呼叫中心与Voice Agent
输入“/”快速插入内容
呼叫中心与Voice Agent
呼叫中心与Voice Agent
2024年8月12日修改
转载请联系原作者取得授权
📌
本期讨论会参与者：
李大勇老师： ChatTTS核心开发者之一，ChatTTS的核心能力是将语音模态融入LLM体系，做自然拟人高控制力的语音合成。
刘洁老师： 北京青牛软件产研副总经理，5G视频呼叫中心开创者，在金融行业有丰富落地实践经验。
笪忠敏老师： 国内顶尖云厂商呼叫中心产品负责人。
刘连响老师（主持人）： 资深RTC技术专家，推特@leeoxiang。
1 大模型对呼叫中心效率的提升
呼叫中心是目前LLM最容易落地的场景
•
首先很多的外呼场景其实不需要那么复杂的对话。对于一些呼进来的场景中，用传统的机器人也能解决掉很多的QA，不需要LLM做到非常强。
•
它只需要一层ASR和一层GTS，把这两个优化好，它就非常像人了。这样你能解决掉可能80%的问题。
•
如果遇到太难的问题，AI没办法回答。可以用LLM检测一下，然后发给普通的客服。
•
所以呼叫中心是一个相对来说比较简单、比较好落地的场景，而其他的场景都需要LLM做得非常强，即理解和智能能力要变得非常强。
呼叫中心客户希望LLM落地后有更强转化
•
原来的意向型IVA在效率上对客户已经有了很大提升，国内很多银行都在用，确实节省了成本。但是当对话更加复杂，受限度是意向型IVA长期解决不了的问题。
•
所以客户对LLM的期望是能有更自然的对话体验，能够结合通话数据，对历史数据分析后，能有营销转化的提高，并能用在营销任务上。
•
还有大模型的自学习能力，希望能够在受限的交互上有提升，提升了客户满意度与忠诚度，或者实现获新客或者老客户的增收等。
•
另外，相比过去主要衡量的接通率，转化率提升是业务人员更关注的，因为最后的买单主要是业务说了算。运营效率上，以前交互需要大量的标注，需要去看哪些问题不行，然后需要人工过度的参与。所以也希望运营效率上有一些提高。
LLM在电话后分析的过程中提效流程很清晰
•
电话后总结可以有效规避个人主观性带来的信息理解偏差：在一通会话结束之后，坐席都会去做小结。企业可能依赖销售顾问或者服务坐席，通过小结来去总结会话中发现了什么。但是当坐席去做总结的时候，一定带来了他个人的主观性，那主观性有可能会给管理者带来洞察上的偏差。LLM可以做到更加客观。
•
自然语言以后不需要做结构化转换：比如想知道呼叫中心的坐席表现如何？谁表现最好？谁表现差？以往需要把脑子里想的这个需求经历一个 SaaS 的结构化转换，就是我需要知道去点击哪个配置，看哪个报表，看哪个监控；包括在垂直领域 workflow 也是一样的。当他有了这个理解的价值之后，不需要再让客户学习这些配置，去看大量的报表去做这些管理分析。
•
减轻管理者负担：作为管理者太累了，并且人的能力模型和视野也有局限性，比如看10个指标管理者可能就已经超载了，但是LLM不会累，可以弥补管理者的视野。
LLM最先运用到辅助客服/电销场景中
•
节省客服培训时间：电销一般会频繁离职，新入职员工就要做培训，传统模式中电销都要先经过学习培训期，然后考试通过后才能上岗。
•
识别客户意向：比如卖车，电销给客户打电话，邀约到店。用户提到，“我知道哪个品牌、哪个直播的渠道是价格是比你这个店低的，但我很想去你的店，因为在我当地，我来修车售后很方便。”这个时候客户其实表现出了是很高的意向，并且他只是关心价格问题，但是你会发现有些销售顾问不一定理解，他只会是说，我去跟领导沟通一下。辅助客服这时候就可以作为案例，提醒碰到类似情况如何处理。
•
知识库对齐：在电销的时候经常会遇到竞品分析问题。往往电销无法直接针对性回答，此时需要拉群，产生新的组织内部沟通，也会影响销售效率。辅助电销+RAG可以及时同步电销信息。
•
智能对抗：同时还可以采用LLM作为智能对抗工具，在和员工对抗的过程中看是否能达到某一目标，达到类似培训的效果。类似在司法的场景目前就比较多，因为最近失信的案例多，需要招聘扩充司法团队，就需要快速提高员工素质。
辅助客服的案例除了Copilot，还可以用到视频通话中、多语言
•
语音通话升级到视频的过程中解决了用户看的问题了，但是在看的过程当中，客户会需要收集一些业务字段，比如说地址，出险的位置，那在视频过程中把语音抽离出来，传给大模型，然后再去提炼修正内容，再填到某个具体的字段。