“本項(xiàng)目案例由 佰聆數(shù)據(jù) 投遞并參與由數(shù)據(jù)猿&上海大數(shù)據(jù)聯(lián)盟聯(lián)合推出的“行業(yè)盤點(diǎn)季之?dāng)?shù)智化轉(zhuǎn)型升級(jí)”大型主題策劃活動(dòng)之《2021中國(guó)企業(yè)數(shù)智化轉(zhuǎn)型升級(jí)創(chuàng)新服務(wù)企業(yè)》榜單/獎(jiǎng)項(xiàng)的評(píng)選。

當(dāng)前的金融客服行業(yè)需要整體轉(zhuǎn)型升級(jí)以應(yīng)對(duì)挑戰(zhàn)、擁抱機(jī)遇。新時(shí)代客服以數(shù)字化、智能化技術(shù)作為核心驅(qū)動(dòng)力，實(shí)現(xiàn)服務(wù)管理模式的整體升級(jí)，并通過打通用戶、服務(wù)業(yè)務(wù)之間的鏈接，重構(gòu)服務(wù)價(jià)值鏈，最終實(shí)現(xiàn)數(shù)字經(jīng)濟(jì)下的用戶價(jià)值最大化。相比于傳統(tǒng)客服，新客服具有數(shù)智驅(qū)動(dòng)、全程洞察、管理升級(jí)三大特色。

面對(duì)日益激烈的市場(chǎng)競(jìng)爭(zhēng)和客戶對(duì)服務(wù)需求的升級(jí)，本案例銀行客戶迫切需要從現(xiàn)有的海量客服錄音數(shù)據(jù)中挖掘出服務(wù)過程中的隱含信息，實(shí)現(xiàn)對(duì)現(xiàn)有業(yè)務(wù)服務(wù)場(chǎng)景的智能定義、識(shí)別。并在此基礎(chǔ)上，進(jìn)行業(yè)務(wù)服務(wù)場(chǎng)景大數(shù)據(jù)分析，提高服務(wù)過程中的營(yíng)銷成功率，并進(jìn)行服務(wù)優(yōu)化，以此建設(shè)更懂客戶、業(yè)務(wù)更高效、服務(wù)更標(biāo)準(zhǔn)的現(xiàn)代智能客服中心。在此背景下，佰聆數(shù)據(jù)與本案例銀行客戶攜手合作，開展深度文本挖掘分析和數(shù)字化應(yīng)用建設(shè)，助力該銀行客服中心的數(shù)字化轉(zhuǎn)型。

●實(shí)施時(shí)間

開始時(shí)間：2020年3月

模型開發(fā)完成：2020年9月

應(yīng)用建設(shè)完成：2020年10月

項(xiàng)目主體完成：2020年11月

維保期至：2021年11月

應(yīng)用場(chǎng)景

本案例涉及到3大應(yīng)用場(chǎng)景：

1、服務(wù)轉(zhuǎn)營(yíng)銷分析

分析用戶偏好，提高營(yíng)銷轉(zhuǎn)化率：通過大數(shù)據(jù)技術(shù)分析歷史營(yíng)銷情況，找出營(yíng)銷機(jī)會(huì)點(diǎn)，構(gòu)建綜合方案推薦模型，“將合適的產(chǎn)品用合適的話術(shù)推薦給合適的客戶”，捕捉營(yíng)銷提升的機(jī)會(huì)。

2、通話過程分析

從業(yè)務(wù)維度，情緒傾向，營(yíng)銷情況、客戶反饋等維度對(duì)坐席通話過程進(jìn)行分析，利用自然語言處理技術(shù)以及深度學(xué)習(xí)，實(shí)現(xiàn)對(duì)通話文本的結(jié)構(gòu)化，在此基礎(chǔ)上實(shí)現(xiàn)某一業(yè)務(wù)時(shí)長(zhǎng)的分析，精細(xì)化靜音分析等通話過程的分析。一方面精準(zhǔn)識(shí)別熱線用戶進(jìn)線意圖，尋找優(yōu)化機(jī)會(huì)點(diǎn)提升客戶滿意度，同時(shí)捕捉客戶聲音，推動(dòng)服務(wù)/產(chǎn)品優(yōu)化；另一方挖掘通話過程中業(yè)務(wù)處理問題點(diǎn)，進(jìn)而準(zhǔn)確定位，確立業(yè)務(wù)流程、人員技能、產(chǎn)品、系統(tǒng)等維度的優(yōu)化提升措施，實(shí)現(xiàn)服務(wù)標(biāo)準(zhǔn)化體系的持續(xù)優(yōu)化。

3、專題分析及可視化

建立專題分析模板，快速輸出分析報(bào)告：通過模型數(shù)據(jù)產(chǎn)出集合，建立分析思維模板，將傳統(tǒng)分析轉(zhuǎn)化為管理技術(shù)，記錄分析思路與探索軌跡，將業(yè)務(wù)分析從個(gè)人的思維式行為轉(zhuǎn)化為體系化可管理行為，從而提升業(yè)務(wù)、產(chǎn)品、服務(wù)的分析效率，定期、快速輸出關(guān)注項(xiàng)報(bào)告及改善方案。

面臨挑戰(zhàn)

1、主要分析數(shù)據(jù)有大量的非結(jié)構(gòu)化通話文本數(shù)據(jù)，在文本數(shù)據(jù)的清洗和處理上，需要綜合運(yùn)用各種文本分析技術(shù)。

2、數(shù)據(jù)質(zhì)量問題，由于對(duì)話文本數(shù)據(jù)是由相關(guān)的語音轉(zhuǎn)文本工具轉(zhuǎn)化出來，存在轉(zhuǎn)化識(shí)別的準(zhǔn)確率問題，轉(zhuǎn)化后的文本數(shù)據(jù)可能存在各種信息錯(cuò)誤的數(shù)據(jù)質(zhì)量問題，需要大量的清洗工作；同時(shí)，由此帶來的標(biāo)注問題，在技術(shù)和管理層面都是極大的挑戰(zhàn)。

3、由于涉及到通話文本，通話的雙方，尤其是普通的客戶而言，發(fā)問一般以相對(duì)口語化的方式，或者有各種無效的用詞用語、或表達(dá)不完整等問題，要求能夠?qū)?duì)話中表達(dá)的各種意圖做出精準(zhǔn)的識(shí)別，才能準(zhǔn)確理解并提取有用的業(yè)務(wù)信息，為業(yè)務(wù)決策提供有效參考。

4、樣本訓(xùn)練問題，雖然獲取了大約10萬的通話數(shù)據(jù)，但所涉及到的業(yè)務(wù)近600項(xiàng)，其中部分業(yè)務(wù)的數(shù)據(jù)量是非常少，這對(duì)于實(shí)際需要海量訓(xùn)練樣本的各種機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的算法來說，依然不太充足，因此在模型訓(xùn)練過程中對(duì)樣本的選取、處理、算法的設(shè)計(jì)和選擇上有一定考驗(yàn)。

數(shù)據(jù)支持

本案例涉及數(shù)據(jù)的形式具有多樣性，主要包括：

1、非結(jié)構(gòu)化數(shù)據(jù)，主要是客服人員與客戶通話的全文記錄超過10萬通，涉及業(yè)務(wù)近600項(xiàng)，通過語音轉(zhuǎn)寫以文本的形式保存在大數(shù)據(jù)平臺(tái)。

2、結(jié)構(gòu)化數(shù)據(jù)，主要是客戶基本信息、客戶消費(fèi)行為、客戶還款行為、客戶在接觸點(diǎn)行為等，以及通過統(tǒng)計(jì)分析生成的各類衍生指標(biāo)，以結(jié)構(gòu)化數(shù)據(jù)的形式保存在大數(shù)據(jù)平臺(tái)。

應(yīng)用技術(shù)與實(shí)施過程

佰聆數(shù)據(jù)在本案例中以業(yè)務(wù)為導(dǎo)向，通過大規(guī)模機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、NLP等先進(jìn)的大數(shù)據(jù)分析技術(shù)，利用大數(shù)據(jù)交互探索工具，為本案例銀行客戶開展深度數(shù)據(jù)挖掘分析和應(yīng)用建設(shè)，助力其向數(shù)字化新客服轉(zhuǎn)型。

本案例的技術(shù)實(shí)現(xiàn)主要包括三大部分：

1、對(duì)話文本的結(jié)構(gòu)化，主要使用自然語言處理技術(shù)，通過機(jī)器學(xué)習(xí)，深度學(xué)習(xí)算法，將非結(jié)構(gòu)化的對(duì)話文本數(shù)據(jù)結(jié)構(gòu)化。

2、將結(jié)構(gòu)化后的對(duì)話數(shù)據(jù)與客戶信息相結(jié)合，針對(duì)具體的業(yè)務(wù)場(chǎng)景，通過機(jī)器學(xué)習(xí)算法和統(tǒng)計(jì)分析，建立對(duì)應(yīng)的業(yè)務(wù)模型，支撐各業(yè)務(wù)場(chǎng)景的應(yīng)用。

3、通過大數(shù)據(jù)交互探索工具提供給業(yè)務(wù)人員快捷方案的業(yè)務(wù)分析工具以及業(yè)務(wù)分析模板化能力。

下圖為本項(xiàng)目的整體功能架構(gòu)?；A(chǔ)數(shù)據(jù)模塊整合各種異源異構(gòu)數(shù)據(jù)，包括將客服對(duì)話錄音全文轉(zhuǎn)寫為文本進(jìn)行必要的預(yù)處理。對(duì)需要用到的業(yè)務(wù)系統(tǒng)的結(jié)構(gòu)化客戶數(shù)據(jù)進(jìn)行必要的ETL操作，并與客服文本數(shù)據(jù)整合，并將數(shù)據(jù)提供給下游的處理模塊使用。

圖：整體功能架構(gòu)

一、智能對(duì)話分析引擎

佰聆數(shù)據(jù)開發(fā)的智能對(duì)話分析引擎是本案例中客服文本數(shù)據(jù)進(jìn)行處理的核心模塊，其需要將非結(jié)構(gòu)化的文本數(shù)據(jù)從產(chǎn)品，服務(wù)，情感等多個(gè)維度進(jìn)行切分，分解成最小不可分的對(duì)話片段，并根據(jù)對(duì)話內(nèi)容打上相應(yīng)維度的標(biāo)簽。這一模塊佰聆數(shù)據(jù)主要使用自然語言處理技術(shù)，通過機(jī)器學(xué)習(xí)，深度學(xué)習(xí)算法，從詞語，句法，篇章3個(gè)層級(jí)對(duì)文本進(jìn)行處理，形成多維分類，意圖識(shí)別，話術(shù)提煉，情感分類等一系列模型，最終將非結(jié)構(gòu)化的對(duì)話文本轉(zhuǎn)化為最小不可分的對(duì)話片段及相應(yīng)的維度標(biāo)簽的結(jié)構(gòu)化形式，提供給場(chǎng)景化的業(yè)務(wù)分析使用。

圖：智能對(duì)話分析引擎技術(shù)架構(gòu)

智能對(duì)話引擎的處理過程主要包括：

1、數(shù)據(jù)準(zhǔn)備與預(yù)處理

數(shù)據(jù)預(yù)備與預(yù)處理是一項(xiàng)復(fù)雜的工作，首先需要將語音通話的內(nèi)容按照分析要求轉(zhuǎn)化，然后再進(jìn)行文本預(yù)處理。文本預(yù)處理包括文本分句、文本清洗、文本分詞及文本去噪等主要步驟。經(jīng)文本預(yù)處理后，通話文本內(nèi)容將保留與業(yè)務(wù)領(lǐng)域或挖掘方向相關(guān)的關(guān)鍵信息。

·文本分句：基于句號(hào)、問號(hào)、嘆號(hào)、省略號(hào)等，對(duì)整段文本分句。

·文本清洗：語音轉(zhuǎn)寫文本不同于普通文本那般條理清晰、語法正規(guī)，其中摻雜了許多“干擾信息”，例如方言、數(shù)字中文化等。為保證后續(xù)文本分詞及特征提取等文本處理工作的順利開展，需要對(duì)文本進(jìn)行清洗處理，流程包括：中文數(shù)值轉(zhuǎn)換、大小寫轉(zhuǎn)換、指代信息替換、消歧轉(zhuǎn)換、數(shù)字信息還原、符號(hào)剔除等。

·中文分詞：為保證分詞效率及精準(zhǔn)度，實(shí)施過程中將采用基于統(tǒng)計(jì)的方法-jieba分詞，不僅可以實(shí)現(xiàn)詞語的有效切分，還可利用互信息、左右熵算法等識(shí)別未登陸詞，實(shí)現(xiàn)新詞發(fā)現(xiàn)。

·文本去噪：文本的“去噪”處理主要是去掉文本中含有的“噪聲”數(shù)據(jù)。在處理文本數(shù)時(shí)，主要采用的去噪技術(shù)包括停用詞過濾和稀有詞處理。

·停用詞過濾：停用詞過濾指過濾掉文本信息中出現(xiàn)次數(shù)高卻沒有顯著意義的詞，包括語氣詞、副詞、介詞等虛詞，以及高頻詞，停用詞過濾主要依據(jù)停用詞詞典，將不具有區(qū)分度的詞語添加入詞典當(dāng)中，形成一份金融領(lǐng)域文本數(shù)據(jù)專用的停用詞表。

·稀有詞處理：部分詞在整個(gè)文本集中出現(xiàn)的次數(shù)都很少，那么這些詞并不適合進(jìn)入特征集?？梢詫?duì)詞頻設(shè)定一個(gè)閾值，當(dāng)某些詞的詞頻小于設(shè)定的閾值時(shí)，我們認(rèn)為這些詞是無用的、可以刪掉的，并且不會(huì)影響到文本分類的精度。

2、特征工程構(gòu)建

預(yù)處理后的文本，得到由多個(gè)特征詞組成的文檔。為了讓計(jì)算機(jī)能夠更好地理解，需要把這些文字信息轉(zhuǎn)變成一個(gè)計(jì)算機(jī)可識(shí)別的形式。將從文本中抽取出的特征詞通過特征工程的方式進(jìn)行向量化來表示文本信息，即對(duì)文本進(jìn)行科學(xué)的抽象，建立它的數(shù)學(xué)模型，用以描述和代替文本，最終轉(zhuǎn)化成計(jì)算機(jī)可以識(shí)別處理的特征。特征工程可將連續(xù)、冗長(zhǎng)的通話文本內(nèi)容轉(zhuǎn)換為簡(jiǎn)潔、直觀的業(yè)務(wù)特征信息。此案例我們綜合使用了詞袋模型和詞嵌入模型。

3、對(duì)話內(nèi)容挖掘

（1）多分類模型

首先需要提取有客戶反饋聲音的信息，用于定位客戶聲音的具體業(yè)務(wù)。因?yàn)閷?duì)話內(nèi)容涉及到不同業(yè)務(wù)，因此需要對(duì)業(yè)務(wù)進(jìn)行有效分析，建立業(yè)務(wù)分類模型由于樣本量有限，而業(yè)務(wù)分類多達(dá)幾百個(gè)，為了解決部分分類樣本量稀少的問題，使用遷移學(xué)習(xí)來進(jìn)行訓(xùn)練，包括兩方面：一個(gè)是預(yù)訓(xùn)練模型，一個(gè)是多任務(wù)學(xué)習(xí)。預(yù)訓(xùn)練模型是借鑒bert中mask的方案去訓(xùn)練了句向量模型作為預(yù)訓(xùn)練模型。多任務(wù)學(xué)習(xí)將預(yù)訓(xùn)練模型、情感分類、客戶拒絕模型、營(yíng)銷開口模型采用共享底層網(wǎng)絡(luò)的方式一起訓(xùn)練。

預(yù)訓(xùn)練模型用于底層神經(jīng)網(wǎng)絡(luò)層的初始化，預(yù)訓(xùn)練模型的結(jié)構(gòu)具體如下所示：

圖：預(yù)訓(xùn)練模型結(jié)構(gòu)

1）embedding：詞嵌入將詞的id轉(zhuǎn)化成對(duì)應(yīng)的向量。

2）用self-attention降維。

3）隨機(jī)mask：以10%的概率將句向量mask掉。

4）多層multi-head attention：與bert的多層multi-head attention相似。

5）取一個(gè)正例（被mask掉的句向量），C-1個(gè)負(fù)例，計(jì)算其與mask位置對(duì)應(yīng)的最后一層輸出的距離：距離用點(diǎn)積的負(fù)數(shù)定義。所以應(yīng)當(dāng)最大化正例的點(diǎn)積，最小化負(fù)例的點(diǎn)積。在本例中的做法是將點(diǎn)積當(dāng)作特征函數(shù)，然后計(jì)算出交叉熵最為模型的損失。

多任務(wù)訓(xùn)練具體如下所示

圖：多任務(wù)學(xué)習(xí)結(jié)構(gòu)

以看出對(duì)于不同的任務(wù)，底層的網(wǎng)絡(luò)是共享的，區(qū)別只在于頂層的網(wǎng)絡(luò)，即最后的全連接層不同而已。其中：

整體模型結(jié)構(gòu)為：

圖：整體模型結(jié)構(gòu)

（2）需求識(shí)別模型

佰聆數(shù)據(jù)綜合了對(duì)話文本中捕捉的業(yè)務(wù)領(lǐng)域、用戶行為用意和情感分析等多個(gè)維度標(biāo)簽，全方面分析用戶進(jìn)線需求，通過意圖識(shí)別模型分析推理用戶行為動(dòng)作演變過程，力盡較為真實(shí)地還原動(dòng)態(tài)場(chǎng)景中的交互過程。通過綜合多個(gè)模型結(jié)果，將不同屬性維度結(jié)合進(jìn)行疊加操作，深入挖掘用戶真實(shí)來電意圖，定位分析用戶潛在需求，為提高用戶來電服務(wù)滿意度和提高業(yè)務(wù)產(chǎn)品營(yíng)銷成功率提供決策支撐。

4、智能對(duì)話分析

（1）單業(yè)務(wù)通話時(shí)長(zhǎng)分析：收集各個(gè)維度的業(yè)務(wù)分類，業(yè)務(wù)分類分的越細(xì)定位會(huì)越具體，通話時(shí)長(zhǎng)分析使用不同的數(shù)據(jù)分析方法，從客服因素、客戶因素、業(yè)務(wù)因素、話務(wù)因素等維度進(jìn)行分析。

（2）靜音識(shí)別分析：識(shí)別錄音中客戶被動(dòng)等待的靜音時(shí)長(zhǎng)，以客服代表回應(yīng)客戶為結(jié)束時(shí)點(diǎn)，識(shí)別靜音所在的業(yè)務(wù)話述點(diǎn)，統(tǒng)計(jì)所在業(yè)務(wù)的靜音時(shí)長(zhǎng)，輔助判斷客服代表是否及時(shí)應(yīng)答、業(yè)務(wù)是否熟練，用客戶的等待時(shí)間長(zhǎng)短來檢測(cè)本次通話有效時(shí)長(zhǎng)，分析客服業(yè)務(wù)熟練情況。

（3）自助渠道推薦分析：識(shí)別客服的自助渠道推薦行為，統(tǒng)計(jì)分析每通對(duì)話的自助渠道推薦時(shí)長(zhǎng)；識(shí)別客服自助渠道推薦的結(jié)果以及客戶的意愿；分析客戶拒絕渠道推薦的原因；

二、業(yè)務(wù)分析設(shè)計(jì)模塊

在此模塊中，佰聆數(shù)據(jù)主要針對(duì)業(yè)務(wù)時(shí)長(zhǎng)分析，靜音分析，服務(wù)過程中的營(yíng)銷分析等業(yè)務(wù)場(chǎng)景，從業(yè)務(wù)的角度設(shè)計(jì)分析指標(biāo)和維度，并以結(jié)構(gòu)化后的客服文本數(shù)據(jù)和結(jié)構(gòu)化的客戶數(shù)據(jù)為輸入，計(jì)算相應(yīng)的指標(biāo)，供業(yè)務(wù)應(yīng)用模型使用。

1、服務(wù)過程中營(yíng)銷推薦

通過收集分析不同時(shí)期的客戶的需求點(diǎn)、客戶的行為特征、客戶歷史辦理業(yè)務(wù)情況、營(yíng)銷產(chǎn)品的特征、客服的營(yíng)銷能力、客服的服務(wù)交互文本信息、優(yōu)秀的營(yíng)銷話術(shù)等，結(jié)合客戶的基礎(chǔ)屬性和興趣偏好，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、最優(yōu)分群、特征篩選等工作，挖掘客戶的實(shí)際需求，通過邏輯回歸、決策樹、SVM、隨機(jī)森林等挖掘算法進(jìn)行嘗試，選擇最優(yōu)算法。向客戶推薦目標(biāo)業(yè)務(wù)產(chǎn)品，提高營(yíng)銷成功率。

2、員工效率與效能分析

利用智能對(duì)話分析中獲得的業(yè)務(wù)時(shí)長(zhǎng)、靜音時(shí)長(zhǎng)、營(yíng)銷開口情況，從多維度對(duì)員工進(jìn)行評(píng)價(jià)，對(duì)員工能力進(jìn)行量化，在對(duì)能力元素進(jìn)行分類的基礎(chǔ)上計(jì)算能力維度間權(quán)重和能力維度內(nèi)因素權(quán)重，即建立指標(biāo)評(píng)價(jià)體系，從而構(gòu)建坐席人員效能評(píng)價(jià)模型。在此基礎(chǔ)上分析員工短板，進(jìn)行針對(duì)性提升。

三、業(yè)務(wù)應(yīng)用設(shè)計(jì)模塊

業(yè)務(wù)應(yīng)用設(shè)計(jì)模塊針對(duì)具體的場(chǎng)景需求進(jìn)行建模。以智能對(duì)話分析引擎和業(yè)務(wù)分析設(shè)計(jì)模塊的輸出物為輸入，輸出場(chǎng)景化分析應(yīng)用結(jié)果。

四、交互探索分析及可視化平臺(tái)

基于佰聆數(shù)據(jù)自研的交互探索分析及可視化平臺(tái)-聆析作為整個(gè)項(xiàng)目分析挖掘產(chǎn)出物呈現(xiàn)的工具載體，對(duì)所有數(shù)據(jù)處理和業(yè)務(wù)分析應(yīng)用的結(jié)果進(jìn)行可視化展示。本平臺(tái)可以同時(shí)支持對(duì)所有數(shù)據(jù)的自助交互式分析探索，可實(shí)現(xiàn)分析思路自動(dòng)記錄和追溯，能讓業(yè)務(wù)分析實(shí)現(xiàn)模板化，協(xié)助業(yè)務(wù)沉淀分析案例庫(kù)；同時(shí)融入多維分析、漏斗分析、進(jìn)度分析、趨勢(shì)預(yù)測(cè)等數(shù)據(jù)分析方法，結(jié)合鉆取、對(duì)比、追溯等分析手段，支持分析報(bào)告的自動(dòng)化生成。

商業(yè)改變

通過佰聆數(shù)據(jù)的數(shù)字化運(yùn)營(yíng)解決方案實(shí)施，本案例以業(yè)務(wù)為導(dǎo)向，通過大規(guī)模機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、NLP等先進(jìn)的大數(shù)據(jù)分析技術(shù)，對(duì)某銀行海量的結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行深度處理、分析和挖掘，解析提煉出文本信息業(yè)務(wù)關(guān)注的重要元素，形成業(yè)務(wù)標(biāo)簽（如業(yè)務(wù)分類、情緒、客戶反饋聲音等），讓業(yè)務(wù)人員可以從更細(xì)粒度對(duì)會(huì)話進(jìn)行分析；并通過建立模型尋求問題的解決方案，將會(huì)話解構(gòu)的成果，應(yīng)用于多個(gè)服務(wù)能力、服務(wù)效果評(píng)估的場(chǎng)景，如業(yè)務(wù)時(shí)長(zhǎng)分析、靜音分析、情感分析等，協(xié)助銀行呼叫中心開展更加精細(xì)化的運(yùn)營(yíng)管理，有效提升了客服中心的智能化、數(shù)字化服務(wù)水平，幫助銀行提高服務(wù)質(zhì)量，改善客戶體驗(yàn)，并且從服務(wù)中實(shí)現(xiàn)了營(yíng)銷有效增長(zhǎng)，產(chǎn)生千萬級(jí)的營(yíng)銷效益，助力其向數(shù)智驅(qū)動(dòng)、全程洞察、管理升級(jí)的數(shù)字化新客服轉(zhuǎn)型。

相關(guān)企業(yè)介紹

●佰聆數(shù)據(jù)

佰聆數(shù)據(jù)股份有限公司，專注于為企業(yè)提供數(shù)字化運(yùn)營(yíng)業(yè)務(wù)咨詢和大數(shù)據(jù)分析挖掘?qū)I(yè)服務(wù)和產(chǎn)品，是一家企業(yè)數(shù)字化運(yùn)營(yíng)解決方案提供商。公司長(zhǎng)期耕耘于企業(yè)數(shù)字化領(lǐng)域，服務(wù)超過100個(gè)優(yōu)質(zhì)大企業(yè)級(jí)客戶，經(jīng)驗(yàn)覆蓋電力能源、銀行、證券、社保、稅務(wù)、公安、發(fā)改委、審計(jì)、零售、制造等多個(gè)重要行業(yè)，服務(wù)范圍遍布北京、上海、廣東、浙江、江蘇、香港等27個(gè)省級(jí)行政區(qū)，深度服務(wù)于中國(guó)企業(yè)的數(shù)字化運(yùn)營(yíng)。

●某知名銀行

某銀行是國(guó)內(nèi)知名的股份制商業(yè)銀行，是中國(guó)銀行100強(qiáng)企業(yè)，并且連續(xù)多次入選全球銀行500強(qiáng)。

來源：數(shù)據(jù)猿