案例名称

客户之声VOC洞察体系应用场景案例

案例简介

在我行数智化转型战略驱动下，远程银行中心立足业务实际，运用实时转写及大模型自然语言处理等AI能力，搭建客户之声VOC洞察体系，作为释放客户交互数据价值的重要抓手。

该智能体前端操作页面位于智能辅助洞察系统，基于行内Agent平台构建客户之声VOC洞察体系分析能力，分析远程银行中心海量客户交互数据。通过语义挖掘、需求聚类与分层研判，输出客户诉求分析明细、主题分析报告，赋能服务提质增效，助力人工客服开展智能运营业务，解决传统模式下人工分析效率偏低、客户诉求归纳存在滞后性、问题研判易受主观判断干扰等业务痛点。推动远程银行业务模式由被动客户响应向主动价值创造转变，实现智能化、精细化、价值化的高质量发展。

创新技术/模式应用

客户之声VOC洞察体系以智能辅助洞察系统实时语音转写引擎获取的原始会话文本作为分析数据源，结合基于Dify搭建的AI Agent平台完成诉求解析及报告推理总结，包含客户诉求分类、主题报告生成两大核心模块。

客户之声VOC洞察体系的技术路径为：首先通过实时语音转写引擎将客户语音对话转为标准化文本，作为Agent的输入源，保障分析素材来源于会话实时输出内容；其次应用LLMOps平台Agent模块，将转写数据同步至Deepseek‑v4‑flash模型（原底层为 DeepSeek‑R1‑Distill‑Qwen‑32B），模型可根据模型迭代及业务适配性灵活完成版本切换与选型调整；最后通过模型输出至智能辅助洞察系统并进行结构化展示，供分析人员应用。

核心做法采用两步分析法，远程银行的海量对话数据对话时长长且对话内容存在分析冗余段落，同时基础模型存在输入token上限，无法一次性分析大量会话。针对以上问题优先循环调用分析模型逐通拆解对话内容，完成原始会话数据精炼降噪，压缩有效信息规模；再基于精炼后的数据集开展二次分析推理总结，完成诉求识别处理。依托Agent节点与策略插件解耦架构，可灵活调整解析规则。必要时启用嵌套多智能体协作，拆分分析、归类、校验子任务，基于实时转写文本直接完成诉求提取、分类、关键点输出。

本场景不启用RAG管线与外部知识库依赖，削减向量库部署、知识库维护等附加环节，简化系统链路，降低运维成本，同时规避外部知识引入带来的推理偏差风险，保障诉求分析完全忠实于会话原始输入，实现客户诉求自动化分析与推理。

项目效果评估

远程银行中心具备存量和每日增量的海量客户交互数据，传统模式下人工分析存在效率偏低、客户诉求归纳存在滞后性、问题研判易受主观判断干扰等业务痛点。客户之声VOC洞察体系建设建设客户诉求分类、主题报告生成两大核心模块，可处理每日海量的客户咨询、投诉、建议及业务办理等交互数据，解决分析维度有限、客户潜在需求挖掘不充分、数据价值转化效率不足等短板，帮助各运营团队及时捕捉客户动态诉求。

自上线以来，客户之声VOC洞察体系支撑远程银行中心智能运营团队每日分析5000余通会话，试点生成“银行卡异常来电分析”、“贵宾客户问题分析”等业务类型分析报告。依托AI大模型能力，推动客户服务分析从“被动人工复盘”转向“主动智能洞察”，多维度释放数据价值。利用客户诉求智能识别能力，精准捕捉多维度客户诉求、隐性需求与潜在问题，穿透来电表象深挖问题根源，将大量非结构化通话数据转化为业务增长核心资产。项目采用人机协同模式生成主题分析报告，整体分析效率提升60%，把工作人员从重复性的报告编制事务中释放出来，专注开展高价值运营分析，同时降低 AI工具使用门槛，赋能业务人员自主操作与配置，实现智能能力业务平权。对内输出客户诉求分析明细、主题分析报告，赋能服务提质增效；对外输出产品迭代、服务升级优化建议，对整体服务优化与业务迭代形成有力支撑。

未来该项目体系计划逐步扩大分析数据来源渠道及分析结果输出维度，逐步构建“场景-数据-模型”数据飞轮应用闭环，打造数据赋能工厂，利用数据反向驱动产品、服务迭代优化，践行以客户为中心的理念，持续优化客户服务体验。

责任编辑：佟桃梨