调研专项从发起到完成历经了一个季度的时间，本文将主要记录我们对新领域 0-1 调研过程中遇到的问题以及思路的转变，同时向大家分享关于京东快递在线客服的问题现状和优化方向。
一、认识智能客服
对于企业和平台，客服常常被称为“用户对产品忠实度的最后一道防线”，也是“用户与产品关系的稳固剂”，客服服务可以影响用户与产品的各个触点环节。例如，我们在一些零售平台买东西的时候，下单前我们除了会看商品详情之外，还会通过客服了解详情页中未能展示的商品信息、优惠活动以及发货时间等，在下单后可能会找客服催单、咨询物流情况，售后时进行退货沟通、寻求解决其他异常问题等。
市面上的客服系统大多采用「在线客服＋人工服务＋智能外呼」结合「工单系统」的模式，为用户提供完善、专业的解决能力。其中「在线客服」可以在一定程度上解决人工客服资源有限与消费者咨询需求海量之间的矛盾，因此平台的客服设置逻辑也主要使用在线客服与用户进行前置沟通，解决基础问题，再把复杂性问题分流给人工客服，提高问题解决效率，降低客服整体成本。
二、智能客服分类
根据智能客服的交互方式、行业特征可以分为以下几个类型：
- 知识库类：集成了丰富的知识内容，提供特定行业/多行业的知识内容，能够根据用户的问题提供相关的答案和解决方案，知识类客服可以是单独存在，例如学习教育知识客服，生活百科知识客服，也可以作为其他客服的知识储备，解决资讯类问题；
- 自助服务类：用户可以通过独立的自助查询功能来解决问题，用技术代替人工，帮助用户完成一些特定的功能服务，通常用于银行、***、医院、金融等行业；
- 语音助手类：集成自动语音识别（ASR）、自然语言处理（NLP）、语音合成（TTS）等技术，识别用户语音并进行语音互动，可以满足特定用户、特定场景下的语音沟通，根据平台需求完成外呼、服务办理、业务咨询等服务；
- 陪伴聊天类：主要通过用户的文本和语音内容解析用户的意图，并=识别用户的情绪状态，根据用户情感和需求有效地进行应答，通常适用于社交媒体，内容多为日常主题，强调情绪安抚、推广营销活动等；
- 多模态数字人：使用三维建模和动画技术创建虚拟的“客服形象”，通常为卡通形象或者是拟人形象，结合图文、语音、视频等内容，数字人形象可以给用户更加真实的对话体验，企业也可以根据自身的品牌定位去设计数字人，增强品牌印象，强化用户认知；
三、京东物流智能客服
1. 客服角色
京东物流客服主要承接并解决用户使用京东快递服务过程中遇到的问题，客服角色包括「人工客服-智能在线客服-数字人客服」：
人工客服：由真实的人通过字符或者电联语音与用户交流，能够解决线上线下复杂的业务问题，也可以提供多类型业务的问题解答能力，例如投诉理赔回访、物流异常催单，帮助联系小哥或者站点。由于人工客服数量有限，用户在高峰期间通常需要等待，人工客服有固定的服务时间，非 24h 服务，成本也相对较高。
在线客服：通过系统设置在线对话模式，支持 24h 随时响应用户需求，能够解决大部分的信息查询类问题，目前支持的核心场景有「查快递」「寄快递」「催单」「运费查询」等。在线客服的问题解决能力依托于平台技术，当前对于复杂场景的解决能力有待提高，例如理赔、会员积分活动等。
数字人客服：是京东物流新兴的客服模式，通过人工智能、自然语言处理和机器学习等技术与用户进行多模态对话，用户可以通过文字、语音甚至图片与数字人进行沟通，可以获得更加沉浸式的对话环境，数字人同时也支持 24h 响应用户需求。
2. 体验现状
由于社会智能化水平的提升，用户对智能客服的服务提出了更高的要求，我们在季度体验报告中发现用户对现有物流客服的整体评价较低，是京东快递线上服务的体验波谷，存在较大的优化空间。通过用户回访和用户声音，我们定位到用户对智能客服的部分评价，主要有以下几个问题：
- 转人工困难
- 热点问题推荐不及时
- 基础问题回复不够有效直接
从用户声音发现「转人工困难」的问题的解决更多需要从业务成本出发，其次我们无法定位「基础问题回复不够有效直接」的场景，整体问题也相对浅显，为了更全面定位智能客服的用户体验问题以及后续优化方向，我们需要对智能客服系统进行更加全面的调研分析。
由于客服系统角色较多，我们本次以智能在线客服为对象。
四、调研思路
1. 思路
我们首先确定了本次调研的数据资源，主要包含两个部分
① 客观数据无法新埋埋点，但是可以获取基础的指标口径的行为数据和会话数据
- 意图相关数据：一级意图的会话、消息数量；转人工率；
- 首页模块使用数据：猜你想问、核心功能、推荐运单点击量，仅有靠前层的点击数据，无下钻数据；
- 用户日志：具体日志对话；
② 主观问卷：支持重新设计和投放回收
- 用户意图：用户常咨询的问题类型和二级问题下钻；
- 首页关注情况：首页功能模块关注情况；
- 问题解决评价；不能识别以及解决的问题场景；
- 用户对在线客服形式的评价：和其他形式的优势对比
基于资源现状和以往经验，我们采用常规的分析思路，将分析结构分成两个模块：
- 客观数据分析智能客服宏观表现——根据客服核心指标分析
- 结合客观与主观依次分析核心意图解决情况——结合行为数据和主观评价数据分析
2. 问题和调整
采用常规思路分析后我们发现了两个分析难点：
问题 1：由于下探数据缺失，在分析已有的客服客观数据的时候，虽然可以定位到异常的时间点/意图类型，但是我们并不能产生新的结论，这样调研就无法给予业务新的优化方向。
问题 2：根据客服度意图的分类，我们发现意图数量非常多，且意图之间的业务特征和解决方案有重合的部分，所以我们无法面面俱到地分析每一个意图的体验问题，容易散而乱。
调整：所以我们摒弃了从客服指标看数据的角度，直接从用户的主观问卷出发，从用户视角定位产品问题，确认用户主观体验上的问题类型，然后再结合客观数据验证分析。
五、调研输出
1. 分析结构
在用户的评价中，我们发现体验低谷包含两个典型方面，主要包括首页低分模块和整体低分的解决能力模块，所以我们将以页面模块和解决能力两个为重点进行下探：
- 首页低分模块（首页布局）：快捷入口、猜你想问
- 解决问题能力：所有关于识别和解决的语句均较低，也就是说客服在解决用户问题的过程中均表现不佳
part1：首页模块
——以较低分「猜你想问」为例。
使用量 VS 关注度
猜你想问从页面空间上占据了较大的区域，同时通过问卷可得用户猜你想问模块的关注度也相对较高，占据整个首页关注度的 20%，但是整体点击量较低不到 10%，说明当前猜你想问的问题覆盖范围或者是问题使用模式并不能满足用户的需求。
看使用量：靠前屏问题点击量占据全量的 90%+，第二、三屏问题点击率较低。
原因分析
原因 1：在京东平台用户需要点击右上角的「换一换」去切换查看更多问题，但是从用户主动性上考虑，用户一般探索未知的可能性很小，像「更多」「换一换」等按钮并未传递精准的信息，用户点击的主动性较低。
原因 2：当前所有问题分类规则较为模糊，例如修改功能相关问题“如何修改地址？”在靠前屏显示，“如何修改寄件人”在第三屏显示，同一类型的问题在不同位置出现，用户很难对现在的猜你想问逻辑形成一定结构性印象。
原因 3：三个模块的功能重合度较高，其中「预估运费」「寄快递」「查快递」「配送范围」「商务合作」在三个模块中均有入口，重合度高、覆盖度低。
优化意见
针对「猜你想问」，向用户展示用户可能想问的/平台想要让用户知道的问题。
part2：解决能力
整体优化方向
我们首先需要找到整体解决能力的优化方向。我们通过问卷发现大部分的用户会倾向于选择人工服务解决问题，人工服务的优势主要是解决能力，例如直接帮助完成一些功能；一部分选择倾向于在线客服的用户则是因为在线客服的即时在线能力和响应速度。
- 人工客服优势：「交流更高效」「直接帮助完成查单/催单等行为」「能解决更多的问题」
- 在线客服优势：「随时能响应和回答我的问题」「回复速度更快」「可以直接线上帮我解决问题」
基于用户的倾向性，我们可以借助在线客服的本身优势，参考人工客服优势，确定可以提升优化的是「直接解决问题能力」，这种问题类型可以是线上流程型的功能，例如修改地址/投诉/理赔等。
业务意图分类
回到具体分析内容上，我们发现业务范畴内的意图数量庞大，且不同意图之间的前端方案和业务规则有重合，我们需要找到新的切入点去分析客服目前的意图解决能力，或者是找到业务和产品他们“擅长”/“熟悉”的角度去分析问题，我们在前面客观数据分析以及数据探讨的时候感知到业务“很关注催派送/催揽收的意图“，“闲聊/空白的意图会被忽略”，所以还是需要回到意图的范畴去分析解决能力。
我们先拉取整体的意图 top20，根据确认的优化方向筛选可以通过线上解决能力的意图，最后我们发现可以从三个类型去涵盖高频且符合线上解决能力的意图。
下单要素查询类为例
我们以「下单要素查询」为例，如果用户想咨询下单类的信息，不管是咨询运费相关、配送范围还是直接物品寄件，用户进入客服的行为轨迹我们都可以划分为三个步骤，确定好场景和步骤后我们就可以根据获得客观数据结合端上现状进行分析。
- 找到查询入口
- 选择/录入查询要素
- 查询结果
1）找到查询入口
支持用户能够找到查询入口，需要分析当前首页的意图覆盖情况，根据用户调研数据以及和友商的横向对比我们清晰的可以发现我们缺失了“利益”相关的意图，包括优惠券、活动、会员等。因此我们就可以确定首页需要补充的意图范围，进而满足用户的需求。
2）选择/录入查询要素
通过对现有猜你想问、快捷功能、快捷标签等功能入口的体验自查，我们发现用户查询下单要素的时候，平台提供的应答方式不统一。对于用户来说，用户询问“物品信息”、“运费”、“寄收地址”等信息都是带着下单的意愿来的，只是询问的切入口不同，但是目前平台回答的对话结构样式多，交互不一致，针对不同的询问要素，出现了五六种回答方式，对于用户来说，过多的应答方式不利于用户形成使用习惯。
3）查询结果
通过测试不同类型的查询要素我们发现目前答案仅针对用户询问的问题，没有继续追问/展示相关的要素内容，例如用户寄什么物品后系统未继续追问从哪里寄到哪里，无法帮助用户完成快速下单。
输出设计建议
为了更好的推动有效意见的落地，可以对所有的优化意见进行「场景-策略-意见-优先级」，这样对于后续实际落地可以提供优先改进参考。
总结
在工作中我们衡量用户调研的价值之一就是是否推动业务采纳和落地，调研分析的时候我们需要从设计的专业角度提供新的发那些思路，给出设计意见。从本次专项中发现数据多而全并不一定是有效的，设计侧作为一个优化推动者，就需要给出真正好的改进方向，舍弃无用的“结论”。另一方面，我们要找到可以引起业务关注的分析点，不能单纯的分析体验过程。本期的客服调研与业务侧同步后获得了较好的反响，发现的痛点以及优化意见均得到了认可。
作者：JellyDesign
客服1 