01研究背景

呼叫中心传统的质检方式一般都是“事后”质检，随着智能质检的广泛应用，实时的“事中”语音质检成为了质检工作的主流。但无论是“事中”还是“事后”质检，都是在服务事件或内容已成为既定事实后进行的质检，服务中出现的质量瑕疵无法通过撤销键撤回。
如何在“事中”、“事后”的质检中摸索出对“事前”服务风险的预警才是事半功倍的做法。

语音转译技术受嘈杂环境、方言等差异的影响较大，尤其是一些全国性受理业务的呼叫中心，语音数据受南北地域和民族特色差异化等影响，转译后的WER（字错误率）和SER（句错误率）较高，但这不影响转译文本发挥其潜在应用价值。在呼叫中心已经大量尝试将语音转译技术应用于辅助智能质检或是客户画像的研究。

智能质检从一定程度上解决了抽检覆盖率低、时效性差、质检效率低、人工质检带有主观意识等问题。随着自然语言理解技术的快速更新，智能质检工作的方向也将向多元化发展。

02研究方法

以呼叫中心服务投诉为源点，收集A、B、C三个服务部门在4、5、6三个月份（非历年服务投诉事件峰值月度）出现的服务投诉属实事件和致命性差错问题。通过统计A部在4月份服务投诉属实人员有33%同时出现了致命性差错，B部在5月份服务投诉属实人员有45%同时出现了致命性差错，C部在6月份服务投诉属实人员有50%同时出现了致命性差错。

1

数据表明服务投诉事件和致命性差错问题集中出现在同一客服人员身上的概率较高。客户出于对客服人员在服务过程中出现的服务推诿、响应不及时、服务冷漠等情况提出投诉要求，但因每个客户的诉求不同、个人情感接受度不同，面对客服在服务过程中暴露出的服务缺失，有可能不会主动提出投诉意愿，同时因一些人为因素服务投诉事件未及时进行上报，最终造成大量的服务缺失仍隐藏在海量数据中，挖掘出这些服务隐患并进行有效预警，将对呼叫中心现场管理起到至关重要的作用。

“三维”服务风险检测模型
呼叫中心最关注的三个质效关键点包括服务能力、服务效率和服务态度，这三点不仅是客服人员综合能力评价的依据，同时也是影响客户满意度的关键因素。以呼叫中心服务投诉属实事件涉及的录音和语音转译文本为训练数据，建立三个维度的检测模型，对海量工单进行质、效、情三方面的综合诊断（图1）。

图1三维服务风险模型展示

1、“一维”禁语检测

质量专家通过对服务投诉属实事件进行质检，总结出影响客户感知的推诿语、违规用语，结合业务规则内已有服务禁语词库形成禁语检测。

出现服务禁语=A类高风险工单，危险程度Ⅲ级

2、“二维”效率检测

从总观的角度，语音活动检测(Voice Activity Detection,VAD)中静默时长和频次很大程度上体现了客服人员的服务效率和响应效率。检测出静默频次较多、静默时长较长的数据，并对其进行危险级别的划分。
出现3次及以上＜静默＞60S=A类高风险工单，危险程度Ⅲ级
出现4次及以上＜静默＞50S=B类中度风险，危险程度Ⅱ级

出现5次及以上＜静默＞40S=C类低风险，危险程度Ⅰ级

3、“三维”情绪综合检测

在服务投诉属实事件后续跟踪访谈中发现，有至少1/3的客服人员表示受客户异常情绪影响，无法在服务过程中以积极的心态受理业务，最终引发客户不满情绪升级，造成投诉事件。
跟踪数据表明，客服自身负面情绪和客户异常情绪对整个交互过程产生着重要影响。基于文本分类算法技术，将服务投诉属实事件的录音和转译文本作为负样本训练数据，将质检后无服务差错或缺失的录音和转译文本作为正样本训练数据，质量专家结合上下文对正、负样本内句子级的颗粒进行正、负面情感类的标注，同时对录音中语音情感进行跟踪，在交互过程中出现急躁情绪（急躁因子）时一般表现为语速变快、音量也会突然升高，语音中的情感特征可以通过语速、字频、语调以及声音能量的大小等韵律特征变化进行体现，同时结合语音的频次、发声概率、响度轮廓等变化特点来抓取能够体现语音情感特征的参数，与此同时收集非情感类语句的参数进行两类对比，总结出各个特征参数的变化规律（图2）。在正、负两类数据标注的基础之上利用textCNN等深度学习算法，构建音频和文本的多模态识别模型，并对其输出结果进行风险等级的划分（图3）。


客服负面情感+录音异常因子出现3次及以上=A类高风险工单，危险程度Ⅲ级

客服负面情感+录音异常因子出现2次及以上=B类中度风险工单，危险程度Ⅱ级客服

负面情感+录音异常因子出现1次及以上/仅出现客服负面情绪=C类低风险工单，危险程度Ⅰ级

锁定服务风险隐患人群

“三维检测”模型实现了对三个质效点的逐一筛查，聚类出AAA、AAB、ABC等多种风险等级组合的工单集合，针对高风险集合圈定的人群形成各级响应的监督和管控，将管控机制贯穿整个流程，从人员圈定—班组监督—部门管控—质检策略调整—个性化培训等环节（图4）。抓住服务隐患萌芽状态，及时采取有力措施。

03预期成效

1、质效综合分析

基于管理层对指标的重视以及指标对客服自身利益（绩效考核、优先选择排班、休假特权等）的影响，很多客服人员在指标数据上都倾注了很多关注度，目的是以最佳指标跻身于各类排行榜和评比活动。在众多的指标中话务接听量、服务受理量，往往是最受关注的指标之一，以接听量、服务量为评比依据，最终选出“话务王”、“话务先锋”等各类激励客服人员提升自身服务效率的称号。但“鱼和熊掌”往往不可兼得，单方面侧重接听量，必然会牺牲客户的体验度，通过“三维检测”从客户体验的角度深度检测服务的质量，深挖隐藏在以片面追求接听量、服务量下的服务隐患，以提升客户良好体验为前提对客服人员进行能效的全面监控。

2、服务风险闭环管理

在呼叫中心每天都在产生大量的交互数据，质检有限的资源无法对全量工单进行质检，更无暇对前期已质检出致命性差错问题的服务人员进行百分百的后续跟踪质检，通过“三维检测”可对前期服务问题人员进行有针对性的后续跟踪质检，形成有效的闭环管理，加强对客服人员服务质量的管控机制，有效提升服务的规范性，增加客户对服务的良好感知。

3、基于人工智能降低质检成本

目前大多呼叫中心的质检部门均以智能语音质检为先导，人工质检参与复核的模式开展质检工作，语音质检的应用模式都是以特定内容关键词匹配进行抽检，没有形成综合的抽检策略，“三维检测”模型构建了质检策略的多维度应用，减少了单一抽检策略造成的重复质检等问题，同时有效提升了质检覆盖率，提高了质检人员对问题工单的检出率，降低了人力投入成本。

4、以客户视角优化流程和话术

从客户利益和服务风险角度考量，合理的业务办理和处理流程是保证服务品质的基础，经过“三维检测”收集容易引发客户不满情绪，同时客服未有效以优质服务进行疏导的工单类型，深入分析客户不满涉及的事件和流程，以客户视角对服务流程进行优化，便捷客户的同时提升服务的内涵和品质，同时在锁定的工单内收集客户对哪些话术存在排斥情绪，并以此为依据进行标准话术的修改和完善。构建更加情感化、人性化的话术体系，提升服务的温度和质感。