规则+语义双模质检，助力极致客服体验

  联络中心作为客户与企业之间沟通的桥梁，客服人员操作的规范性、服务的友好度都会直接影响到客户体验。因此大多数联络中心都会设立专门的质检组，针对客服人员与客户之间的交互内容进行质量检测。一般情况下，单个客服人员平均一天需要接听电话130通，而每个质检员需要监管13个左右的客服人员。因此想要质检员对客服人员进行全量监控是不切实际的，他们只能根据业务经验进行抽样质检。这一方面可能遗漏部分客服人员的违规操作，另一方面可能由于采样偏颇造成人员绩效评价不客观的问题。

· 基于规则模型的智能质检系统

  为了解决上述问题，智能质检系统所提供的规则模型检测功能，能够有效帮助质检员实现全量录音监控。举个例子，若想要质检所有包含客户投诉的录音，第一步，质检员只需要根据专家经验将投诉、举报、报警等业务词整理出来，再用and/or等关联词进行拼接，形成客户投诉的规则模型，具体如下：

第二步，质检员可以一键发起质检任务，系统会自动根据规则模型中的检测逻辑进行全量自动检测。虽然构建规则模型的方式能够解决全量监控的问题，但仍存在诸多的缺陷，其一需要质检员对业务有较深刻的理解并熟练掌握模型构建方法，其二规则模型更适用于简单的业务场景，在复杂场景下模型精准率相对较低，其三模型维护需要大量的人力成本，并且在达到一定准确率之后很难有进一步提升。

· 基于语义模型的智能质检系统

  针对上述规则模型存在的限制因素，中金智汇采用最新的AI技术，新增了语义质检模型。语义质检模型简单来说就是让机器从大量已标记的样本中学习数据特征，从而自动构建质检模型。例如，同样创建一个“客户投诉模型”，质检员只需提供一批标记过投诉和未投诉的录音样本，系统会基于特征词、上下文及文本相似度自动训练出客户投诉模型，当有新的录音进来时，该模型可自动标记出投诉或者未投诉。语义质检模型一方面可以解决关键词穷举，人工维护成本过高的问题，另一方面由于质检过程中标注样本不断积累，语义质检模型便可以自动学习并持续优化，从而突破规则模型准确率提升的瓶颈。

· 规则+语义双模质检

  然而，语义质检模型虽有它独特的优势，但也存在需要大规模标注样本的前提，并且由于训练好的语义模型类似于一个盲盒，质检员难以掌控并对其进行调整。因此单一使用语义质检模型容易造成实施难度过高、项目周期过长的问题。通过上图可以看出，在业务冷启动阶段，因缺乏标注样本，需要优先建立规则质检模型，从而达到快速部署质检系统，及时优化质检业务流程的目标；在业务增长期，当获取到一定量级的标注样本，则可考虑开始构建语义质检模型，解决规则质检模型泛化能力不足的问题；在业务稳定阶段，标注语料足够充沛，并且规则穷举已到瓶颈，这时采用语义质检模型替换原有规则质检模型，从而满足质检准确率的要求。

  中金智汇的智能质检系统正是结合了规则模型和语义模型，利用两种模型各自的优势帮助联络中心提升整体质检效率及准确率。相信智能质检系统将是企业提升业务合规化、人员绩效合理化、业务指导精准化的最优选择。