【数智化案例展】某国际高端酒店品牌——呼叫中心培训数智化转型项目


ce5f07b6ebfb6307889f29763b3c67e6.png

维音案例

本项目案例由维音投递并参与数据猿与上海大数据联盟联合推出的《2023中国数智化转型升级创新服务企业》榜单/奖项”评选。

3f38e6e5d5403f5fc641e9bf44729c29.png




大数据产业创新服务媒体

——聚焦数据 · 改变商业


培训是呼叫中心管理的重要环节,由于员工流动性强、培训需求多样、考核流程繁琐,需要专业的培训师投入大量精力,使得项目呼叫中心在培训模块投入的成本居高不下。

与此同时,随着人工智能技术的深度发展,客服系统在不断革新升级。尤其在呼叫中心培训领域,AI、图像、数据和语言处理和专家信息库等技术应用具有非常积极的意义,是新时代客服培训发展的重要推动力,也是企业呼叫中心创新发展的内在需求。但由于技术门槛高,且需要大量服务数据提取研发方向,使得很多培训系统厂商难以快速切入、孵化出成熟的AI培训产品。

通过长期的实践,维音产品开发团队发现:通过智能陪练,打造“沉浸式学习体验”是提升培训效果的关键。智能陪练可以基于自然语言处理和情绪识别技术模拟服务情境,打破传统培训场景的空间、时间限制,让每一位员工都能拥有量身定制的金牌教练。

由此,维音基于在客户联络领域的长期耕耘,根据该项目客户需求,打造集合“学、练、考、评”等可闭环提升学员能力的沉浸式AI培训系统VisionTSIM(英文名:Vision Training Simulator),并逐步推行到项目服务运营中,实现数字化培训转型升级。

时间周期:

开始时间:2023年5月

5月-6月:小规模应用

6月中旬:全面应用在线考试功能

6月中旬-至今:常态化使用平台综合功能

客户的数智化(数字化)转型升级需求


受成本控制、薪资待遇、工作性质等因素的限制,项目从业人员年龄较小、工作经验少,要求培训师应该更多的结合现有学员的基本素质制定行之有效的培训方案,从而达到一个理想的培训效果。然而在项目运营过程中,培训师的人力成本有限导致不能完全覆盖精细化的培训环节,每次举办培训活动都费时费力,且员工所反馈的学习效果也存在较多的提升空间。

客户的初期需求分为两类,一是希望通过在线培训课程来巩固线下培训活动的教学效果,二是减少培训师的重复工作,从而降低管理成本。

在得知维音可提供成熟的AI培训解决方案后,进一步提出打造沉浸式AI培训系统的构想,以便于新人客服在未通过测验正式上线前也能随时随地进行话术练习,在实践中学习,在学习中成长。同时这种线上培训的方式也符合客户品牌对于可持续发展、低碳环保的践行理念。以下是最终梳理出的核心需求:

个性化培训:可以根据每个员工的能力、知识水平和需求,提供个性化的培训内容。通过分析员工的表现和学习进度,智能系统可以推荐相关的培训课程,培训师也可以针对化培训,确保适配员工当前的学习进展。

提高培训效率:智能化培训系统可以随时随地提供培训材料,员工可以根据自己的时间和进度进行学习。这种灵活性不仅提高了培训的效率,还减少了员工因为培训而离岗的时间,确保了呼叫中心的正常运营。

降低员工流失率:提供个性化培训和持续发展机会,可以提高员工的满意度和忠诚度,降低员工流失率。员工感受到公司的关心和支持,更有可能在公司长期工作,提高稳定性和可持续性。

数据驱动改进:通过分析培训数据,呼叫中心管理层可以了解培训的效果,及时调整培训内容和方法,做出更明智的决策。

面临挑战


维音综合分析坐席培训流程,发现如下挑战:

● 由于人员流动性大,进一步加重招聘和培训环节的工作量和成本;

● 每次培训都需要提前策划课程、进行场地安排、现场辅导、考试检测,花费大量精力,难以灵活开展培训活动;

● 当学员离开公司或者不在培训现场,可温习的资料有限;

● 新人客服培训既需要进行话术演练,也需要熟悉操作系统,否则正式上线仍需要熟悉操作,但培训期使用真实系统又存在误操作风险;

● 服务话术演练采用1对1练习方式,效果打分存在主观性,且受限于场地和对练人员;

● 每次培训活动完成后,培训师只能通过考试成绩来量化培训效果,话术技能、反应速度、服务素养等维度难以评估;

● 现场考核采用纸质材料,既消耗资源产生废弃物,也增加培训成本;

● 群体培训难以发现团队中个人的薄弱点,进行针对性强化。

综合以上培训难点,为了助力服务企业实现培训数智化转型,维音采用集合自然语言理解、语音识别、语音合成等AI技术,打造智能培训系统VisionTSIM,以AI替代人工培训师,让坐席可以通过人机对话模拟真实对话场景来进行训练,并引入“学-练-考-评”的闭环模式,方便制定灵活的培训计划和培训课程,有效缩短培训周期,为客户联络中心智能提效、孵化人才。

数据支持


VisionTSIM的加入,对于项目培训流程有较大的改变,从原本纯粹的售前售后理论课程教学改变为现在理论结合TSIM场景练习。其中改变最大的是考试模式,从原有学员与考官进行模拟呼叫测试转变为学员直接使用TSIM场景进行上线测试。考试时间从原本的半天缩短至现在的1小时,效率提升了3到4倍。

数字化培训初有成效,季度场景培训达数千次,在线考试达上万次,累计节省培训时间1650+小时;新人客服培训从理论教学转向实战教学,培训质量获得显著提升,降低正式上线后的错误风险,提升服务稳定性。

应用技术与实施过程


智能培训VisionTSIM系统的系统架构主要包括基础层、服务层、应用层和展示层。基础层提供包括数据库(支持MySQL、MongoDB和Redis等)、通讯平台(支持RabbitMQ、ElasticSearch等)、容器平台(支持Docker、K8s等)、计算平台(支持常见的机器学习和深度学习平台)和数据集(包括多轮聊天数据、词库等)等能力。服务层在基础层的基础之上,对外提供NLP引擎、语音处理、智能分析等智能化分析服务,以及监控、邮件、消息、日志、文件等系统服务。其中,NLP引擎包括语义匹配和情绪分析等服务,语音处理包括语音识别、语音合成、声纹识别等服务,智能分析可以提供规则引擎和数据分析等服务。应用层基于服务层提供的能力,可以提供:培训活动的设计和管理,学习资料和进度的管理,聊天和电话等不同场景练习的设计和管理,考试、题目、补考等设置和管理,数据看板和数据报表等应用模块。展示层主要是针对不同权限的人员角色提供不同的系统展示界面,便于不同角色的人员使用智能培训系统。 

bf97765edc273ca53dd1aed74eebf48c.png

AI练习模块的目标主要有:一是锻炼坐席人员针对不同客户不同问题的应答能力;二是考核坐席人员的话术标准。通常,练习的使用场景有两种:一是客户先说话;二是坐席先说话(通常为欢迎语等开场白)。

坐席先说时的流程如下图所示。首先,坐席会按标准话术输入开场白,如“您好!欢迎光临XX,我是客服XXX,很高兴为您服务。”机器人会根据历史聊天数据,随机生成第一个用户问题。坐席根据用户问题,输入回复话术;机器人根据坐席输入的内容与标准话术库进行语义匹配,计算得到相似度最高的标准话术。接着,判断该标准话术是否为结束语,如果是结束语则结束本次对话;否则,找到候选的客户问题列表,并随机输出一个问题给坐席。坐席继续输入回复话术,对话继续直至遇到坐席输入结束语才结束本次对话。

65cee4457c97deb0c839691df62dd71a.png
坐席先说的自由练习流程图

客户先说时的流程如下图所示。首先,机器人会根据历史聊天数据,随机生成第一个用户问题。坐席根据用户问题,输入回复话术;机器人根据坐席输入的内容与标准话术库进行语义匹配,计算得到相似度最高的标准话术。接着,判断该标准话术是否为结束语,如果是结束语则结束本次对话;否则,找到候选的客户问题列表,并随机输出一个问题给坐席。坐席继续输入回复话术,对话继续直至遇到坐席输入结束语才结束本次对话。

f006770915eedd1ee1ae798bf7964d0b.png
客户先说的自由练习流程图

为了支撑上述AI练习的功能模块,我们需要收集和整理可以用于AI训练的数据。这些数据是AI练习模块正常运行的数据基础。从这些对话数据中,我们可以学习到客户的首次问题、客户对坐席的提问内容、坐席的结束语等知识。

通过对这些对话数据的进一步加工,如下表所示。首先,我们将坐席的标准话术作为标准问题,然后通过人工或半自动生成等方式扩展该标准问所对应的相似问题(即扩展问)。同时可以定义问题类型,比如适合某种场景。最后,再根据历史对话数据给出多个可能得客户回复内容,也即候选客户问题列表。利用这些标注数据,我们可以训练AI机器人,使其对于坐席回复内容的标准性做相似度计算,同时可以给出对应的候选客户问题。

356f833a41d10a2b35ec3a18a66aa88e.png
训练数据样例

维音智能培训VisionTSIM致力于充分模拟真实场景。比如在场景课程中添加模拟系统操作演示,让学员提前熟悉正式上线后的工作系统;AI陪练支持一对多聊天,让学员逐渐适应快节奏的多线咨询;通过优化AI算法增加顾问催促等多样化事件,同时考验客服的话术能力和应对能力;新增话术推荐功能,模拟真实服务系统智能推荐,提升服务响应速度。

行业变化

目前,维音智能培训VisionTSIM已经常态化应用于项目,并已经取得显著成效。下面是维音客户联络中心应用维音智能培训VisionTSIM的部分反馈:

“在引入VisionTSIM以后,我们的学员也都给到了非常正向的反馈,线上考试不仅提升测试效率,还减少了纸张废弃物,更加绿色环保。而且考完立即就能知道成绩,查看错题分析,真正地以学习提升为目的。”

“使用VisionTSIM后,一些关键流程和话术的宣导更方便和统一了;新员工培训期以及上线前几周,对于关键场景和重点通过TSIM学习,培训的一致性会更好;线上考试直接生成员工测试成绩,不用收集考卷进行批改,很方便。”

“VisionTSIM的加入,对于培训流程有较大的改变,从原本纯粹的售前售后理论课程教学改变为现在理论结合TSIM场景练习。但改变最大的是我们的考试模式,从原有学员与考官进行模拟呼叫测试转变为学员直接使用TSIM场景进行上线测试。考试时间从原本的半天缩短至现在的1小时,效率提升了3到4倍。”

关键数据:季度场景培训达数千次,在线考试达上万次,累计节省培训时间1650+小时

关于企业


·维音

秉持“科技创新服务,让联络更智能”的宗旨,维音致力于集成先进的技术和精细化管理,打造科技赋能的客户联络中心。我们提供专业、灵活、迅捷的一站式客户联络中心解决方案,面向本地和海外市场提供卓越多元的服务;我们深耕不同业务领域,覆盖新兴科技、电子商务、品牌零售、银行金融、汽车、奢侈品等20余个行业;我们为每位客户量身定制服务方案,提供选址灵活成本可控的交付中心,秉持一致理念,共创持久价值。点击文末“阅读原文”链接,还可了解更多“维音”信息。

·某国际高端酒店

百年历史的国际知名高端酒店集团,旗下拥有众多酒店品牌,致力于为客户提供卓越的酒店服务。


以上由维音投递申报的项目案例,最终将会角逐由数据猿与上海大数据联盟联合推出的《2023中国数智化转型升级创新服务企业》榜单/奖项

该榜单奖项最终将于11月14日以下活动中进行榜单的首发与奖项的颁发,欢迎报名莅临现场:

483b0658aee59fa265988b53e622f56f.jpeg

3082e874240c74dc7b8c6a2c5277ebdc.png

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/180908.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

竞赛 深度学习猫狗分类 - python opencv cnn

文章目录 0 前言1 课题背景2 使用CNN进行猫狗分类3 数据集处理4 神经网络的编写5 Tensorflow计算图的构建6 模型的训练和测试7 预测效果8 最后 0 前言 🔥 优质竞赛项目系列,今天要分享的是 🚩 **基于深度学习猫狗分类 ** 该项目较为新颖&a…

【H.264】RTP h264 码流 实例解析分析 3 : webrtc

【srs】SRS检测IBMF还是annexb 【H.264】RTP h264 码流 实例解析分析 2 : mediasoup收包 mediasoup 并没完整解析rtp包的内容,可能与mediasoup 只需要转发,不需要解码有关系。 webrtc 本身都是全的。 m98代码,先说关键: webrtc的VideoRtpDepacketizer 第一:对RTPVideoType…

操作系统——初始文件管理(王道视频p58)

1.总体概述: 这一节,主要是 作为 后续 “文件系统”的引子 我认为可以思考的点: (1)文件之间的逻辑结构——windows中采用根什么的“树状结构”,而文件在外存中的实际物理结构又是什么样的 &#xff08…

《向量数据库指南》——用了解向量数据库Milvus Cloud搭建高效推荐系统

了解向量数据库 ANN 搜索是关系型数据库无法提供的功能。关系型数据库只能用于处理具有预定义结构、可直接比较值的表格型数据。因此,关系数据库索引也是基于这一点来比较数据。但是 Embedding 向量无法通过这种方式直接相互比较。因为我们不知道向量中的每个值代表什么意思,…

趋势:实时的stable diffusion

视频中使用了实时模型:只需2~4 个步骤甚至一步即可生成768 x 768分辨率图像。 这项技术可以把任意的stable diffusion模型转为实时模型。 潜在一致性模型 LCM LCM 只需 4,000 个训练步骤(约 32 个 A100 GPU 一小时)即可从任何预训练的SD模型中…

【RtpSeqNumOnlyRefFinder】webrtc m98: ManageFrameInternal 的帧决策过程分析

Jitterbuffer(FrameBuffer)需要组帧以后GOP内的参考关系 JeffreyLau 大神分析 了组帧原理而参考关系(RtpFrameReferenceFinder)的生成伴随了帧决策 FrameDecisionFrameDecision 影响力 帧的缓存。调用 OnAssembledFrame 传递已经拿到的RtpFrameObject 那么,RtpFrameObject…

asp.net 创建docker容器

首先创建asp.net web api 创建完成后如下图 添加docker支持 添加docker支持 添加linux docker支持

【Unity数据交互】游戏中常用到的Json序列化

ˊˊ 👨‍💻个人主页:元宇宙-秩沅 👨‍💻 hallo 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 👨‍💻 本文由 秩沅 原创 👨‍💻 收录于专栏&#xff1…

Python基础入门例程36-NP36 谁的数字大(运算符)

最近的博文: Python基础入门例程35-NP35 朋友的年龄是否相等(运算符)-CSDN博客 Python基础入门例程34-NP34 除法与取模运算(运算符)-CSDN博客 Python基础入门例程33-NP33 乘法与幂运算(运算符&#xff0…

行业安卓主板-基于RK3568/3288/3588的AI智能网络广告机/自动售货机/收银机解决方案(三)

广告机 智能网络广告机通过网络将音视频、图片、文档、网页等自由排版创建成节目发布到终端。可针对不同的终端统一管理,统一发布;针对应用场景的集中和分散,可以选用局域网管理和云服务器管理。 自动售货机 随着物联网、大数据、人工智能的…

zookeeper集群搭建

zookeeper(动物园管理员)是一个广泛应用于分布式服务提供协调服务Apache的开源框架 Zookeeper从设计模式角度来理解:是一个基于观察者模式设计的分布式服务管理框架,它 负责存储和管理大家都关心的数据 ,然 后 接受观察…

Leetcode-1 两数之和

暴力穷举 class Solution {public int[] twoSum(int[] nums, int target) {int[] num new int[2];for(int i0;i<nums.length-1;i){for(int ji1;j<nums.length;j){if(nums[i]nums[j]target){num[0]i;num[1]j;}}}return num;} }HashMap&#xff0c;记录下标和对应值&…

学习GTEx数据库

每个个体的不同的器官组织的基因&#xff08;Gene&#xff09;都是相同的&#xff0c;但为什么有的表型为肝脏组织&#xff0c;帮助人类代谢&#xff1f;有的是肌肉组织&#xff0c;帮助人类运动&#xff1f;其原因是&#xff0c;不同的人体组织表达的基因并不相同。 &#xff…

Qt::WindowFlags

Qt::WindowFlags 文章目录 Qt::WindowFlags摘要窗口&部件Qt::WindowFlags&WindowType窗口类型窗口提示 关键字&#xff1a; Qt、 Qt::WindowFlags、 Qt::WindowType、 关键字4、 关键字5 摘要 今天在公司解决自己的Bugs的时候&#xff0c;发现一个以前可以用的功…

python和django中安装mysqlclient失败的解决方案

在Pychram中和pip中安装mysqlclient都不成功&#xff0c;只能直接下载二进制包进行安装了&#xff0c;下载页面中根据python的版本选择对应WHL包下载&#xff0c;下载地址 mysqlclient PyPIhttps://pypi.org/project/mysqlclient/#files 通过pip命令进行安装 pip install d:\…

Springboot搭建微服务案例之Eureka注册中心

一、父工程依赖管理 <?xml version"1.0" encoding"UTF-8"?> <project xmlns"http://maven.apache.org/POM/4.0.0"xmlns:xsi"http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation"http://maven.apache.org…

网络安全(网络安全)小白自学

想自学网络安全&#xff08;黑客技术&#xff09;首先你得了解什么是网络安全&#xff01;什么是黑客&#xff01; 网络安全可以基于攻击和防御视角来分类&#xff0c;我们经常听到的 “红队”、“渗透测试” 等就是研究攻击技术&#xff0c;而“蓝队”、“安全运营”、“安全…

python创建一个简单的flask应用

下面用python在本地和服务器上分别创建一个简单的flask应用&#xff1a; 1.在pc本地 1&#xff09;pip flask后创建一个简单的脚本flask_demo.py from flask import Flaskapp Flask(__name__)app.route(/) def hello_world():return Hello, World!winR进入命令行&#xff0c;…

【多线程】线程的创建

创建线程如下几个方法&#xff1a; 目录 继承Thread类 调用start方法启动线程 调用run方法 实现Runnable接口 实现Callable接口 继承Thread类 调用start方法启动线程 public class TestThread extends Thread{//继承Thread类//重写run方法public void run(){for(int i0…