当涉及到客户满意度时，客户服务体验往往比实际产品更加重要。根据《福布斯》(Forbes) 的调查，2018 年企业因客户服务不佳所导致的损失约为 750 亿美元，39% 遭受过糟糕客服的客户将不会再与有此类冒犯行为的企业打交道。

提供优质客户服务体验的一个重要部分是快速而高效地处理客户反馈，尤其是负面反馈。但是，对客户的反馈做出响应并采取相应行动是一个既复杂又耗时的流程并且通常采用人工方式 —— 正因为如此，借助 AI 技术来提升流程效率是再合适不过的选择。将 AI 整合到客户反馈管理流程能够实现重复任务自动化，使客户支持代表可以腾出时间来处理最复杂和时间紧迫的案例。在本文中，我们将通过一个示例来展示如何利用 AutoML 来使您的客户反馈管理更加高效。

投诉分类自动化

使用 AutoML Tables，我们构建了一个示例解决方案（包括代码）来对客户反馈进行分类。AI 赋能的分类可被用于发送适当的自动回复、将投诉和其他行之有效的反馈传递给正确的支持团队，并将选定的反馈标记为高优先级。实现这些措施自动化能够减少客户等待时间、降低需要以人工方式处理的反馈的量，并且及时发现关键问题。

与以人工方式构建的机器学习模型相比，AutoML 具有几大优势。AutoML 采用了具有 10 多年历史的 Google Research 技术来创建更快的模型进行更准确的预测。AutoML 可自动管理自定义模型的训练和部署。只要您的数据采用适当的结构，AutoML 只需几小时即可对自定义模型进行训练并部署为可扩展的 API，与开发机器学习模型相比，能够节省数天、数周甚至数月的时间。

如果提供客户支持，您可能已经有了训练您的自定义 AutoML Tables 模型所需要的数据。常规客户服务工作流数据 —— 如何解决反馈、将反馈转至哪个团队、反馈涉及哪些产品、确定了哪些问题、负面反馈的解决、解决时间以及反馈本身的文本 —— 由 AutoML Tables 摄取，它从结构化数据和文本中学习。

所提供的代码示例基于 CFPB 所采集的公开可用的客户投诉数据训练模型, CFPB 即消费者金融保护局 —— 专注于金融领域消费者保护的美国政府机构。数据包括产品类型、子产品、问题、位置数据和投诉叙述（文本字段）等变量，以及关于投诉解决的数据。从 BigQuery 摄取数据，对数据进行清理并将其转换为适合机器学习的形式，然后被用于 训练 AutoML Tables 模型。由此开始，代码进行批量预测（以供评估）、部署用于进行预测的 API 端点，以及使用 API 进行预测。代码使用配置查找和解析数据并部署模型，轻松适应新的数据集。

每当客户花时间提供反馈时 —— 正面或者负面 —— 您都有机会向他们证明他们有多受重视。由 AutoML 和 BigQuery 技术驱动的此示例代码和流水线为更高效和消费者友好型客户服务体验奠定了基础，这不仅能够帮助您改进您的核心客户支持指标，而且还有助于改善您的企业在消费者心目中的形象。

要进一步了解我们如何帮助企业管理与新冠疫情相关的激增的客户需求，请参阅《Cloud AI 如何在新冠疫情期间为企业提供帮助》。

致谢
本文所链接的代码由 Sahana Subramanian、Michael Sparkman、Karan Palsani 和 Shane Kok 创建，他们是德克萨斯大学奥斯汀分校 MSBA 项目 2020 届毕业生。我们还要感谢 Dimos Christopoulos 和 Andrew Leach。