第一部分来自于基层公共卫生领域，作为一个公众感知比较深的触点，如果大家经常去社区医院或者带儿童去医院时，会发现一个挑战即公众跟社区医院的链接处于一个过于简单的方式，要么现场咨询，或是通过电话；公众在享受服务的触点会有比较大的挑战。同时医师资源紧张，造成市民在公共卫生上的诉求还是高频发生，比如老人、幼童、孕产妇等群体；无法便捷、精准获取相关科学育儿、健康知识和疫苗接种等信息提醒。
虽然互联网发展迅猛，但在这个领域里，信息化和数字化建设还处于初级阶段，部分医务工作人员还在通过人力方式记录、存储信息，这些沉淀很难有助于后续的数据分析和长期基础卫生建设的工作。这是我们在落地场景中面临的一些问题。
医护人员日常拨打随访电话的工作量大，占用了很多工作时间。缺少已随访对象的精准归档管理，需纸质存档。除此之外，医护人员需要兼顾疫情防控和常态化医疗随访服务的工作。
卫健部门难以高效、快捷、准确获取各个院区开展健康随访情况。相关数据未实现互通，卫健相关职能科室监管。
针对这些问题，我们和浙江省安吉县一起做了些探索。项目的背景袁家军书记在省数改例会提道：要进一步激发群众获得感、认同感，治理体系和治理能力现代化，特别是在最小单元里形成”一老一小”问题的系统性解决方案
安吉县共有孕产妇3000多名，0-3岁儿童12000多名，计生人员只有几十个人，这几十位人员每年要和群众产生39万分钟的沟通；在沟通过程中会带来非常巨大的复核需求，这两年疫情影响叠加，社区医院的医生们面临了更大的挑战，这就导致市民群众在享受公共卫生服务时很难得到一个满意的服务体验。
基于上述背景，我们将达摩院智能外呼能力，以及非结构化数据分析能力，融入到公共卫生服务当中。帮助基层卫生社区，构建了一些高频场景的服务能力，比如上面提到的孕产妇、儿童疫苗、儿童教育、抗疫等等。极大程度上帮助社区卫生解决跟市民群众沟通和交流的问题。
同时，针对沟通过程中产生的数据分析，从原本极度依赖人力的状态，面对非结构化数据分析比较有挑战。通过达摩院AI技术进行智能升级后，帮助医务工作人员做好数据处理和沉淀，有助于让基层和上级管理单位之间，形成高效的数字化系统。有助于改善基层卫生服务建设。
具体的落地情况自2021年7月上线到今年6月份，已覆盖17家卫生院上线，完成17.8万次外呼，节约人工外呼时长超4000小时。
同时将原来数据沉淀方式由人工升级到智能化系统，极大程度改善了基层卫生的信息处理、流转、分析效率，项目也获得了CCTV“数字样板间”节目的认可。整体帮助基础公共卫生解决几个方面的诉求：
l 更大程度提供主动服务，之前受限于人力因素，主动服务程度难以提升。
l 控制人力主动服务时的时间消耗，可以在其他被需要的地方投入更多精力，帮助被需要的市民群众。
l 数据通畅解决了长期数据积累，为改善基础卫生设施建设迭代提供支撑。
近几年，政府持续加大12345的投入，让其更加深入人心；群众对12345的依赖度和认知也达到了一个新的高度。
由于市民群众越来越信任12345，新的挑战也是接踵而来；过去若干年中，话务量每年都有大幅增长，例子里提到的城市，在8月份疫情爆发的时间节点，接通率非常低，仅能完成11%。这对市民来说，意味着很难享受到及时的服务；同时由于话务量增加和业务复杂度，面对分散的政府对接部门，12345该如何解决这么多系统协同的问题呢？
这对每一位客服人员都是一个巨大的挑战，要面对跨系统作业，查找相关解决方案；问题工单处理、推进和流转等等，在疫情期间，这些变得极为迫切需要改善。
右侧的数据显示，我们合作的这个城市在过去1-2年期间，整合了80多条热线，涉及70多个政府工作部门，统一了服务承接窗口；并且期间话务量保持每年20%递增，业务复杂度和之前系统信息沉淀的关系，转派率居高不下，导致了问题解决周期较长。
针对我们对12345业务的任务和理解，阿里云智能客服帮助客户构建了一整套智能化方案。出发点是解决市民问题，而不是说一定要用智能化解决所有的问题；在这个方案中大家可以明显的看到，每一个环节中都是人和智能化相结合，去为市民提供全面的、有情感的服务。
在承接方面，无论是热线、在线渠道等，都是通过人机结合的方式为市民提供问题解决的通路。
坐席端为坐席人员提供了智能辅助的解决方案，帮助链接不同系统，快速定位相关解决方案，帮助坐席人员用更短的时间、更低的成本解决目前的问题，降低自身负荷。
无论哪个领域，落地智能客服都要面临如何建立一个强大的知识体系；在这个case我们构建了一套集中、统一的知识体系，同时又构建了分布式知识管理，因为12345的业务特性，涉及了非常多的政府部门，不可能在单一角色下，把知识构建和管理闭环掉。
我们也发现政府今年面临的问题愈来愈多样化，对及时性的要求也日渐提高，所以我们在知识构建闭环过程中做了大量工作，使终端用户、坐席等都可以参与进来在知识中形成反馈闭环，相关政府部门可以及时更新、迭代这些知识，保障了知识的及时性和有效性。
落到实处，我们有个一个很好的量化进展，一些业务场景中，我们可以帮助坐席人员节省30%-50%的工作量，在线端，这个数字还可以继续攀升到70%。当遇到机器人解决不了的问题时，直接转接到人工来提供更完整的解决链路。
坐席端在智能辅助解决方案的加持下，智能化推荐的解决方案采纳率高达80%，智能工单自动填写上也大幅降低处理时长。
在服务质量方面，智能质检解决方案实现了从10%到100%的覆盖提升，质检人员投入降低了75%。
在知识库建设体系方面，专项知识梳理降低了50%转派率，市民在解决问题的过程中，在一个渠道里很短时间内即可完成服务解决。市民群众可以得到一个更加满意的12345。
银行作为智能客服最早接触的行业，银行的数据化和信息建设启动较早，所以目前在银行场景中面临的问题更加有挑战，需要解决的问题颇具前瞻性。所以过去几年，我们和客户一起尝试解决关键难点。
在员工培训方面，银行新人从入职到开始上岗，大致要经历3-6个月的培训时间。客服人员流动大，无论是呼入还是呼出场景，都面临较高的流失率和招人难的问题。
在数字化管理方面，银行知识体系复杂，知识迭代快，记忆学习成本越来越高。
与此同时，银行数据洞察难，数据很多，缺少经验之外的分析能力。除此之外，银行业务查询和处理涉及多个系统，手工查询耗时高。银行业务涉及多端APP、微信、电话等多种触点，客户旅程不互通。
为了解决上述问题，阿里云让机器提炼优秀坐席的知识，打造“学、练、考”的培训闭环。训练机器实时理解用户诉求，辅助坐席快速推进问题响应和解决。最终实现机器辅助人的目标。
其次，如何让知识从非结构知识中产生出来。
l 第一阶段是如何产生问答知识，这部分过去两年我们已经成功实践并且落地到非常多客户的业务中。
l 第二阶段是如何从知识中产生一个作业流程。
l 第三阶段是对非结构化知识的洞察，客户痛点、商机以及隐藏的竞争情况，难以得到全面分析，给到管理者形成决策和判断。
从对话中挖掘客户关注点，持续迭代客户关注的知识。让优秀的回答和SOP，变成组织层面的知识。让系统自动发现痛点、潜在销售机会、竞争差异等。最终让知识自动化生产。
最后，阿里云与银行一起探索新交互形态。从单一的语音模态，到双向协作。通过一体化落地架构和低代码业务开发，让迭代更快，效率更高。
通过智能辅助落地，提升了某银行的销卡挽留率，以及坐席日均吞吐量，减少了风险个案。
在另一个银行落地项目中，我们将知识生产和智能外呼结合，大幅提升了客户的回款率，帮助客户减少了50%的人工坐席量，节约的人力可以投入到更带来生产效益的方面去，很大程度上帮助企业降本增效。
作为协作交互方向的一个探索，越来越多的交互会转移到互联网，越来越多的交互会在钉钉、企业APP中发生，阿里云智能客服可以进一步发挥触屏机的优势，将电话交互场景挪到APP端，有助于从两个维度来解决企业面临的关键问题
l 提升解决问题效率。比如纯语音场景下，仅有30%的问题得到解答，平均5分钟处理1个问题，新交互形式的出现会极大压缩解决问题时间。
l AI技术发展本身存在局限性，导致使用智能化工具解决客户问题替代率的角度上，可能存在门槛；假设银行场景中机器可以承接30%的服务，新交互形态的出现或许能将这个数字推高到60%，带来新的飞跃；我们相信这个飞跃在未来的若干年中会带来非常大的变化，并且它并不是仅应用于服务场景，营销场景上也有大量类似需求，营销成功概率和被营销服务体验将会有质的提升。
后面跟大家分享的是一个零售行业的场景实践。总结了一个关键词“快”，为什么会有这样的感受？当客户在零售店或者电商平台，希望有一个快速的商品疑问、价格沟通等疑问，需要咨询或投诉时，往往排队时间长，接通率低，问题解决时间长，满意度低。
商家端对于快的需求更加强烈，希望用最少的人力快速相应所有的用户诉求，每个坐席人员可能要处理200-300的客户沟通，他们的效率提升是按照秒为单位，并且快捷键在坐席人员中大量应用，来解决客户相应问题。人工坐席需要快速了解用户诉求、快速收集用户信息、快速准确解决问题。与此同时，导致人工坐席进线压力大，并发咨询量高，业务知识更新快，系统陈旧难操作。
作为零售店的管理人员，人力成本居高不下，人员流失率高，服务品控挑战大，缺少对服务宏观洞察的工具是最大的问题。
这个方案是站在整个服务链条的视角上给客户提供的一揽子解决方案，虽然放在当下时间点来看，不是最新颖的存在，但却非常实用。在客户服务环节，通过人机结合的方式，一部分的问题被机器解决。人工在适当的时候介入，帮助客户快速解决问题，维持较高的满意度。在坐席服务环节，阿里云把智能辅助系统全面的应用在坐席服务场景。有助于坐席争分夺秒的解决问题。在复盘阶段，阿里云通过质检，数据分析帮助管理人员持续保持服务的高满意度，赢得长期的客户忠诚度。
以零售业某知名家具和家居零售商为例，销售主要包括座椅/沙发系列、办公用品、卧室系列等约10000个产品。其核心诉求是在保障满意度前提下尽可能提高智能服务占比，服务形态是售前、售中、售后一体化。
零售场景里面临上万个SKU时，我们也用到之前水德老师分享的Table QA能力，在新技术和新方案里，可以做到零标注解决问题，落地效果来看，问答准确率、机器接待比例以及服务触点都有亮眼表现。
其中服务触点特别介绍下，在这个场景中，我们把客户所有遇到问题时需要咨询的地方都添加了触点，形成了一个触手可达的服务，比如在家里安装家具时，拆包过程中随时都可以提供服务。
