對(duì)于熱線來說，小二不可能同時(shí)接好幾個(gè)電話，而且業(yè)務(wù)上可承接的線下客服也少，這時(shí)候如果出現(xiàn)大面積排隊(duì)怎么辦？

　　通過數(shù)據(jù)分析發(fā)現(xiàn)，很多技能組在一天內(nèi)的繁忙度在波動(dòng)，有高峰也有低峰，下圖所示展示了某技能組的剩余服務(wù)數(shù)，可以看到有兩個(gè)繁忙時(shí)間段，10~13點(diǎn)，17~21點(diǎn)，這兩個(gè)時(shí)間段的空閑服務(wù)數(shù)很多時(shí)候都是0，而其它時(shí)間段相對(duì)比較空閑，如果能將這些繁忙時(shí)間段的進(jìn)線量騰挪到非繁忙時(shí)間段，這樣就能大大提升客服的人員利用率，也能避免客戶排隊(duì)的煩惱。

　　怎么做呢？通過預(yù)約回?fù)埽瑢��?dāng)下服務(wù)轉(zhuǎn)變?yōu)槲磥矸��?wù)。如下圖所示，主要有兩個(gè)模塊構(gòu)成。

　　1）預(yù)約觸發(fā)器。用戶電話進(jìn)來后，預(yù)約觸發(fā)器會(huì)根據(jù)技能組的繁忙情況，來判定是否要觸發(fā)預(yù)約；

　　2）回?fù)苡|發(fā)器。采用系統(tǒng)主動(dòng)外呼模式，一旦發(fā)現(xiàn)技能組繁忙度處于低峰，就會(huì)觸發(fā)回?fù)埽�只要用戶電話被接通，就�?huì)以高優(yōu)先級(jí)進(jìn)入到分配環(huán)節(jié)，從而讓客服人員在有效的工作時(shí)間內(nèi)都在真正的與客戶通話。

　　調(diào)度的目標(biāo)是：“提升客服資源的利用率和服務(wù)水平，用更少的客服資源獲得更佳的用戶體驗(yàn)”。前面這些策略的關(guān)注點(diǎn)更多是在提升客服資源利用率上，有沒有什么策略能提升用戶的滿意度？我們從分配這一環(huán)節(jié)入手。

　　本質(zhì)上我們要解決的是“會(huì)員（任務(wù)）-客服匹配優(yōu)化”問題。在傳統(tǒng)模式下，分配就是從某技能組的排隊(duì)隊(duì)列中找到一個(gè)等待時(shí)間最長(zhǎng)的會(huì)員，然后再找一個(gè)該技能組下最空閑的客服完成匹配。這種公平分配方式考慮維度單一，未能在全局層面上掌握和調(diào)度分配有關(guān)的會(huì)員、客服、問題等各類信息。

　　匹配優(yōu)化問題其實(shí)是二部圖匹配問題，如圖所示，在某一時(shí)刻，我們可以得到某技能組下未分配的客戶（任務(wù)）以及具備剩余服務(wù)能力的客服，如果能知道每個(gè)任務(wù)與每個(gè)客服之間的匹配概率，那就可以通過穩(wěn)定婚姻算法找到最佳匹配。

　　如何求得任務(wù)與客服之間的匹配概率？抽象為分類回歸問題，核心在于構(gòu)建大量樣本（x1，x2，x3，…，xn）(y)。針對(duì)一通歷史會(huì)話任務(wù)，y是客戶評(píng)分或會(huì)話時(shí)長(zhǎng)（目標(biāo)可選），而x既包含了客服特征如過去30天的滿意度、平均響應(yīng)時(shí)間等等離線指標(biāo)，以及客服當(dāng)前會(huì)話的服務(wù)會(huì)員數(shù)、最大會(huì)員數(shù)等實(shí)時(shí)指標(biāo)，也包含了任務(wù)的特征，如問題類型、等待時(shí)間、訂單編號(hào)、重復(fù)咨詢次數(shù)等等。樣本有了后，下面就是選擇分類算法進(jìn)行訓(xùn)練，最終我們采用了CNN。

　　在迭代過程中發(fā)現(xiàn)，模型會(huì)將流量更多分配給好的客服，而指標(biāo)相對(duì)較差的客服的流量則變少，為了避免少量客服上班接不到客反彈的情景，我們將公平性的指標(biāo)引入到模型中。

　　通過最優(yōu)分配來提升滿意度的一個(gè)重要原因是將流量更多分給了能力強(qiáng)水平高的客服，而這部分客服的占比不高，為什么？為了應(yīng)對(duì)11、12這兩個(gè)特殊月份的高流量，業(yè)務(wù)團(tuán)隊(duì)要招募培訓(xùn)大量的云客服。這些新手涌入必然會(huì)對(duì)滿意度帶來影響，換句話說，如果要想進(jìn)一步提升滿意度指標(biāo)，必須提升新手客服的服務(wù)水平。

　　對(duì)于新手，在上崗前提升他們水平的唯一方式就是培訓(xùn)，傳統(tǒng)的培訓(xùn)都是通過線下讓云客服看視頻等學(xué)習(xí)資料，然后進(jìn)行筆試，通過后就直接上崗，帶來的問題是很多新客服對(duì)平臺(tái)的工具、解決方案都不熟悉就直接服務(wù)會(huì)員，會(huì)員體感較差。

　　對(duì)比練車場(chǎng)景，我們發(fā)現(xiàn)練車有科目1、科目2、科目3等不同流程，科目1學(xué)習(xí)理論，科目2和科目3實(shí)戰(zhàn)模擬，如果我們引入這種實(shí)戰(zhàn)模擬就能大大提升新客服的服務(wù)水平。

　　我們創(chuàng)新的提出了使用機(jī)器人（大黃）來培訓(xùn)客服這一全新的客服培訓(xùn)模式（已申請(qǐng)專利）。新客服在培訓(xùn)租戶里，通過點(diǎn)擊大黃頭像，會(huì)產(chǎn)生一通非常真實(shí)的模擬會(huì)話，通過和會(huì)員聊天，不斷學(xué)習(xí)平臺(tái)工具使用，不斷提升解決客戶問題能力。一旦會(huì)話結(jié)束后，大黃機(jī)器人會(huì)對(duì)這通會(huì)話進(jìn)行評(píng)價(jià)，并會(huì)告知應(yīng)該使用某種具體的解決方案來回答用戶問題。

　　對(duì)于新客服，目前必須完成大黃80通會(huì)話后才能上崗，整個(gè)財(cái)年培訓(xùn)客服幾萬人，服務(wù)會(huì)話量達(dá)到幾百萬輪次。abtest顯示通過大黃試崗的客服不管在滿意度、不滿意、平均響應(yīng)時(shí)間、平均服務(wù)時(shí)長(zhǎng)等各項(xiàng)指標(biāo)上都有非常明顯提升。

　　從上面可以看到我們的客服調(diào)度策略多且復(fù)雜，每種策略都起到了一定提升客服資源的利用率和服務(wù)水平的作用�，F(xiàn)在的問題來了，不同場(chǎng)景下這么多策略如何選擇？比如現(xiàn)在技能組A突然排隊(duì)100個(gè)會(huì)員，這個(gè)時(shí)候是直接溢出到其他技能組，還是觸發(fā)主動(dòng)+1或觸發(fā)應(yīng)急放班呢？這里需要一個(gè)大腦來做決策。

　　如何讓這個(gè)大腦適用于各種復(fù)雜的業(yè)務(wù)場(chǎng)景是難點(diǎn)。我們平臺(tái)目前租戶就有幾十個(gè)，僅淘系這一個(gè)租戶就劃分了幾十個(gè)客服部門，每個(gè)部門下又細(xì)分了一系列技能組，不同部門間業(yè)務(wù)場(chǎng)景不同。在嚴(yán)重缺乏歷史數(shù)據(jù)積累情況下，很難直接通過訓(xùn)練一個(gè)決策模型來適應(yīng)多種業(yè)務(wù)。于是我們的思路就轉(zhuǎn)換為直接利用現(xiàn)場(chǎng)管理員的專家知識(shí)，讓他們將決策邏輯沉淀為一條條的規(guī)則。

　　目前平臺(tái)上已經(jīng)配置了上萬條規(guī)則，每天生效的規(guī)則也有幾千條，這些數(shù)據(jù)的沉淀讓我們可以通過智能優(yōu)化技術(shù)實(shí)現(xiàn)真正的智能調(diào)度決策大腦。

　　客服調(diào)度策略繁多、邏輯復(fù)雜，調(diào)度結(jié)果會(huì)切實(shí)影響整個(gè)環(huán)節(jié)參與者的感受，因此我們搭建了XSigma調(diào)度大屏，方便大家理解。在實(shí)踐過程中發(fā)現(xiàn)調(diào)度大屏能建立起使用方對(duì)調(diào)度系統(tǒng)的信任感，降低開發(fā)人員和管理員發(fā)現(xiàn)、定位并解決系統(tǒng)問題的成本。舉個(gè)例子，管理員在XSigma平臺(tái)上設(shè)置一些規(guī)則，比如A技能組排隊(duì)數(shù)>=1觸發(fā)溢出到B技能組，設(shè)置完后他心里沒底，他也不知道設(shè)置的邏輯是否生效，往往會(huì)讓開發(fā)同學(xué)再次確定下有沒有生效，而現(xiàn)在有了可視化調(diào)度大屏，既能觀察到各個(gè)技能組的服務(wù)量、剩余服務(wù)量等實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)，也能看到實(shí)時(shí)調(diào)度各種策略生效的過程，以及每天調(diào)度的實(shí)時(shí)匯總明細(xì)數(shù)據(jù)。

　　在調(diào)度優(yōu)化場(chǎng)景中，如何評(píng)估調(diào)度系統(tǒng)的好壞至關(guān)重要。有沒有一種手段能評(píng)估XSigma是否能適應(yīng)各種場(chǎng)景？能提前證明在雙11這種大促期間也能順暢的調(diào)度？能及時(shí)發(fā)現(xiàn)調(diào)度過程中出現(xiàn)的問題？這不僅是我們也是業(yè)務(wù)同學(xué)迫切需要知道的。

　　仔細(xì)思考發(fā)現(xiàn)，要解決的問題和技術(shù)的全鏈路壓測(cè)要解決的問題很相似，我們要做的其實(shí)是業(yè)務(wù)上的全鏈路壓測(cè)，于是我們搭建了客服調(diào)度的仿真演練系統(tǒng)。

　　基于大黃機(jī)器人，我們已經(jīng)能模擬會(huì)員進(jìn)線，通過定制改造，機(jī)器人可以制造各種主題類型的題目，比如雙十一類型場(chǎng)景等。在此基礎(chǔ)上，結(jié)合業(yè)務(wù)同學(xué)的預(yù)估量，可以設(shè)置出各個(gè)技能組的進(jìn)線量。

　　在雙十一之前，業(yè)務(wù)同學(xué)使用這套演練系統(tǒng)大規(guī)模演練過兩次，由于是基于真實(shí)服務(wù)量進(jìn)行演練，而不是以前的口頭相傳的方式，讓調(diào)度上下游每一個(gè)參與的同學(xué)都有壓力感。在演練過程中發(fā)現(xiàn)的一些問題改進(jìn)后，大大提升了我們應(yīng)對(duì)大促突發(fā)流量的信心。

　　XSigma智能客服調(diào)度系統(tǒng)采用自動(dòng)化配置、機(jī)器學(xué)習(xí)等技術(shù)，將復(fù)雜的調(diào)度問題分層處理，并在日益增長(zhǎng)的會(huì)員任務(wù)基礎(chǔ)上，不斷精細(xì)化調(diào)度模型依賴的狀態(tài)預(yù)估數(shù)值，不斷提高調(diào)度模型的多目標(biāo)規(guī)劃能力，同時(shí)通過大量運(yùn)用平臺(tái)可視化技術(shù)，以實(shí)時(shí)、圖表化的方式將系統(tǒng)運(yùn)行狀態(tài)呈現(xiàn)出來，最終在客服效率和用戶體驗(yàn)時(shí)間上得到優(yōu)化效果。該系統(tǒng)上線后，相比于往年，服務(wù)不可用時(shí)長(zhǎng)這一業(yè)務(wù)核心指標(biāo)直接下降98%。