衡量售后服务智能客服机器人的标准是什么

文章摘要：智能客服机器人慢慢成为了很多企业售后环节的标配产品，同时市面上智能客服供应商也如雨后春笋般涌现，大家都宣称自己的机器人多么智能。但很多时候，上线后要让机器人发挥作用，不是“多么智能”几个字就能达到目...

智能客服机器人慢慢成为了很多企业售后环节的标配产品，同时市面上智能客服供应商也如雨后春笋般涌现，大家都宣称自己的机器人多么智能。但很多时候，上线后要让机器人发挥作用，不是“多么智能”几个字就能达到目标。里面需要团队中的产品、运营、算法等人一起努力，当然，很多团队由于没有经验，这个过程会像丈二的和尚摸不着头脑，需要进行多次摸索才能知道该如何优化。

所以，今天要讨论的，就是如何系统化去衡量机器人的效果，从而帮助团队针对性高效优化客服机器人。

北极星指标

说到衡量效果，就需要提到数据指标。每款产品都有很多数据指标，而我们要找的应该是最核心的指标，即业界说的【北极星指标】。这个指标一定是最能体现业务目标的。

比如闲聊机器人是为了陪伴用户度过每个无聊的日子，北极星指标应该是活跃度和留存率；

营销机器人是为了让用户下单，北极星指标应该是营销转化率。同样的客服机器人是为了解决用户疑惑，不用转人工从而降低成本，所以北极星指标应该是【独立接待率】，与其相反的就是【转人工率】。

维护客服机器人，其实就是不断提高独立接待率，降低转人工率。

找到这个核心指标不是完事，毕竟这个指标可能连我不怎么用网络的舅舅都知道。这只是一个开始，接下来还得知道哪些因素会影响该指标，才能从这些方向针对性地优化机器人。

客服业务流程

要想降低转人工率，也就是机器人能帮客户解决更多问题，那就要求机器人能像人工客服一样，甚至做得比人工客服更好，才能让客户认可。我们回想下，客服在解答用户问题时，都做了哪些事？总结了一下，客服的核心业务流分为三部分：

① 了解用户的问题：知道用户问的是什么问题，如果用户表达不清楚，还需要跟用户确认

② 了解问题的解法：知道该问题如何解决，考验客服对业务的熟悉程度

③ 解答用户的问题：利用用户听得懂的表达来解答用户问题，且需要适时安抚

客服机器人业务目标

了解了客服的核心业务流之后，我们需要让机器人也能完成这个流程，从而让客户愿意接受机器人的答案，降低转人工率。对于机器人来说，要满足核心业务要求，需要其达到对应的能力。那具体对应是哪些能力，这里我根据以往的经验，做了一层映射。

① 了解用户的问题：准确知道用户问题的意图，若意图缺失，还需要与用户确认

② 了解问题的解法：知道大部分业务问题的答案，能够在识别到用户意图之后给出解法

③ 解答用户的问题：回复话术需要让用户听得懂，听得舒服，保持人性化

根据以上内容，总结了降低客服机器人转人工率的三个方向以及对应指标，接下来我们就一个个方向进行细化。

一、识别得多不多

识别得多不多，也就是机器人能不能理解用户更多意图，并给出相应回复。这里就要求机器人知识库能够覆盖更多业务问题，当业务覆盖率越高，机器人就能识别更多意图，解答更多业务问题。

业务问题可以通过聚类历史数据筛选出来，那如何从更细化的指标体现业务覆盖率呢？

一般来说，知识库覆盖的业务问题越多，机器人不知道的问题就越少，也就是无法识别的比例越低；对应能够识别且回复的问题越多，也就是直接回复比例越高。在这两者之间，还有一类间接回答的场景，也就是机器人大概知道但又不大确定的问题，就会推荐几个类似问题让用户确认。

总的来说，要衡量机器人识别得多不多，可以通过机器人回复类型来判断，目标就是：机器人回复的所有消息中，直接回答比例不断提升，间接回复和无法识别的比例不断降低。

二、识别得准不准

我们想观察机器人识别得准不准，实际上就是在分析机器人自信认为理解了用户的意图，而事实上到底对不对。

机器人自信认为对的问题，也就是我们前面说的直接回答场景，也就是机器人直推且正确的消息数与机器人直推的消息数比例，可以归纳为【直推准确率】。当然，判断机器人直接回复准不准确，需要机器人训练师做人工质检，才能得到确切的数据。

另一方面，我们也可以考核机器人给出所有反馈的准确率，包括了直接回答和间接回答。虽然间接回答是机器人不大自信，没有给出直接答案，从而给出了推荐问题；但如果推荐问题都是错的，那就没有任何意义，甚至大大降低了用户体验，所以还是需要保证其准确性。

因此我们可以归纳为【综合准确率】，公式可以总结为：（机器人直推且正确的消息数+机器人间接回答且正确的消息数）/机器人直接+间接回答的总消息数。

当然，或许有人会有疑惑，机器人间接回答到底正不正确很难衡量，甚至人为质检都存在很大不确定性。确实，这个指标比较模糊，但我们可以从用户反馈动作来观察，也就是看机器人间接推荐了问题且用户采纳问题去查询答案的场景，我们就理解为机器人间接回答是正确的。从这个定义出发的话，我们也不需要进行人工质检，由系统根据用户反馈来进行统计。

三、回答得好不好

业务覆盖也做了，准确性也保障了，最后就是要给出答案。衡量机器人回答得好不好，很大程度上跟AI能力无关，而是运营效果的衡量。运营人员给每条知识库问题配了答案之后，这个答案需要能够解决用户问题，安抚用户情绪，从而让用户不转人工。所以要看回答得好不好，一方面我们需要细化到每个FAQ的效果来看，另一方面这是一个非常主观的问题，所以我们需要将主观变为客观，也就是看针对每个答案，用户的反馈。

用户对机器人的反馈一般有两种，一种是转不转人工，另一种就是评价，对应的指标就是【答案解决率】和【答案的满意度】

答案解决率就是机器人给出了答案后，用户是否转人工，若是转人工了，说明答案无法解决用户问题，如果没有转人工，一定程度上可以理解为解答了用户问题。所以运营可以通过这个指标，筛选出答案转人工率最高的问题，进行针对性优化，提升答案解决率。

答案满意度是通过用户对智能客服机器人答案的点赞或者点踩来进行分析，我们可以分为整体点赞/点踩率和单个答案的点赞/点踩率，从整体和局部去分析机器人回答的好坏。例如某个答案的点踩率特别高，我们就需要进行策略调整，是不是换个回复内容，甚至牺牲转人工率，让其进入人工，从而保证用户体验。

结果，有了以上细化的衡量方向，我们就可以清晰地看出影响智能客服北极星指标的因素有哪些，总结如下；同时我们通过具体数据，也能巩固知道应该往哪些方向去优化。比如直接推荐比例很低，那就需要训练师覆盖更多的业务业务场景；直推准确率很低，就需要训练师增加相似问法，算法工程师调优模型；答案点踩率很高，就需要运营优化答案及回复策略。

文章为沃丰科技原创，转载需注明来源：https://www.udesk.cn/ucm/faq/13824