银行需要搭建智能客服模块的中台能力，驱动全场景智能客服务升级-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

分析师：虽然客户服务已有近20年的历史，但与手工客户服务相比，客户体验仍然很差。当银行应用智能客户服务系统时，存在二次开发成本高.制造商的解决方案不能很好地适应银行场景等问题。银行需要开发与智能客户服务相关的可跨部门重用的中端能力。

事件背景

随着人工智能技术的发展，智能客户服务在各个行业的应用迅速增加。

尽管客户服务已有近20年的历史，但与手工客户服务相比，客户体验仍然很差。当银行应用智能客户服务系统时，存在二次开发成本高.制造商的解决方案不能很好地适应银行场景等问题。

银行智能客户服务场景相对分散，整体场景尚未智能升级

易观认为，银行客户服务建设包括四个发展阶段：企业自建呼叫中心.托管呼叫中心.多渠道云客户服务和全场景智能客户服务。

根据上述发展阶段划分和银行业客户服务的现状，银行目前正处于从多渠道云客户服务到全场景智能客户服务的发展阶段。重视客户服务系统的智能升级，但存在技术欠债等历史遗留问题，场景相对分散，全场景智能尚未实现。

具体分析如下：

首先，在银行业，由于各业务部门的业务内容.相关数据系统和客户服务渠道存在巨大差异，各业务部门有权独立购买智能客户服务产品。智能客服厂商根据银行部门提供定制解决方案，使不同部门的客服系统相互独立，形成数据孤岛。

第二，在数据孤岛的背景下，银行业很难通过客户服务数据，为深入学习提供足够的材料。即使是大型银行，在一些客户服务量较低的渠道中，例如小型项目.NPS评估或某些特定营销渠道，每月的服务量也只有几百到几千。深度学习无法实现基于这种数量级数据的有效培训，从而为成千上万的人形成个姓化服务。

第三，全场景智能客服需要多技术栈集成，并拥有坚实的客服知识库系统。这方面也有不足之处。智能客户服务不仅仅是一个语音机器人，它可以回答客户问题并提供自助服务。广义上，智能客服还包括代理服务.运营管理.代理管理等，如下表所示：

多样化的应用场景和能力支持导致需要在智能客户服务的构建中集成大量的产品.技术和解决方案。这不仅包括音频和视频对话.自然语言处理.深度学习.知识库等相关能力，还包括代理管理.客户服务和运营(如BI.OA)以及合作办公系统建设的能力。

此外，语音和语义识别的准确率仅为70-90%。方言适应只支持几十个地区。现有银行用户行为的数据量和分类维度不满足深度学习的要求，知识库也不满足当前客户的个姓化需求。这导致智能客户服务无法理解对话内容，并且在多轮和高度复杂的客户服务交互中缺乏适当的知识库答案。

分析表明：

易观认为，银行需要在企业级架构的基础上形成智能客户服务模块的中间平台能力，并统一规划.开发和应用可重用的技术能力。

格式