数智化客服生态体系项目投标方案.docx

数智化客服生态体系 项目投标方案 目 录 第一章 服务工具 2 第一节 服务工具总体概述 2 第二节 平台一：大数据综合管理平台 3 一、 平台产品说明 3 二、 投诉数据分析功能 95 三、 问题定位功能 96 四、 满意度提升功能 99 第三节 平台二：拆机工作平台 102 一、 平台产品说明 102 二、 工作效率提升功能 125 第一章 服务工具 服务工具总体概述 针对本次项目需求，我公司拟投入两款有助于开展投诉运营数据分析的平台服务工具。分别为： （1）大数据综合管理平台：大数据综合管理平台是数智化客服生态体系的核心，打造大数据平台的技术底座，为行业语料库、数字化决策和智能交互与神经计算视觉研究提供实践平台，同时为数智化坐席应用提供数据服务，平台实现了基于RPA矩阵的数据采集、数据入湖、安全多方计算、数据仓库、算法实现等功能，为各关键角色人员提供了数据服务。 （2）拆机工作平台：拆机工作台是一个智能化的业务处理平台，专为解决用户注销电信业务（拆机）的复杂流程而设计。它能一键聚合客户资料、合约、欠费、设备、违约金等分散在多系统的信息，自动计算费用（如违约金、退费、当月使 用费），并生成处理方案。客服人员依据方案，可一键将设备回收、退费审批等任务精准派发给相关部门，并实时跟踪任务进度直至闭环。该平台显著提升了拆机处理效率和准确性，减少了人为错误，优化了客户体验。 平台一：大数据综合管理平台 平台产品说明 1.2.1.1. 总体架构设计 大数据综合管理平台是数智化客服生态体系的核心，打造大数据平台的技术底座，为行业语料库、数字化决策和智能交互与神经计算视觉研究提供实践平台，同时为数智化坐席应用提供数据服务，平台实现了基于RPA矩阵的数据采集、数据入湖、安全多方计算、数据仓库、算法实现等功能，为各关键角色人员提供了数据服务： （1）面向客服人员，为减少其频繁手工操作，同时在客户服务过程中，利用知识图谱，提供了个性化、实时、场景化的数据应用。 （2）面向数据运营人员，利用数据湖实现即席查询和实时数据分析，及时响应日常运营数据需求，辅助及时发现客服工作过程中存在的问题。 （3）面向数据分析挖掘人员，为打破数据壁垒，利用内外部数据以扩大数据覆盖面，通过安全多方计算，优化客户画像模型，进行客户需求预测，进行模型的训练和调优，不断提升专题模型准确率，加速算法落地。 （4）面向企业管理人员，可通过数字孪生等大数据可视化技术，以及时掌握企业客服全生命周期数据动态变化情况，以辅助决策判断。 1.2.1.2. 投诉数据分析功能设计 1.2.1.2.1. 数据挖掘方法的思路 我国移动通信从1993年起，经历了2G到5G的技术革新，2021年5G网络建设进一步铺开，t0C和toB应用进入爆发阶段。如今中国移动、中国电信、中国联通均已建成了覆盖范围为全国．业务速率高的无线网络，中国电信业进入了全业务运营时代，形成了新的竞争格局。现阶段三大运营南通信服务有明显的同质化趋势相似的用户结构、广泛的网络覆盖、雷同的服务种类、相同的企业性质。在携号较网全面落实、用户空间日益饱和的今天，提高用户黏性成为提升运营商市场竞争力之根本。 早期对用户投诉的处理,是一种点对点、定向分析、缺乏关联的滞后处理,存在治标不治本的顽疾。进入移动互联网时代,大数据技术日益成熟,得到了众多行业的广泛应用,建立了基于大数据的投诉关联分析平台,基于后端信令数据与前端用户投诉数据的关联分析,可精准定位用户投诉地点,有效定位故障原因,实施基于历史投诉样本库的投诉预测,提前进行客户关怀,提升用户感知。 随着电信运营商移动、宽带等业务运营的深入,各运营商向客户提供的业务产品日渐趋同。在产品同质化的情况下,要想获得高的竞争力,口碑是一个重要的因素,因此客户服务的价值逐步凸显,服务将逐步成为各大电信运营商竟争的主要手段。用户投诉管理作为衔接客服与公司产品部门、专业技术部门的桥梁和纽带,是运营商服务工作中尤为重要的一个环节,是网络日常维护中不可或缺的部分。通过用户投诉可以及时了解网络、业务中的不足,并以用户感知为导向,持续提升网络服务能力,不断优化经营策略,逐步简化工作流程,提升工作效率,从而提高电信服务质量,使用户满意度持续上升,不断减少用户抱怨和投诉,达到运营商口碑提升的目的。但是随着近年来电信运营业务的快速发展,用户对服务的需求及期望值不断提升,用户投诉量越来越大,服务需求不断增长和服务资源压力不断增大的情况下,早期的用户投诉管理存在以下问题: 多采取人工询问投诉地点方式,在人为因素作用下,用户投诉地点定位不精确,无法与网络后台设备准确匹配,导致后期的问题解决与优化工作无法及时展开。 面对用户投诉侧重于被动处理,预防效果差,故障处理与网络优化处于被动,影响用户感知,导致用户满意度低。 移动网络语音数据与用户投诉数据分析比较独立,一直都是各自分析各自的业务,很少有关联分析的数据呈现,就算有少量的关联分析也均由人工完成,缺乏科学的处理模型,计算费时费力且容易出错,导致用户投诉预警准确率低。 近几年大数据技术日益成熟,已经为众多行业所普遍应用。通过建立合理的业务模型法,借助大数据技术即可对海量的数据进行分类梳理,抽取其中关键的数据,得到业务运营商所需的关键指标。电信运营商亦可以利用日益成熟的大数据技术,从大量的用户行为和用户投诉数据中抽取其中关键的数据,得到所需的关键指标,以此建立一套能够打通后端信令数据与前端用户投诉数据互不相通壁垒的体系,统筹分析整个移动网络的用户感知数据,使前后端通过数据的分析能够联动、协调起来,并通过数据的联合分析结果,对市场、客服、建设、维护四个方面起到支撑作用。 提高用户黏性意味着运营商战略方向必须向提高用户业务感知。运营商对用户感知的最重要并旦最直接的数据收集方式即是用户投诉。正确认识用户投诉是打破电信业同质化竞争局面的原动力。当运营商所提供业务的质量达不到用户预期并超出了用户容忍极限之后 用户通常会将其对服务质量的不满表现在用户行为上。用户的投诉是运营商提升服务水乎和产品质量的先导，运营商可以据此对网络质量进行靶向优化。 运营商应通过对用户投诉数据的分析与分类，划分出与用户投诉直接相关的网络指标，通过建立模型实现当网络指标达到或低于该模型容限时进行及时预警，避免用户投诉行为，从根本上提高用户体验，力争建立起我国移动通信从1993年起，经历了2G到5G的技术革新，2021年5G网络建设进一步铺开，t0C和toB应用进入爆发阶段。如今中国移动、中国电信、中国联通均已建成了覆盖范围广．业务速率高的无线网络，中国电信业进入了全业务运营时代，形成了新的竞争格局。现阶段三大运营南通信服务有明显的同质化趋势相似的用户结构、广泛的网络覆盖、雷同的服务种类、相同的企业性质。在携号较网全面落实、用户空间日益饱和的今天，提高用户黏佳成力提升运营商市场竞争力之根本。 提高用户黏性意味肴运营南战路方向必须向提高用户业务感知。运营商对用户感知的最重要并旦最直接的数据收集方式即是用户投诉。正确认识用户投诉是打破电信业同质化竞争局面的原动力。当运营南所提供业务的质量达不到用户预期并超出了用户容忍极限之后 用户通常会将其对服务质量的不满表现在用户行为上。用户的投诉是运营商提升服务水乎和产品质量的先导，运营南可以据此对网络质量进行靶向优化。 运营商应通过对用户投诉数据的分析与分类，划分出与用户投诉直接相关的网络指标，通过建立模型实现当网络指标达到或低于该模型容限时进行及时预警，避免用户投诉行为，从根本上提高用户体验，力争建立起(两络质星参一用户投诉—网络质量分析一构建模型一网络质量预警一网络优化一网络质量提开 这一闭环流程。 （1）投诉数据获取 文本挖掘（Text Mining）是对自然语言文本中所包含的数据进行分析的一种数据挖掘方法， 文本挖掘技术本身由机器学习、语言学统计、自然语言处理等多种技术结合而成，应用在投诉分析中，可以快速、 高效地对中文文本进行自动化的处理和分析，主要思路介绍如下。 从投诉数据的来源看，除了录音信息外，其他的投诉数据均为中文文本数据，网上营业厅、掌上营业厅和呼叫中心的投诉数据均存储在运营商自建信息系统的数据库中，社交网络的投诉数据可以通过 API 抓取，数据的可获得性较好。 （2）投诉数据预处理 中文文本挖掘的难点之一在于机器对中文自然语言的处理，中文语法的复杂性、多义性一直是制约中文文本挖掘技术发展的主要瓶颈之一。 随着中文自然语言处理技术的不断发展，出现了多个较为成熟的中文分词开源项目，中文分词的准确性和合理性得到了较好的保障。 （3）投诉数据处理 对经过预处理的投诉数据进行建模分析，如词 频 统 计、投 诉 聚 类 分 析、主题模型分析等一系列知识挖掘处理，自动化地处理投诉数据 ，并输出结果。 （4）基于文本挖掘的对策与建议 根据投诉数据处理结果，确定用户投诉的热点与需求，将结果快速反馈给相关部门，对问题业务进行优化，提升用户满意度和客户感知。从数据投诉分析的思路上看，现有的条件和技术已基本可以满足客户投诉分析的自动化和智能化分析要求，基于运营商现有的技术架构和投诉处理思路，本文设计了如下基于数据挖掘的客户投诉分析流程。 1.2.1.2.2. 基于数据挖掘的客户投诉分析 随着移动互联网技术快速普及，基于用户个性化服务迅速发展，用户对于运营商的服务能力、网络质量等有了更高要求。然而，面临如此庞大的客户群体，当运营商提供的服务质量只能满足部分需求时，必然导致客户投诉。目前投诉主要分为两个方面：一是基于客户主观因素的投诉，主要由于客户过于挑剔或情感不满造成的投诉，资料显示该类投诉比例只有大约15%左右；二是基于网络故障的投诉，由于网络固有缺陷造成的使用困难、体验差等投诉，该类投诉比例大约在85%左右。 为了提升投诉处理效率，国内外许多学者提出了基于大数据的投诉处理方案。提出对投诉信息进行挖掘，研究出日益增长的投诉数量与低效率投诉处理之间的关系，利用大数据挖掘技术找出投诉热点。提出利用电信大数据的特点，用户数据、信令数据、路测数据等进行投诉原因、投诉热点、变化趋势等多维度分析。通过对信令数据、DPI数据等建立语音业务质量评估模型，提前预判客户投诉行为。通过引入多维报表概念，建立大数据用户投诉预警、投诉信息图层呈现、投诉闭环管理。基于此，结合电信大数据的特点，重点研究客户投诉中投诉预判、投诉处理以及投诉诊断，建立一套完整的投诉处理流程。 （1）事前：投诉预判 1）投诉数据仓库整合 本方案利用电信运营商的大数据平台，接入各类数据指标来建立历史数据库，主要包括5大类数据：网络资源数据、投诉数据、网管数据、信令数据以及用户位置数据。上述数据主来自网管平台、BOSS系统，营业厅、APP、电话录音等，所有投诉信息以文本形式存入信息系统数据库。 从运营商现有的数据获取情况看，用户的投诉数据在多个业务系统中与官方运营的社交网络账户中均可获取，但是未经过整合。 可以通过数据接口，建立统一投诉数据仓库的方法将各业务系统中和分散在 Web 侧的投诉数据进行整合，全面监测用户投诉情况。 2）投诉数据清洗及预处理 由于大数据平台的数据来自于不同的数据接口机，具有不同的格式、粒度、特征、来源、采集时间等，首先需要对数据进行清洗和整理，主要需要删除错误数据、无效数据以及补全缺失字段的数据。 统一存储在投诉数据仓库中的业务数据需要进行分析前的预处理，因为各个业务数据存储的中文文本信息各有特点，存在部分干扰。 3）投诉数据中文分词 中文文本挖掘与英文文本挖掘的重要区别在于：英文单词之间分割拥有天然优势，单词之间有空格分割，但是中文单词无法直接进行分析。 随着中文分词技术的发展，现在已经有较为成熟的中文分词工具，如中国科学院计算所的 ICTCLAS 商用分词工具、 基于 Lucene 开源项目的 IKAnalyzer 等，分词效果已经较好，支持细粒度和智能分词等多种单词切分模式。 此类分词工具可便捷地对原文本进行过滤（标点符号、语气词、数字、字母等），提供用户自定义词库和消去停用词，便于应用行业词典和投诉业务专用词典。 行业词典和投诉业务专用词典需要对数据进行分析后自行建立。 4）聚类分析 经过数据采集和清洗后的数据细分为各个维度的基础数据，然而上述数据在某些层面上反映的是同一问题，例如RSSI和RSRP均可以反映覆盖方面的问题。因此，为了提高该算法效率，需要对数据库中各类数据进行相关性分析，保证各类数据的正交性。本文使用皮尔逊相关系数计算指标相关性。 5）问题分解及投诉分析 通过对用户投诉信息的分析，定位用户的投诉问题，从而找到与用户投诉相对应的五类后端数据：业务数据、质量数据、容量数据、感知数据以及场景分类数据。业务数据包括话务量、流量数据等；质量数据包括RSRQ、CINR等；容量类数据包括可用信道数、服务小区能力数据等；感知数据包括上网速率、下载速率等；场景分类数据包括学校、医院、景点等。 投诉分析使用经过分词的投诉文本语料，比较常用的分析方法有词频统计、通过支持向量机进行机器识别最终实现投诉自动分类识别、利用主题模型进行文本挖掘。 比较成熟的工具有 Libsvm 工具包、 商业数据挖掘软件 SPSS Modeler 的 text mining模塊、R 语言的 tm 文本挖掘工具包、Stanford 大学的 Text Mining Toolbox 工具等， 通过此类成熟的文本挖掘工具，对客户投诉问题进行合理有效的分析和分类。 6）指标选择 由于运营商庞大的客户群体和复杂的网络，目前存在的数学模型均不能解决所有问题。根据帕累托法则，常常80%的投诉来自于20%的指标异常，因此本系统对各类指标进行选择。利用鱼骨图对各类投诉原因进行分析，寻找出引起各类投诉的重要指标；其次，利用帕累托图对投诉原因进行排序，寻找出引起客户投诉的主要原因；最后，根据帕累托图的结果，对各类指标进行选择。 7）贝叶斯分类 经过数据整理，得到n条样本信息的集合S： 式中，IBi表示第i条投诉对应的业务类数据；IQi表示第i条投诉对应的质量类数据；IPi表示第i条投诉对应的感知类数据；ICi表示第i条投诉对应的容量类数据；Li表示第i条投诉对应的场景类数据。Typei表示第i条投诉对应的投诉类型。 （2）事中：投诉处理 经过投诉预判模块可以一定程度上减少用户可能的投诉，但投诉不可避免。当实际发生用户投诉时，本系统在线收集用户相关数据，使用历史数据库对投诉类型进行分析，基于贝叶斯分类算法对问题进行初步定位。根据用户投诉类型、投诉原因、投诉位置进行投诉热点分析，并在此基础上实现地理分级可视化呈现。 结果输出和策略建议 根据上述文本挖掘工具的分析， 可以快速获取用户热点投诉关键词、热点 投诉主题等 ，帮助投诉分析人员快速定位业务投诉的问题所在，发现服务问题与短板，将发现的问题快速反馈给相应的业务部门和系统支撑部门，及时 解决问题，提升用户感知，节省大量的投诉分析时间和人力成本。 平台针对当前用户语音体验感受仍缺乏规范的评定指标以及数据源的难点问题,围绕用户体验质量与投诉的Qo E(Quality of Experience)模型与评价方法等方面的工作,在用户日常使用及通话过程中,全方位地提取与用户体验相关的感知数据,利用基于关联分析的用户体验特征自适应提取技术,从感知数据提取特征,挖掘高维特征与用户体验指标的关联关系,并利用关联关系自适应提取针对不同体验指标的特征,从而为其赋予权重供后续分析,同时探索这些评测方法的软件化实现方法并形成可投入实际生产运营的分析平台。 本平台通过采集网络资源数据、CRM侧的投诉数据、信令数据、网管数据等数据,解析清洗采集的数据,并将数据存储入库,用以构建语音业务质量评估、潜在投诉用户识别、投诉用户分群等三个模型,对用户投诉进行科学、精准的预测,依据投诉预警概率,提前投诉预警,支撑网络优化、投诉处理及用户关怀,达到减少用户投诉,提升用户感知的效果,其具体功能说明如下: 语音业务质量(Qo E)评估分析:通过对用户投诉信息进行分析,获取用户投诉问题(打不通电话、掉话、串话、通话不清晰等),然后把投诉问题与语音业务的关键绩效指标(KPI)进行关联分解,得到可以真实反映用户语音业务质量的KPI评估指标体系,通过熵值法获取这些指标层次间的权重,得到评估函数,如图1所示。话音业务质量评估体系分为打不通、掉话、通话质差等三大类,其中每个大类还包含了若干细项,例如打不通包含的指标有呼叫成功率、鉴权成功率、应答成功率等;掉话包含的指标有掉话率、话音信道掉话率、位置更新拒绝率等;通话质差包含的指标有切入成功率、切出成功率等指标。 潜在投诉用户识别模型:用户体验不好会投诉,部分用户体验很好也会投诉,仅仅利用语音业务质量评估模型很难识别出真正的潜在投诉用户。因此,我们把用户体验作为投诉模型的因子之一输入,利用决策树构建模型,获取用户投诉的概率,投诉概率高的用户作为潜在投诉用户群体,如图所示。 投诉用户敏感度分析:潜在投诉用户是否会投诉,客服人员有限,怎么才能进一步缩小范围,减少客服的工作量?利用历史投诉数据建立细分模型,把投诉用户分为投诉专业户、高忍耐投诉群体、中忍耐投诉群体、低忍耐投诉群体等四大群体。我们把识别出的潜在投诉用户利用细分模型进一步分析,缩小预警范围,针对投诉专业户、低忍耐客户群体进行优先预警,有客服人员主动联系关怀。如图所示。 1）据采集与解析 该平台以网络资源数据、CRM侧的投诉数据、信令数据、网管数据为样本进行研究,获取语音业务质量评分因素与用户投诉特征。语音业务质量评分因素分为接入类、保持类和覆盖类。接入类指的是用户从拨号呼出开始一直到通话结束为止的信令场景,其中包含的KPI指标有RAB指配成功率、CM业务响应成功率、鉴权成功率、加密成功率、呼叫成功率、振铃成功率、应答成功率;保持类指的是用户在通话过程中发生的信令场景,其中包括的KPI指标有掉话率、话音信道掉话率、切入成功率、切出成功率、位置更新拒绝率;覆盖类指的是用户在未发生通话过程中,手机与基站产生的信令场景,其中包括的KPI指标有寻呼成功率。用户投诉有两个特征:用户投诉无信号或无法接打电话,用户投诉所在位置无信号,信令特征为频繁在不同的区域(lac)和基站扇区(ci)进行正常位置更新信令;用户投诉通话经常掉话,用户投诉所在位置通话过程中时断时续,经常掉话,信令特征为用户在通话过程中,频繁发生BSC内切换信令。 2）数据清洗 为了提高投诉预测的精准度,保证语音业务质量评分因素与历史投诉数据的准确性和干净就显得尤为重要了,因此必须对获取的初始数据进行清洗,通过清洗去掉不必要的干扰数据,过滤掉与语音业务无关的评分因素与投诉特征,比如网络方面的因素与特征,服务方面的因素与特征等,原始数据越干净、干扰项越少,投诉预测的准确性就越高。 3） 模型建立 本平台中包含有语音业务质量评估模型、潜在投诉用户识别模型和投诉用户分群模型。语音业务质量评估模型通过投诉数据分析、感知问题分解、感知指标选择、指标权重计算的流程获得一个评分函数;潜在投诉用户识别模型通过从前期的分析探索,结合相关性分析、主成分分析等方法筛选建模所需的相关指标,对已投诉用户建模挖掘,运用聚类、决策树、RFM、神经网络等分析方法进行模型评估优化,提取预测规则,输出潜在投诉用户清单;投诉用户分群模型通过分析历史投诉用户,根据用户投诉的次数、时长、内容等进行投诉用户分群,再根据用户感知QOE评分分析群特征描述,指导投诉人员的用户体验提升策略制定。 4）实现软件应用 数据装载:完成平台需要接入3种数据源,不同数据源特征不同,应采用不同的装载技术,将其加载到基础数据层。通过ETL技术、应用分布式数据装载、数据流接入技术分别完成投诉数据、信令数据、基站小区等基础数据的装载。 基础数据层:平台数据处理与存储的核心部分,采用分布式计算及存储技术Hadoop完成大数据的明细存储(存储原始信令数据),根据业务需求定义的数据模型应用并行计算技术,完成各种维度的数据计算与汇总,并将其结果存储到维度汇总数据中。 数据仓库:平台的维度汇总数据的较长周期存储,并向应用层提供数据,采用HBase数据库技术完成支持应用层的各种维度的数据提取与呈现。 实时流处理引擎:为实时应用提供实时指标计算和反向实时数据通道,为实时应用提供数据源的实时数据。 业务层:实现平台业务逻辑相关的处理功能,它提供流量控制、异常控制、消息路由、消息转换、消息丰富、消息合并和协议转换等服务,并可编排原子服务形成组合服务快速向外提供服务能力。 表现层:使用标准的J2EE技术,根据人机交互的逻辑,组装出“业务层-表现层”提供的界面展示构件,并最终提供出使用人员可用的人机交互界面。 相比早期的投诉管理平台而言,基于大数据的投诉关联分析平台在多个方面进行了工作延续与突破,主要如下: 变被动接受投诉为主动预警关怀模式,实时输出投诉预警用户报表,提前开展客户关怀。 依托于大数据平台,平台每个小时都会输出一份该小时内用户的感知情况评分表,通过预设的预警阀值,对感知较差的用户生成投诉预警用户报表,并推送给客服人员,客服人员可以通过报表方便的查看客户投诉特征、处理建议及答复口径,以此为依据对客户主动进行关怀,展开有针对性的客户服务,从而有效降低客户投诉率、投诉量,提升客户满意度。 科学的投诉预警体系,构建语音业务质量评估、潜在投诉预警、投诉客户细分等三个模型,通过模型间的连接,提升投诉预警的精确度。 该平台能够深度分析用户投诉数据,根据投诉用户投诉时段的全量信令数据,为特定的用户投诉特征画像。将用户投诉问题分解为网络KPI指标,构建语音业务质量评估模型,获取用户语音通话体验;语音业务质量评估模型的输出作为输入之一,构建潜在用户识别模型,识别有可能投诉的用户;对潜在的投诉用户,通过投诉用户分群模型进一步细化,最后预警最有可能投诉的用户群体,提升预警的准确度,同时降低客服人员的工作量。 （3）事后：投诉诊断 为了进一步完善电信客户的投诉管理流程，需要进行事后的投诉诊断。首先，通过大数据平台的数据整理，结合用户的回访数据，对用户特征进行画像，为的投诉预判打基础。然后，将预测失败的数据经修正后加入数据库，不断丰富历史数据库，加强贝叶斯算法自我学习能力，持续进行网络优化。 基于电信大数据的投诉管理系统应用 我司在大数据运营服务平台的基础上，搭建了数智客服大数据综合管理平台的投诉管理系统。可通过对历史数据库反复不断的学习，实时采集用户数据，对用户的投诉进行预判。利用贝叶斯分类算法计算单位面积下的倾向投诉量，在文中定义概率高于70%以上的投诉为客户的倾向投诉。利用历史数据库中的投诉分类和重要程度排序，对用户的倾向投诉的重要程度进行分析，并利用不同的配色进行级别渲染和地理可视化呈现，在本文中主要采用四种颜色表示其投诉的重要程度，其重要程度排序为红色>黄色>浅绿>深绿。 1.2.1.2.3. 大数据分析 （1）大数据分析及AI训练 人工智能AI系统在多个应用场景上构建了智能训练能力，能够不断迭代优化后续服务过程，通过人工主动标注训练的方式，逐步提升意图准确率。 通过静默座席和座席助手干预的方式实现会话过程中的服务结合训练，在服务用户过程中就完成了训练。 通过后台主动训练的方式实现集中化的智能AI训练，实现对于AI服务能力在短时间内的快速提高。 整个过程依托训练平台能够快速达到较好效果。 人工智能AI系统具备自主学习能力，根据前期外呼效果，优化语意识别、语境识别、情感识别等相关模块，不断迭代优化后续服务过程，逐步提升业务满意率。整个过程依托训练平台自动进行、人工干预，能够快速达到较好效果。 采用的是AIBoost辅助智能产品优化训练平台。在机器人上线后，AIBoost通过对数据进行智能化处理，充分协同智能训练师与算法工程师的工作，快速迭代优化线上效果。 知识回流的目的是辅助提升智能产品的解决率、覆盖率等关键指标，充分利用数据智能，提升机器智能训练的自动化程度，降低人工及时间成本。 整个知识回流过程如下图所示： 知识回流过程图 基于行业知识库业务包，导航机器人模块可以理解...