随着接触客服行业的深入，有了一些自己的总结和看法，根据客服接待用户的三个环节，分三篇来写，今天先来讲讲客服行业中的质检是啥，以及AI是如何赋能客服行业，和AI赋能后可能对质检工作产生的影响。
一、质检是什么
开篇先明义，质检是个啥？
在我没接触客服行业之前，对这个岗位也是完全的陌生，因为这个岗位并不直接面对C端用户，而是面对客服。
所谓质检，即质量检查。
客服质检，即负责对客服人员与用户的会话（语音或文字）进行质量检查。
质检员会检查会话过程中客服是否按照客服规范，标准话术及标准应答流程来回答用户，以此来发现客服存在的问题，进而提高客服服务质量，最终实现提高客户满意度。
二、现阶段质检存在的问题
一般客服行业的人员配比中，100个客服对应10个左右的质检人员，如果一个客服每天产生的会话量（以文本为例）在200个左右，100个客服一天产生的会话量就高达20000个，让10个质检人员去查看20000个会话显然的不可能的。
所以，质检的检查的方式是「纯人工抽检」，抽检的比例是多少呢？
按行业数据，一般只有2%-3%，就是一个客服100个会话中，抽查2-3个会话，但这还是理想的情况，一旦遇到公司不重视质检工作，或者野蛮生长不规范，抽检率不到0.5%的也大有人在。
人工+抽检+不重视/不规范，导致现有的质检工作存在了如下问题
1. 无法全面覆盖，抽检类似大海捞针，效率低下
2%-3%的抽检比例，抽到有问题的客服和用户的会话，好比买彩票一样要撞大彩
有可能抽到100个的会话中，90个都是没有问题的，但是这90个是没法跳过的，必须完整看完才知道，哦，这些没有问题，整体的效率不高。
2. 无法做到100%的客观性，人的情感因素影响较大
由于质检是质检人员按质检规则逐项给分（例如分别按「服务态度」，「业务熟练度」，「沟通能力」等打分），但质检规则很多是一个笼统概括的规则（例如「涉及业务内容不能出现严谨性差错」），这就导致同一个会话，不同的质检员打出的分可能不同，人的主观判断在其中影响较大。
此外，由于质检人员是给客服打分，打分结果对客服的绩效有影响，这就把质检人员和客服推到了相互的对立面，质检人员也可能因为感情因素出现不敢打低分，睁一只眼闭一只眼的情况。
3. 质检人员不断的重复性做一件事情，机械且累
客服质检大部分时间的工作花在的听上百个录音，看客服和用户的对话日志，一来的工作量巨大，二来这样的工作机械枯燥且乏味，找客服的用户大多数都是带着问题来的，情绪并不友好，每天浏览大量这样充满言语暴力的会话，身心疲惫。
所以质检虽然作为监督客服的重要一环，但这样的工作本身并没有让质检人员有多少的成就感。
4. 时效性较差，只能等到问题发生后，通过抽检才能发现问题
如果把客服和用户的对话看做是一个工厂生产手机的过程，那么生产手机时，可能需要进行
· 芯片质量质检（瞎猜的）
· 手机外壳检测（有没刮花）
· 手机整体包装检测（假设是包装好后出厂前最后一道检测）
现在的客服质检质检，好比是在手机整体包装好了之后，再拆开来，逐一做「芯片质量质检」、「手机外壳检测」、「手机整体包装检测」，没法在芯片组装前就进行抽检，也没法在手机组装好后对手机外壳进行抽检，时效性较差。
三、质检的价值是什么？
说完了质检是什么及质检现存的问题后，我们先不急着讲AI如何赋能质检，先聊聊质检的价值，这对于了解后续思考AI能给质检带来的改变是非常必要的。
那，质检的价值是什么？
再读一遍定义
客服质检，即负责对客服人员与用户的会话（语音或文字）进行质量检查，以此来发现客服存在的问题，进而提高客服服务质量，最终实现提高客户满意度。
现在让我们回归初心，用5W来想想，为什么需要质检
1. 为什么需要质检？
因为需要对客服的进行质量检查。
2. 那为什么需要对客服进行质量检测？
因为如果没有质量检测，无法保证客服的服务质量。客服可能会出现服务态度不佳，或没有按照流程处理问题，最终导致没有正确的处理或解决客户遇到的问题，给企业造成损失。
3. 那为什么需要客服帮助客户处理或解决遇到的问题？
因为客户会使用产品或服务过程中遇到无法自己解决的问题
4. 那为什么客户会在使用产品或服务过程中遇到无法自己解决的问题？
因为产品和服务存在功能缺乏，或存在bug，或指导不明等问题
5. 那为什么产品和服务会存在功能缺乏，或存在bug，或指导不明等问题？
这个问题回答起来就很困难了，可能是产品设计的问题，可能是团队分工的问题，可能是企业战略的问题，需要具体问题具体分析。
不知道各位是如何理解质检工作的，但在我看来，质检工作背后产生的价值是值得挖掘的，质检不仅仅是对客服的工作进行监督，拔高一层看，是质检背后看到无数客服与用户的会话，这些会话过程中用户反馈的无数问题，可能就是企业运作过程中存在的大大小小的问题。
所以我想质检的价值，可以从三方面来看待。
1. 客服层面上
1）对客服进行质量检查和绩效考核，帮助客服提升服务质量，最终提高客服满意度；
2）通过质检累积优质的客服和对话的案例，不断沉淀，作为日后客服培训的重要材料。
2. 业务层面上
1）发现问题推动解决问题
通过质检工作，对客户反馈给客服的问题进行汇总，了解哪类问题是当前的热门问题，推动业务部门尽快解决问题。
2）辅助业务部门发现需求
客户不仅会反馈问题，还会反馈述求，这样的诉求也许就是业务部门新需求的来源，通过对述求的收集和整理，及时同步给业务部门，能帮助业务部门在打市场时弹药更加的充足。
3. 公司层面上
1）帮助规避风险
客服是直接接收用户问题反馈的一个重要渠道，通过这个渠道能了解企业遇到的问题，避免可能出现的公关危机，然而这个渠道传递信息的效率却很低。
我自己在上家公司亲身经历过一件事，不断有用户反馈家庭成员限制的数量太少远不够用，但是限制是由于某政府部门的人口头要求的，一直没有修改。
理论上这样的用户声音通过客服收集后，是需要通过这样的链条反馈的
客服-运营-产品-商务-中层决策-高层决策
客服反馈给运营，运营认为是产品功能不对，反馈给产品，产品了解后知道是此前有人要求限制，于是让商务沟通，商务觉得这事自己也没法做主，再向上传递到中层决策，中层决策可能也觉得也没法拍板，再上升到高层决策。
但是就是因为链条太长太长了，信息在传递的过程中，声音不断的衰减，不断的遇到阻力，最终这样的问题根本就到不了高层决策那。
高层却毫不知情，中层可能也觉得问题不严重，但是事实用户是一片怨声载道。
最终，人数限制还是通过高层直接拍板改了，但是方式却是通过
高层朋友反馈-高层决策
嗯，有意思吧，企业内部的反馈机制链条太长，问题可能很严重，但声音传递不到高层，反而是高层的朋友，通过企业外部的方式将声音传递给了高层。
这样的事情相信在企业中经常发生，严重的问题在向上反馈过程中层层衰减，可能在用户那是一个核爆炸的事件，到了高层那，连水花都没溅起一滴，企业面临巨大风险而高层却毫不知情。
那质检能做的不也是通过这样的链条进行反馈吗？
其实不然，如果通过质检已经收集分类好了用户问题，通过搭建BI，自下而上的对数据进行聚集，直接将前线的问题以数据的形式反馈给高层，让高层能清晰的了解目前企业出现的各种问题，实际能帮助企业规避风险
最终的链条就变成了
客服-质检工作（BI）-高层
让高层也能尽量的听听前线炮火的声音
但现有的质检工作，由于上述所说的「不全面，效率低下」等问题，仅仅停留在了客服层面，在业务部门和公司层面的影响几乎没有。
四、AI如何赋能质检
现有的AI的ASR（自动语音识别技术），NLP（自然语言处理）能力是直接能给质检工作带来改变的，具体如下
1. 质检量级的改变——由抽检改为全量检查（全检）
通过NLP能力，将质检规划进行量化，例如质检规则中要求客服不能出现违禁词，例如「CNM」，「去你的」等词汇，通过设定规则对文本全量检索即可实现。
再比如要求的不能情绪激动，通过NLP的情感模型，或者声学模型，都能对会话过程中客服的情感进行监控，判断是否出现过情绪过激的行为。
通过将质检规则的量化，让AI辅助质检人员进行质检，直接将质检的范围抽2%-3%的抽查扩大到100%！！
以往质检的工作就是为了发现问题，通过AI尽量的将有问题的会话找出，让质检人员更有针对性的去检查这些有问题的会话，避免了大海捞针的情况，同时也解决了此前100通会话中，90通都是正常，但是却需要完整检查一遍的低效率问题。
2. 质检工作效率的改变——「听」变为「看」
以往质检工作对电话进行质检时，采用的是听录音的方式
如果有体验过听微信60S语音的感受，就知道听的效率是远低于直观看文字的效率，听的过程还难以分心进行标记。
但是通过AI的ASR技术，直接将音频转化为文字，AI先利用声学模型打标一遍，质检人员只要浏览文字内容即可判断是否违规，再查看机器打标的结果，复听确认可能存在问题的地方（例如某个地方情绪激动）即可。
可以说，AI赋能的方式，直接改变了质检人员的工作方式。
3. 质检考核客服方式的改变——更加准确，不漏，不偏
过往考核客服通过抽查，对抽查结果的打分就是客服人员的最终得分。
举个栗子：
A客服，100个会话中只有2个差的结果，结果抽查2个，2个都是这较差的结果
B客服，和100个会话中有20个差的结果，抽查的2个中没有出现这20个差的结果中的任意一个。
按以往的方式，A客服的得分会低于B客服
但明显，这样的打分是有遗留，有偏差的。
如果将质检的工作从抽查变为全量检查，再去统计整体的得分，最终的结果是比抽查更为准确的。
4. 质检价值的改变——业务层面和公司层面价值的发挥
这个是我认为AI可能给质检带来的最大最大的改变，直接提升了质检工作的劳动价值。
质检工作的重复性，机械性，是可以通过AI的方式提升质检人员的效率，是的质检人员逐步的从繁重的工作中解放出来，去做更具有劳动价值，机器还无法做的事情。
例如我们在上文中探讨的质检工作对于业务层面上的价值，对于公司层面上的价值。
举个例子，希望通过AI将质检工作扩大到全检，直接统计现有问题的分布，哪个业务下的那类商品出现的问题最多，哪些问题是近期集中爆发的。
这些在质检人员了解到了这些数据后，是可以结合实际情况在业务层面上或公司层面上输出相应的报告，辅助决策，帮助更高效的解决业务问题，规避潜在的风险！
五、AI赋能现存的问题
上述AI赋能质检，虽然前景很美好，但是也存在的诸多问题，例如
1. 质检规则无法完全量化
质检规则中虽然语言语速等是可以通过数字量化，程序再进行判断的，但是也存在的大量的规则是难以量化的，例如「灵活沟通」，如何去量化这项规则？
2. NLP现有存在的技术问题
例如训练过程需要大量数据，模型的召回率问题，准确率问题等
3. ASR现存的技术问题
例如ASR转文本时，要求的语音质量非常高，普通公司的坐席在通话过程中，可能存在大量的杂音或录音质量差，这都会导致语音转文本的质量差，影响后期对文本进行逻辑判断
六、AI赋能问题的解决思路
实际上，AI赋能质检工作过程中遇到的问题，也会在其他场景中遇到，毕竟有很多的通用的技术问题。
那如何解决呢？
我没有直接的解决方案，但是解决思路是有的，而这个解决思路不仅仅是质检的解决思路，也不仅仅是客服行业的解决思路，更是AI在不断去试错不同场景过程中的解决思路。
1. 确保可用，提升效率
很多人一说到AI，就觉得这东西是要具有革命性的，或者一定是要替代了大量人的工作的才是AI
如果抱着这个出发点，可能做到后面会做的怀疑人生吧：）
毕竟现有的技术瓶颈是真真切切摆在那的。
我认为的正确做法，应该是先想着帮助现有的工作提高工作效率，不要一上来想着用智能直接替代，而是先想着辅助辅助，AI是一个工具，帮助提升效率的工具
先确保可用，能提升效率，即使准确率不到100%，80%也是可以接受的，只是提升了原有的工作效率不是吗？
产品价值=（新的体验-旧的体验）-替换成本
上面这句话是俞军大大说的，我非常非常赞同
先确保最基本的可用即可，新AI产品的体验只要能提升效率，带来的效率提升的价值大于替换的成本，相信企业是有意愿为这样的AI产品买单的。
2. 确保可控，给予控制
可控有两方面
1）错误可控
模型不能做到100%正确，所以在基于可用的基础上，一定要基于可控，出错没事，但是要让人可调整，可控制，否则就成了失控了。
2）提升可控
因为给AI训练的过程，实际是需要耗费大量人工的，而让人去感受到提升的过程可控也非常重要。
让使用者知道需要做什么才能去提升AI的能力，自己做的付出的能看到具体的提升内容。
提升的可控，相当于你给了目标，也给了他实现路径。这样可控的过程会让用户更加愿意投入精力去做这件事情。
3. 逐步智能，点滴累加智能，不能急
在保证「可用」，「可控」的基础上，再去想着如何实现更加智能化，逐步的累加智能。
现在的人工智能，真的和人工智障没有区别，但是没关系啊，人工智障也有人工智障阶段产品的解决方案，只要是可用，可控的，比现有的效率更高，那么用户就可能愿意为了更高的效率付费。
产品要做的，就是在不同技术限制下，通过产品的能力去帮助技术落地，技术提升的过程中，人工智障阶段有人工智障的解决办法，人工智能阶段也会有人工智能的解决办法，急不得。
最后，推荐一篇知乎上看到的文章《人工智能公司的场景跃迁理论》，摘录部分如下，深以为然。
传统的互联网创业核心是抓紧用户需求，只要不断尝试，找到了市场-产品结合点，技术不会是太大的障碍。人工智能创业则不仅要找这个点，而且找到了你也不一定做的出来。甚至明知道那个点在在哪，也不能去直接做，必须先把到那个点的路径一点点分解出来，再寻找路径上每一个点的场景-单元结合点。每个点都是下一次跃迁的基础。这就是场景跃迁理论。
先挖个坑，后续有时间会写AI赋能的客服的另外两篇，感兴趣可以关注下朱利安，你们的关注是我更新的动力啊~
网友评论