分享嘉宾：陈开江 贝壳找房 算法架构师

编辑整理：刘贝尔 匈牙利佩奇大学

出品平台：DataFunTalk

导读： 在人工智能应用高速发展的现代服务业，实现机器对人的辅助与一定程度上的替代，即人机耦合 ( Human Machine Coupling )，是文明进步的趋势。而在衣食住行等与生活起居息息相关的服务业态中，居住服务因其消费内容的高价值而特征，故该领域的从业平台需要更严谨高质的服务来引导并满足客户低容错、高投入的消费行为。本文将向您分享新居住服务平台中的佼佼者“贝壳找房”通过人机耦合的形式提升服务质量的具体案例。

本文将依据以下内容展开：① 人机耦合与新居住服务业；② 服务质量的精准刻画；③ 服务质量的智能控制方法；④ 新居住服务行业的应用。其中，智能控制方法是本期的重点。

01 人机耦合与新居住服务业

1. 服务的定义

简而言之，服务（Service）就是给他人带来利益（Interest）和满足（Satisfaction）的有偿劳动。服务具有无形性（Intangibility）、异质性（Heterogeneity）、同步性（Inseparability）和易逝性（Perishability）四个基本属性，所以服务过程中没有物质的生产与交付也无法预知结果，服务者要直面被服务者，且服务无法存留。其中，异质性与同步性，由于分别增加了服务中标准化的难度与对时空间的要求，大大制约了服务经济规模的增长。

居住服务（Residential Services）作为服务的一个分支，可定义为利用技能、知识、信息、规范提升居住体验的有偿劳动。其主要活动包括商机咨询、业主面访、业主报盘、业主议价、门店接待、邀约带看、签约谈判等B2C服务链上的活动，及师徒带教、招聘面试等服务组织内部的活动。

2. 居住服务业的特点

居住服务业具有四个明显的特点，为服务者带来了一定的困难：

  • 居住服务业专业知识复杂，政策复杂，地域性强（北上广深之间及其与二、三线城市之间所涉及政策和地方产业结构差异甚远）。
  • 影响消费者决策的平台外因素多，如家人、工作、银行及政府等。
  • 此产业属于消费者不常涉足的领域，他们不熟悉且学习周期长，对信息真假甄别能力弱。
  • 居住产品涉及消费金额巨大，故该产业中角色对错误零容忍。

以上特点对居住服务业的服务者提出了四个相应的要求：

  • 产业需要专业专门的服务者（比如专注房屋买卖的房产经纪人）。
  • 服务者之间需要合作，才能帮助消费者完成一次消费。
  • 服务者工作期间需要机器辅助，才能减少出错概率，促进服务标准化。
  • 服务者需要持续学习提升，才能持续提供高质量服务。

3. 人机耦合赋能服务者

在居住服务业，目前机器是无法取代服务者的，但机器可以赋能（Empower）服务者，达到提升专业、促进合作、降低门槛、持续学习的目的。所以在居住服务业人机耦合是大趋势，就是要做到“人帮机器，机器帮人，目标一致，协同进化”。

① 人机耦合赋能服务者的等级划分

借鉴无人驾驶中的分级，居住服务业也可以将人机耦合分为5个等级：

  • 无AI参与（L0）：由服务者完成所有作业，无任何AI能力介入。
  • 部分参与（L1）：AI在部分作业场景为服务者提供有价值信息（如计算用户画像），进阶提高服务者作业效率，但不能给出具体的行动建议，未成为服务者决策过程的必须环节。
  • 部分辅助（L2）：AI在部分作业场景为服务者提供信息和决策的支持，但需经过服务者确认采纳后生效（如在计算用户画像后进行回答推荐）。
  • 部分自动化（L3）：AI在部分作业场景达到了服务者的最低要求，可以自主完成某些作业动作而不会降低服务质量（如直接提供给用户房屋楼层等确定性信息）。
  • 深度辅助（L4）：AI在所有作业场景达到了服务者的最低要求，可以自主完成某些作业动作而不会降低服务质量。
  • 深度自动化（L5）：AI和服务者都清楚对方的长处和短板，达到互相配合的程度，服务者清楚哪些场景可以放心交给AI，AI也从服务者学习更新能力，形成人机共存的稳定态。

贝壳目前最高能达到L3水平。

② 人机耦合赋能服务者的方法论

贝壳注重精准刻画服务质量并通过分级x提升x调度 ( Classification x Elevation x Allocation ) 的模型来做到专注x专业x合作 ( Devotion x Profession x Collaboration ) 的目标。

  • 分级∣专注：贝壳不仅对作业时间与场景进行划分，对服务者、AI、客户与房屋都实行了分级制度。这样以来，经纪人便可以聚焦交易可能性高的的房屋与客户，而对经纪人的分级可以提高经纪人自身和平台管理方面的专注力。
  • 提升∣专业：贝壳对分级较低的经纪人、房屋与客户进行等级提升培养，以提高专业化水平。
  • 调度∣合作：贝壳对人员与资源进行统筹调度，以加强经纪人之间的合作。

根据场景划分的AI分级示例

02 服务质量的精准刻画

1. 刻画服务质量的背景与目标

服务者的规模 ( Scale ) 需要服务质量 ( Quality ) 保驾护航，但随着规模增加，服务质量的方差 ( Variance ) 逐渐增大，故需要精准的刻画与调控服务质量，努力减小方差，以稳定地满足顾客期待。

贝壳观察优质服务者的“基因” ( 如知识、技能、态度、行为等 )，进行“基因编辑” ( 干预不够好的服务者，改变其“基因” ) 与“基因克隆” ( 复制优质“基因”给新服务者 )，将优质“基因”在经纪人间传播开来，实现有质量的规模。

2. 刻画服务质量的要求

贝壳对服务质量的刻画有五点要求：

  • 数据来自真实服务场景（如贝壳M店交流、VR看房、虚拟电话访谈，非普通调查问卷、电话回访）；
  • 勿将相关当因果（统计人工设定特征与结果的相关性无法归因，且非常危险）；
  • 量化后可比较、可传递

  • 量化后有效、客观、稳定（注意控制变量，排除非服务的外因干扰）；
  • 刻画可解释、可改变。

3. 刻画服务质量的归因模型

服务质量的定义是客户期望的体验 ( Expected Experience ) 与服务者实际提供体验 ( Actual Experience ) 的差距。但无论是期望体验还是实际体验都无法精确测量。所以贝壳通过业务定性，算法定量的思想，让领域专家制定标准作业流程 ( Standard Operating Procedure )，并让机器生成权重 ( Weights ) 进行检验。

贝壳根据此思想建立了一个服务归因模型，如下图所示：

该模型将期望与实际体验的差值通过五个方面量化为服务分（Service Score），分别为：

  • 基础素质：通过招聘本科以上人才解决。
  • 知识：对房地产的专业知识与对国家政策的掌握。
  • 技能：为客户制定满意的个性化置业方案，而非套路。
  • 规范：交流沟通的语气态度使人如沐春风。
  • 安全：不违法乱纪，不提供耸人听闻的消息激起消费者焦虑。

4. 服务质量的刻画效果

对于归因模型中涉及的标准操作流程，贝壳给出了专家权重和模型权重，发现大多情况下两个权重是相吻合的。结果证明，该模型呈正态分布（Normal Distribution），且有较高的一致率（Consistency）及有效性（Effectiveness）。其中，转化率是指消费者的满意与服务者的绩效提升，只使用转化前的数据进行测量以保证严谨性。

03 服务质量的智能控制方法

贝壳严格把控每位服务者的成长全路径，对其进行从素质到能力到服务最后到业绩的递进式培养，每一级进阶都通过AI赋能。具体流程如下图：

1. 服务质量控制体系

为实现有质量的规模这一目标，贝壳将控制行为分为效率（Efficiency）控制与质量控制两方面。效率的控制采取对外聚焦，对内合作的方针，建立基于成交预估的房客分级以最大化成交率，也运行基于多主体强化学习的全局任务调度决策来最大化合作任务完成率。质量控制以提高门店口碑为主，通过基于反馈的服务质量控制体系（Feedback-based Service Quality Control System）保证服务全部满足最低标准，即实现服务方差最小化。该控制体系采用行为主义（Behaviorism）视角，将服务质量问题看成自动控制问题，将期望质量与实际质量的差值作为负反馈信号进行调节，新颖独特。

服务质量整体控制框架包括房屋、消费者、服务者、与服务者所在门店的管理者四种角色。贝壳针对房屋与消费者调配合适的服务者与资源完成维护动作，以提升好房分与好客分，即进行全局任务调度决策。同时，对于较弱的服务者，其较低的服务分将作为信号触发负反馈调节机制。该服务质量控制通过归因在三种不同的动作中进行选择：

  • 服务者的个人能力问题，则采用能力训练提升；
  • 过程问题，如涉及的信息、需求难度大，则进行机器辅助建议减少错误率；
  • 服务者的意愿或态度问题，则进行案例诊断，过程分析以总结出问题并反馈至上级，即门店的服务管理者。

服务质量整体控制框架

下面我们分别对任务调度决策与服务质量控制两个模块进行具体的介绍。

2. 任务调度提升合作效率

① 任务调度的难点

任务调度主要针对房屋与客户，存在四个难点：

  • 动态变化：任务是动态到达调度系统，由于无法获取全局任务列表，无法直接使用静态最优匹配算法。
  • 能力特点：如何依据每个经纪人自己的能力特点进行任务分配。
  • 精力上限：每个经纪人有自己的最大精力，如何控制保证任务分配不能超过其最大负荷。
  • 收益平衡：如何实现GMV和单边比间，即短期利益与长期利益间的平衡。

② 任务调度的优化目标

核心思想：在分配任务时既要依据经纪人的能力特点考虑当前任务的分配效果，还需兼顾之后可能会到来的任务。

问题假设：服务者完成任务获得的业绩为短期收益，因没有分配任务而获得的休息或培训假为长期收益，同时因没有分配任务产生默认全局收益。

从而有以下3个优化目标：

  • 将交易i中的任务j分配给了执行单元k的当前及长期收益；
  • 执行单元当天没有被分配任务，根据当时场景第二天及之后的期望的收益；
  • 交易i中的任务j当天没有被分配出去的默认收益。

将这3个部分整体进行优化就是对当前任务及未来预期任务的统一最优决策。

如果用Xijk表示是否将交易i中的任务j分配给执行单元k的决策，此优化问题的公式化表达为：

③ 任务调度的实验结果

将该组合优化（红色）的运行结果与为服务者不断分配任务的贪心算法（灰色）的结果进行比较可以发现：最大容量分配在短期（18天以内）可以带来更高的收益，但长期（高于18天）看来，组合优化的调度方法更具有竞争力。

左图纵坐标为整体收入，用GMV（Gross Merchandise Value）衡量；右图纵坐标为合作效率，用单边比（Unilateral ratio）衡量，即在贝壳的基础操作系统—经纪人操作网络中，一个订单成交后涉及到的角色数。单边比足够大说明经纪人合作足够好，长期效益增加。

3. 基于反馈的控制系统保证服务质量

基于反馈的控制系统针对服务者，在个人层面帮助他们沿着成长轨迹提升到合格水平，也在整体层面帮助组织控制最低服务质量水平。

不妨从控制论（Control Theory）的角度看这个系统，过程如下：期望服务与实际服务被感受器（Receptor）感知，进行差距检测，即误差分析（Error Analysis），该差距形成负反馈信号传递给控制器（Controller）中枢进行服务质量控制决策，最终根据决策在效应器（Effector）完成三种动作之一。

接下来我们分别介绍能力训练提升和过程辅助建议两种动作的内涵。

① 人机耦合的智能训练场

对服务者的能力训练是在贝壳的智能训练场上完成的，该系统整体架构如下：

该智能训练场通过人机对话开展训练，其技术实现主要面临了三个难点：

  1. 机器拟人程度需要符合其模拟的人设；
  2. 机器出题控制需符合设定的两个不同于传统对话系统的目的：
  • 使被训者的知识掌握符合设定的分布，即分级不同受训内容不同；
  • 使被训者能力成长曲线符合设定的曲线，呈上升趋势。
  1. 主动学习意愿弱，无成长路径。

每次人机对话训练中，服务者的语音流被机器识别并理解，根据理解的意义进行实时评估，并送至对话交互模块。训练中控获得对该回答的能力评估后根据此次训练目的反馈给对话交互模块，生成新一轮问话的文本。该文本被合成为语音传给服务者促使其进行新的回答。以此往复，不断训练评估。

人机对话系统

为了解决第一个难点，贝壳对训练场的拟人效果从两个部分进行实时训练数据分析，控制效果损失：

  • 训练效果：机器问话与回复的时间与内容是否合理得当；
  • 评价效果：机器是否识别到受训者的能力水平。

训练场拟人效果优化及评测方法

对于第二个难点，训练场采取了典型的PID控制器（Proportional-integral-derivative Controller）作为智能中控，将被训者的当前对话状态、当前能力水平和期望训练曲线作为输入，输出提问包含的知识点，符合了两个目的。

第二个目的：期望训练曲线（虚）与实际训练曲线（实）对比

针对第一个目的，受训者的能力水平被分为五个阶段，配合四种对应的训练场实现进阶：

小白（L0）→知识问答训练场→新手（L1）→专项技能训练场→能手（L2）→虚拟客户训练场→达人（L3）→场景综合训练场→专家（L4）

同时，训练场对用户（客户）的人设从四个维度进行模拟：

  • 个人概况：客户的人口统计学背景信息；
  • 房屋偏好：客户对房屋位置、设计、价格等属性的偏好；
  • 个性属性：客户的性格、情绪；
  • 随机属性：突发状况，如客户临时取消、迟�