隨著呼叫中心技術(shù)及市場的發(fā)展，服務(wù)渠道請求接入渠道從單一電話媒體擴(kuò)展到文字、音頻、視頻等多媒體，服務(wù)處理從純?nèi)斯ぷ?wù)擴(kuò)展到機(jī)器人、人工座席的混合服務(wù)，ACD始終在發(fā)揮著巨大的作用，而ACD處理機(jī)制也在不斷演變升級，本文從ACD技術(shù)角度將ACD分為四代。

　　第一代ACD：輪詢機(jī)制

　　輪詢機(jī)制，專業(yè)詞匯Hunt Group（尋找組），即輪流對服務(wù)隊(duì)列進(jìn)行掃描詢問是否空閑，如有空閑服務(wù)隊(duì)列或座席，即將請求分配給空閑隊(duì)列或座席。

　　輪詢機(jī)制是最早、最原始的ACD策略，是所有呼叫中心都具備的基礎(chǔ)ACD功能。輪詢時(shí)ACD需要對各個(gè)服務(wù)隊(duì)列進(jìn)行依次逐一詢問，服務(wù)隊(duì)列統(tǒng)計(jì)狀態(tài)并回應(yīng)ACD，ACD再分配，適用于少量座席的簡單業(yè)務(wù)場景。

　　第二代ACD：基于技能

　　輪詢機(jī)制比較原始，隨著服務(wù)請求、座席的數(shù)量增多，輪詢的效率明顯不高，最典型的改進(jìn)的方法就是第二代ACD：基于技能路由（Skill-Based）的ACD策略，即對服務(wù)隊(duì)列、服務(wù)座席進(jìn)行技能屬性賦值（Master Skill），服務(wù)隊(duì)列可以按照業(yè)務(wù)類型分類（如咨詢、查詢、售后、投訴…）、也可按照業(yè)務(wù)種類分類（如產(chǎn)品A、產(chǎn)品B、產(chǎn)品C…），座席可按照技能屬性（如咨詢座席、售后投訴綜合座席）來分類，ACD可根據(jù)業(yè)務(wù)的類型、種類等前置條件，將業(yè)務(wù)請求分解成各個(gè)小的技能請求隊(duì)列，只對相對應(yīng)的技能服務(wù)隊(duì)列進(jìn)行輪詢，大大減少狀態(tài)統(tǒng)計(jì)和計(jì)算量，基于技能的ACD可快速準(zhǔn)確的完成中大型呼叫中心的路由分配。

　　第二代基于技能的ACD，核心是專業(yè)化分工，對運(yùn)營管理的顆粒度要求很細(xì)，適用分工很明確、較少變動的呼叫中心。

　　第三代ACD：圖形化ACD

　　當(dāng)呼叫中心業(yè)務(wù)復(fù)雜到一定程度，應(yīng)用基于技能的ACD雖仍可使用，但經(jīng)常調(diào)整變更對運(yùn)營管理是一種考驗(yàn)。

　　這時(shí)候圖形化ACD面世，以可視化工具，對服務(wù)請求、服務(wù)處理進(jìn)行更高顆粒的細(xì)化，服務(wù)請求的優(yōu)先級條件更為豐富（支持語種、區(qū)域、業(yè)務(wù)貢獻(xiàn)等）、座席服務(wù)處理的技能也進(jìn)一步細(xì)化（支持1-10級分級），形成兩個(gè)矩陣。圖形化ACD對雙矩陣進(jìn)行完全可視化路由分配策略配置。

　　可以說，有了圖形化ACD工具，傳統(tǒng)ACD路由策略已經(jīng)近乎完美，可以快速創(chuàng)建各種ACD策略流程并進(jìn)行靈活調(diào)整，可謂運(yùn)營管理之利器。

　　第四代ACD：深度學(xué)習(xí)Deep Learning

　　圖形化ACD近乎完美，但仍然需要運(yùn)營管理者去手工配置和管理。

　　近年來，AI人工智能的浪潮席卷全球，隨著技術(shù)的不斷進(jìn)步，人工智能時(shí)代來臨，ACD也進(jìn)入人工智能時(shí)代——第四代ACD深度學(xué)習(xí)（Deep Learning）。

　　人工智能的概念早在1956年就被提出，顧名思義用計(jì)算機(jī)來構(gòu)造復(fù)雜的，擁有與人類智慧同樣本質(zhì)特性的機(jī)器。人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)應(yīng)用取得重大突破，得益于數(shù)據(jù)量的上漲，運(yùn)算力的提升和機(jī)器學(xué)習(xí)算法(深度學(xué)習(xí))的出現(xiàn)，人工智能開始大爆發(fā)。

　　機(jī)器學(xué)習(xí)最基本的做法是，使用算法來解析數(shù)據(jù)從中學(xué)習(xí)，然后對真實(shí)世界中的事件做出決策和預(yù)測。與傳統(tǒng)的為解決特定任務(wù)、硬編碼的軟件程序不同，機(jī)器學(xué)習(xí)是用大量的數(shù)據(jù)來訓(xùn)練，通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)。機(jī)器學(xué)習(xí)源于早期的人工智能領(lǐng)域，傳統(tǒng)的算法包括決策樹、聚類、貝葉斯分類、支持向量機(jī)、EM、Adaboost等等。

　　深度學(xué)習(xí)在傳統(tǒng)的輸入層和輸出層之間加入了幾個(gè)邏輯層——也就是所謂的卷積層。每一個(gè)卷積層只識別一種特定規(guī)模的圖形模式，然后后面一層只需要在前面一層的基礎(chǔ)上進(jìn)行識別；這樣做的好處是每一個(gè)神經(jīng)元只需要處理一個(gè)很小區(qū)域的數(shù)據(jù)，且參數(shù)可以重復(fù)使用，這就大大減少了運(yùn)算量。

　　在這個(gè)新模型中，那些只有一層卷積的結(jié)構(gòu)被稱為簡單神經(jīng)網(wǎng)絡(luò)（左圖）；而那些有多層卷積的，就叫做深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（右圖）。

　　將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)應(yīng)用到ACD技術(shù)上，直接定義了第四代ACD：即深度學(xué)習(xí)ACD，基于多層卷積結(jié)構(gòu)，通過有監(jiān)督、無監(jiān)督、半監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等學(xué)習(xí)方式，對客戶請求側(cè)、座席受理側(cè)的碎片化數(shù)據(jù)進(jìn)行綜合分析和管理，數(shù)據(jù)條件更加豐富，各種數(shù)據(jù)標(biāo)簽都可以作為判斷條件，如性別、年齡、愛好、行業(yè)、風(fēng)格、習(xí)慣、關(guān)注、購買記錄等，同樣在座席受理側(cè)，數(shù)據(jù)標(biāo)簽包括：性別、年齡、教育背景、從業(yè)經(jīng)驗(yàn)、技能種類、技能熟練度、處理時(shí)長等等，深度學(xué)習(xí)ACD運(yùn)用知識圖譜技術(shù)，將客戶請求分配到綜合條件關(guān)聯(lián)度最高的座席。

　　深度學(xué)習(xí)ACD具備自學(xué)習(xí)能力，在充足數(shù)據(jù)及算法的保證下，完全模擬人腦進(jìn)行工作，ACD路由分配更加智能精準(zhǔn)，可將運(yùn)營管理完全解放出來，專注于運(yùn)營數(shù)據(jù)和指標(biāo)，而非運(yùn)營過程，將大大提高生產(chǎn)力效率。