“科学研究”
浙江大学医学院
说到客服和销售，很多人的印象都是“难”。房产中介、汽车销售总是被电话轰炸，网上客户无数次重复“亲爱的”二字，但并没有解决你真正需要解决的问题。这样的谈话不仅让消费者感到不安，也给企业带来了问题。许多企业发现，无论雇佣多少客服人员，无论客户服务技能培训得如何，仍然很难留住客户。这种通过屏幕或电话的“在线交流”很难让消费者产生“冲动”。如果我们能够通过“几次在线对话”捕捉消费者信息，了解消费者的购物意图，甚至改变他们的购买决策，那该多好？这或许是商家共同的“愿望”，不仅可以提高效率，还能很大程度上节省成本。现在，这个“愿望”可以实现了！
图片来源：钱库网
浙江大学管理学院数据科学与管理工程系特聘副研究员陈刚和他的团队正在关注语音客服对话面临的诸多挑战。他们的最新科研成果可以帮助商家解决困难、实现“愿望”。近日，陈刚及其团队在国际顶级期刊《Information Systems Research》（UTD24期刊之一）上发表了研究成果“A Theory-driven Deep Learning Method for Voice-chat-based Customer Response Prediction”。他们的研究聚焦于“在线语音客户邀请对话场景”，构建了一个模型，可以帮助商家进一步了解消费者的喜好和购买意图，为提高客户购买转化率提供重要参考价值。
点击文章左下角链接查看详细内容
如何在缺乏信息的情况下捕捉客户偏好？如何通过线上对话揭示客户购买意图？这个模式有什么样的突破呢？有什么价值？
本期【《科学研究》】，我们就走进在线语音客户邀请的对话，看看这个准确率接近90%的模型如何让在线对话充满“智慧”。
学者简介
陈刚：浙江大学管理学院数据科学与管理工程系特聘副研究员。研究方向：多模态商业数据分析、深度学习、可解释人工智能
这个模型预测成功率80%~90%能做什么呢？
在日常消费场景中，“在线对话”是常见的销售渠道。我们每天接触到的电话销售（语音对话）和在线客服（文字对话）都是实时在线交互的业务模式。随着人工智能和数字技术的蓬勃发展，在平台经济中，这种商业模式已成为企业了解客户需求、识别客户价值、开展客户服务的重要方式。客服可以询问顾客的购买意向，主动向顾客介绍产品，邀请顾客进店体验购买，回应顾客的投诉和疑虑。从而可以从“在线对话”中提取大量客户信息，获得极高的商业价值。
图片来源：钱库网
但陈刚团队注意到，基于在线邀请对话内容挖掘客户需求和偏好的商业行为存在诸多挑战，并在最新的科研模型中一一解决了这些挑战。
1
这一模式让客服能够“举一反三”
在线邀请场景下，企业或客服在售前阶段很难获取足够的客户信息，无法提前了解客户的需求和期望。因此，客户服务只能依靠对话来捕捉用户的动态需求和偏好。在陈刚团队建立的模型中，很多客服人员都能举一反三。现在很多商家的客服方式都是先打电话，后续过程中继续跟客户跟进。这种做法不仅容易得罪客户，而且极大地浪费了商家的沉没成本。然而，通过科研团队的最新模型，只需要一个电话就能反向推断顾客对产品属性的偏好，从而捕捉顾客个性化、动态的偏好。
2
帮助客服在对话过程中有效调整策略
在对话过程中，客户的对话体验和产品期望也会动态调整。如何利用语音对话中包含的音频信息、语义信息和交互模式来建模客户的对话体验也是陈刚团队关注的重点。在打电话或者上网交谈的过程中，顾客的购买意愿处于不断调整的状态。通过对话来判断顾客对哪些产品属性感到满意或不满意，可以有效帮助顾客朝正确的方向努力，调整销售策略。
3
深度学习模型的可解释性和预测能力的统一
在线对话的动态性和对话内容的不确定性使得根据对话内容判断客户购买意图及其变化趋势在技术上具有挑战性。陈刚团队的模型不仅从技术层面解决了这一难题，还创新性地将文本和声音同时建模，根据客户的个性化偏好和对话体验揭示客户的购买意图，让客户的购买决策变得更加复杂。透明度
图片来源：钱库网
他们发现这种模式可以让消费者的意图和行为更加“透明”
当您有买车意向时，您可能会同时与多个品牌的汽车销售电话号码进行沟通。这时候，无论和谁交谈都让你更舒服，并且可以获得更多信息，你可以优先去相应的商店了解更多信息。也许这个品牌可能不是你最初的首选，但因为“体验比预期更好”，它现在已经成为你的首选。消费者因“先前期望与实际体验的差异”而改变购买决策的现象，其背后的原理正是“期望不一致”。
图片来源：钱库网
基于上述“期望不一致”理论，陈刚团队构建了一个基于“客服-客户”语音对话数据的模型。该模型由三个子模型组成，即动态期望模型和客户体验模型以及“期望-体验”比较模型。该模型利用期望与体验之间的对比关系来揭示顾客的动态需求和偏好，进而解释和预测顾客的购买意图。通过这个模型，不仅可以“有效、准确”地分析客户的心理趋势和消费意图，从而帮助企业提高客户转化率，而且还可以为企业带来巨大的商业价值。
1
了解客户偏好并使购买决策“可分析”
在本研究中，陈刚团队以对话场景为例，将期望不一致理论融入到基于语音对话数据的客户购买意图深度建模中，从而提高了“基于对话的客户购买意图预测”的准确性。通过该模型，商家不仅可以了解消费者为什么愿意/不愿意最终购买商品，还可以帮助商家进一步了解顾客的偏好属性，从而将其转化为消费以获得更多利润。这进一步表明，将可解释的理论机制融入到深度学习的建模过程中，可以有效提高深度学习模型的预测效果。
2
准确预测客户意向变化趋势
在“客服-客户对话”场景中，陈刚团队证实，客户的购买意愿是动态变化的，其累计购买意愿呈现近似单调变化的趋势。消费者在谈话中所说的每一句话都可能代表一种“购买意图”。该模型可以在对话过程中实时预测消费者的意愿，并根据消费者的情绪转折点，在对话过程中提醒客服及时做出改变和调整。
图4. 基于对话的动态客户购买意图建模结果
这一发现证明，企业可以利用本研究构建的深度学习方法，准确预测对话过程中客户意图的变化趋势，在对话结束前有效识别有流失倾向的客户，并通过改变言语来提高客户转化率。速度。
3
让消费者行为“可解释”
本研究构建的深度学习客户购买意愿预测模型具有可解释性。所谓可解释性，是指不仅可以让商家了解消费者的喜好，还可以让商家分析消费者消费决策背后的原因。模型经过训练后，可以根据实例客户样本推断客户的个性化偏好和体验。也为后续的客户服务培训、产品改进等提供了强有力的指导。
图片来源：钱库网
这一模型不仅开辟了新的理论视角，也可以成为企业的“财富密码”。
对于企业来说，如何提高客户满意度、如何提高消费者线上购买率、如何提高复购率等问题，都是值得企业和商家长期关注的问题。陈刚团队的研究成果不仅在学术理论方向上具有创新性，在商业价值方向上对企业也具有重要意义。它们是企业实现客户价值的“财富密码”。
”
理论贡献
这种可解释的深度学习模型的构建及其在商业预测场景中的应用开辟了一种新的设计科学建模范式，将消费者行为理论和深度学习建模过程有机地结合起来，为用户提供对深度模型的理解。学习过程和预测结果提供有效的决策支持。同时，陈刚团队的研究为“深度模型预测性能与可解释性能的统一”开辟了新的方法论视角。研究中提出的建模策略不仅实现了预测性能和可解释性的内在统一，而且为从客户与客户服务之间的文本和语音对话等多模态业务对话数据中挖掘用户偏好和需求提供了有效的方法。方法工具。
图片来源：钱库网
”
商业价值
在售前向客户发出客服邀请时，根据邀请对话的内容，企业可以把握客户意图，洞察客户需求，了解客户喜好。企业可以通过提供优质的个性化服务锁定客户资源，提高客户购买转化率，进而在激烈的竞争中脱颖而出。在市场竞争中获得先发优势。
1
企业智能实时语音支持工具
随着客服与客户的对话进行，陈刚团队的模型可以实时输出客户对当前对话的累积满意度，并实时推理客户当前的需求以及对关键产品属性的满意度。这为客服人员及时调整言语、正确适应客户利益、合理回应客户关切提供了实时决策支持。
图片来源：钱库网
2
高效的商务会话质量检查工具
这种模式不仅给客服人员的工作带来了便利，也帮助客服经理节省了时间，更高效地完成质检等任务。将每一次历史对话输入到模型中，模型会实时输出本次对话中客户满意度的预测指标以及相应的解释结果。例如，客户对特定对话中的哪些问题（产品属性）不满意，或者客户服务未能有效回应客户在特定对话中关心的问题。通过上述流程，客服经理可以准确、高效地识别高质量和低质量的客服对话。
3
为新产品设计和开发提供思路
新模式只需在未知条件下通过客服-客户对话，即可为企业提供客户偏好、需求等关键营销信息。这些信息可以为管理者改进新产品设计、提高营销效率提供有效的决策支持。
图片来源：钱库网
附：论文摘要
随着人工智能和数字化技术的蓬勃发展，基于实时在线交互的商业模式，挖掘在线交互过程中隐含的客户购买意图可能会孕育巨大的商机。在本研究中，我们的目标是在一种新兴的基于在线交互的商业模式（在线邀请和店内体验模式）中进行基于语音聊天的客户响应预测。先前的研究表明，通过先前期望与实际体验之间的差异所揭示的满意度是解开客户购买意图的关键因素，而黑盒深度学习方法在经验上向我们保证了处理复杂语音数据的优势能力，例如，语音聊天中包含的文本和音频信息。为此，我们提出了一种理论驱动的深度学习方法，使我们能够（1）在缺乏个人资料信息的情况下了解客户的个性化产品偏好和动态满意度，（2）基于多视图语音聊天对客户的实际体验进行建模（3）通过理论驱动的动态满意度增强黑盒深度学习模型的客户响应预测性能。实证评估结果证明了我们提出的方法相对于最先进的深度学习替代方案具有优越的预测性能。累积满意度的研究揭示了理论驱动的动态满意度和客户响应预测的深度表示特征的协作预测作用。解释性分析进一步深入了解客户的个性化偏好和对关键产品属性的动态满意度。
编辑：王景春
点评：佟庆、陈刚