調研 | 李喆 洪軍

撰寫 | 洪軍

近年來，市場上湧現出一大批客服機器人，他們打著NLP技術的旗幟招搖撞市。然而，其中真正具有高實用性的產品卻屈指可數。究其原因，在於單純的NLP技術只能解決部分問題。雲問科技專注於客服機器人領域6年，集rule base、深度學習、NLP等技術於一身，熟知針對不同場景應該運用何種技術，才能為企業提供智能高效的產品。

隨著NLP技術的興起以及google的bert模型開源，不少新興企業開始進入客服機器人領域，市面上逐漸出現了一大批質量參差不齊的客服機器人。其中大多數只能完成某個場景的驗證，在深入做複雜場景時往往無所適從，真正具有競爭力的產品可謂是鳳毛麟角。

僅依靠NLP技術無法解決實際問題

眾多企業以NLP作為噱頭大肆宣傳，但其中真正能經得起考驗的產品卻少之又少。

主要原因在於，單純地利用NLP技術只適合於回答一些規範性的問題，例如實體屬性、關係的問答，並不能夠完全解決客服機器人的全部實際問題。

實際上，rule base、深度學習、NLP技術在客服機器人實際應用過程中擁有各自的優勢。

rule base適用於一些常見問題的場景，通過關鍵詞匹配、快速搜索，能夠快速、準確的進行問答；深度學習適用於一些泛化類的意圖問題，他能夠基於上下文語義理解，更好的服務客戶；而知識圖譜適用於一些規整的問題，例如實體屬性的問答。

因此，想要做好一款智能高效的客服機器人，只有以海量的數據為基礎，在實踐中運用不同技術對產品進行不斷打磨，才能帶來媲美人工的舒心服務。

雲問科技基於rule base、深度學習、NLP等技術針對具體問答場景提供不同的技術，大幅提高了客服機器人的智能化水平。

高效智能的客服機器人供應商

雲問科技是一家客服機器人供應商，並在客服機器人基礎上提供質檢、培訓等增值服務，幫助企業在服務和管理上更加高效智能。

與同行業其他公司相比，雲問科技最大的特點在於技術融合性與龐大知識庫。雲問科技綜合rule-base、NLP、深度學習等技術搭建了客服機器人底層平臺，並構建了一個擁有50多個細分行業的知識圖譜與常見問題問答的知識庫，將不同知識庫內容搭載在底層平臺上為金融、電商、政務等行業提供相應的客服機器人。

在服務的場景上，雲問科技提供的客服機器人以接待、諮詢等呼入場景為主，包括售前與售後環節，主要以文本形式進行交互問答，且可以進行業務諮詢全覆蓋，以及多群體訪問。

除客服機器人之外，雲問科技還提供企業內部人事、IT、財務等自動諮詢和系統服務問答調用的智能服務平臺以及實體機器人等增值服務。

目前，雲問科技客服機器人以本地化部署方式收費，第一年運維免費提供，之後每年會收取20%的維護費用。企業內部智能服務系統以SaaS訂閱方式收費，訂閱費用根據API調用量決定。

客戶方面，雲問科技以金融、政府、IT行業的中大型客戶為主，典型客戶有國泰人壽、華夏保險、海南省人民政府、騰訊等。

專心打磨客服機器人產品，技術與工程化能力出眾

雲問科技在2013年成立之初，就採用rule

base技術上線了第一款文本客服機器人。

但單純的使用rule base技術應用場景有限，只在一些頻繁性的問題問答較為適用。於是，在2015年，雲問科技引入深度學習技術，並上線了第一款在線客服系統，可以同時滿足多人的在線自動問答，並增加了問答內容範圍。

隨著客戶對客服機器人準確率的要求越來越高。2017年7月，融合了NLP技術的雲問客服機器人上線，在一些規範性的實體屬性、關係的問答情形精確度大幅提高。

現如今，雲問科技在針對客戶的需求時，已將三種技術融合的遊刃有餘。由於不同企業的FAQ庫與知識圖譜略有不同，如何在較短的時間內提供高效智能的產品變得尤為重要。而云問科技恰好精於此道。雲問科技經過6年的專心打磨，已經熟知在哪些問答問題上應該使用哪種技術、哪種模型，技術轉化為產品能力居行業領先水平。

在產品實際部署時，由於需要了解客戶的需求，構建企業的知識圖譜，因此，部署時間通常為3-6個月。而云問科技與中大型客戶從開始接觸到最終產品落地只需要1-3個月，其中產品實際落地時間往往在1個星期之內，工程化能力同樣出眾。

海量數據積累與服務標杆客戶，彰顯場景理解力

目前，雲問科技經過長達6年的積累，已經構建了一個龐大的知識庫。該知識庫由50個細分領域FAQ（FrequentlyAsked

Questions）與知識圖譜組成，行業包括政務、金融、物流、電商等。

知識庫的建立，一方面為技術的優化提供數據基礎。另一方面，將不同行業的知識庫與底層客服機器人系統相結合，可以快速實現不同領域的產品落地，加快市場拓展進程。

此外，雲問科技目前服務的典型客戶包括國泰人壽、華夏保險、騰訊等，示範效應顯著，良好的口碑也為雲問增色不少。

以客服機器人為切入點，向企業內部智能服務場景延伸

未來，雲問科技將以智能高效的客服機器人作為切入點，與企業建立友好合作，並不斷深入挖掘企業其他智能服務需求，提高客戶的LTV。

若只提供單純的客服機器人，其客單價往往不高，單個的客服機器人價格在10-100萬之間，具體根據企業的產品需求而定。客服機器人為一次性付費產品，之後每年會收取10%-20%的運維費用，但收入都相對較少。

因此，雲問科技需要不斷挖掘客戶需求，提供更加豐富、智能化的產品。雲問科技將會和一些大型企業，包括美的、海爾等進行深入探討，挖掘他們的需求，方向上包括企業內部IT場景、員工培訓、企業知識管理等。

考慮到後續在企業需求擴展時，多為定製化產品情形，雲問科技把軟件做了很好的分層，通過構建通用底層平臺，從而能夠快速為不同企業提供不同產品。

技術能力與客群質量較強，獲客能力有待提高

愛分析從技術、場景理解、客群、獲客等四個維度對雲問科技進行評價。

技術：2013年開始做客服機器人，綜合了FAQ、深度學習、NLP三種技術為客戶提供最高效的客服系統，經驗豐富，技術較強。在針對不同客戶的FAQ與知識圖譜時，知道採用何種技術和模型解決特定場景下的問題，使得提供的客服機器人精度更高。

場景理解：公司所在客服機器人領域，產品需求旺盛，市場規模為千億級。想要做好一款智能高效的產品較難，技術與數據將會是核心競爭點。公司經過6年的積累，形成了50個細分行業的知識庫，不僅能為模型優化提供數據，還能加速產品落地，擴大市場佔有率。

客群：以中大型客戶為主，行業覆蓋金融、電商、政府等，典型客戶包括國泰人壽、華夏保險、海爾、美的、騰訊等，示範效應顯著。中大型客戶比小型客戶對客服系統的需求強烈，客戶粘性強，付費能力強，可深入挖掘空間大。

獲客：以直銷為主，銷售人員為50人。公司成立6年，中大型客戶300家，SaaS型訂閱客戶數量數百家，客戶數量較少，獲客能力有待加強。

近日，愛分析專訪雲問科技創始人兼CEO王清琛，就客服機器人發展趨勢與雲問科技業務發展進行了深入交流，現摘取部分內容如下。

文本客服起家，紮根客服領域

愛分析：在場景選擇上，為什麼雲問科技選擇接待機器人而不是外呼機器人？

王清琛：主要是因為不同公司的歷史發展和技術側重點不同，例如，如果一家公司以前是做語音的，就很容易從呼叫機器人切入，但我們之前是做文本識別的，就容易從文本切入。

外呼場景相對來說比較容易，因為他們都是有目的、有話術、相對封閉的場景。但是呼入場景很難做深。呼入機器人需要有強大的知識庫做為支撐，當一個電話呼入進來，對話不可控，用實體、邊的屬性很難實現全部的對話功能。所以做呼入機器人不僅就需要NLP技術、以及強大的知識庫，還需要其他能力，這樣才能把整個問答過程支撐起來。

愛分析：在實際落地時，客戶完全會用客服機器人服務，還是一些簡單的場景讓客服機器人去做？

王清琛：這些情況都有。主要是市場對客服機器人的認知度在不斷變化。現在的發展趨勢由原先的以人工客服解決為主轉化為以智能客服為主。

例如，以前，客戶會在人工客服下班的時候使用機器人服務。後來，逐漸在人手不夠情況下使用機器人。現在大多是先使用機器人進行服務，在無法進行回答時再使用人工。未來預計會慢慢的只在有客戶投訴的時候再使用人工客服。

專注於提供，高效智能客服機器人

愛分析：雲問科技是隻做客服機器人本身，不做在線客服系統和呼叫中心嗎？

王清琛：對。我們一直都是隻做智能這一塊，包括語義分析、語義理解。

愛分析：雲問科技一直不做偏人工客服系統的原因是什麼？

王清琛：雲問從一開始覺得，智能是未來的方向，我們會投入更多的精力在這方面。而在人工客服系統方面，無論從運營、渠道角度，都有很多廠商在做，我們也就沒有過多涉足。

愛分析：現在最終判斷客服系統與場景結合程度好壞的指標有哪些？

王清琛：指標有很多，大型客戶在招標問答系統時都有一套評價體系，主要包括多輪對話的輪次、語義的識別、模糊匹配、知識的理解、語義的泛化。

愛分析：現在一套中大型的客戶，部署週期需要多長時間？

王清琛：大概需要1-3個月，主要時間花費在與客戶溝通交流，瞭解客戶的需求，構建他們的知識圖譜。我們會基於我們的方法論構建一些通用的知識圖普，然後會為企業構建一些深度的企業知識圖普。

多技術融合，才能提高產品實用性

愛分析：雲問科技認為rule base、深度學習、NLP技術廠商都可能會轉向客服機器人領域嗎?

王清琛：任何一條路的可能性都有。在我們看來，不管是分詞技術、還是用自然語言處理的技術做一些特定語的提取，都會解決某一個環節的產品，但不能解決整個問題。

客服機器人是一個技術的結合，不同的環節用不同技術效果會不一樣。我們更多的用底層技術打起，從最底層分詞的技術做起，提供整個的一套服務，我們服務對話機器人在問答效果上優勢明顯。我們認為主要原因是技術的融合，而不是某一項技術引領行業的發展。

例如，我們在做意圖識別，遇到過一個超過200個選項的意圖識別。當時嘗試了很多算法，最後選擇了深度學習算法，他的算法效果比其他算法準確度高十個百分點。

愛分析：在2017年之前，雲問有用到知識圖譜技術嗎？還是等知識圖譜技術成熟了之後再用？

王清琛：知識圖譜技術一直存在，高校也一直在研究。2017年開始有應用在機器人方向的導向。但是，知識圖譜適合在特定場景下使用和擅長場景，並不是全部適用。知識圖譜我們很早用過，但是在技術鏈中，他只是其中的一個環節，不能替代全部。

愛分析：用NLP技術應用在呼入場景時，會有哪些問題？

王清琛：如果只用NLP技術解決呼入場景時，會使得效果大大削減，它可能只是在某一些場景會有好的效果。因此，需要針對用戶具體的問題使用不同的方法，知識庫會作為基石，但上面需要疊加很多的不同技術。

愛分析：機器是沒有常識的，雲問科技這邊有什麼解決方式？

王清琛：隨著技術的進步，未來一定會有相應的產品出現。我們也會構建，主要依靠知識庫的積累，現有的數據來源比如有FAQ的數據，非結構化的文檔資料，結構化的數據，通過NLP技術也可以快速的搭建針對問答的一套知識庫。未來，將會去做知識庫的自動理解和自動構建，這也是我們一直核心研發的智能輔助型的工具。

愛分析：多輪對話會是技術難度更高的一個點嗎？

王清琛：多輪對話的複雜度高，相對來說難度點是既能實現不同場景的多輪對話，又能滿足高度定製化的需求。單純的多輪對話技術難度不是很難，主要把各項NLP技術做一個綜合的融合，就能解決這些問題。所以具體環節的落地更多的是工程化的工作，只做純技術不結合業務還是不太適用。

目前我們能夠完成10-20輪之間的多輪對話。

愛分析：去年google開源bert技術，會對行業會產生什麼影響？

王清琛：我們其實已經在逐步看到bert在行業內的影響力，雲問目前已經在開展這方面的探索，初見成效，相信未來bert潛力無限。

未來，深入挖掘企業需求，豐富產品矩陣

愛分析：雲問科技未來的發展規劃是什麼？

王清琛：

主要還是一點：AI變革企業服務全鏈條，包括企業的對內服務以及對外服務各個環節。

我們將側重於深耕客服機器人在各個行業的業務場景、機器人理解的能力、以及是否能給企業創造更多的價值。現在我們已經安排業務人員對各個行業進行深入的調研，瞭解各個行業的痛點。我們也將制定全鏈條全環節智能化的解決方案。

愛分析：雲問科技下一步往企業內部延伸，具體打算怎麼做？

王清琛：我們會和一些大型的企業，包括美的、海爾等，做一些深入的探討，方向包括企業內部IT場景等。我們接觸的很多客戶都是大型客戶，他們的業務數據異構程度、應用場景都比較高，這個會導致定製化產品比較重，所以我們把軟件做了一個很好的分層，對於未來發展方向並沒有限制。

愛分析：在多維表格方面，雲問科技和一些金融公司做的方向是一樣的嗎？

王清琛：我不太評價別人是怎麼做的，我們是基於知識場景出發，去做表格理解、解讀的能力。基於NLP技術，針對表格做一些深入化的理解和產品功能的提煉。

愛分析：雲問科技後續會提供質檢系統、銷售系統等嗎？

王清琛：會的，只是目前我們主要精力還不會放在這些方面。

愛分析：雲問科技會考慮NLP應用在其他場景嗎？

王清琛：我們會考慮做一些行業的定製深入優化，通用性不會那麼多。今年雲問已經成立了某些行業的業務線，做這些行業的深入挖掘和深度定製。

我們下個階段可能會探討NLP在保險、公共事業服務、交通物流等場景的產品落地。