要提高与业务的结合度体现在三个方面，一个是能基于业务流程、业务特点等来调整系统的计算流程和算法，让系统更加契合不同企业的特点，提高推荐精准度。 第二个是业务知识的积累。业务知识包括知识库和行业的专业词典，知识库是智能客服的服务基础，专业词典则是影响智能客户认知的因素之一。由于不同企业知识库的管理流程并不相同，更新完善的周期也不一样，所以在这方面主要还是考虑如何结合上述提到的自学习机制来及时获取新业务关注点，提醒企业管理人员更新知识库信息。而在专业词典方面因为是系统识别业务知识点的关键因素，因此同样需要及时更新维护，这不仅要靠系统的自学习提醒，同时也要依赖人工维护。传统的智能客服系统对于词典的管理都是“黑盒管理”模式，一般都是企业提出需求，系统的开发厂商去维护更新，这样的流程比较繁琐，如果可以直接提供可视化的词典管理界面，由企业用户自己去维护，知识的更新效率会更高。 最后一个就是要更多地去融合企业的业务分析成果，提高智能客服系统的综合业务能力。实际上对数据的重视和应用已经成为不同领域和行业的默契，很多企业都已经开始了结合业务需求的数据挖掘分析工作，类似建立精准营销识别、客户服务满意度预测、客户投诉倾向判断等应用模型。这些模型成果目前在客服方面应用较多的模式就是推荐给热线客服，作为提醒客服的信息。同样的，这种方式放在智能客服的应用上也同样适用，例如可以利用企业的客户画像体系在服务过程中结合不同客户标签采取不同服务模式；或者结合产品精准营销模型嵌入到智能客服系统，在交互过程中及时捕捉客户意向、把握营销机会。当然，这种模式的真正开展并非十分容易，毕竟不是简单地直接应用现有分析成果，而是要融合当前的对话内容去提供实时分析，如果企业本身或服务的厂商在数据挖掘分析领域的积累不是特别深的话，也很难取得比较好的效果。