我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。
近几年，运营商领域的生产运营工作的内外部环境发生了深刻变革，加快向标准化、系统化、自动化、智能化的新模式转型势在必行。
运营商领域的工单处理是与客户体验息息相关的重要工作，要求处理人员具有丰富的运营商一线业务知识和很强的综合分析能力，因而它是一项经验密集型工作，适合进行智能化改造。本文结合达观数据在运营商领域的智能工单处理的丰富实践进行探讨。
对于运营商客户服务热线的业务流程来说，一般包括故障报修、举报、投诉、建议、咨询、意见、表扬、查询以及订阅服务等多个业务环节，每个环节都会产生大量工单数据。具体说来，运营商的投诉受理流程为客服人员接到客户投诉致电后，根据客户描述生成投诉受理内容， 由客服人工判别投诉类型并进行投诉处理， 形成投诉处理意见。
客户投诉管理作为运营商领域优质服务工作的重要一环
， 需要基于业务数据中台（WEB端/APP）， 充分挖掘客户投诉工单数据， 掌握客户诉求， 不断提升客户满意度。
然而，长久以来，上述过程大都是经由人工处理的，往往会存在如下问题：
知识密集型
工单处理与客户体验息息相关，对人员的专业素养要求极高，是一项知识密集型的工作。联调的业务员大多学历不高，理解系统及使用方式上，接收起来比较吃力，业务员很多，分散各地，全部培训成本较高。
问题定位不够准确
由于处理人员经验不足，可能造成问题定位不准确，形成有偏差的解决方案。这不但无助于解决问题，还进一步降低了客户体验，增加了系统运行风险。
工单分类准确度低
目前工单分派是根据业务人员填写的工单所属系统进行自动分派，导致工单分类的准确度不高，经常出现工单分派错误的情况，影响了工单的顺利流转。
效率影响用户体验
工单处理效率低，用户反映了问题后，因为业务处理流程和分析问题，导致不能尽早反馈用户，影响用户体验。
无法快速匹配历史工单
运营商领域的账号注销、网络故障、话费充值等问题经常出现，类似的工单会反复出现，这在工单处理业务中很常见。经验丰富的维修人员凭借丰富的经验或知识总结，可以快速找到类似的历史工单，并参照历史最优处理方案进行处理，确保高质量、高效率处理。由于工作人员的流动性，新的工作人员可能在短时间内不具备这种能力，导致低效的重复劳动。
自动化程度低，维护成本高
随着每日需处理的工单数量不断上升，维护人员处理工单的难度也逐渐增加。
工单价值亟待挖掘
工单以非结构化文本数据形式存储，严重制约历史工单数据的价值挖掘。
鉴于上述情形，运营商亟待打造一个智能化的运营管理平台，以促进集团各省分公司向智慧化运营迈进。在探索运营商智能运营解决方案的过程中，达观数据的智能工单处理技术开拓了
工单检索
、
知识推荐
、
工单派送
、
知识运营
等多个运营场景，有效的帮助运营商实现“降本增效”的业务目标。
1.智能工单处理嵌入业务流程
对工单内容引入语义分析能力，实现共性工单预警、自动派单，自动推荐解决方案，大幅缩短工单处理周期。
2.业务流程智能化改造
引入机器训练模型，结合专家经验，培养一体化运营管理平台的自主学习能力，匹配自动化处理手段，构建一个“智能、敏捷、高效”的问题处理平台。原有知识中心引入智能推荐系统进行知识匹配和推荐，提升知识使用效率，并通过在线学习管控，提升业务知识的传递，有效降低员工培训成本，提升业务能力。
3.先进的AI技术赋能运营商智慧化运营
达观数据智能工单处理技术利用前沿的深度语义分析技术进和知识图谱技术对工单数据进行智能化处理和知识泛化，建立贴合业务的分类模型，提升工单分类和流转效率，可实现系统自动分类与派单，并能基于历史沉淀的语料库构建智能语义知识库，辅助一线坐席快速找到优秀的应答话术。
总体上讲，智能工单处理技术/引擎可以为运营商运营部门带来如下业务价值：
优势1：知识图谱与机器学习相结合提高短文本分析准确度
客服热线中用户的非正式的表达很多，比如“那个给我取消了我我没订那个”属于指代不明的口语化说辞，且缺少有意义的特征；还有字少信息量大，比如“我问一下幺零零八五是什么平台？;那为什么他给我打电话说？;赠送我流量了...”中提及的“幺零零八五（营销服务热线）”属于运营商领域独有的词汇，需要结合运营商领域的业务知识来处理。
引进知识图谱做长短文本处理分析（与复旦大学肖仰华教授合作技术）中，解决了文本稀疏性等难题。
优势2：机器学习模型结合人工反馈机制驱动产品更智能
智能工单引擎中若干机器学习/深度学习模型，会随着业务人员的使用和bad case反馈，会“学习”到更多的业务知识，变得越来越“聪明”，准确率、召回率和F1Score会逐步提高。
优势3：人机协作大幅度提升业务分类体系构建的效率
在工单处理中，需要对工单所反映的问题进行自动化打标，这需要提前认为构建业务标签体系。标签体系的构建要符合“MECE（Mutually Exclusive CollectivelyExhaustive）”原则，即“相互独立，完全穷尽”。然而，人工构建分类体系的成本很高，且需要业务经验深厚的员工参与，一般人员难以在短时间内完成一个高质量的业务标签体系的构建。
达观数据通过先进的无监督语义算法，可辅助业务人员在短时间构建一个的科学化的业务标签体系：
- 基于无监督语义聚类算法从大量无标注的业务语料中发现潜在的业务结构。
- 基于少许先验知识（即有一定结构的种子词汇）的主题模型可以提高主题划分和主题词拓展的质量。
除了运营商智慧化运营这个典型场景外，
其他文字密集型领域，如银行、保险、电力、运营商等
，每年需要处理数以万计的工单数据，也需要基于自然语义理解技术的智能工单处理引擎进行能力支撑。
目前，上述领域的工单处理系统仅在工单报送、审批、存档等办公事务性环节实现了自动化，在最主要的问题分析处理环节，还是主要依靠人工。上述领域的服务智能化已经是大势所趋，这些领域的工单处理是与客户体验息息相关的重要工作，要求处理人员具有丰富的业务知识和很强的分析能力，是一项经验密集型工作，适合进行智能化改造。
理解用户话语意图后，经提醒功能页面，将回答建议提供给客服人员
识别和防范业务挖掘中潜在的、突发的风险，针对非结构化数据，通过简单的关键词匹配较难实现对高频、高危问题的挖掘和监控，并对这个高频、高危、突发事件进行及时的预警。
对客服违禁用于进行（实时）监控，更可以直观展现坐席在服务过程中的表现，能及时发现问题并反馈给运营层。
话务、微信、APP等应用所产生的的文本数据涵盖了许多客户真实的需求和意图信息，如客户通话情绪、客户通话意图等重要的客户服务信息，需要针对这些新技术可获取的客户服务信息进行分析展现，以便更真切、及时的感知到用户的需求。
客服与用户的交互过程中产生大量数据（语音转文本、工单等），难以及时处理，并产生商业价值
为实现目标客户的个性化营销，提高营销成功率，信用卡中心提出对营销录音转译后的文本数据和工单数据进行分析，实现对客户行为及偏好分类，为坐席提供动态营销指导，提升客户体验，优化已有非金融产品，引领客户生命周期管理。
电话营销主要依据规范话术和销售人员自身的营销经验，虽话术标准，但缺少针对性，无法满足客户更多的业务需求，导致存在部分目标客户流失的风险。
基层客服人员素质参差不齐，专业技能较差，缺乏服务意识的敏感性，为客户提供的供电服务存在单一性、粗糙性和趋同性。
客户的投诉是针对电力产品或服务中的某一个具体问题提出的，这就为供电服务中心提供了市场反馈的信息。如何有效的根据工单数据分析客户投诉的心理需求与行为诉求，切实提高服务质量，是供电公司面临的一项迫切任务。
虽然行业领域不同，但各行业面临的场景诉求和以期得到业务价值相同。
达观智能工单处理技术可以为上述场景提供量身定制的智能化工单处理解决方案。欢迎申请试用。
科技猎