金融企业的联络中心每日负责处理大量来电咨询以及电话销售工作，每一通通话都伴随着大量数据内容的产生，其中不仅包括客户的来电时间、各时段的来电量、不同话务组的接待量等结构化数据，还包括客户在通话过程中反映的意见或问题，以及投诉内容，这些数据对联络中心的运营以及金融企业的业务发展都具有重要的指导意义。

面对联络中心每天庞大的通话量，仅通过人工标记通话的重点内容完全是不可想象的，如何获取其中有价值的数据内容就是我们今天要讨论的内容。

客户来电原因分析

首先，联络中心需要根据客户来电确认来电的文本内容，因此需要语音文本转换引擎的辅助，将录音内容转译成文本内容，录音转换后的文本内容则成为我们分析的主体内容。

对每通录音而言，首先面临的问题就是客户的来电原因分析，即分析客户在业务开展以及产品使用过程中遇到了怎样的问题。客户反映的问题为银行完善业务流程提供了重要的指导意义。

对于来电原因的分析可以从主题抽取的方面着手，主题抽取包括意见挖掘和信息抽取，两者都是深层的语义理解，其中，意见挖掘是指挖掘意见的元素及彼此之间的关系，即主题、意见持有者、陈述、情感等因素之间的关系，这些成分表达形式多样，而且常常不是显式地、独立地表达。而文本中的信息抽取主要是获取具体的语言表达结构，如命名实体、实体之间的关系等等，这些成分一般为显式表达结构；

此外，当来电原因有固定的知识范畴时（比如根据业务专家的意见构建的来电意见特征及样本的知识库结构），对来电文本进行分类处理也可以得到不同的来电原因分部情况。

这里谈到的文本分类是指在预定的用户需求下将文本进行分类，并没有涉及到深层次的语义理解。文本分类一般包括了文本的表达、分类器的选择与训练、 分类结果的评价与反馈等过程，其中文本的表达又可细分为文本预处理、索引和统计、特征抽取等步骤。

文本分类系统的总体功能模块为：

（1） 预处理：将原始语料格式化为同一格式，便于后续的统一处理；

（2） 索引：将文档分解为基本处理单元，同时降低后续处理的开销；

（3） 统计：词频统计，项（单词、概念）与分类的相关概率；

（4） 特征抽取：从文档中抽取出反映文档主题的特征；

（5） 分类器：分类器的训练；

（6） 评价：分类器的测试结果分析。

投诉内容分析

对于以银行业以及其他金融企业来说，客户的投诉同样是不容小觑的问题。对银行的操作流程、产品意见、服务态度等方面的客户投诉会直接影响银行的客户满意度及客户的留存，并对银行的收益造成直接的影响。此外，少数上升至银监会、保监会的投诉更会对银行造成极大的损失。

因此，对客户投诉来电进行分析至关重要。基于投诉的分析可以从两方面开展。 其一是从投诉的原因上进行挖掘与分析，进而从银行自身的业务流程等方面进行优化调整，以达到客户的期待标准。另外还可以以历史投诉电话为标准，对联络中心的来电进行分析，分析客服通话发展为投诉电话的可能性，针对风险来电进行及时的回访，从根源上预防并减少投诉电话的产生。

针对投诉原因的分析较为直接的方法是对客服的投诉录音文本进行文本分类，根据分类的结果确定客户重点关注反馈问题，并对内容进行分析。

投诉原因的分析可以指导银行内部对业务流程、产品内容、服务质量等方面进行改进，但最有效的方式是从根本上减少投诉的产生，即对潜在的投诉电话进行预测。采用合适的算法建立潜在投诉客户预测模型，对数据业务潜在投诉客户进行预测，以便先于客户发现问题，解决客户数据业务使用过程中出现的问题。根据历史投诉电话以及投诉用户的数据构建预测模型，对每一通客服通话进行风险评估，对出现问题的风险录音评定较高优先级并进行及时回访，提升客户满意度，减少投诉发生的概率。

综上所述，基于大数据技术的文本分析可以使银行更好的利用联络中心的通话数据，根据数据的分析结果指导完善业务流程，进而提升客户满意度，提升投诉处理效率，从不同的角度出发，减少银行运营的成本，并树立良好的企业形象。

（作者：金融大数据实验室  臧琦）