提取和分析呼叫中心数据

本文介绍如何使用 Azure AI 服务和 Azure OpenAI 服务从呼叫中心的客户对话中提取见解。 使用这些服务，通过分析通话意向和情绪、提取关键实体和总结呼叫内容，来改善客户互动并提高满意度。

体系结构

下载此体系结构的 PowerPoint 文件。

数据流

1. 代理与客户之间的电话呼叫将记录并存储在 Azure Blob 存储中。 音频文件会通过支持的方法上传到 Azure 存储帐户，例如基于 UI 的工具、Azure 存储资源管理器、存储 SDK 或 API。

2. Azure 函数配置为使用以下触发器之一来启动智能听录过程：

   • 计时器触发器：配置基于时间的触发器，以处理在指定时间段内累积的一批音频文件。

   • Blob 触发器：配置 Blob 触发器，以便在音频文件上传到 Blob 容器后立即启动智能听录。

3. Azure 函数将触发Azure App 服务，它将按顺序执行以下步骤：

   1. 调用 Azure AI 语音来转录文件。

   2. （可选）将此原始文件保存在 Azure Blob 存储中，以供将来参考。

   3. 将原始数据传递到 Azure AI 语言服务，以检测和编辑脚本中的个人数据。

   4. 将编辑后的数据发送到 Azure OpenAI 服务，以执行各种呼叫后分析，如了解呼叫的意图和情绪、提取实体或总结对话，以评估呼叫的有效性。

   5. 将处理后的输出存储在 Azure 存储中，以便下游应用程序进行可视化或使用以进行进一步处理。

4. Power BI 可用于根据业务用例的要求，根据不同的标准可视化呼叫后分析。 还可以将此输出存储在客户关系管理 (CRM) 中，这样座席人员就能获得有关客户来电原因的上下文信息，并能快速解决潜在问题。 此过程完全自动化，可节省代理的时间和精力。

组件

• Blob 存储是此方案中原始文件的对象存储解决方案。 Blob 存储支持多种语言（例如 .NET、Node.js 和 Python）的库。 应用程序可以通过 HTTP 或 HTTPS 访问 Blob 存储上的文件。 Blob 存储具有热、冷和存档访问层，用于存储大量数据，可优化成本。

• Azure OpenAI 提供了 Azure OpenAI 语言模型，包括 GPT-3、Codex 和 Embeddings 模型系列，用于内容生成、摘要、语义搜索和自然语言到代码的转换。 你可以在 Azure OpenAI Studio 中通过 REST API、Python SDK 或基于 Web 的界面访问该服务。

• Azure AI 语音是一种基于 AI 的 API，它提供语音转文本、文本转语音、语音翻译和说话人辨识等语音功能。 此体系结构使用 Azure AI 语音的批量听录功能。

• Azure AI 语言整合了 Azure 自然语言处理服务。 有关预生成和可自定义选项的信息，请参阅 Azure AI 语言可用功能。

• Language Studio 提供了一个 UI，用于浏览和分析适用于语言的 AI 服务功能。 Language Studio 提供了生成、标记、训练和部署自定义模型的选项。

• Power BI 是软件即服务 (SaaS)，它提供用于业务分析的可视化和交互式见解。 它提供转换功能并连接到其他数据源。

备选方法

根据你的方案，可以添加以下工作流。

• 使用 Azure AI 语言中的预生成模型执行对话摘要。
• Azure 还提供语音分析，为批处理的呼叫后分析提供整个业务流程。

方案详细信息

此解决方案使用 Azure AI 语音转文本将呼叫中心音频转换为书面文本。 Azure AI 语言会编修对话听录中的敏感信息。 Azure OpenAI 从客户对话中提取见解，以提高呼叫中心效率和客户满意度。 使用此解决方案可以处理转录的文本、识别和删除敏感信息，以及执行提取分析，例如通话原因、提供或未解决、通话情绪、根据查询数/客户投诉数列出产品/服务产品/服务等。 缩放服务和管道以容纳任何记录的数据量。

可能的用例

该解决方案为拥有客户支持座席人员的多个行业的组织提供了价值。 呼叫后分析可以帮助改善公司的产品和服务，以及客户支持系统的有效性。 该解决方案适用于记录对话的任何组织，包括面向客户的座席人员、内部呼叫中心或支持台。

注意事项

这些注意事项实施 Azure 架构良好的框架的支柱原则，即一套可用于改善工作负荷质量的指导原则。 有关详细信息，请参阅 Microsoft Azure 架构良好的框架。

可靠性

可靠性可确保应用程序符合你对客户的承诺。 有关详细信息，请参阅可靠性设计评审核对清单。

• 在适用于在线服务的 SLA 中查找每个组件的可用性服务级别协议 (SLA)。
• 要使用存储帐户设计高可用性应用程序，请参阅配置选项。
• 要确保此方案中的计算服务和数据存储的复原能力，请对 Azure Functions 和存储等服务使用故障模式。 有关详细信息，请参阅 Azure 服务的复原能力检查表。

安全性

安全性针对蓄意攻击及滥用宝贵数据和系统提供保障措施。 有关详细信息，请参阅可靠性设计审查检查表。

• 为 Blob 存储、AI 服务和 Azure OpenAI 实现数据保护、标识和访问管理以及网络安全建议。
• 配置 AI 服务虚拟网络。

成本优化

成本优化是关于寻找减少不必要的费用和提高运营效率的方法。 有关详细信息，请参阅成本优化设计评审核对清单。

该解决方案的总成本取决于你的服务定价层。 可能会影响每个组件的价格的因素包括：

• 处理的文档数。
• 应用程序收到的并发请求数。
• 处理后存储的数据的大小。
• 部署区域。

有关更多信息，请参阅以下资源：

• Azure OpenAI 定价
• Blob 存储定价
• Azure AI 语言定价
• Azure 机器学习定价

使用 Azure 定价计算器估算解决方案成本。

性能效率

性能效率是工作负荷以高效方式满足用户对它的需求的能力。 有关详细信息，请参阅性能效率设计评审核对清单。

处理大量数据时，它可能会暴露性能瓶颈。 要确保适当的性能效率，请了解并规划在 AI 服务自动缩放功能中使用的缩放选项。

批量语音 API 专为大容量而设计，但其他 AI 服务 API 可能具有请求限制，具体取决于订阅层。 请考虑容器化 AI 服务 API，以避免进行大量处理时速度缓慢。 容器在云和本地提供部署灵活性。 通过使用容器来缓解新版本推出的副作用。 有关详细信息，请参阅 AI 服务中的容器支持。

作者

本文由 Microsoft 维护， 它最初是由以下贡献者撰写的。

主要作者：

• Dixit Arora | 高级客户工程师，ISV DN CoE
• Jyotsna Ravi | 首席客户工程师，ISV DN CoE

要查看非公开领英个人资料，请登录领英。

后续步骤

• 什么是 Azure AI 语音？
• 什么是 Azure OpenAI？
• 什么是 Azure 机器学习？
• Blob 存储简介
• 什么是 Azure AI 语言？
• Azure Data Lake Storage Gen2 简介
• 什么是 Power BI？
• 使用 AI 服务的引入客户端
• 通话后听录和分析

相关资源

• 创建自定义语言和声学模型