银行需要搭建智能客服模块的中台能力

易观分析：虽然客户服务有着将近20年的发展历史，相对于人工客服，客户体验依然较差。银行应用智能客服系统时，存在二次开发成本高、厂商的解决方案不能够很好地适配银行场景等问题。银行需要形成智能客服相关的可复用于跨部门的中台能力。

事件背景

随着人工智能技术的发展，智能客服在各行业的应用快速增加。

虽然客户服务有着将近20年的发展历史，相对于人工客服，客户体验依然较差。银行应用智能客服系统时，存在二次开发成本高、厂商的解决方案不能够很好地适配银行场景等问题。

银行业智能客服场景相对分散，未实现全场景智能化升级

易观分析认为，银行业客户服务建设包括四个发展阶段：企业自建呼叫中心、托管型呼叫中心、多渠道云客服以及全场景智能客服。

基于上述发展阶段划分，以及当前银行业客户服务发展现状，目前银行处于从多渠道云客服向全场景智能客服的发展阶段，重视对客户服务体系的智能化升级，但存在技术债等历史遗留问题，场景相对分散，尚未实现全场景智能化。

具体分析如下：

其一，在银行业，由于各业务部门的业务内容、相关数据系统、客服渠道都存在巨大差异，各业务部门具有独立采购智能客服产品的权限。智能客服厂商按照银行部门提供定制化解决方案，使得不同部门的客服系统彼此独立，形成数据孤岛。

其二，在数据孤岛的背景下，银行业还存在难以打通客服数据，为深度学习提供充分素材的情况。即使是大型银行，在一些客户服务量少的渠道，例如小程序、NPS评价或某些特定的营销渠道，月度服务量也仅有几百到几千，深度学习无法基于这个数量级的数据实现有效的训练，从而形成千人千面的个性化服务。

其三，全场景智能客服需要多技术栈融合，同时具备扎实的客服知识库体系，这一方面也存在短板。智能客服不仅是回答客户提问、提供自助服务的语音机器人。广义的智能客服还包括坐席服务、运营管理、坐席管理等内容，如下表所示：

多样化的应用场景以及能力支持导致智能客服的建设需要融合大量产品、技术、解决方案。这不仅包括音视频对话、自然语言处理、深度学习、知识库等相关能力，也包括BI、OA、协同办公系统建设等坐席人员管理、客服运营方面的能力。

另外，语音&语义识别的准确率仅在70-90%之间，方言适配仅支持数十个地区的、银行现有用户行为的数据量和分类维度不满足深度学习所需的要求、知识库不具备当前客户个性化需求。这导致智能客服在多轮次、高复杂度的客户服务互动中，无法理解对话内容、没有适配的知识库答案。

易观分析建议：

易观分析认为，银行需要在企业级架构的基础上，形成智能客服模块的中台能力，对可复用的技术能力进行统一规划、开发和应用。

形成中台能力可以实现核心能力的自主可控，同时降低技术开发、资金投入方面的投入，还可以保障相关能力更贴合银行自身的业务需求。

形成中台能力也可以实现客户跨业务、跨渠道的服务信息同步，提升客户体验。

声明须知：易观分析在本文中引用的第三方数据和其他信息均来源于公开渠道，易观分析不对此承担任何责任。任何情况下，本文仅作为参考，不作为任何依据。本文著作权归发布者所有，未经易观分析授权，严禁转载、引用或以任何方式使用易观分析发布的任何内容。经授权后的任何媒体、网站或者个人使用时应原文引用并注明来源，且分析观点以易观分析官方发布的内容为准，不得进行任何形式的删减、增添、拼接、演绎、歪曲等。因不当使用而引发的争议，易观分析不承担因此产生的任何责任，并保留向相关责任主体进行责任追究的权利。