易觀分析：雖然客戶服務有著將近20年的發展歷史，相對于人工客服，客戶體驗依然較差。銀行應用智能客服系統時，存在二次開發成本高、廠商的解決方案不能夠很好地適配銀行場景等問題。銀行需要形成智能客服相關的可復用于跨部門的中臺能力。

事件背景

隨著人工智能技術的發展，智能客服在各行業的應用快速增加。

雖然客戶服務有著將近20年的發展歷史，相對于人工客服，客戶體驗依然較差。銀行應用智能客服系統時，存在二次開發成本高、廠商的解決方案不能夠很好地適配銀行場景等問題。

銀行業智能客服場景相對分散，未實現全場景智能化升級

易觀分析認為，銀行業客戶服務建設包括四個發展階段：企業自建呼叫中心、托管型呼叫中心、多渠道云客服以及全場景智能客服。

基于上述發展階段劃分，以及當前銀行業客戶服務發展現狀，目前銀行處于從多渠道云客服向全場景智能客服的發展階段，重視對客戶服務體系的智能化升級，但存在技術債等歷史遺留問題，場景相對分散，尚未實現全場景智能化。

具體分析如下：

其一，在銀行業，由于各業務部門的業務內容、相關數據系統、客服渠道都存在巨大差異，各業務部門具有獨立采購智能客服產品的權限。智能客服廠商按照銀行部門提供定制化解決方案，使得不同部門的客服系統彼此獨立，形成數據孤島。

其二，在數據孤島的背景下，銀行業還存在難以打通客服數據，為深度學習提供充分素材的情況。即使是大型銀行，在一些客戶服務量少的渠道，例如小程序、NPS評價或某些特定的營銷渠道，月度服務量也僅有幾百到幾千，深度學習無法基于這個數量級的數據實現有效的訓練，從而形成千人千面的個性化服務。

其三，全場景智能客服需要多技術棧融合，同時具備扎實的客服知識庫體系，這一方面也存在短板。智能客服不僅是回答客戶提問、提供自助服務的語音機器人。廣義的智能客服還包括坐席服務、運營管理、坐席管理等內容，如下表所示：

多樣化的應用場景以及能力支持導致智能客服的建設需要融合大量產品、技術、解決方案。這不僅包括音視頻對話、自然語言處理、深度學習、知識庫等相關能力，也包括BI、OA、協同辦公系統建設等坐席人員管理、客服運營方面的能力。

另外，語音&語義識別的準確率僅在70-90%之間，方言適配僅支持數十個地區的、銀行現有用戶行為的數據量和分類維度不滿足深度學習所需的要求、知識庫不具備當前客戶個性化需求。這導致智能客服在多輪次、高復雜度的客戶服務互動中，無法理解對話內容、沒有適配的知識庫答案。

易觀分析建議：

易觀分析認為，銀行需要在企業級架構的基礎上，形成智能客服模塊的中臺能力，對可復用的技術能力進行統一規劃、開發和應用。

形成中臺能力可以實現核心能力的自主可控，同時降低技術開發、資金投入方面的投入，還可以保障相關能力更貼合銀行自身的業務需求。

形成中臺能力也可以實現客戶跨業務、跨渠道的服務信息同步，提升客戶體驗。

聲明須知：易觀分析在本文中引用的第三方數據和其他信息均來源于公開渠道，易觀分析不對此承擔任何責任。任何情況下，本文僅作為參考，不作為任何依據。本文著作權歸發布者所有，未經易觀分析授權，嚴禁轉載、引用或以任何方式使用易觀分析發布的任何內容。經授權后的任何媒體、網站或者個人使用時應原文引用并注明來源，且分析觀點以易觀分析官方發布的內容為準，不得進行任何形式的刪減、增添、拼接、演繹、歪曲等。因不當使用而引發的爭議，易觀分析不承擔因此產生的任何責任，并保留向相關責任主體進行責任追究的權利。