9点技术支持的场景和工具沉淀

未分类

9点的场景

9点的使命愿景

1，愿景：助力组织和业务沉淀数据解决问题
2，使命：驱动客户问题更高效的发现、传递和解决
3，价值：
1）客户问题及时解决，预防更多因问题不解决造成的体验伤害
2）减少客服的重复求助，从根本上推动解决
3）帮助业务解决问题，同时助力其发现新的视角和机会

9点的产品技术点

1，功能核心：问题流转链路

反馈、拉铃->提交问题->业务接受->解决->完结
现状：自上而下，在流转链路上为“意义”、“价值”扯皮，人肉频繁，业务感觉是被踢屁股而不是被帮助。

2，数据和算法的引入：

2.1 case搜索、问题分类和价值量化：

方法：

在将反馈变为问题的路径上，做数据算法的尝试，通过搜索聚类和有监督的分类，将相似的case聚合成类别问题，类别、问题和case绑定关联，沉淀不同粒度和维度的数据模型将问题价值量化。

意义：

• 数据化，可以利用更多的同类case来辅助验证其问题价值，在小二端就让其明白单个case潜在的影响力，辅助其有效拉铃。（正在进行，已经有阶段成果）
• 自动化，在小二积累了一定数量的判例和决策后，将其行为action学习沉淀，通过机器学习纯粹用数据和算法拉铃。（产品计划中）

单项进展：

• case搜索：重构了9点的搜索功能，基于opensearch建设了一款自定义搜索引擎，具备自定义分词、自助索引构建、增量全量索引重建、搜索方法pipeline（将segment、query analysis、search、rerank全部模块化）。搜索数据源覆盖了维权case、在线问答和电话语音文本几乎全部文本信息。
  数据说话：
  1，搜索文档覆盖量从单机15G索引文件扩展到理论无上限。
  2，领航员邀测的测评改进（第一次优化，第二次优化未统计）

- 问题分类：结合@百寿团队的能力进行分类算法的实验和调优，进行了3轮实验，文本清洗和构建训练集、聚类实验、朴素贝叶斯分类、search&vote分类，确定了分类算法。
数据说话：
1，分类训练结果

- 价值量化：结合digo和分析师的模型、输出问题的价值，这是一条预计较长的探索之路，技术的重要担当我个人认为就是工具和算法来enable分析。
数据说话：
1，探索一的产品化，在发布问题时可以分析问题的影响力

2.2 直播间类型的场景的问题自动挖掘

方法：

基于大闸蟹直播间的业务需求，构建了一套集成客情+舆情的分析能力，通过结合数据分析模型、语料监控和自动搜索的方案，可以有效的提供特定场景下的top问题浮现、价值计算和舆情监控。

意义：

• 辅助平台治理
• 为可能的监控场景储备能力

单项进展：

• 问题半自动发现：通过对指定数据源的数据进行词汇和短语统计量的分析，完成的一个快速构建特定场景问题的系统。【架构流程+界面】，全栈化了团队成员。算法特点：分词统计、ngram、基于互信息和左右熵的短语合成。
  数据说话：

• 分析和舆情：舆情接入是与先知系统的合作、分析是利用9点分析师团队在量化部分积累的模型计算而来。

工具沉淀

搜索引擎

分词算法+词典管理

• 9点基于两套分词算法整合了自己的9点词库、有简易词典管理系统，可以管理停词、语义类词、常规词（词性和标签）
  数据说话：
  

PAI平台+ODPS数据开发

• 结合ODPS d2和PAI，进行涉及到算法的数据+算法开发运维。大闸蟹直播间用到的分词统计、TF-IDF、ngram、短语合成（本地算法），都使用了PAI进行数据预处理和算法处理。
  数据说话：
  

总结&未来

以9点业务为主战场，以用户反馈数据为分析学习源头，积累运用数据和算法的能力，积累数据算法应用开发的经验。做更多有价值的场景落地，将服务、量化打透到前台，利用技术帮助平台加速问题流转、利用数据和算法能力帮助集团业务主动发现（问题、机会）。