務問題和客户服務期待

NPS反饋客户通過問卷點選的方式表達了自己的態度，貶損客户和非貶損客户留言佔比分別為4.23%和0.23%，反應了貶損客户更強的表達願望。利用模型處理四類用户文字反饋發現（詳見表4），各渠道都包含大量用户對於產品和服務的問題抱怨反饋，也含有投訴、商機等需要重點響應的服務訴求，高服務機會的信息比例和剔除噪音後的信息長度成正比關係。

表4：2021年1季度三渠道文本結構表

（二）有關產品和服務的抱怨或完善建議，部分得到有效傳遞，需要關懷的客户部分獲得響應

針對非實時渠道客户留言關於產品或服務的意見建議，其中NPS客户點選和文字反饋，流程與運營部及我中心聯手，將業務問題製作數據看板和分析報告，通過看板和報告將有關信息傳遞至運營管理及產品開發團隊，推動體驗改善；壽險APP用户直通車客户反饋，目前作為產品優化方向對接工單流程，由產品團隊人工篩選出涉及APP平台問題（含交互/功能/性能不滿）工單，填寫處理意見辦結工單，將非平台問題工單轉發共享服務中心（運營板塊）工單處理人員，填寫處理意見辦結工單，流程鏈路較長且佔用大量人力，有關信息也未同步其他產品團隊。

針對非實時渠道中所承載的客户服務期待，流程與運營部自2021年7月對接第三方啟動NPS貶損客户回訪安撫工作，按日或周聯繫全量差評客户，通過聯繫，0.95%的客户反饋了具體的不滿，還發現了聯繫方式錯誤的問題，效率相對較低；浙江、深圳等少數分公司對上行短信做篩選、流轉處理，針對其中反饋錯發件、諮詢件、投訴件的，由省公司二線進行差異化響應，避免問題升級，提升信息質量，但是多數公司服務資源消耗較大；用户直通車有關信息當前並沒有向客户反饋公司的處理情況，後續計劃提供實時響應入口，對於仍選擇非實時通道的，對接客户之聲數據分析。

三、非實時渠道客户聲音服務響應閉環建設方案

非實時渠道客户反饋信息在完善產品和提升體驗方面都已進行了有益的嘗試，如果能夠和模型結合，將會發揮更大效果，建議如下：

（一）擴充用户直通車訓練數據，提升模型預測精準率

為更好處理壽險APP用户直通車意見反饋中非實時用户反饋數據，補充數據利用正則規則進行數據標註和人工複檢，重新訓練模型，提升模型在用户直通車渠道的預測準確度。後續結合需要補充其他渠道數據進行訓練。

（二）模型統一對接客户聲音生產端，人工切入回訪最需關懷客户

模型處理NPS客户留言和壽險APP客户直通留言反饋客户聲音，在進行服務和業務分類後，整合大數據中有關信息（客户信息/所屬機構/受理場景/最新保單等）對接後續處理流程：投訴類信息觸發投訴管理系統投訴處理流程，由省公司投訴處理人員進行處理；申請投保類信息作為銷售線索通過國壽e店智能行銷平台，推送至該客户的服務經理或最新長險保單銷售人員；其他高響應等級的客户反饋，由郵件方式提供對應職能部門；對於其他客户反饋不做回覆處理。

（三）定位和傳遞產品和服務重點問題，跟蹤評估效果和解決時效

針對客户反饋中關於產品和服務完善方面的信息，通過模型分類增加渠道、場景等屬性標籤，數據彙集至客户之聲數據看板，及時輸出給運營團隊和產品團隊；屬性標籤對接體驗管理流程，根據屬性標籤確定主責團隊，如人臉識別不好用/麻煩/耗時長等平台問題，交由平台團隊、借款到賬慢等業務問題，交由對口保全團隊；體驗管理團隊可以根據問題熱度和有效性確定問題追蹤清單，跟蹤問題解決時效，對比評估解決效果。

（四）人工處理同步修正模型分類結果，建立數據閉環

在投訴管理崗或其他人員在接收或處理有關客户反饋時，可以修正客户信息的分類結果，數據服務層採集人工處理環節對模型分類結果的修正意見，大數據平台根據採集的信息進行自動迭代，提升預測精準率。

[1]問卷滿意度調查，10分制，7-10分為非貶損，0-6分為貶損。

[2]之前年度的模型體系，模型和埋點場景是一一對應關係，比如借款問題分類模型僅能應用於借款場景。但是通過數據觀察發現，借款場景中，會出現有關萬能賬户提取、銀行轉賬授權等問題的反饋，關於壽險APP平台基礎能力問題的反饋會出現在各個場景中，場景和問題並不存在嚴格的對應關係。

[3]壽險APP渠道在5月份和6月份新增了4個和2個埋點問卷

[4]非權威劃分

[5]國產數據庫，擅長數據分析處理，億萬級別數據的即時查詢處理速度快。

[6]後續新增問卷調查場景的數據，不需要額外進行數據加工處理，源端採集完通過ODS到公共層，可以直接使用。