拥抱AI：从 VOC 推荐到会话小结，看 AI 如何帮客服减负

• 1、前言
• 2、VOC推荐
• 2.1 VOC概念与业务痛点
• 2.2 迭代历程：从静态推荐到动态AI推荐
• 2.3 AI实现方式
• 2.4 效果量化
• 3、会话小结
• 3.1 场景与痛点
• 3.2 如何实现
• 3.3 业务数据效果及界面呈现
• 4、尾声

1、前言

随着转转业务高速的发展和承接品类的拓宽，客服每天承接的进线量也在不断增加，那么在有限的人力资源下，如何让客服能高效的完成接线及建单任务成为了重中之重。 而本期要讲的就是让AI协助我们在两方面帮客服减负。

2、VOC推荐

2.1 VOC概念与业务痛点

1. VOC定义

• Voice of Customer（客户之声）：用户进线会话中表达的诉求本质（如售后申请、产品咨询、投诉等），需在创建工单时精准归类。
• 业务价值：VOC数据是客户需求分析、服务优化、产品改进的核心数据源。
• 操作流程：用户进线后，客服进行接线，本次会话结束后客服根据用户的进线诉求，选择对应VOC创建工单。

1. 业务痛点

• 数量多：2000+人工维护的VOC标签池，客服需手动搜索，且客服人员流动性较大，新人客服无法精准搜索所需标签
• 准确率低：相似标签易混淆（如“开票问题”vs“发票寄送延迟”），且不同的客服对同一标签的理解不同，无法完全保证客服按统一的标准选择
• 效率低：单次选择耗时14.5秒，日均万次操作，造成人力浪费

2.2 迭代历程：从静态推荐到动态AI推荐

关键转折：

• 数据埋点：工单创建时采集“用户对话+推荐的VOC+客服最终选择的VOC+最终数据校准”，构建训练样本池

2.3 AI实现方式

1. 设计架构
2. 训练与迭代

• 正例输入：拿到客服最终选择的VOC，再进行人工标注，结果作为标签标准，即最终准确数据
• 持续优化：每轮新数据统计→模型重训→再次取线上数据验证→效果分析→上线迭代
• 模型选择：此场景使用分类模型，分类模型更适合任务明确且简单的场景。
• 它以监督学习为主，通过学习输入数据与离散标签的映射关系，完成分类或预测任务
• 即学习我们输入的正例，将聊天记录分类至正确的VOC标签，来完成后续的VOC预测任务

2.4 效果量化

业务收益

• 年节省工时超10,000小时，人力投入转向高价值服务
• VOC数据质量提升 → 驱动产品改进

未来规划

• 短期：推荐准确率>90% → 从Top5推荐改为Top1直选
• 长期：实现VOC自动匹配填充，零手动操作

3、会话小结

3.1 场景与痛点

1. 场景用户进线，客服接线，查看历史聊天记录（之前用户是否进线过本次为重复进线），再给予回答。会话结束后，客服需要创建工单，归纳用户的主要诉求，归纳成格式化文本留档在工单内。
2. 痛点在这个过程中，有2个动作十分耗时 

3.2 如何实现

• 不同的场景使用不同的prompt，通过不断调整来实现客服的查看历史记录及总结的诉求
• 在选择模型上，输入真实数据来测试不同版本的大模型的输出能力
• 输出结果后进行多轮标注确认最终方案

3.3 业务数据效果及界面呈现

4、尾声

为客服人员提供更加高效、“好用”的系统，是我们一直以来的目标，AI让我们有了更多发展的方向，后续我们将继续探索和挖掘，打造一个“智能”系统！

关于作者赵语涵，转转履约中台研发工程师，主要负责客服业务