吕冬冬-线上质量保障之客诉处理体系的智能化实践

线上质量保障之客诉处理体系的智能化实践吕冬冬 | 快手吕冬冬快手商业化线索营销方向测试负责人南京邮电大学大学计算机系专业硕士毕业，毕业后入职华为、百度、贝壳等公司，现任快手商业化线索营销方向测试负责人。现负责服务端质量保障体系、FT效能提升等专项建设，同时负责AI智能测试技术在质量保障侧的探索、设计与落地，包括智能测试用例生成、需求风险智能分级、AI数字员工、客诉&舆情数据智能挖掘、模型评测等课题，助力产研流程优化、效率提升。目 录CONTENTSI.背景II.问题/痛点III.解决思路/整体方案IV.具体实现/技术实践V.总结与展望AI大模型潜力、客诉背景PART 011.1 背景-AI大模型潜力•大模型在客诉方向能做什么，帮助我们解决哪些问题•自然语言理解、多模态融合、智能决策能力为质量保障提供新路径。大规模处理能力AI客诉问题分类风险预警场景聚合情感分析语义理解能力•跨模态语义解析•上下文意图追踪•隐形需求挖掘•风险识别能力反馈对话理解能力舆情风险识别能力模型微调批量处理数据可视化•分布式异构计算•实时流式处理引擎•增量学习和资源优化•报告和文档生成对话总结1.2 背景-客诉背景问题类型技术问题代码缺陷或系统故障导致的应用运行异常，直接影响用户使用稳定性和流畅性。例如：应用崩溃、异常弹窗、性能问题、功能逻辑错误等产品问题在功能设计、用户体验、以及内容生态等方面存在不足，导致用户体验或业务目标下降。例如：内容质量差、产品使用逻辑复杂、互动功能不完善等日均消耗反馈声量业务日均消耗-反馈声量趋势图风控问题在风险识别、内容审核、用户行为治理等方面的漏洞，可能会导致法律风险或用户利益受损。例如：内容安全风险、用户违规行为、技术风控漏洞等等1.3 背景-客诉背景客诉现状反馈问题工单问题舆情问题商业化重大活动缺少站外舆情检测手段，并且噪音大，识别准确率低。不关注各FT主要依赖人工对接、KIM、工单等方式处理用户反馈，缺乏对用户反馈的主动关注无感知缺少主动挖掘反馈的能力，问题感知的时效性较差不准确少工具人工处理用户反馈的效率较低，人工处理的方式不仅耗时，而且容易出现遗漏和错误客服对业务缺乏了解，无法精准分类识别商业化业务的问题，用户的真实情感和诉求没有展现缺少舆情挖掘工具处理效率低缺少舆情度量机制可支持大型运营活动舆情，缺少对站外舆情的关注，有舆情发酵风险，可能会导致公司信誉