本文档主要对智能对话分析的质检能力进行相关说明。
智能对话分析产品简介
基于伶鹊的人工智能技术，具备业界最全最准的质检算法能力，实现100%刚需场景全覆盖。此外，结合数据报表、账号管理、申诉复核、模型优化等基础模块，为客户提供完整易用的智能对话分析解决方案。
通用概念
概念 | 详细说明 |
大模型质检规则 |
|
普通质检规则 |
|
条件 | 条件由检查范围和算子组成，如「客服的第一句话包含 “你好”」这个条件的检查角色是「客服」范围是「客服说的第一句话」，算子是「出现关键字 “你好”」，一个条件只能包含一个算子。 |
算子 | 对检查范围限定的句子逐句做出判定。目前有以下质检类型的算子：
|
质检 | 通过指定的规则，对音频文件/文本文件进行分析的过程，称为质检。 |
复核 | 质检完成后，人工对质检结果做二次校验的过程称为复核。 |
命中 | 如果某些对话内容符合规则中定义的条件，称为被这个规则命中。 |
申诉 | 如果客服人员发现自己通话录音的得分、规则命中情况有误，可以对该质检结果进行申诉。 |
呼叫中心 | 呼叫中心特指云联络中心，可以从中引入语音流或文本进行质检。 |
数据集 | 数据集是由一个或多个录音文件组成的集合。 |
质检维度 | 质检基本分析中主要是针对不同维度的质检内容进行的数据统计：
|
质检任务 | 质检任务分为离线文本质检、离线语音质检、实时语音质检、实时文本质检和已检测任务二次质检。是指对产品或服务进行质量检查和评估的活动，以确保其符合规定的标准和要求。 |
质检方案 | 质检方案是由多个质检规则组成的集合，用于对全量对话数据进行自动化分析，识别服务风险、业务机会与舆情问题，同时质检方案提供多个行业预置模板，方便理解规则的概念。 |
质检规则简介
大模型质检规则说明
智能对话分析（Smart Conversation Analysis）的大模型质检规则是基于深度调优的伶鹊对话大模型，专为营销服务类产品提供智能化升级所需的质检能力。用户只需定义质检场景、检测维度及描述，系统即可自动生成高效准确的质检规则。该功能支持复杂语境理解与长文本分析，能够识别细微的服务质量问题，并允许批量导出质检结果，便于深入数据分析和优化服务质量。
普通质检规则说明
智能对话分析 (Smart Conversation Analysis) 的普通质检规则是一种基于预定义算子的质量检查方法，适用于标准化的客服对话评估。它通过文字检查、语音检查等基础检测手段，自动识别对话中的关键词、语速、静音时长等问题。用户可以设置固定的条件和逻辑关系，如多个条件需同时满足或只需满足其一。此外，还可以配置是否需要人工复核，以确保质检结果的准确性。这种规则适合于常规性的质检需求，能够高效地提升服务质量。
应用场景
智能对话分析（Smart Conversation Analysis）广泛应用于客服质量全量管控、客户体验优化及销售转化提升等场景。大模型质检规则基于深度学习算法，适用于情感分析、意图识别等复杂语义理解任务，如金融机构利用其进行贷款审批过程中的合规性检查。而普通质检规则侧重于关键词匹配、正则表达式等直接方法，适合标准化程度高的质检需求，例如监控客服是否使用礼貌用语或遵循标准操作程序。两者结合，不仅能够全面覆盖所有对话，避免漏检违规行为，还能深入挖掘对话数据价值，帮助企业及时发现并解决问题，持续优化服务质量与客户体验。
大模型质检应用场景
大模型质检规则基于深度调优的伶鹊对话大模型，突破了传统正则匹配的局限，通过语义理解、逻辑推理与情感计算，实现对复杂业务意图的精准捕捉。以下是典型应用场景：
复杂意图与隐性情绪识别：
场景描述：传统质检仅能识别“辱骂”等显性关键词，而大模型能通过上下文推理识别“阴阳怪气”、“无奈”、“言外之意”等隐性情绪，以及未直接表达的深层诉求。
示例：某电商平台发现客户虽未直接投诉，但多次使用“算了”、“就这样吧”等消极放弃类语句，大模型识别出客户因售后流程繁琐产生的隐性不满，帮助企业优化了退换货SOP，挽回潜在流失客户。
多轮对话逻辑与业务闭环检测：
场景描述：针对需要多步骤确认的复杂业务（如贷款、理赔），大模型能跨越多轮对话，验证关键信息（如金额、时间、条款）是否被完整确认，确保业务逻辑闭环，而非仅检查单句话术。
示例：某银行在信用卡分期业务中，要求客服必须确认“客户知晓费率”且“客户主动确认办理”。大模型质检发现，部分客服虽提及费率但未获客户明确确认即视为成交，系统自动标记为“流程缺失”，避免了因诱导销售引发的合规纠纷。
智能规则自学习与动态优化：
场景描述：大模型基于历史质检数据自动分析常见问题类型，生成初始质检规则，并通过持续学习不断优化规则精度。当业务规则变更时，仅需少量样本即可快速适配新规则，减少人工配置工作量。
示例：某金融机构调整信用卡申请流程后，大模型自动学习新规，仅通过标注10条示例对话，便在2小时内完成规则更新，质检准确率从85%提升至95%。
普通质检应用场景
相比之下，普通质检规则更加侧重于明确的关键词匹配、正则表达式等较为直接的方法，适合用于标准化程度较高的质检任务。以下是一些具体的例子：
员工服务态度质检：
场景描述：监控客服人员是否按照规定使用礼貌用语、保持友好态度等。
示例：某零售企业设置规则要求客服必须以“您好”开头、“感谢您的来电”结尾，系统自动检查每条通话记录是否遵守此规范。
员工敏感行为检测：
场景描述：防止客服泄露个人信息、使用不当言语等情况发生。
示例：银行机构设定黑名单词汇列表，一旦客服说出这些词语即触发质检规则。
员工 SOP 质检：
场景描述：验证客服是否严格按照标准操作程序执行任务。
示例：物流公司定义了一套关于包裹查询的标准话术，通过质检系统定期审查客服是否正确遵循了这套流程。
能力特性
大模型能力深度赋能，实现质检智能化跃迁
服务断点智能识别
利用大模型能力的升级对对话进行多维度解析，可以自动捕捉到客户在不同时间点提出的多个问题是否都得到了妥善解决，精准定位服务流程中的关键断点——例如客户在多轮交互中提出多个问题（如“价格”“保修”），但客服仅回应部分问题。
应用场景示例：当客户询问关于产品的多个特性并在后续讨论中提及之前的疑问时，系统能够检查所有提到的问题是否均被解答，确保服务完整性。
意图动态演化分析
系统通过对话上下文动态追踪用户意图的演变路径，从初始提问到后续追问智能细化理解——例如从“怎么发货”逐步演变为“为什么延迟”，精准识别意图的递进变化，避免静态意图归类导致的误判。
通过动态意图追踪，减少了因用户表达方式多样而造成的意图误判，提升了自动化流程的准确性。
语义歧义智能消解
对客户表达的多义性（如“系统太慢”可能指响应速度或网络延迟），系统结合对话上下文、历史行为及业务场景进行精准消歧，确保质检结果与实际业务需求一致。
对于客户的整体语义识别准确率提升至95%，显著减少因表述模糊导致的质检偏差，降低人工复核成本。
实现全面覆盖对话的智能质检：
全方位风险监控
自动化全量质检避免了人工抽样的局限性和主观性，确保每个通话都被审查。此外，利用大模型技术进行实时分析，可以在第一时间发现并响应潜在的风险因素，保障企业运营安全。
应用场景案例：一家金融服务公司通过全面覆盖的智能质检发现了少量客服人员在解释产品条款时存在误导性描述的情况，立即采取措施纠正，防止了可能引发的信任危机。
数据驱动的服务优化：
借助全量数据分析，企业可以获得详尽的服务质量报告，涵盖从单个客服表现到整体团队效能的各个方面。这些洞察为制定针对性培训计划和服务改进策略提供了坚实基础，助力企业不断提升客户体验。
大模型质检规则与普通质检规则的区别
