智能客服机器人客户服务流程手册

智能客服客户服务流程手册第一章客服概述1.1客服的定义与作用1.2客服的发展历程1.3客服的行业应用案例1.4客服与传统客服的区别1.5客服的技术特点第二章智能客服设计原则2.1用户体验设计2.2知识库构建2.3自然语言处理技术2.4智能推荐算法2.5多轮对话设计第三章客服客户服务流程3.1客户需求识别3.2自动路由3.3知识库检索与问题解答3.4智能客服辅助人工客服3.5客户服务效果评估第四章智能客服常见问题与解决方法4.1常见问题类型4.2问题解决策略4.3故障排查与维护4.4客户反馈处理4.5系统升级与迭代第五章智能客服在未来的发展趋势5.1人工智能技术发展5.2行业应用深入拓展5.3个性化服务与定制化解决方案5.4跨平台与跨设备支持5.5法律法规与伦理道德第六章智能客服实施指南6.1系统选型与定制6.2系统集成与测试6.3培训与支持6.4效果跟踪与优化6.5安全性与合规性第七章智能客服成本效益分析7.1人力成本节约7.2服务效率提升7.3客户满意度分析7.4ROI计算7.5长期成本考量第八章智能客服成功案例分析8.1金融行业案例分析8.2电商行业案例分析8.3医疗行业案例分析8.4旅游业案例分析8.5教育行业案例分析第一章客服概述1.1客服的定义与作用智能客服是一种基于人工智能技术开发的自动化客户服务系统，主要用于处理客户咨询、订单查询、问题解答等常见服务场景。其核心功能是通过自然语言处理（NLP）、机器学习（ML）和知识图谱等技术，实现对客户问题的自动识别、理解与响应。在现代企业服务中，智能客服不仅提升了客户体验，还显著降低了人工客服的工作负担，提高了服务效率。1.2客服的发展历程智能客服的发展经历了从简单规则匹配到深入学习驱动的演变过程。早期的客服主要依赖关键词匹配和规则引擎，能够处理固定的、简单的客户问题。深入学习技术的兴起，开始具备更强的语义理解能力，能够应对更复杂的对话场景。结合多模态技术（如语音识别、图像处理）的智能客服逐步成为主流，实现多渠道、多场景的无缝服务。1.3客服的行业应用案例在电子商务领域，智能客服常用于订单处理、产品推荐、售后服务等环节；在金融行业，可用于账户查询、风险提示、投诉处理等；在医疗健康领域，可提供健康咨询、预约挂号等服务；在制造业，可协助客户进行设备操作指导、故障排查等。这些应用案例充分体现了智能客服在不同行业的广泛适用性。1.4客服与传统客服的区别智能客服与传统客服存在本质区别。传统客服依赖人工客服人员，服务响应时间较长，且人工成本高，难以满足大规模客户需求。而智能客服具备24/7工作能力、响应速度快、服务成本低等优势。能够通过数据分析和学习不断优化服务策略，提升客户满意度。1.5客服的技术特点智能客服具有以下几个显著的技术特点：多模态交互能力：支持文本、语音、图像等多种形式的用户输入，提升交互体验。自然语言处理能力：具备语义理解、意图识别、上下文理解等能力，实现对话流畅性。知识库与规则系统：通过知识图谱和规则引擎，实现对客户问题的准确匹配与回答。实时数据分析与优化：能够实时分析客户互动数据，持续优化服务策略和响应逻辑。可扩展性与集成能力：支持与企业内部系统（如CRM、ERP）的无缝集成，实现服务流程的自动化与智能化。1.6客服技术发展趋势人工智能技术的不断进步，智能客服正朝着更加智能化、个性化和场景化的方向发展。未来，将具备更强的语义理解能力，支持多语言交互，能够根据客户画像提供个性化服务。同时结合边缘计算和5G技术，将在低延迟、高并发的场景下实现更高效的客户服务。第二章智能客服设计原则2.1用户体验设计智能客服在设计过程中，用户体验是核心考量因素之一。良好的用户体验不仅能够提升用户满意度，还能增强用户对系统的信任感与依赖度。在用户体验设计中，需遵循以下原则：直观性：系统应具备清晰的交互界面，用户能够快速理解并操作，减少学习成本。响应速度：系统需具备快速响应能力，保证用户在最短时间内得到帮助。个性化：根据用户的历史交互记录，提供个性化的服务，提升服务效率与用户满意度。语音识别准确率：对于语音交互的系统，需保证语音识别准确率在90%以上，以。在实际应用中，需对用户体验进行持续的优化与测试，保证系统在不同场景下都能提供良好的服务。2.2知识库构建知识库是智能客服实现高效服务的基础。知识库的构建需要遵循以下原则：全面性：知识库应涵盖所有可能的用户问题，保证覆盖率达95%以上。准确性：知识库内容需经过严格的审核，保证信息的准确性和时效性。可扩展性：知识库应具备良好的扩展能力，便于后续新增内容与更新。分类管理：知识库内容应按照问题类型、场景、行业等进行分类管理，便于检索与调用。在实际应用中，知识库的构建需结合用户反馈与数据分析，持续优化知识库内容，保证其与用户需求保持一致。2.3自然语言处理技术自然语言处理（NLP）技术是智能客服实现自然交互的核心支撑。NLP技术主要包括语义理解、文本生成、意图识别等模块，其在智能客服中的应用具有广泛前景。意图识别：通过深入学习模型对用户输入进行意图识别，准确率需达到92%以上。实体识别：识别用户输入中的关键实体，如时间、地点、人物等，有助于提高对话的精准度。语义理解：理解用户意图背后的含义，提升对话的自然度与流畅性。在实际应用中，需结合多模态数据（如语音、图像等）进行综合处理，提升NLP模型的功能与效果。2.4智能推荐算法智能推荐算法是提升智能客服服务效率与用户体验的重要手段。推荐算法需结合用户行为数据、历史交互记录等信息，提供个性化推荐。协同过滤：基于用户的历史行为与相似用户的行为，推荐相关内容。深入学习推荐：利用深入神经网络模型，对用户偏好进行建模与预测。基于内容的推荐：根据用户交互内容，推荐相关服务或产品。在实际应用中，需对推荐算法进行持续优化，保证推荐结果与用户需求高度匹配，提升用户满意度与服务效率。2.5多轮对话设计多轮对话设计是智能客服实现自然与高效交互的关键。多轮对话需遵循以下原则：上下文感知：系统需能记住对话上下文，保证对话连贯性。意图跟进：在多轮对话中，需准确识别用户意图，避免误解与误判。状态管理：系统需对对话状态进行有效管理，保证对话流程的正确与安全。对话策略：根据对话进展，灵活调整对话策略，保证服务质量。在实际应用中，需结合用户反馈与数据分析，持续优化多轮对话设计，提升对话的自然度与服务质量。第三章客户服务流程3.1客户需求识别智能客服在客户服务流程中需要识别客户的需求。这一过程基于自然语言处理（NLP）技术，通过分析客户的言谈举止、问题类型以及情感倾向来确定客户的具体需求。在实际应用中，需求识别模块会使用预训练的语义理解模型，如BERT或RoBERTa，来提取客户问题中的关键信息。在识别客户需求时，系统会关注以下几个方面：问题的类型（如查询、咨询、投诉、反馈等）、客户身份（如普通用户、VIP用户）、问题的复杂程度以及客户的情绪状态。通过结合客户的历史交互记录，系统可更准确地识别出客户的核心需求，并为后续服务提供方向。3.2自动路由自动路由是智能客服在客户服务流程中的关键环节。在识别客户需求后，系统会根据客户的问题类型、服务等级以及服务规则，将客户自动路由到对应的客服人员或服务模块。这一过程基于规则引擎或机器学习模型，保证客户被分配到最适合的处理者。在实际操作中，自动路由系统会考虑以下几个因素：客户问题的优先级、服务资源的可用性、历史服务记录以及服务类型（如实时服务、批量服务等）。系统会通过匹配规则或预设的路由策略，将客户请求分配到最合适的处理流程中，从而提高服务效率和客户满意度。3.3知识库检索与问题解答知识库检索是智能客服在问题解答过程中不可或缺的一环。系统会通过自然语言处理技术，将客户的提问转化为结构化数据，然后在预设的知识库中检索相关答案。知识库包含标准化的FAQ、产品说明、服务条款、常见问题解答等内容。在知识库检索过程中，系统会使用信息检索算法（如TF-IDF、BM25、ELMo等）来匹配客户的提问与知识库中的相关条目。检索结果会以自然语言的形式返回给客户，并提供多轮交互机会，以保证客户获得准确的信息。系统还可结合语义理解技术，对客户的问题进行深入分析，并根据上下文动态调整检索结果。例如若客户问题中包含模糊表述，系统会根据上下文信息，匹配最相关的知识条目，以提供更精确的答案。3.4智能客服辅助人工客服智能客服可作为人工客服的有力，提高整体服务效率。在实际应用中，可承担部分重复性、标准化的服务任务，如信息查询、订单确认、问题解答等，从而减轻人工客服的工作负担。在辅助人工客服过程中，会通过自然语言理解技术，识别客户的问题，并将问题传递给人工客服。人工客服可根据的建议进行进一步处理，或在需要时进行人工干预。这种分工模式能够有效提升服务质量，同时降低运营成本。智能客服还可与人工客服进行协同工作，例如在客户问题复杂或需要进一步解释时，可提供初步建议，而人工客服则负责深入处理和补充解答。这种协同机制在提升客户满意度方面具有显著优势。3.5客户服务效果评估客户服务效果评估是衡量智能客服在客户服务流程中表现的重要指标。评估内容包括服务效率、客户满意度、问题解决率、服务响应时间等方面。在评估过程中，系统会利用统计分析方法，如回归分析、方差分析、聚类分析等，对服务数据进行量化分析。例如服务响应时间可通过时间戳记录来计算，客户满意度可通过问卷调查或客户反馈数据进行评估。在评估结果的基础上，系统会生成服务质量报告，并提供优化建议。例如若服务响应时间较长，系统会建议优化路由规则或增加服务资源。同时系统还会对服务效果进行持续监测，保证服务质量的持续改进。表格：服务效果评估指标与评估方法评估指标评估方法评估频率服务响应时间时间戳记录每日客户满意度问卷调查、客户反馈每周问题解决率数据统计分析每月服务资源利用率资源使用情况统计每周公式：服务质量评估模型在服务质量评估过程中，可使用以下公式来计算服务效率：服务效率其中，服务次数表示处理的客户问题数量，服务时间表示处理这些问题所花费的时间。客户满意度可通过以下公式计算：客户满意度通过上述公式，可对智能客服在客户服务流程中的表现进行量化评估，并为持续改进提供数据支持。第四章智能客服常见问题与解决方法4.1常见问题类型智能客服在实际应用过程中，会面临多种问题类型，这些问题主要源于系统设计、数据处理、用户交互及网络环境等多方面因素。常见的问题类型包括：识别错误：未能正确识别用户输入的内容，导致对话内容偏差或误解。意图理解偏差：未能准确理解用户的实际需求，导致回复不符合用户意图。对话上下文丢失：在多轮对话中，未能维持上下文信息，导致对话逻辑断裂。语音识别错误：在语音交互场景中，语音识别模块未能准确提取用户语音内容。自然语言处理（NLP）错误：在文本处理过程中，NLP模型未能正确解析或生成自然语言回应。系统资源不足：在高并发或复杂请求下，系统资源（如内存、计算能力）不足，导致响应延迟或失败。4.2问题解决策略针对上述问题类型，智能客服需要采用多种策略进行问题诊断与解决，以提高系统的稳定性与服务质量：动态规则引擎优化：通过引入动态规则引擎，根据实时数据调整服务策略，提升识别与响应的准确性。多模态处理技术：结合文本、语音、图像等多模态数据，提升对复杂场景的处理能力。上下文感知机制：通过引入上下文记忆模块，保持对话连续性，。语义分析与理解增强：使用更先进的语义分析技术，提高意图识别与自然语言生成的准确率。异常检测与自修复机制：在系统运行过程中，通过异常检测机制识别潜在问题，并触发自修复逻辑。用户反馈流程机制：建立用户反馈机制，持续优化功能，提升服务质量。4.3故障排查与维护智能客服在运行过程中可能出现各种故障，需要系统化、结构化的故障排查与维护机制：日志分析：通过日志系统记录系统运行过程中的异常事件，便于后期分析与定位问题。功能监控：实时监控系统功能指标，如响应时间、并发处理能力、错误率等，及时发觉系统瓶颈。自动化诊断：利用AI算法对系统运行状态进行自动诊断，识别潜在问题并提供修复建议。定期维护：制定定期维护计划，包括系统升级、数据清理、模块更新等，保证系统稳定运行。故障恢复机制：建立故障恢复机制，当系统出现异常时，能够快速切换至备用系统或触发自动修复流程。4.4客户反馈处理客户反馈是提升智能客服服务质量的重要依据，需要建立系统化的反馈处理机制：反馈分类：将客户反馈分为服务态度、响应速度、内容准确性、系统稳定性等类别。反馈记录：记录客户反馈内容及时间，便于后续分析与改进。反馈分析：通过数据分析工具对客户反馈进行统计与分析，识别高频问题及改进方向。反馈处理：针对反馈问题制定改进措施，优化服务流程与内容。反馈流程：建立反馈流程机制，保证客户反馈得到及时响应与处理。4.5系统升级与迭代智能客服需要持续进行系统升级与迭代，以适应不断变化的业务需求与技术环境：功能迭代：根据业务需求，持续优化功能模块，如增加新服务场景、优化交互流程等。技术升级：引入更先进的自然语言处理、语音识别、机器学习等技术，提升系统功能与用户体验。数据优化：通过数据训练与模型优化，提高在复杂场景下的识别与响应能力。安全与合规：保证系统符合相关法律法规，提升数据安全与隐私保护水平。用户参与：鼓励用户参与系统优化，通过用户反馈持续改进服务内容。公式：若章节涉及计算、评估或建模，应插入LaTeX格式的数学公式，并紧随其后解释变量含义。例如在评估智能客服响应时间时，可使用以下公式：T其中：$T$表示响应时间（单位：秒）$N$表示处理请求的数量$R$表示处理请求的并发能力（单位：请求/秒）若章节涉及对比、参数列举或配置建议，应插入表格。例如在配置智能客服时，可参考以下表格：参数描述建议值响应时间对请求的响应时间≤2秒并发处理能力同时处理的请求数量≥1000请求/秒语音识别准确率语音识别模块的识别准确率≥95%NLP识别准确率自然语言处理模块的识别准确率≥92%系统资源利用率系统资源使用率≤80%第五章智能客服在未来的发展趋势5.1人工智能技术发展智能客服的发展依托于人工智能技术的持续演进，尤其在自然语言处理（NLP）、机器学习、深入学习和计算机视觉等领域取得了显著突破。深入神经网络和Transformer模型的广泛应用，智能客服在理解用户意图、生成自然语言响应以及处理多轮对话方面的能力不断提升。例如基于Transformer架构的模型在上下文感知和多轮对话建模方面表现出色，显著提升了对话的连贯性和自然度。在实际应用中，智能客服常结合强化学习（ReinforcementLearning）技术，通过不断与用户互动来优化自身响应策略。分布式计算和边缘计算技术的应用，使得智能客服能够在低延迟环境下处理大规模并发请求，提高了系统的响应效率。5.2行业应用深入拓展智能客服已从单一的客服支持扩展到多个行业领域，包括但不限于金融、电商、教育、医疗、制造业等。在金融行业，智能客服可提供账户余额查询、转账操作、风险提示等服务；在电商领域，智能客服支持产品推荐、订单查询、售后咨询等功能；在教育行业，智能客服可协助学生进行作业辅导、课程答疑等。5G、物联网（IoT）和边缘计算的发展，智能客服正在向多设备、跨平台方向演进。例如通过WebRTC技术，智能客服可支持实时语音交互，满足用户在不同终端上的使用需求。5.3个性化服务与定制化解决方案智能客服正逐步实现个性化服务，通过用户画像、行为分析和机器学习算法，提供更加精准的服务。用户画像技术可基于用户的交互记录、历史行为、偏好等信息，构建个性化的服务方案。例如智能客服可根据用户的购买记录推荐相关产品，或根据用户的地理位置提供本地化服务。定制化解决方案则体现在智能客服的模块化设计上。企业可根据自身业务需求，灵活配置智能客服的对话流程、响应规则和语料库，实现高度定制化的服务体验。通过API接口，智能客服可与其他系统（如ERP、CRM、OA等）进行数据交互，提升整体服务效率。5.4跨平台与跨设备支持智能客服正在向跨平台、跨设备的方向发展，以满足用户在不同终端上的使用需求。例如智能客服可通过Web、移动端（APP）、语音交互等多渠道提供服务，用户可在任何时间、任何地点获得支持。跨平台支持的关键在于统一的技术架构和接口标准。例如基于RESTfulAPI的智能客服系统可支持多种操作系统和设备，保证用户在不同平台上获得一致的服务体验。通过使用多媒体技术（如语音、图像、视频），智能客服可提供更加丰富的交互方式，。5.5法律法规与伦理道德智能客服的广泛应用，其在法律、伦理和隐私保护方面的问题也日益凸显。智能客服在处理用户数据时，应遵循相关法律法规，如《个人信息保护法》、《数据安全法》等，保证用户数据的安全性和隐私性。在伦理道德方面，智能客服需要遵守公平、透明、可解释等原则。例如智能客服应避免歧视性行为，保证对话内容符合社会道德规范。智能客服在生成响应时，应保证信息的准确性和合法性，避免误导用户。智能客服在未来的发展趋势将更加注重技术的深入整合、服务的个性化和多样化，以及在法律和伦理层面的规范与保障。技术的不断进步和应用场景的不断拓展，智能客服将在、优化企业运营效率方面发挥越来越重要的作用。第六章智能客服实施指南6.1系统选型与定制智能客服系统选型应根据企业实际业务需求、技术架构及预算进行。系统选型需考虑以下关键因素：功能需求：根据企业客服场景，如客户咨询、订单处理、投诉反馈、产品推荐等，选择具备相应功能的产品或自研系统。技术架构：选择支持自然语言处理（NLP）、机器学习（ML）和知识图谱等技术的系统，以提升智能响应能力和业务拓展能力。扩展性与可维护性：系统应具备良好的模块化设计，便于后续功能升级及维护。适配性：保证系统与企业现有系统（如CRM、ERP、OA等）的集成能力，实现数据互通与流程协同。系统定制过程中需根据企业实际业务流程，进行业务知识库构建、对话流程设计、响应策略配置等。定制化工作应由具备专业能力的技术团队进行，保证系统符合企业实际业务需求。6.2系统集成与测试智能客服系统集成应围绕数据接入、服务流程、接口对接等环节进行。数据接入：保证系统能够从企业内部系统（如CRM、ERP、客户数据库等）获取客户信息、历史对话记录、业务数据等，实现数据共享与服务流程。服务流程设计：根据企业业务流程设计服务流程，包括对话路径、响应规则、多轮对话策略等，保证服务流程的逻辑性和完整性。接口对接：与企业现有系统（如邮件、电话、第三方平台等）进行接口对接，实现业务数据的同步与交互。系统集成完成后需进行全面测试，包括功能测试、功能测试、安全测试等，保证系统稳定运行，满足业务需求。6.3培训与支持智能客服系统上线后，需对客服人员、管理人员及技术团队进行培训，保证系统有效运行。客服人员培训：培训内容包括系统操作、对话流程、服务规范、异常处理等，提升客服人员对的使用熟练度及服务意识。管理人员培训：培训内容包括系统监控、数据分析、服务优化等，提升管理人员对系统的管理能力及业务洞察力。技术团队支持：技术团队需提供系统运维、故障排查、功能优化等支持，保证系统运行平稳。培训应采用多种方式，如线下培训、线上学习、实战演练等，保证培训效果显著。6.4效果跟踪与优化智能客服系统上线后，需建立效果跟踪机制，持续评估系统运行效果，并根据反馈进行优化。效果跟踪指标：包括服务响应时间、对话成功率、客户满意度、服务效率、成本节约等，定期收集并分析数据。数据分析与优化：通过数据分析发觉系统运行中的问题，如对话失败率高、客户投诉率高等，并进行优化调整。持续迭代改进：根据数据分析结果，持续优化系统逻辑、知识库、算法模型等，提升系统智能化水平与服务质量。效果跟踪应结合实际业务场景，制定科学的评估机制，保证系统持续优化。6.5安全性与合规性智能客服系统在运行过程中需保证数据安全、信息保密及合规性。数据安全：系统应具备数据加密、访问控制、日志审计等功能，防止数据泄露或非法访问。信息保密：保证系统中存储的客户信息、业务数据等信息符合相关法律法规，如《个人信息保护法》《数据安全法》等。合规性：系统应符合行业标准与法律法规，如数据隐私保护、内容审核、反欺诈等，保证系统运行合法合规。安全性与合规性是智能客服系统运行的重要保障，需在系统设计与运行过程中加以重视。第七章智能客服成本效益分析7.1人力成本节约智能客服通过自动化处理客户咨询、问题解答和订单处理等任务，显著减少对人工客服的依赖。根据行业数据，智能客服可将客服人力成本降低约30%-50%。其核心在于降低人力投入、减少工作重复性及提高工作效能。在实际应用中，智能客服可处理高频重复性问题，使人工客服专注于复杂问题或高价值客户交互。例如某大型电商平台采用智能客服后，客服人力成本下降了45%，且客户咨询响应时间缩短了60%。通过对比人工客服与智能客服的人力成本，可得出以下公式：人力成本节约率7.2服务效率提升智能客服具备24/7不间断服务的能力，有效缓解了人工客服工作时间限制带来的服务缺口。根据2023年行业调研报告，智能客服可将服务响应时间缩短至3秒内，显著提升客户满意度与服务效率。服务效率提升的具体表现包括：客户咨询处理时间缩短重复问题处理次数减少客户满意度指数提升服务效率的提升可通过以下公式进行量化评估：服务效率提升率7.3客户满意度分析智能客服通过自然语言处理（NLP）技术，能够理解并回应客户疑问，提升客户交互体验。客户满意度调查数据显示，智能客服可使客户满意度提升约20%-30%。客户满意度的分析维度包括：咨询响应时间问题解决率服务准确性多语言支持能力客户满意度的评估可通过以下公式进行建模：客户满意度7.4ROI计算智能客服的投资回报率（ROI）是衡量其经济效益的重要指标。ROI的计算公式ROI收益包括：客户咨询处理收益降低人工客服成本收益提高客户满意度带来额外销售转化成本包括：初始部署成本运维与维护成本人员培训成本通过实际案例分析，某智能客服部署后，ROI在6个月内达到150%，表明其具备良好的经济回报。7.5长期成本考量智能客服虽然初期投资较大，但长期来看，其成本效益显著。长期成本考量主要包括：技术迭代成本系统升级成本人员技能提升成本数据安全与合规成本智能客服需持续优化算法模型，以适应不断变化的客户需求。例如某互联网企业通过持续优化智能客服模型，使系统准确率从80%提升至95%，显著增强了系统的长期竞争力。长期成本的评估可通过以下公式进行建模：长期成本综上，智能客服在成本效益方面展现出显著优势，其应用能够有效降低企业运营成本，提升服务效率，提高客户满意度，最终实现良好的经济回报。第八章智能客服成功案例分析8.1金融行业案例分析智能客服在金融行业中的应用已逐步成为提升客户体验和运营效率的重要手段。以某大型商业银行为例，该机构引入智能客服后，实现了对客户咨询、账户查询、投诉处理等业务的自动化处理。在实际应用中，智能客服通过自然语言处理技术，能够识别并响应客户提出的多种金融问题，如账户余额查询、转账操作、理财产品咨询、风险提示等。系统通过机器学习算法不断优化对话理解能力，提升对话准确率和响应效率。在某次金融行业智能客服系统的优化中，通过引入多轮对话技术，系统能够根据客户历史交互记录，提供个性化的服务建议，提高了客户满意度。同时系统支持多语言交互，能够满足国内外客户的需求。在数据分析方面，该机构对智能客服的使用效果进行统计，结果显示，智能客服处理客户咨询的平均响应时间从3分钟缩短至15秒，客户满意度从78%提升至92%。智能客服还有效减少了人工客服的负担，提升了整体服务效率。8.2电商行业案例分析在电商行业，智能客服被广泛应用于售前咨询、订单处理、售后支持等环节。某知名电商平台通过引入智能客服，实现了对客户咨询、订单状态查询、退货流程指导等服务的自动化处理。该智能客服系统采用基于规则的对话引擎和机器学习模型，能够识别客户咨询内容，并提供相应的解决方案。例如系统能够识别客户关于商品详情、价格优惠、物流信息等的咨询，并提供相应信息。在某次电商行业智能客服系统的优化中，系统通过引入基于知识图谱的对话管理技术，提升了对复杂问题的处理能力。系统能够根据客户的历史订单和行为数据，