隨著通訊技術的不斷發展，呼叫中心的規模與日俱增，現階段國內擁有上千席的呼叫中心不在少數，其每日所產生的語音數據體量難以想象，屬于典型的非結構化大數據。這些數據中所蘊含的客戶偏好、產品質量、坐席技能等相關指標是呼叫中心優化服務質量、提高運營效率的重要參考因素，直接關系著營銷決策制定以及產品服務設計。 然而，語音數據作為呼叫中心一項重要的價值資產，在過去很長一段時間內卻沒有受到足夠的重視。這是受限于傳統技術條件下，語音數據存儲成本過高，應用難度過大，更難說從中挖掘核心價值以支持決策分析。但隨著大數據、云計算與人工智能技術的迅猛發展，使得海量數據存儲成本不斷降低，分布式并行計算效率不斷提高，打破了語音數據存儲及處理的技術壁壘，為呼叫中心提供了全新的運營模式，其具體應用場景如下： 1.分布式存儲海量語音數據成為主流 呼叫中心體量的不斷擴張，導致大量的語音數據堆積，以某金融機構呼叫中心為例，其坐席數量超過3000余個，每日產生的錄音文件量高達100G以上，年錄音文件總量超過50T，預計未來語音數據量的年平均增長率高達30%。如此海量的語音數據加劇了數據存儲的難度，雖然現有計算機存儲硬件的發展已經非常迅猛，但其發展速度還遠不及數據量的幾何式爆破增長，并且由于高性能的存儲硬件存在造價成本的問題，大多數企業對于日益增長的進量數據以及原始積累的存量數據又愛又恨。 在現有職能體系下，多數企業還將呼叫中心評定為服務中心，一心旨在控制呼叫中心成本而并沒有期待其能夠產生收益。由此試圖通過提高計算機硬件配置來解決呼叫中心語音數據存儲的問題，并不具有一般可行性。 大數據技術的發展成功解決了呼叫中心語音數據量存儲的問題，其特有的分布式存儲技術能夠將單一體量巨大語音數據文件夾切分為多個小的區塊，并使其能夠存放于由多臺計算機所架構的集群上。這些計算機之間通過某種方式相互通信，進而將整個集群內所有存儲空間資源整合、虛擬化并對外提供文件訪問服務的文件系統。 利用大數據技術存儲語音數據具有兩大突出的優點： 其一，極大降低了數據存儲所需的硬件成本，由于大數據技術能對單一體量的數據集進行切分、存儲、再整合，因此數據存儲就不再受限于高性能的計算機硬件，而只需要多個性能基本達標的存儲硬件便能夠對海量數據進行存儲和處理； 其二，所保存的數據不易丟失或破壞，由于大數據技術會將單條語音數據重復分配到集群中多個計算機上，因此在數據提取時，若某個計算機的數據不慎丟失或其本身遭受破壞，我們也能正常的從集群中提取到完整的數據。 現階段大多數呼叫中心運營高層都逐漸意識到日常語音數據的價值，也紛紛表示分布式存儲技術確實能夠幫助其解決語音數據體量過大的問題。由此如今眾多呼叫中心都致力于從抽取部分語音進行存儲變革為全量語音存儲，從真正意義上使得分布式存儲海量語音數據成為主流趨勢。 2.實現機器質檢泛聽+人工質檢精聽新模式 呼叫中心是人力密集型行業，其質量監控管理一直是一項浩瀚的工程，如果都通過傳統的人工監聽進行質檢管理，其所需的人力物力難以估計。因此在過去很長一段時間內，呼叫中心都利用抽聽的方法進行質量監控管理，該方法一方面從業務角度而言，可能導致坐席人員工作的投機性，另一方面從統計學角度而言，簡單的隨機抽樣所得出的結果并不能完整反映該坐席普遍的日常工作狀態。 質量監控工作對于呼叫中心而言具有重要的意義，其通過對坐席人員服務質量的檢測和監控，確保坐席通話過程中的規范性、完整性和準確性，提升坐席人員日常的營銷技能和服務水平，保證業務一線人員高水平服務的持續性。然而，傳統質檢人員每天面對大量的錄音，常用方法都是通過聽錄音進行合規性檢查，無法識別批量錄音中所蘊含的重要信息，例如客戶投訴信息中，有多少客戶是不滿意坐席服務態度，有多少客戶是不滿意產品價格。又假設面對業務量陡然激增，管理者是否能在第一時間洞察背后原因，從而及時制定應對策略？ 隨著大數據技術實現呼叫中心語音數據全量存儲，質檢系統也由傳統人工抽檢轉變為機器錄音質檢100%全覆蓋。借助深度學習方法所構建的聲學模型和語言模型，語音分析系統能夠更精確的將海量通話內容轉化為錄音文本文件。在此基礎上，加入全面的質檢評分規則：通過設置業務術語、禮貌用語、禁忌用語、靜默時長等質檢點計算機能夠自動地對所有坐席人員的業務熟練度進行打分，從而篩選出評分較低的通話供質檢人員調聽，在全方位覆蓋每通錄音的同時，大幅降低了人工質檢所需的成本。如此系統篩選與人工調聽相結合的質檢方式，形成了機器質檢泛聽+人工質檢精聽的新模式，進而有利于全面把握呼叫中心人工坐席服務質量，提高呼叫中心運營效率。 3.文本分析結合機器學習深度挖掘客戶價值 現階段，大多數呼叫中心仍被定義為成本中心，那么如何充分利用呼叫中心數據資源，將呼叫中心打造為利潤中心，是傳統呼叫中心轉型升級的關鍵。呼叫中心現有系統及分析報告中所包含的通話時長、響應率、成單量、投訴率等指標計算已經相當成熟，并且在關于構建客戶群體劃分、產品競爭分析、業務風險評估等機器學習模型上也小有建樹，但僅此還無法完成呼叫中心由成本中心轉向價值中心，最后成為利潤中心的轉型。這是由于單一結構化數據所構建的機器學習模型還無法全方位精準的預測客戶行為，由此我們在構建機器學習模型時還需要添加諸如客戶情緒等非結構化數據，以保證學習過程的完整性。 消費者金融保護局（CFPB）曾經就利用文本分析搭配機器學習的方法來探索自身的數據情況。他們的數據主要記錄了客戶對銀行、信用卡公司和其他金融服務公司的投訴，其中包括客戶信息、產品信息等結構化數據以及客戶評論、語音文本等非結構化的數據。該分析方法首先使用文本分析技術來識別CFPB收集的自由形式數據中的負面情緒，然后利用機器學習算法建立一個預測模型，用來分析負面情緒程度與客戶是否收到違規銀行補償，以及這兩個變量之間的關系。 研究結果表明，客戶得到補償與負面情緒之間確實存在相關性，當客戶評論表現出較強的負面情緒，違規銀行很大概率上會針對這部分客戶進行補償，特別是當有客戶使用偷或者與之類似的詞語時，其獲得補償的概率會更大。這項數據分析工作充分展示了文本分析和機器學習結合的力量，一旦文本分析被引入機器學習的預測模型中，該模型就能在發現行為模式的同時，回答為什么會產生這種行為模式，以及如何解決這種行為模式所帶來的問題。 相對于其他部門而言，呼叫中心所特有的語音數據屬于典型的非結構化數據，通過文本分析技術能夠對這些非結構化語音數據進行淬煉，從中提取高價值、新維度的變量，例如客戶滿意度、客戶情緒、產品偏好系數等，進而改進現有機器學習模型。結合文本分析和機器學習所實現的智能數據挖掘系統，將突破呼叫中心傳統數據分析方法的局限性，更深層次、全方位的對客戶進行掃描，使得呼叫中心與客戶之間關系由簡單交易到親密信賴，最終達到價值依托。 隨著大數據、云計算和人工智能技術的發展，海量語音數據存儲成本不斷下降，智能質檢系統的精確度不斷提升，客戶價值獲得更深層次的挖掘，屆時呼叫中心將突破傳統業務邏輯，形成全新的運營模式。 在該模式下，呼叫中心日常運營將會主要圍繞如下四個方面： 1）全方位挖掘客戶需求，提升客戶感知及服務質量； 2）關注員工發展，提高員工技能及日常工作滿意度； 3）聚焦中心實際需求，降低運營成本，提高營銷收入； 4）收集高價值信息，降低信息預測風險。 隨著新運營模式的不斷深入，呼叫中心將真正從過去的被動服務轉向主動服務，由成本中心轉向企業核心利潤中心。