跳到主要内容

第5章 交互体验策略

5.1面向用户和场景的流程设计​

5.1.1退出策略的添加​

在任务中，很多时候我们也要允许用户能从任务中退出相应意图，此时有两种方法可以实现退出的策略，一是在无意图添加退出相关的触发器，二是在意图中添加静默填槽单元，使用退出词槽，词槽里关联退出相关的实体。

5.1.2让用户能重复参与​

经常地，在搭建任务的过程中，还会遇到需要能够反复参与任务的需求，前面讲过任务很多时候是为填槽服务的，想让用户重新参加任务，对于询问填槽单元来说有很多需要注意的，因为询问填槽单元只有在词槽没有值的情况下才会起作用发起提问。

首先可以在任务完成之后，及时的清空对应的词槽。

词槽清空有三种办法：

  1. 使用词槽运算单元的清空模式，通常在多意图或者循环使用词槽的时候我们在任务意图的前部就使用清空来应用，在前部的好处是如果后期意图需要和其他意图配合的情况下，可以很方便的知道所有的词槽在运行之前就都是空的，方便排查问题。
  2. 使用词槽的词槽值在单元跳转后清空功能，在一些不需要记录和后期使用的词槽值可以使用这种办法，比如确认环节，部分不需要记录的答题环节，等等。
  3. 高级选项中，关闭保留词槽，这样在跳转后词槽对应的就会被清空，但是这个功能在这里的用法有很多限制。首先，不保留词槽不适用于单意图内需要循环触发任务，不保留的情况下，即使使用静默填槽单元也不能重新开始这个任务；其次，如果这个意图在跳转后使用了相同的词槽在询问填槽单元或者静默填槽单元，那这个词槽依然是不会被清空的。

其次部分简单的单意图流程可以在保留词槽功能开启的情况下，在任务前部使用一个静默填槽单元，在任务闲置等待时长没结束的时候，可以使用静默填槽单元重复获取相应信息并按照流程运行出结果。

比如查天气时，我们可以利用更换日期或城市来实现查询多天，多城市天气的目的。

5.1.3识别老用户​

在部分营销、问卷场景中，、需要记住用户的特征，并且根据这些特征来决定这个用户能做什么。

这就要求机器人拥有长期记忆的能力，在吾来中，通过属性来分辨这些特征。给用户新建个属性“是否完成问卷”（对话搭建—个性化体验—用户属性—自定义属性）。

在用户完成对应任务时，最后通过属性写入单元给这个属性写上“是”表示已完成就可以了。

相应的，我们在任务正式开始前，可以采用属性读取单元读取“是否完成问卷”属性填充至“是否回答过问卷”词槽，而后使用词槽运算单元对这个词槽的结果做判断。

如果“是否回答过问卷”词槽中的实体值为“是”，那么使用消息发送单元告诉用户“您已参加过问卷填写，不能重复填写。”，如果没填写过，则可以继续任务，在这里可以方便的利用收集到其他词槽值做默认跳转。

注意：测试时我们需要使用正式渠道，像体验版网页，公众号，钉钉，企业微信等渠道都是可以的；调试机器人是虚拟的用户，没有办法写入或读取属性。

5.1.4一个自然周内只填一次​

如果要求用户当次和上一次的时间要间隔7天，那是很好做的，我们只要判断当天和上次来访的时间是否是差7天就可以的，吾来有一个实施用的接口也可以支持这样的要求。

start包含开始日期的词槽支持的日期格式：yyyy-mm-dd 或 yyyymmdd支持吾来预设实体：日期
end包含结束日期的词槽支持的日期格式：yyyy-mm-dd 或 yyyymmdd支持吾来预设实体：日期
unit相差的单位unit=s时, 返回两个时间相差的秒数.unit=d时, 返回两个时间相差的天数.
range直接填写预设日期范围实体2016-05-04,2020-01-01如果使用range参数，则不能配置start和end参数

  • 输出参数：

    • 开始时间 晚于 结束时间时, 返回相差天数的 负数值，如-1
    • 开始时间 早于 结束时间时, 返回相差天数的 正数值，如3
    • 同一天时返回 0

只需要将历史来访日期和现在的日期通过单槽接口单元传递，之后就能拿到返回值，最后判断返回值和7的关系。

那同样的，我们首先读取用户之前的属性作判断，如果用户没有历史来访日期，那他可以直接开始正式任务，如果有来访记录，就比较历史来访日期和当天日期的差值，大于7就可以进入正式任务了。

日期我们可以使用系统词槽来拼接组成，像历史来访日期就可以在每次任务结束后，组织将当天的日期用系统词槽在词槽运算单元使用赋值模式拼接后写入用户属性。

那怎么判断一个自然周内问卷最多只能填写一次呢？

那我们先要思考清楚怎么算是不是在同一周，我们提供的系统词槽和周相关的就只有“sys_weekday”这个系统词槽，返回的值是当天星期几。

利用这个词槽和计算时间差值的单槽接口单元，我们能不能实现一个自然周内最多只能填写一次呢？

答案是可以的，实现起来也不复杂，但是逻辑首先要理清楚。

算法如下：

第一次判断：如果当天星期几的数字小于历史来访星期几的数字，那么这个星期一定是一个新的星期，本次可以填写。

第二次判断：如果当天星期几的数字大于等于历史来访星期几的数字，那么继续判断当天日期和来访日期之间的差值，如果这个差值大于7，则是新的一周，否则不可以填写。

搭建流程如下：

通过吾来，我们可以借助简单的接口单元和其本身功能，来完成很多任务。如果上面这个任务没有接口，我们也能根据日期和月份的关系推导日期的差值。当然，有了好用的接口能大大减轻我们的工作量。

注意特殊问题

敏感词怎么处理，用户上来就报手机号怎么处理等等这样个性化的场景可以适当考虑，前提是要能完成基本的任务对话，不要捡了芝麻丢了西瓜。

遇到陌生的机器人怎么分析

有两个思路：

从整体到局部，观察这个机器人有哪些场景和意图，哪些是可以使用的，触发器是什么。然后顺着可以触发的意图从前向后分析，发现词槽和里面的实体值与分支。

从局部到整体，直接用消息去调试机器人中查看，观察机器人可能暴露的信息，调试机器人通常会展示触发了哪个意图，抽到了哪些实体，根据关联的实体去寻找对应词槽和对应意图，逆推当时的场景。

5.2面向转人工分析的优化​

5.2.1答案维护​

关于答案的基本维护方法，我们在搭建部分都已讲过，这里不再赘述，我们这里强调一下大家常常会犯的错误。

答案中涉及的概念是否生僻

以保险业为例，客户的交费方法往往存在分多次付清和一次性付清的情况，但是保险业有个专业术语是趸交，什么叫趸交呢，说白了就是一次付清，可是如果在对普通客户的答案中书写交费方式可以分多次付清和趸交，那就是在考验顾客的专业知识，非专业顾客也会不知所云，难免会生出新的疑问。所以要在书写答案过程中充分考虑用户的知识水平。

除此之外常见的错误还有使用英文，缩写，英文缩写，代称，泛称等等。

是否完整，是否用户看完会产生新的提问

如果用户过来问，你们有没有什么活动，要怎么回答呢？有些服务人员，可能会写，我们是有活动的。但是这样的一个回复，和没有回复没什么区别。最好的回复方式一般是“我们现在正在举办某某活动，您可以在微信公众号XX菜单找到，您平时也可以关注我们的微博、微信，活动都会有通知的。”

在这个例子中，我们不仅要告诉用户我们有活动，最好还能告诉用户最近能参加什么活动，平常活动在哪里能找到，如果有具体信息，还能给用户一些引导者跳转链接，为客户服务的理念在任何时候都不过时。

同时也要慎重在问答型对话中添加活动类知识点，及时失效或下线相关知识点，活动类知识点是最需要严谨的部分了。

这里面尤其需要注意坚决避免设置反问这种情况。

让用户知道我们回答的是什么问题

非常常见的一种问题是我们的知识点很多时候会以这样的提问放在知识库中，例如“产品有没有某功能”然后给到对应人员填写答案的时候就会变成“有”，固然这个问题和答案都说不上错，可是这绝对不是机器人面对客户的合理反应，因为机器人是有可能犯错的，所以答案起码是这样“X功能我们是支持的”，更好答案应该是“我们产品有X功能，此功能能帮助XX，在XX地方可以找到这个功能”。

需要注意的是，虽然最后一版答案包含了这个功能的作用和位置，但并不意味着用户提问，XX功能在哪里的时候可以回复这个知识点。具体要看这个问题出现的频率是否高，如果出现的频率高，我们建议还是要新建一个知识点专门解答用户提问这个功能在哪里，后期也可以考虑在产品引导时，专门指向这个功能做些提示，当然具体问题要具体分析和解决。

关联更多推荐问题

往往用户在针对概念进行提问时，即使得到了概念的答案很可能也想了解和这个概念有关的其他知识，这时可以巧设关联推荐知识点，帮助用户更好的提问。这里，将所有答案都放在这个概念下不是一个很好的做法，因为这一般会导致答案的冗余。

多模态交互

实现多模态交互可实现更高效的对话并提供更好的用户体验。多模态交互指的是

​

答案的其他优化提升点大家可以思考机器人的答案与人工客服给出的答案是否存在差异，若有差异应当如何优化提升，或是否已经将差异最小化。

5.2.2满意度统计与优化​

我们也可以依照用户的满意度来优化我们的知识库，可以通过【数据分析-用户反馈-知识点满意度】查看，其中蓝色的部分可以点击进去看到点赞、不满意、不匹配的详情。

一般来说满意度降低的原因可以通过前后文分析出来，常见的问题是对应问题没有对应知识点，回答错误，回答不能满足用户的需要导致的。

前两者通过准召率优化可以解决，回答不能满足用户需要可能有多种原因，比较常见的问题可以参考我们的答案书写原则，可能是答案没有包含用户想要的信息、指向不明确导致的。

除此之外，我们还是要谨记在写答案时，多站在用户的角度思考，看看如果是自己遇到了这个问题，这个答案能不能解决问题。

5.2.3转人工设计优化​

根据不同厂商对于转人工的要求，转人工也有各种各样的设计，一般来说，成熟的机器人能够自己判断这个问题应该机器人回答还是需要人工接入回答，所以我们还是推荐转人工的判断由机器人来执行。

具体的设计表现是，页面上没有明显的转人工提示或按钮，而是通过引导等方式实现转人工。

补充阅读：

人类坐席的角色

人类坐席主要有三种角色：

  1. 为AI提供更多即时和更丰富的反馈

人类可以在语音识别，意图识别，实体提取，动作选择等系统的不同模块中报告或纠正错误。此外，人类可以提前通过主动检索由AI进行的不完美动作选择来控制伤害，并允许AI在必要的人为干预后“完美地”执行。通过这种方式，人可以提供惩罚和奖励反馈作为回归学习的中间步骤。

  1. 在AI的帮助下采取行动

人可以根据AI产生的潜在行动选择最终行动，或根据AI提出的建议产生最终行动。

  1. 为AI生成训练数据

最后但并非最不重要的是，人可以担任知识标注数据制作人。每个错误的例子或矫正方法都可以作为负面样本，每一次成功的对话都可以作为正面样本。人类还可以标记AI可以在线下产生低置信度分数的样本，以提高系统的强壮性（也被称作鲁棒性）。

5.3运营情况案例综合分析​

2019年，我们给知名鞋服厂商做了对话式机器人，我们来看一下实际场景中，应该如何处理这些问题。

背景

项目简介

吾来机器人上线前，该客户微信公众号下为纯人工服务，客服工作量庞大，每个客服每天需要承接70个用户，处理1400条左右的消息；吾来机器人上线后，训练师对机器人进行了5个月的持续优化，使机器人非高频知识点的线上准确率达到了72%，任务机器人完成率达到91.9%，从而使机器人解决率达到了60%，约40%的用户问题由客户解决，因此很大程度上提高了客服的工作效率。

部署方式

吾来SaaS

用户渠道

微信公众号两个，来也通过吾来SaaS平台提供对话机器人服务。

支持推荐问题，最多不超过5个。

支持转人工服务：会话将被转移给客户的CSR供应商进行后续的人工服务。

  • 提供主动转人工，如：用户说：“我要投诉”；

  • 提供被动转人工，如：用户说“我要人工”。

  • 转接人工后，提供坐席辅助功能（坐席操作台显示推荐回答，供坐席点击发送或编辑后发送）。

客户提供历史聊天语料，来也对其进行脱敏、清洗、去重、聚类，并进行知识库的搭建和优化。

来也根据客户业务场景，搭建任务机器人：查询尺码、尺码换算、库存查询、订单号查询和退货单号查询。

指标要求

  • 效果指标： 非高频知识点 准确率达到60%

  • 业务指标：机器人 解决率 达到43%，机器人 满意率 达到75%

注：本文中提到的准确率均为非高频知识点准确率，什么是这个客户要求的非高频知识点准确率呢，需要排除Top10 的知识点的召回部分以及去除，一般将Top10召回定义为高频知识点。

5.3.1问答初期优化方案​

上线一个月内（10月），未开放全流量，日均消息数为2000条左右，准确率为55.7%；11月1号开始开放全流量，日均消息数5000左右，新品发售期间消息数较多，可达到10000-20000条左右，机器人解决率在20%左右，准确率在65.5%左右

标注发现问题

机器人准确率较低；机器人解决率低。

重点优化指标

问答机器人准确率

优化时间

2019.10-2019.11

准确率低原因分析及解决办法

原因前期状况后期措施
标注规则不确定，随意，刻意删除部分问题确定规则，按规则随机抽样
抽样数量每周100条每周400-500条
阈值设定0.80.7
问题处理随意，无方向根据重点，逐个击破
  1. 前期未统一标准的准确率规则

前期未统一标注的规则，造成抽样随意，导致结论不可信，优化时抓不住重点。

  1. 阈值设定不合理

后同客户梳理真正关心的指标，指标需要做哪些处理，重点评估什么部分，以什么方法进行科学抽样。

  1. 前期标注数量过少，无法形成数据化指导

每周标注100条，严重少于推荐的每周至少200条标注数量，后调整为每周400到500条标注数据，能够更好的反应知识库的现状。

  1. 阈值设定高，也不一定能达到更好的效果

通过厘清用户想要的效果，发现原本0.8的阈值并不能达到客户想要的最优效果，反而0.7的阈值更加合适。

具体来说，我们做了这些操作：

①抽取1000条用户语料，进行标注

②将标注好的语料分别在阈值0.7和0.8的时候，进行离线语料测试；

③比较两个阈值下机器人的准确率与召回率。

经测试结果发现，阈值0.7下机器人效果更佳，并且该阈值下，能满足用户需求，因此调整阈值为0.7。

其他问题处理：

badcase类型解决方法
同义词缺失新增同义词
某几个知识点下相似问题交叉调整相似问题到对应知识点下
业务新知识点未入库新增知识点
多意图（需确认）拆解成单个意图后入库
问法未覆盖挖掘线上用户问题，补充相似问题

挑出其中未正确应对的部分，分别进行了优化，其中发现同义词缺失情况比较多，经过进一步了解，发现用户对同一款鞋服有很多昵称，这些昵称往往在前期的挖掘中被忽略了，因此集中了客户的服务人员对鞋服的同义词进行了补充，增加了若干专业词汇的同义词。

部分用户提问语句过长，包含多个意图，发现这些不同意图往往是彼此关联的，在系统里维护了对应的推荐知识点。

优化举例：

1）语料交叉

由于相似问题被归属在错误知识点下，导致AI 回复错误：

两个知识点之间的语料交叉，需要进行调整，如：

【如何办理退货退款】与【退换货政策是什么】

退换货怎么操作-如何办理退换货

退换货-退换货政策是什么

【如何申请换货】与【商品尺码不合适怎么办】

我买的球鞋小了，我想换大一号-如何申请换货

我鞋子买小了，可以换大一号吗-商品尺码不合适怎么办

【如何在官网或APP定制鞋子】与【官网定制服务价格】

官网定制鞋子是多少钱-如何在官网或APP定制鞋子

你们官网定制一双鞋要加多少钱-官网定制服务价格

2）未覆盖问法

由于非高频知识点下相似问题一般比较少，覆盖的问法不够，因此当用户出现新的问法（新问法通常包含一些新词，未被AI 学习到）的时候，通常会出现误召回。

针对此类问题，需要AI训练师选定这部分知识点的新关键词，已该关键词为核心，进行相似问题的挖掘，扩充相似问题；并且同时需要进行同义词的新增。

请问XX鞋子还会再【贩】吗

（1）需要新增同义词：贩=售卖

（2）以【贩】【贩卖】为核心词，进行相似问题的挖掘

3）知识点颗粒度过大，容易互相误召回的两个知识点，建议进行知识点合并：

【如何开具发票？】与【如何下载电子发票？】

【如何预约上门取件？】与【快递员上门取件时间】

【哪些地区支持“次日达”服务？】与【如何选择“次日达”服务？】

运营策略调整——优化推荐知识点

客户训练师会根据自己的服务经验，去判断与用户问题高度相关的其他知识点，用来丰富线上用户的高频知识点的推荐问，让用户得到更丰富全面的答案。

通过这种推荐问“猜你想问”的方法，一方面给用户一个直接入口解决问题，覆盖更多的日常、活动等相关内容，另一方面也避免了用户不规范的提问出现的情况。

5.3.2问答中后期优化方案​

表现效果

上线中后期，日均消息数为10000条左右，由于12月集中发售新品比较火爆，最高日均消息数达到69000条。机器人转人工率在60%左右，解决率在40%左右，准确率在65.5%左右。

标注发现问题

机器人解决率较低和任务机器人完成率

重点优化指标

问答解决率，任务机器人完成率，转人工率

优化时间

2019.12-2020.02

回顾一下解决率公式：

解决率=1-转人工率

所以降低转人工率就能提升解决率，针对这点我们对转人工之前和转人工之后的消息进行了详细分析。从中抽取100通左右知识点进行分析，得出以下结论：

转人工类型占比转人工原因数量
AI回复错误后转人工2.97%误触发问答转人工3
用户要求转人工46.53%在吗后转人工10
首句要求转人工37
触发知识点后转人工40. 59%换货商品什么时候发货3
会员账号无法登录1
如何查询订单信息1
如何办理退货退款2
如何取消订单3
退款什么时候到账15
为什么我无法下单/付款2
我的订单何时发货2
我的订单物流到哪儿了1
已超过3-5工作日还没退款怎么办5
已付款显示未付款怎么办1
语义不明5
知识点的答案引导转人工9.90%缺少配件或商品怎么办1
如何申请换货1
商品出现疑似质量问题怎么办1
退货进度查询5
为什么新品发售无法参与1
我的订单显示错误/不全/没有1
合计100%/101

通过分析可以看出用户要求转人工和触发知识点后转人工的比例将近占到了86%，前面准召率优化提升还是很有效果的，因为机器人回复错误转人工的占比仅占到了2.97%。还有占比9.9%的知识点本身有引导转人工。

那么我们重点需要提升的就是用户要求转人工和触发知识点后转人工的这部分。

优化策略：用户要求转人工

这种情况属于AI未提供给用户咨询，用户直接转人工的情况，针对该部分用户，可通过分析转人工之后的用户与人工客服的交互，查看用户的高频问题是哪些，可以将这部分高频问题作为【你好】和【在吗】这两个知识点关联的推荐知识点。

用户的Top5问题为：

1.为什么我的订单被取消了

2.为什么我无法下单

3.如何办理退货退款

4.如何取消订单

5.app无法登录

除了手动筛选这部分问题，我们还能通过系统找到用户最常提问的知识点，可以综合考量后关联推荐知识点。

注：此客户将问候分为【你好】和【在吗】两个不同的知识点，不同的客户对此的处理很可能不一样，而我们重点学习的是其中的分析逻辑和优化方法，因此不必过于在意。

优化策略：触发知识点后转人工

这种情况属于用户触发这些知识点后，AI回复正确，但是用户仍然选择转人工，具体分析后发现是由于设置的答案内容有以下问题，因此需要对答案内容进入优化 。

①内容不符，答非所问

②内容未切入用户问题

③内容复杂，繁多

④内容过于简单，可有可无

⑤没有相关问题推荐

优化策略：知识点的答案引导转人工

这种情况属于用户触发这些知识点后，AI回复正确，并且在回复答案中引导了转人工或者是推荐问为转人工，用户紧接着选择转人工。我们需要分析出转人工前用户触发的知识点，再去确认下，是否有必要一定引导转人工，是否可以通过其他方式引导客户自行解决问题。

这个思路其实挺新奇的，既然我都引导转人工了，用户转人工不是正常的吗？

不一定，因为我们所处的时间不一样，解决能力的变化，可能之前认为需要转人工的，现在在引导用户转人工之前可以先对用户的问题予以合理的解答。这样有部分会话因为满意的解答就不会转人工了。

5.3.3任务对话优化方案​

以12月的某一周为例，针对任务机器人会做以下分析：

触发任务机器人：74次，其中准确触发38次，误触发36次

成功完成任务：9次

任务中触发问答66次，准确触发率72.73%

根据统计可以算出来，准确触发率51.35%，完成率23.68%。

任务完成率=进行到最后一个单元的次数/准确触发任务的次数

进行到最后一个单元：包括走正确分支完成和走错误分支完成

优化策略：提升触发条件准确率

误触发任务中主要为以下两种情况：

①相似问题匹配错误：调整相似问题至至正确知识点或意图；

②触发器设置范围问题：原触发器中设置用户问题包含款式号或订单号就触发任务，改为完全等于款式号/订单号才触发任务。

优化策略：减少任务中断，提升任务完成率

中断原因中断单元次数占比
询问库存询问意图827.59%
直接中断询问链接517.24%
链接无法识别询问链接26.90%
询问是否有女码询问意图26.90%
要求发送尺码表询问链接13.45%
询问商品详情询问意图13.45%
询问商品质量问题询问意图13.45%
链接不符询问链接13.45%
意图不明询问链接13.45%
询问网址是否为官旗网址询问链接13.45%
漏召回询问意图13.45%
直接转人工询问链接13.45%
询问补货时间询问意图13.45%
询问尺码表询问意图13.45%
询问专属定制无款式号询问链接13.45%
用户不知道链接询问链接13.45%
总计29100.00%

通过分析可以看出，很多客户提问了是不是有库存，但是机器人原先并没有设计相应的流程，造成了客户的任务不能正常进行，所以，我们有了相应的解决方案，和客户配合将库存查询意图也纳入我们的任务对话当中。

优化一

用户多有询问是否有库存，但现有流程中没有这个分支，造成机器人不能正常进行

解决方案：新增查询库存接口，

优化二

用户发送的链接属于新品限量发售或定制的商品，为新的链接类型，不符合原本设定的正则实体识别规则导致无法识别。

解决方案：和客户业务方人员商讨后发现，这两种链接也有一定特征，可以新增实体根据特征抽取这两种特殊商品的链接。

优化三

无法抽取到实体，AI询问用户脚长时，用户出现了新的说法：平时穿X码，而不是告知脚长

解决方案：新增分支抽取新的短语实体

优化四

任务完成率指标调整和明确，经开会商议，客户项目经理具体查看案例后认为中间准确触发问答也应算帮用户解决了问题（用户侧并不知道是任务还是问答服务的），所以任务完成率的分子添加了中间准确触发问答后未继续任务的次数。

任务完成率=（进行到最后一个单元的次数+中间准确触发问答后未继续任务的次数）/准确触发任务的次数

进行到最后一个单元：包括走正确分支完成和走错误分支完成

5.3.4案例优化复盘​

机器人准确率变化在初期由于集中优化，提升较为明显；11月-12月之间由于新品发售，咨询量大、新知识点较多，导致出现两次准确率下滑的情况；1月开始，训练师重点做了问答准确率分析及优化方案，准确率又逐渐提升并趋于平稳，达到72%。

任务机器人完成率一直呈现稳步上升的趋势，初期由于任务场景与真实线上常见不符，导致任务完成率较低，通过线上语料分析后，对任务触发条件和分支进行更新，丰富了任务场景，任务机器人完成率达到91.9%。

随着机器人效果：问答准确率和任务完成率的提升，使机器人的解决率和满意率都得到了提升，并且达到了验收指标。

最终效果

（1）问答机器人优化前情况

知识库现状：共计知识点613个，相似问题29101条

模型：普通模型

阈值：0.75

线上效果：召回率98%，非高频知识点准确率72%

（2）任务机器人优化前情况

机器人现状：共计5个意图，分别为查询尺码、尺码换算、库存查询、订单号查询和退货单号查询

阈值：0.80

线上效果：完成率91.9%

可以看到，，一个之前没有应用过机器人的场景，通过一步步的努力，寻找对了场景，了解了用户的真实意图，最终在客户的紧密配合下，顺利明确了用户想要提升的指标，进行了拆解，总结和优化，最后问答对话准确率从55.7%提升到72%（特定准确指标），任务完成率从40%提升到91.9%。客户关注的解决率也从20%提升到60%，极大的减轻了客户人工服务的负担。

5.4话术升级​

简单来说，优化阶段需要考虑的话术优化可以参考这几个方面进行。

5.4.1根据对话次数进⾏设计​

用户希望和其多次沟通的⼈能够了机并记住我们，所以机器人对话设计应该反映出这种记忆。可以通过对⽤户属性和上下⽂的判读调整对话，让机器⼈更智能。

5.4.2确认策略​

包含强制确认的“显性确认”和让⽤户知道但不需要确认的“隐性确认”；

三级置信度：通过置信度的设置来让机器⼈的反馈更加灵活，⼀般情况：⾼-隐性、中-显性、低-拒绝/兜底）；

显性确认：通常在机器人要执行一些重要的操作时使用，例如当机器人要为用户进行下单、转账等操作时。一般来说这步骤是单独确认用户的重要事项。

隐形确认：通常答案连带部分⽤户问题⼀同回复。当置信度⾼，同时希望对话更加⾃然流畅，一般不会整句话都是确认已有信息。

⾮语⾔试确认：如果存在相应的交互界面，⾳频作为“地标”进⾏提示、或者GUI的视觉提示。VUI场景下，发⽣延迟需要“我知道了”等显性确认提示⽤户系统已经识别）；

通⽤确认：适⽤于开放式对话，不做具体反馈，通过“嗯、然后呢”等⽅式让对话继续，有助于⽤户⾃由分享。

视觉确认：通过GUI降低⽤户认知难度及更多决策时间。⽆需⼆次确认，暗示⽤户发⾔时机。

5.4.3以留资为例话术优化​

对话类型案例企业 A案例企业 B
欢迎语您是想出国就读初高中、本科、研究生？您有心仪的留学国家？
想了解哪一方面：留学规划、背景提升、考试培训、留学申请、夏校、实习、国际学校择校？
立即回复【姓名+手机号+咨询内容】，给您最专业的留学建议+最新权威留学资料！		欢迎使用留学咨询中心了解留学、留学考试以及学游等信息，请问有什么可以帮助您？（为确保您能更快获得最新资讯，建议您留下“电话+目前学历+意向国家/留学考试”，我们马上安排专属您的顾问老师回电详细解答！）
您好，我是李老师，请问有什么可以帮您？出国留学、课程培训、学游、短期留学、实习提升等都可以帮您了解哦。如需合作事宜请直接发送邮件至hezuo@laiye.com（唯一指定联系方式），如需应聘事宜请直接发送邮件至qiuzhi@laiye.com，我们将有专人给您回复，谢谢。
亲爱的，您是在忙着网上找资料吗？我们为每位在线咨询的同学都精心准备了丰富的留学资料，请不要错过哦≧▽≦让我们根据您感兴趣的国家，安排对应的专业留学老师为您准备资料并详细解答和规划吧，请问一下您是想获得哪个国家的留学攻略呢？我们都可以为您准备好哦~
留学国家？您咨询去哪个国家呢？（按钮：美国、英国、澳洲、加拿大、新西兰、新加坡、爱尔兰、荷兰、中国香港）请问同学有考虑的留学国家吗？例如：美国、英国、爱尔兰、加拿大、澳洲、新西兰、欧洲、亚洲都可以帮您了解哦
User美国美国
申请学位？您是计划申请初高中、本科还是研究生呢？美国有最多的世界名校和奖学金，教育质量特别好，而且我们申请累积名校录取数超过10万名，申请成功率高达99%。请问同学是想出去读什么阶段的留学课程呢呢？例如：小学，中学，本科，研究生等。
User研究生研究生
申请专业？您计划研究生阶段申请什么专业呢？无
User金融无
语言成绩？同学目前语言方面有考出成绩了吗，托福或雅思？本科的GPA是多少呢？明白的，现在比较多同学也是这样考虑的，确实是不错的选择。请问您方便大概说一下您的个人情况吗？如：您目前的最高学历、平时成绩、语言情况等等。
User本科gpa6.5 雅思7本科 gpa6.5 雅思7
目标院校？学生目前有没有目标院校呢？无
UserNYU无
准备阶段？无按照您告诉我们的情况，您的各方面其实都很不错哦，根据我们以往的经验，我们可以帮助您了解和申请的，只要老师辅导您仔细做好规划和准备好文书，您肯定很有希望申请到的，而且到时候我们还会帮您突出优势，冲刺排名更靠前的名校呢。请问您之前有没有做什么留学方面的准备呢？我们的专家老师可以免费为您做个一对一的留学规划，让您先心里有个底哦。
User无准备了
留资话术 1好的，您留一个方便接收短信的号码，给您发送一份院校排名介绍相关费用，也包括申请条件、各项分数要求、历年录取、校园环境等，好自己规划一下，资料是免费的有提前准备，肯定是有优势，我们可以先为您安排一下当地的老师联系您，为您作一个评估后给您相应留学建议，这样对您申请方面是会有帮助。或者您可以留一下您的电话和姓名，老师给您作一个这方面的介绍，切合您的个人情况给您相关的免费留学规划和建议，我们的电话咨询是完全免费的。
留资话术 2如果不方便留手机号，可以留个微信号哦？老师加您微信发送资料和在线沟通。请问您的姓名和联系电话是？我安排老师在您方便的时间给您打电话过去，可以比较方便快捷的为您说明留学的各种问题
留资话术 3因为我这边是需要有联系方式才能帮您安排顾问老师的，您方便还是留个联系方式哦？电话或微信都可以。这样吧，您留个联系电话和姓名，我们帮您安排负责美国的老师根据您目前的情况，先帮您做一个规划定位，介绍留学申请时间流程、详细费用和录取条件要求等，您参考下是否适合
User12345678901 杨12345678901杨
确认预约无感谢您预约了我们的一对一留学咨询，老师会通过电话与您确认预约的时间地点等信息，而且老师和会根据您的情况并提前为您准备好相关留学资料和规划。
微信 /QQ ？这个手机号是可以加您的微信吧？微信发送资料和沟通更方便些。或者您也可以留下您的QQ/微信，我们可以安排总部资深老师继续为您做更详细的解答。
User微信不是手机号好的
追问微信 /QQ ？那您的微信号是多少呢？老师加您微信发送资料和沟通更方便些。嗯嗯～ 好的，现在开始了解和准备，时间是比较合适，也是比较有优势，特别是考虑申请名校。 感谢您预约了我们的一对一留学咨询，老师会通过电话与您确认预约的时间地点等信息，而且老师和会根据您的情况并提前为您准备好相关留学资料和规划。 建议您同时留个QQ/微信，大家多个联系方式，方便沟通。
UserXXXXXXXX
目前城市？您目前是在哪个城市呢？无
User北京无
姓名？学生叫什么名字呢？请问您贵姓或者怎么称呼好呢?（先生/女士）
User杨杨
确认预约 / 结束语明天上班后顾问老师会尽快和您联系，为您详细介绍和解答问题，请您耐心等耐哦。我这边帮您记录好您的情况了，请问您还有什么其他问题可以帮到您吗？如无我们北京客服总部的老师会尽快联系您做个简单的了解的，请留意我们020电话；感谢您的关注，有问题可随时联系我们(*^▽^*)
留资转化率70%(示例)27%（示例）
分析好的方面：
1. 欢迎语简短清晰，明确展示留资格式，引导强意愿用户优先完成留资流程。
2. 语言风格干练，言简意赅；
3. 每轮对话只解决一个目的明确的问题，一目了然，用户不用过多思考如何回复；
4. 对话引导性强，将“准备阶段”这类开放性问题拆解成明确的多个子问题，用户自由发挥空间不多，错误几率降低；
5. 符合用户正常对话逻辑，连续性强，用户较难察觉异样；
6. 留资话术处理细致，针对不同情况都给出合理的挽回话术；
7. 使用“好的”、“您看这样吧”、“嗯嗯”等词语帮助对话衔接更加自然逼真。

值得优化：
1. 增加一些基本问题的咨询能力，比如资费、转人工需求的解释和挽回话术，帮助咨询型的用户提高留资意愿；
2. 让用户对手机名称等信息进行一次确认，可以有效规避信息错误导致的线索流失；
3. 对于手机号/微信号的识别，确认更加准确，目前有的外国手机号无法正确识别，反复要求用户输入正确的手机号；
4. 对于联系方式的显性确认更加灵活些，“这个手机号是可以加您微信吧？”的答案更加泛化一些，目前“可以微信”这种回复现在无法填槽，继续询问微信号了。		好的方面：
1. 例如针对不同国家、学位、成绩等都有比较细致的不同文案，回复个性化，感觉比较智能；
2. 知识丰富，可以解答不同业务问题，感觉比较专业；
3. 通过获取用户属性（地理位置、姓名）实现一定程度对话个性化。能够把用户信息融入对话中，暗示机器人理解用户所说的话，同时隐性的让用户对信息进行确认。

值得优化：
1. 明确核心业务目标，精简欢迎语话术，突出重点信息，让用户对机器人的功能和服务一目了然；
2. 在对话开始就让用户明确最快的留资方式，帮助留资意愿较强的用户尽快留资；
3. 精简对话话术，每轮对话只传递一个信息，一轮对话中掺杂过多不同类型信息会严重干扰用户的判断和回复效率；
4. 去除对话中和用户上轮回答相关性不高的信息，不要过多放置“我以为”用户需要的信息；
5. 细化开放性提问，明确需要收集的每个信息，拆解成子问题，帮助用户更好判断应该如何回答；
6. 对话流程应该符合用人与人沟通时的对话逻辑，注意上下文连续性，不要插入跳脱与当前场景的问题或信息，打断对话节奏；
7. 过多品牌曝光，话术“营销味”浓郁，需要模拟真实情况设计更加流畅的对话；
8. 少即是多。
总结极简主义：强引导，去除干扰，修剪非必要分支和话术。

优势：
1. 搭建、维护成本相对较低；
2. 流程强引导避免用户回复发散，较好规避用户触发机器人无法回答的问题，提高有效交互率；
3. 直接、有效，对留资意向较强的用户来说转化率高。

缺陷：
1. 流程线性，“机械感”、“收集感”强，对与隐私保护意识较强的用户来说，较难提高留资成功率；
2. 超出流程设计的用户提问反馈不自然，对通过基本咨询判断是否留资的用户来说，较难提高留资成功率。

设计要点：
1. 明确核心业务目标，判断哪些是需要去除的“非必要信息”；
2. 尽可能真实模拟人与人的对话方式：对话流程符合上下文逻辑，适当的节奏和反馈，每轮对话只描述一个问题，表述清晰简洁；
3. 丰富业务知识库，对咨询型用户也有较好服务，提高这部分用户的留资意愿和成功率；
4. 持续分析、优化，找到用户关心但机器人无法回答的典型问题。		人文主义：允许用户开放性提问和回答，通过丰富对话分支设计，合理反馈用户多样化的说法。

优势：
1. 对话自然，感觉上更智能，提高用户交互粘性和满意度；
2. 知识丰富，感觉上更专业，提高用户的依赖性和信任感；
3. 对通过咨询判断是否留资的用户、对隐私谨慎的用户，能够较好满足需求，提高留资意愿和成功率。

缺陷：
1. 机器人设计复杂，搭建成本高；
鼓励用户开放提问，更高几率触发机器人无法处理的问题；
2. 对话分枝多，用户容易迷失、偏离核心业务流程，导致留资成功率降低。3. 对强留资意愿用户来说，流程越繁复、开放，留资成功率越低。

设计要点：
1. 明确业务核心目标，避免流程设计复杂导致主流程不清晰；
2. 避免过度设计：事无巨细的把大量信息放置到对话中干扰用户理解和判断，过多设计优先级较低细节分支；
3. 只在对话中放置上下文强相关的信息，不过度预判用户需求，放入“我以为”用户需要的信息；
4. 尽可能真实模拟人与人的对话方式：对话流程符合上下文逻辑，适当的节奏和反馈，每轮对话只描述一个问题，表述清晰简洁；
5. 针对强意愿用户尽可能减少交互步骤，设计更直接的留资方式。

[一]流程优化

留学留资流程抽象为 2个：

  • 针对第一时间留资的用户，追问关键信息

架构：欢迎语（留资行动号召）+补充信息+确认/结束语

  • 针对未第一时间留资的用户，引导留资

架构：欢迎语（留资行动号召）+信息收集+套电+补充信息+确认/结束语

核心模块拆解：

  • 欢迎语：角色定位+留资行动号召+服务内容

  • 信息收集（触发意图）：目标国家+目标学位+平时成绩和GPA+语言成绩+文书准备+当前学校、专业和学历

  • 套电：留手机+确认微信是否手机+留微信/QQ

  • 补充信息：姓名+致电时间+来源

  • 确认/结束语：隐性确认+结束语（明确致电时间）

  • 兜底回复：2-3种

反馈信息：

  • 国家：美国+英国+加澳+法西意+欧洲+日韩马+港澳+无意向+无效

  • 学位：有效+无效

  • 专业和学校：不反馈

  • GPA：赞+安抚

  • 语言：赞+安抚

  • 文书准备：有效+无效

[二]话术优化

核心模块示例对话：

1.欢迎语：角色定位+留资行动号召+服务内容

方法话术
Bot 角色定位+留资行动号召+服务内容您好，我是您的留学指导李老师，看到您关注[国家]留学情况，您可以留下您的电话，我会第一时间和您沟通。

(10秒后)您好，我还可以帮助您解答留学、学游等留学咨询问题，您也可以直接和我沟通。

2.信息收集（触发意图）：目标国家+目标学位+目标专业和学校+平时成绩和GPA+语言成绩+文书准备+当前学校、专业和学历

方法话术
Bot 过度话术同学您好，+触发单元对话
Bot 目标国家您想了解哪个国家的留学业务？（按钮选择国家）
User美国
Bot 目标学位（判断分支）[美国有最多的世界名校和奖学金，教育质量特别好。]您准备申请什么阶段的留学课程呢？（按钮选择学位）
User研究生
Bot 目标（专业和）学校好的，有目标（专业和）学校吗？
UserNYU金融
Bot 平时成绩和GPA（非小初高）那您目前在校平均分和GPA成绩如何？
User平均分81，GPA4.1
Bot 语言成绩[您的各方面成绩都很不错。]托福、雅思之类的语言分数是多少？
User托福90，雅思6.5
Bot 文书准备[您的语言成绩很好，申请名校会有很大的帮助。]还有文书、XXX之类的材料有提前准备过吗？
User没有准备
Bot 当前学校、专业和学历[没关系，这些我们老师可以辅导您准备。] 方便告诉我您现在就读的院校、专业和学历吗？
User普通院校 财经类 大三

3.套电：留手机+手机是否微信+留微信/QQ

方法话术
Bot 留手机好的了解了，我帮您预约[美国][研究生]的指导老师。请您留一下手机，您看明天什么时候方便我请老师按约给您打过去，详细沟通一次
User12345678901我的手机，明天下午打过来吧
Bot手机是否微信这个手机是您的微信号吗？
User不是
Bot 留微信/QQ可以留一下微信或QQ，我们给您发一份内部留学资料，您可以自己先看看规划一下，之后也方便老师发送资料
User加我微信吧，QWER_1996

4.补充信息：姓名+致电时间+当前城市+来源

方法话术
Bot 姓名OK，请问同学贵姓？
User我姓田
Bot 致电时间（未填槽时）收到，明天什么时候给[田]同学打过去方便？
User明天下午打过来吧
Bot 当前城市（未填槽时）之后会有比较多的线下沟通，我帮您预约哪个城市的老师合适？
User我在北京
Bot 来源好的好的，最后请您帮我一个忙，您是从什么地方了解到启德的？（按钮选择渠道）
User同学推荐
Bot 来源反馈感谢您的耐心，

5.确认/结束语：信息确认+致电时间确认+结束语

方法话术
Bot 信息确认+致电时间确认[感谢您的耐心，] [明天下午] 我们 [北京] 总部 [美国] [研究生] 的指导老师会打[12345678901]这个手机和[田]同学联系
Bot 结束语1如果没有问题，请在[明天下午]留意我们020开头的电话
Bot 结束语2感谢您的关注，有更多问题可以随时联系我们(*^▽^*)

6.兜底回复：2-3种

  • Bot 兜底回复1

  • Bot 兜底回复2

  • Bot 兜底回复3

反馈信息示例对话：

1.国家：美国+英国+加澳+法西意+欧洲其他国家+日韩马+港澳+无效

国家话术
美国美国有最多的世界名校和奖学金，教育质量特别好。
英国英国教育质量一流，课程时间短含金量高。
加澳加拿大/澳洲/新西兰是留学性价比很高的国家，教育质量有保障，留学移民政策宽松。
法西意法国/西班牙/意大利目前都是免学费的呢，性价比非常高。
欧洲其他国家欧洲的教育质量有保障，福利高环境好。
日韩马日本/韩国/马来西亚来往方便，教育质量有保证，而且申请难度不高，费用低廉。
港澳香港/澳门/新加坡的教育质量非常好，而且生活习惯相近，容易适应。
无意向跳过
无效我们暂时没有[国家]的业务，您有其他备选的国家吗？（按钮选择国家）

2.学位：有效+无效

情况策略
有效不反馈
无效

3.目标专业和学校：不反馈

4.平时成绩和GPA：赞+安抚

情形话术
赞您的各方面成绩都很不错。
安抚平时成绩只是学校参考的一部分，我们会帮您优化提升。

5.语言：赞+安抚

情形话术
赞您的语言成绩很好，申请名校会有很大的帮助。
安抚没关系，现在准备不晚，我们可以快速帮助您提高语言成绩达到学校要求。

6.文书准备：有效+无效

情形话术
有效有提前准备很好，我们老师也可以帮您继续优化。
无效没关系，这些我们老师可以辅导您准备。

5.5机器人常见问题及解决办法​

分类具体表现原因解决办法备注
回复不上来用户进入任务机器人，说了一个选项可回答，第二个选项不回答任务机器人配置错误任务有其特殊性需要具体分析
回复不正确本是问答，误召任务机器人未看任务机器人的适用场景就上线机器人，造成问答和任务误召根据场景，收敛任务机器人的触发条件
效果不好覆盖率低，用户问题不在知识库和任务覆盖范围内知识库覆盖范围偏小，需要新增知识点，意图根据用户提问，新增知识点，意图和相似问可以积累业务评价为有一些客户会问到的知识点，如果评价是从来没见过或者不会问到，可以暂时不添加，多次或有可能多次问到的一定要添加
效果不好准确率低，维护人员也不清楚新来的问题放在哪里知识点分类混乱，归类重叠度大重新梳理分类，让分类明确可信如果分类清晰，知识点不清晰，需要回顾知识点定义，用知识库健康度梳理；分类分不好，一般因相似问归类归不好
效果不好准确率低，场景实际原始数据为结构化信息，如基金利率表，保险费用表具体场景应该使用表格（数据库）管理的方式进行回复，仅采用问答方法没有办法应对结构化的问答直接使用表格来应对用户的回复，创建表格问答
效果不好准确率低，应召回知识点相似问数量过少部分新增知识点，相似问仅有1-2个相似问使用吾来论语等工具丰富到10个及以上，推荐30个；像用户强调，高频的概念是在一段时间内反复发生，可以大概评估下一年可能出现多少次，三次以上的问题都应该做成知识点许多情况下，新增知识点会发生这样的情况；如果不会增加相似问，需要进行学习，接受指导
效果不好准确率低，用户常用关键词提问，未能有效召回，或召回错误在搭建时未对用户询问关键词的情况做准备需要考虑用户询问关键词时的处理策略，是直出答案带推荐问题，还是通过关键词配置推荐问题
效果不好召回率高准确率高，针对个性化的问题，无法有效回答1.不同地区、人群，有不同的回复
2.问题往往和个人有关，需要搜索资料比较等回答		原因1可以采用基于用户属性的回答解决
原因2需要判断是否适合机器人处理，如果人工也需要较长时间判断，并且方法不好归纳，那么这个可能需要任务可能更加适合人人工解决而不是机器人；如果可以归纳出规则，可以通过任务机对话辅助其他手段解决
未达预期总消息数少于500/天，流量少，无法验证机器人效果1.渠道入口不合适，用户访问机器人过于麻烦
2.本身渠道流量低，无法有效促活
3.新场景，用户不了解		1.改变渠道入口方式，使用个人号对接，寻找机器人方便快捷
2.增加提效功能，如会议室预定，提高用户使用积极性
3.举办活动，提高用户参与度		还有可能是不需要促活
异常情况运营期间突然出现准召率的较大变化1.新上线活动，未增加对应知识点
2.无意中切换了高级模型和普通模型
3.无意中调整了阈值
4.产品算法有更新		原因1需要增加对应知识点
原因2和原因3可以调整回原来的模型和阈值配置
原因4请注意产品发布的算法通知。
满意度不高准召高，但处理完结率低，满意度低
1.用户得到正确答案后仍然询问人工
2.用户得到正确答案后选择不满意		1.用户不知道是否回复正确
2.答案并没有解决用户的问题
3.问答不能解决用户的问题，需要任务获取信息后再做判断
4.用户对于这个问题还有其他诉求		1.答案中说明回答的是什么问题，让用户知道这就是正确答案
2.站在用户角度修改答案，提高解决率和满意度
3.建立任务，通过引导帮用户解决问题
4.打开“相似知识点设置”或维护“推荐关联知识点”
转人工比例偏高准召高，转人工率高1.知识点本身需要转人工
2.用户直接转人工
3.回答不正确
4.机器人回答正确转人工
5.语义不明转人工
6.图片、表情转人工
7.说话不连续转人工		1.正常转人工不需要处理，或者逐步教给机器人处理
2.看业务需要，决定是否直接暴露转人工方法，常用方法有多次提问再转人工，严格限制转入条件
3.继续提高准确率4.参照上条--准召高，但处理完结率低
5.引导用户进行完整提问
6.引导性处理
7.尝试配置实体后，打开问答消息智能改写等能支持上下文的功能
效果问题希望可以在和机器人对话时收集信息问答本身没有收集信息的功能，所以需要使用任务进行收集，也同时需要问答的回复才行需要启用预处理，或者通过任务充当中控的方式解决
顺序回复不符合预期用户希望问答优先，任务也回复，或者一定走任务回复顺序错误，或者需要设计任务中控1.调整回复方式的优先级2.调整方案设计，通过预处理+任务当中控方式处理