人類嘗試著讓電腦擁有與人類相同的思考能力，在1958年，感知機(Perceptron)這個啟蒙概念就被提出，但由于只是個初期理論，未能實際投入到應(yīng)用上，電腦科學(xué)家不斷參考人腦神經(jīng)元運作方式，在20世紀末逐漸將必要的理論完備。正當(dāng)要一展身手的時候，電腦科學(xué)家確發(fā)現(xiàn)自己低估人腦是多么精密且處理能力強大，以當(dāng)時的運算能力，訓(xùn)練出一個模型不僅曠日費時，而且不一定能夠一次就能夠成功，因此這個理論的流派又再度沉寂了一陣子。在摩爾理論基礎(chǔ)中，除了CPU外的另一個操作數(shù)件GPU發(fā)展下，讓大量并行運算的速度與成本達到合理的范圍后，做了些調(diào)整再以新的名稱重新展現(xiàn)在世人面前，其結(jié)果成功奪取科技圈的目光，也就是最近常聽到的深度學(xué)習(xí)(Deep learning)。
銷售與客服兩個單位，是企業(yè)與顧客面對面最直接的媒介，而其中的客服平時是要面對客戶疑問、疑難解答、信息查詢、訂單處理，一個客服專員同一時間里，只能面對一個客戶，可以稱的上是個人力與產(chǎn)品知識密集的單位。電腦擅長迅速處理精準的問題，人類之所以會拿「冷冰冰」這個詞來形容電腦，是因電腦只能響應(yīng)夠精準的問題，沒有被設(shè)計者考慮進去的情境，一概被列為不精準問題，電腦無法提供你相對應(yīng)的答案，使用者轉(zhuǎn)而尋求9「為您轉(zhuǎn)接客服專員」的幫助，這也是為何在電腦發(fā)明了將近八十年，真人客服依然屹立不搖，以及大多數(shù)話機上的12顆按鈕中，9永遠是最干凈明亮的根本原因。
在信息領(lǐng)域里，讓電腦去了解與分析人類使用文字符號的學(xué)科稱為自然語言處理(Natural Language Processing)，自然語言處理也是一門擁有長久發(fā)展歷史的技術(shù)。在全世界的數(shù)據(jù)中，大約有21%的數(shù)據(jù)屬于結(jié)構(gòu)化數(shù)據(jù)，呼叫中心處理的語音與文字對話，正是屬于占大部份的非結(jié)構(gòu)化數(shù)據(jù)，這是一座尚未開采的金礦，而自然語言處理就像是一盞明燈，賦予機器一部份理解人類語言功能，進而有能力去挖掘非結(jié)構(gòu)化數(shù)據(jù)。「人分成兩種，一種好看，一種難看，你剛好介于兩者之間，屬于好難看的」，如果以情緒字典下去計算，可以算出「好難看」是反向情緒沒錯，但語言經(jīng)過人類社會的千錘百煉，其抽像程度非常之高。常見的網(wǎng)絡(luò)用語「啊不就好棒棒」是一種富有弦外之音的說法，連外國人都無法理解一堆正向的詞擺在一起，結(jié)果會產(chǎn)生負向的意思，更何況是電腦，可見沒有一套的公式或規(guī)則就能夠描述文字間的情緒。以往的自然語言處理，靠的就是這些所謂的高質(zhì)量字典以及特征工程，雖然投入大量的人力與時間去研究，但得到的結(jié)果卻往往不盡理想。適逢這個信息爆炸的世代，從網(wǎng)絡(luò)上取得帶有情緒標注的數(shù)據(jù)變得容易許多，深度學(xué)習(xí)能在數(shù)據(jù)驅(qū)動(Data-Driven)下，自動從大量數(shù)據(jù)中萃取出一些特征，來評斷一段話的情感傾向，或是將一篇文本分類。只要模型參數(shù)設(shè)計的好，訓(xùn)練的數(shù)據(jù)夠完整，就能夠得到一個效果不錯的分析模型。
現(xiàn)代客服產(chǎn)業(yè)應(yīng)用里，與客戶溝通的渠道，因智能型的裝置興起而趨于多樣化，在線文字客服、Email、社交平臺就能夠傳訊息與客服專員進行客戶服務(wù)，而這些傳送的文字對話本來就屬于自然語言處理的范圍。語音客服不管是透過一般的電話，或者是實時通訊軟件，語音訊號利用STT(Speech to text)轉(zhuǎn)譯成文本后，也能夠使用自然語言來進行處理。而客服事件處理進行時，以自然語言為工具，讓客服專員更了解客戶后，提供更適當(dāng)?shù)姆⻊?wù)。已結(jié)束的服務(wù)，能用更聰明的方式將這些對話保留，以供往后更快速的進行檢視或利用。而如同前面所說的，對話過程里留下來非結(jié)構(gòu)化數(shù)據(jù)，如何用自然語言轉(zhuǎn)換為結(jié)構(gòu)化信息，也是必要的過程。
客服事件處理
客戶每次進線分配到的通常不是同一個客服專員，所以客專員與客戶都是素未謀面，如果提供以下這些方法，讓客服專員對客戶多一點的了解，能夠讓客戶感到舒服的狀況下，得到這每一次的客服服務(wù)
- 情緒分析：讓客戶的情緒在可被量測下進行監(jiān)控，一方面能讓客服專員更加的感同身受，另一方面也能了解客戶愿意以及不愿意接觸的話題。
- 客戶描述：一個經(jīng)驗老道的客服專員，經(jīng)過一定程度的對話后，就可以掌握客戶個性大致的個性樣貌，以及字里行間透露出的重要訊息，可以使用客戶描述讓這項功能成為每席客服專員的「標配」技能。而這位客戶的樣貌信息，可以在每位接待客服專員里被共享，在與客戶接觸越久后，樣貌輪廓也就會更完整。
對話留存
在客戶務(wù)服進行一段時間后，留存的數(shù)據(jù)也就會越來越多而形成大數(shù)據(jù)，每一份數(shù)據(jù)都會成為滋養(yǎng)深度學(xué)習(xí)的來源。但數(shù)據(jù)量一大還能提供往后的檢視，以及了解數(shù)據(jù)的輪廓，都是大數(shù)據(jù)架構(gòu)下的必要條件。
文本聚類：機器學(xué)習(xí)能在未提供更多的標注下，利用文本的里的特征，將各個文本在高維度空間中進行分群。而數(shù)據(jù)管理者就能夠在群聚的結(jié)果里，觀測出目前持有數(shù)據(jù)的樣貌，進一步分析能夠獲取更多的信息。
文本分類：相較于文本聚類，文本分類更明確知道分群的意圖，在以監(jiān)督或半監(jiān)督的狀態(tài)下，讓數(shù)據(jù)分門別類。在往后的檢視或分析中，能夠取單一類或多個類別進行處理，可以大量的減少運算資源以及處理時間。
客服質(zhì)檢
在客服產(chǎn)業(yè)里，非常注重的就是事后的客服質(zhì)檢，這攸關(guān)于客服品質(zhì)的好與壞，如上面所說的，深度學(xué)習(xí)使用于自然言處理中，在抽像的語意概念里以及詞語間的相似度關(guān)聯(lián)判斷能力，都較舊有的技術(shù)強，因此在質(zhì)檢評分里，能夠得到更客觀精準的評分。而用電腦來進行質(zhì)檢，在處理速度上，以及可以24小時不間斷的工作，與人工質(zhì)檢相比，更容易達到「全質(zhì)檢」的目標。
數(shù)據(jù)挖掘
在這個數(shù)據(jù)淘金的時代，企業(yè)能擁數(shù)據(jù)量就像是原油儲備量，經(jīng)過提煉的數(shù)據(jù)，能成為企業(yè)向前邁進的動力來源。一個懂的怎么使用數(shù)據(jù)的公司，和一個只存放卻不知道怎么去運用的公司，在往后的經(jīng)營上的差異，只會越來越明顯。
- 建模分析：與情緒分析類似，我們可以依靠數(shù)據(jù)去建立分類或評分的模型，不同以往硬梆梆規(guī)則式模型(Rule-Based)，深度學(xué)習(xí)模型能夠提供更有關(guān)聯(lián)更深層的分析，甚至能夠讓模型達到自適應(yīng)能力，而不用靠一個領(lǐng)域?qū)＜胰ナ謩诱{(diào)整模型或增減規(guī)則。
- 異常檢測：其原理與建模分析相似，不同在于分析結(jié)果出來后，依造異常程度狀況，而采取不同通知程序，對管理者進行通知，或產(chǎn)生異常報表供往后檢視。
- 信息抽取：這是個從非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)的過程，因為有這個過程，讓往后的搜尋或者機器學(xué)習(xí)建模，會變的更加的容易。
鉆石與黃金埋藏在地底下數(shù)萬年，直到被發(fā)現(xiàn)開采出來價值依舊存在，而數(shù)據(jù)礦與他們不同的是，數(shù)據(jù)礦會是具有時效性的，其價值會隨著時間慢慢的「氧化」，所以趁著手上的礦還新鮮的時候，準備好工具，當(dāng)個快樂的礦工。
