实战 | 助力客户体验提升——NLP在分析客户反馈场景下的应用
欢迎金融科技工作者积极投稿！
投稿邮箱：newmedia@fcmag.com.cn
——金融电子化
文 / 中原银行数据银行部 王琛
项目背景：时代浪潮中的暗礁
数字化转型的浪潮正迅速将客户体验触点打散，由此产生多渠道、多类型的反馈数据。要做好客户体验，就需要将分散在不同渠道的反馈数据进行整合分析，透过数据理解客户的需求。然而实际推行过程并不是很顺利，原因有以下五个方面。
图1 客户反馈数据分析的五个困境
1.团队规模偏小。大部分客户体验团队人数不超过10人，面对海量数据，显得力不从心。
2.抽样存在偏差。传统客户体验以问卷调查为载体，这类调研中实际受访的人数往往只占到客户总量的7%，由此得到的客户体验分析难免有失偏颇，容易造成抽样偏差。
3.分析标准不统一。人工分析数据时，容易受主观情绪的影响，缺乏客观的评判依据，造成分析标准不统一、分析结果不一致。
4.反馈类型多样。大量非结构化数据（文本、图片、音视频等）相对于结构化信息而言，更难被标准化和解析，这类数据需要大量人工进行处理，投入回报率偏低。
5.角色面临边缘化。一系列的困境导致客户体验团队难以证明其对公司的价值，导致角色面临边缘化，形成恶性循环。
解决思路：以AI为变革号角
随着人工智能的不断发展，针对海量非结构化数据的处理已经可以不依赖大量手工劳动，便可以挖掘出数据潜在的价值。我们通常将人工智能中的NLP技术应用于客服反馈分析这一垂直领域。NLP的全称是Natural Language Processing，其中文表述为“自然语言处理”。它是计算机和人工智能的一个重要领域。顾名思义，该领域研究如何处理自然语言。自然语言就是我们人类社会交流所使用的语音和字符系统。就目前而言，NLP所研究的对象以字符系统为主，也就是以我们通常说的“文字”。
NLP主要应用于自然语言理解和自然语言生成两个大方向，细分领域包括分词、词性标注、NER、抽取、情感分析、文本摘要、对话生成等。
本项目使用NLP多维度分析客户反馈数据，旨在确保分析结论的准确性、全面性，主要应用到的NLP能力包括以下五类。
1.情感分析：分析客户反馈过程中的情感倾向，包括正向、反向、中性三个倾向。“正向”代表客户对我行服务的认可，“反向”代表客户对我行发展提出了宝贵意见，“中性”代表客户反馈是以咨询为目的。
2.反馈分类：精准理解反馈数据，提高归因分析能力。每一条数据都将以“反馈客户来自于XX分行，反馈问题归属于总行XX部门，反馈的产品名是XX，反馈的产品问题是XX”的形式进行归类。
3.信息抽取：通过分析客户反馈数据，从中摘取出关键的词、短语或者句子，以词云的方式将反馈数据直观地呈现出来，以便业务人员快速了解客户的“惊喜点”和“吐槽点”。
4.故障检测：对特定时间段负向反馈中的热点词汇进行趋势分析，及时发现潜在功能方面、服务方面的问题，并对故障演变趋势做出精准预测。
5.文本摘要：提炼反馈要点，降低处理成本。
基于以上五类能力，中原银行自主研发了一套VoC客户之声洞察系统。该系统依托于大数据平台、机器学习平台、一站式分析平台这三大数据平台，现已具备灵活伸缩、迭代周期短、易于扩展等特点。其中，大数据平台负责底层数据存储，机器学习平台提供NLP标准能力，一站式分析平台负责前端展示。整体系统架构如图2所示。
图2 VoC客户洞察系统架构示意图
实践方案：系统的技术要点
能力层是VoC客户洞察系统的核心，决定了分析结论的可靠性。以下将详细介绍与能力层相关的三类模型。
1.分类模型
图3 分类模型
分类模型采用先进的预训练模型结构，先验知识使得模型无需大量标注数据，可减少人力成本。情感极性、反馈问题归属部门、反馈问题归属产品某类功能均可以经由分类模型得到。
2.关键词模型
图4 关键词模型
关键词模型首先需要对反馈数据进行分词处理，在分词之前，我们需要将一些特色的词汇加入到词表，通过语义模型分别得到句子和词的向量表示，然后通过MMR算法计算词与句子之间的相似得分，最终输出最有价值的词。这些词往往就是客户反馈中的“惊喜点”或者“吐槽点”。
3.摘要模型
图5 摘要生成模型
摘要模型采用Seq2Seq，选择了较为经典的UniLM结构，同时考虑到“输入+输出”的总长度限制，选择了华为的NEZHA模型作为基础模型架构，因为NEZHA使用了相对位置编码，对长度友好。此外，在使用预训练模型方面，我们将部分词语加入到了NEZHA模型中，改变了中文预训练模型以字为单位的通用选择，这使得模型的效果和速度都有一定的提升，同时引入BIO Copy机制使其具有Copy连续片段的能力。
基于以上三种模型分别对反馈数据进行细化分析，最终分析效果如图6所示。
图6 分析效果
项目成果：系统迭代与既有效能
VoC客户洞察系统自上线以来，日均处理300+反馈数据，真正做到全量分析、精准识别，大幅缩短反馈周期，加速产品迭代。其中，1.0云间版本涵盖了大部分文本分析能力，包括文本摘要、文本分类、信息抽取、渠道分发等功能。2.0鸿图版本新增统计分析、预测等功能，使结果更加直观。
图7 鸿图版本
未来展望：赓续以客户为本
VoC客户洞察系统是一套构建在数据中台之上的，用于辅助业务人员提升客户体验的轻量级系统。有了VoC客户洞察系统，我们可以结合业务特点、产品自身特点，更快找到提升客户体验的方向。
该系统将持续保持对客户心声的关切，一方面，持续扩充反馈数据来源，支持更多类型的反馈数据，比如：音频、视频等，同时可以接入一些外部数据来辅助分析；另一方面，将尝试挑战一些新的任务，比如说可以利用生成式摘要技术，来总结客户与坐席之间的对话内容，沉淀经验，进一步提升服务效率。
让客户满意，让客户放心，做“中原人民自己的银行”！
参考文献
【1】苏剑林：《SPACES：“抽取-生成”式长文本摘要（法研杯总结）》，https://kexue.fm/archives/8046
往期精选：
● 实战 | 云室吸气式极早期探测预警系统在数据中心火灾防范的应用
《金融电子化》新媒体部：主任 / 邝源 编辑 / 傅甜甜 潘婧