苏商银行：大模型智能客服助手

苏商银行大模型客服助手

客服领域场景概述

• 客户服务：通过电话、手机APP等渠道提供业务咨询、办理、产品营销等服务，坚持客户为中心。
• 贷款客户经营：负责税E贷、采购贷、商户贷等小微企业贷款及个人消费贷款的销售和贷后维护，优化产品结构，降低风险。
• 风险资产管理：强化信用风险监测与预警，运用IVR技术提升催收效率。
• 理财客户经营：借助CRM系统开展存款和理财客户经营，实现新客开发、老客深挖、客群转化闭环。

大模型技术概述

• 大模型基本概念：指包含百亿以上参数的深度神经网络构建的自然语言模型，如ChatGPT，通过大量数据学习语言规则和知识。
• 对话式交互：将成为下一个超级增长点的交互方式，Chatbot将逐渐成为新的操作系统。
• 开源与闭源模型：开源模型性能逼近闭源模型，GPT-4在开源模型中表现突出。
• 政策支持：国家及地方政府出台多项政策支持AI大模型发展，苏商银行参与南京市金融大模型工程技术研究培育中心建设。

大模型在客服领域的应用场景

• 应用场景：贷款客户经营、理财客户经营、客户服务、风险资产管理。
• 具体应用：
  • 客户服务：更准确解析用户输入，提升智能客服同理心，优化知识库维护效率。
  • 贷款客户经营：生成个性化营销策略，帮助销售人员生成客户画像，增强客户忠诚度。
  • 风险资产管理：优化催收策略，提升催收成功率，合理分配催收任务。
  • 理财客户经营：提供定制化建议和解决方案，实现个性化服务。
• 案例简述：
  • 中国建设银行：提升智能客服金融知识理解能力，优化客服工单生成功能。
  • 中国交通银行：强化业务端留客能力，提升理财模型策略成交率。
  • 中国邮政储蓄银行：打造沉浸式陪伴服务，提升消保管理能力。
  • 其他案例：网点员工智能助手、营销创意内容自动化生产、客户投诉智慧治理模式。

苏商银行的大模型客服助手实践

• 业务痛点：
  • 客服知识库运营效率低。
  • 客服效能面临多重挑战：响应延迟、服务质量参差不齐、培训周期长、机器人客服理解力不足。
  • 质检流程准确性不高。
  • 电销/电催话术提炼效率低。
  • 登记工单效率低。
• 项目目标：打造“客服智能助手”赋能远程银行客户服务业务，形成事前知识库运营提效、事中副驾驶赋能、事后质检守护闭环。
• 具体助手：
  • 客服知识库助手：自动化管理知识库，降低人力成本。
  • 质检助手：自动化质检，提高效率和准确性。
  • 话术推荐助手：实时推荐合适话术，提升客服效率和服务质量。
  • 工单助手：自动生成规范化工单，提高处理效率。
  • 话术提炼助手：从非结构化数据中提炼优秀话术，丰富语料库。
• 技术实现：
  • 意图识别、知识问答、任务型对话。
  • 语音转文字、数据预处理、识别差错点。
• 落地效果：
  • 客服知识库助手大幅提升在线客服机器人自助解决率。
  • 话术推荐助手并行会话数提升，人效提升33%。
• 挑战与解决方案：
  • 缺少高质量训练数据集：优先使用提示词工程，加强人工审核，使用合成数据技术。
  • 模型更新换代迅速：提示词工程标准化和统一模型版本管理。
  • 推理速度无法满足实时话务场景需求：模型剪枝、量化、使用推理加速引擎。

未来的发展方向

• 全渠道集成：实现客服助手在所有客户接触点的无缝集成。
• 个性化服务：基于客户历史交互数据提供定制化服务。
• 安全护栏：遵循数据隐私和安全法规，确保客户数据安全，避免偏见和歧视。
• 充分利用客户对话数据：数据驱动的KYC，模型优化。
• 经济高效的推理部署方案：模型剪枝、量化，资源弹性管理。
• 营销策略优化：识别营销机会，预测客户行为，制定和优化营销策略。
• 互动问答环节：欢迎积极提问。