樂言科技基于高精準的語義理解技術所打造的客服機器人，能在海量數據中挖掘優質話術，模擬優秀人工客服回復邏輯，對用戶多輪對話溝通內容、訂單信息、店鋪優惠活動、商品信息等各維度進行全方位感知，從中提取出有效信息，從而精準且擬人化地回復用戶咨詢信息。

中國電商行業： 營銷售后能力亟待智能客服予以提升

移動社交時代的到來為品牌商家提供了更加直接有效服務消費者的能力和銷售渠道。隨著電子商務行業交易規模持續擴大，售前和售后服務作為電商平臺的重要組成部分，傳統的客服方式已無法滿足大量的市場營銷需求。某服裝公司是國內規模領先的服務商家，其在電商平臺的銷量在同行業中排名前列，日常的客服咨詢量巨大，也因此為其客服團隊帶來挑戰：

1. 客服系統功能局限：傳統客服系統往往只作為接待訪客咨詢的工具使用，無法跟網站商品、訂單查詢、店鋪信息等業務模式做完美整合，而需要人工客服去進行二次查詢。當訪客數量較多時，常常會造成問題回復不及時，或回復不準確，造成用戶體驗下降。

2. 高峰期人力依賴：節假日及促銷打折期間，電商公司往往需要臨時安排上百人的客服來進行接待和答疑以應對客服需求量的激增，不僅導致了人力成本消耗大，還因客服專業知識及信息水平參差不齊而無法做到快速且準確地滿足用戶咨詢的訴求。

智能客服案例解析：以樂言科技為某服裝廠部署智能客服機器人為例

樂言科技研發的“樂語助人”客服機器人以全棧式電商知識圖譜為底層，專注于自然語言處理和機器學習的行業應用。樂語助人樂語助人具備高精準的語言理解能力，可以進行買家咨詢接待、業務問題處理、智能推薦、客情維系等工作。

一、核心技術

知識圖譜 - 對非結構化文本、半結構化網頁和結構化數據庫進行統一建模、抽取、融合和存儲，積極面對多源異構數據融合的挑戰，為上層面向特定領域的語言理解、認知計算和對話機器人提供行業知識庫。

自然語言處理 - 采用知識驅動的語言認知技術，包括高精度的領域識別、領域內意圖識別、情感識別、分詞、語言模型、領域詞向量和句向量表示及語義相似度計算等，將非結構化的人類語言，變成計算機可以理解和操作的結構化表示，形成知識圖譜形式的知識，從而實現人機互動。

結構學習 – 通過研發面向結構的機器學習技術，提供細粒度實體識別與鏈接，基于領域本體的關系與事件抽取，及面向知識問答的語義角色標注服務。

深度問答 - 面向行業知識庫的深度問答引擎，融合了基于模板、語義解析、信息檢索和端到端深度學習等主流技術。針對行業復雜化信息需求，系統可以提供精準的問句解析和完備的答案回復。

二、核心功能

擬人化智能問答 – 客服機器人采用高精度的自然語言理解技術，搭建以數據驅動為核心的AI算法模型，通過服務數萬家客戶積累海量真實語料，進行高維機器學習與深度訓練，反哺算法模型，可以模擬金牌客服的回復邏輯，提高客服機器人的語義理解與問答回復能力。

智能跟單 – 包含催下單、催付款、催好評三催功能，通過識別買家對話語境、付款及牽手進度自動進行詢單或推薦，以客戶訂單及付款轉化率。該模塊同時包含付款推送、發貨推送及退款挽回功能，可通過發送提前設置好的話術全稱保證用戶網購體驗。

智能推薦 - 可根據不同用戶、不同場景，基于數據反饋實時調整推薦商品，同時可自動過濾已下架、不應季或轉化不好的不合理商品。

智能質檢 - 于AI和數據挖掘技術，對會話數據進行深度學習，實現客服的質檢缺陷識別，幫助商家規范客服行為，提升客服團隊服務質量和效率、幫助發掘潛在商機。

三、應用效果

樂語助人機器人首次響應時間可以達到0.5秒以內，縮短了客服的平均響應時長，案例中服裝公司電商事業部在部署樂語助人后，其平均客服響應速度從2017年的120秒，降低到2018年的40秒，再優化到2019年的19秒。大幅提升了客戶接待效率，緩解了售前咨詢壓力。此外，客戶接待效率的提升也優化了客服團隊的成員配置。該服裝廠售前基本不需要客服回復，客服70%的工作重心都是在售中和售后，可以給到用戶更細致、更人性化的服務，從而提升用戶粘性與店鋪銷售轉化。客服數量也從之前的50人，降低到18人，其中白班12人左右，人均每天接待1700-1800人，取得了很好的降本增效效果。

責任編輯：PSY