(2)客戶服務商業銀行每天都會從不同渠道接收到海量的客戶心聲，包括客戶的投訴、抱怨、建議等，而這些正是銀行提高客戶服務效率和質量的基礎。以前都是通過監測分析人員隨機抽查來分析客戶到底具有什么樣的需求，但這種處理方式不僅容易遺漏一些重要的建議和投訴，而且其龐大的工作量也難以保證這些建議和投訴的合理分類和正確處理。如何處理這些非結構化數據，才能獲得客戶的真正需求，才能提高服務質量和降低成本，是銀行使用非結構化數據價值的一個挑戰。一般來說，可以通過下面的步驟和方式來實現客戶需求的深度洞察。

1)對客戶意見進行分類：對客戶意見進行分類可以分析各類別意見的發生趨勢，提升對應部門處理效率。但是，在分類時要結合具體業務處理流程和實際場景。簡單來說，其實就是要給各類意見打上標簽，比如這類意見反映的是哪類產品，如銀行卡、自助服務等。

2)對熱詞進行分析：熱詞分析就是要從客戶反饋中提取最頻繁使用且意義較明確的詞匯，從而形成可視化的意見詞云，但是有時候無法精準表達客戶意見，存在一詞多義和多詞一義的情況，例如柜員、工作人員等，因此需要將紛繁雜亂的描述語句進行歸并、抽象、提煉，從而形成統一、概括的表示方式，例如對象-屬性一評價。

3)選擇貼合業務場景的分析模型：文本分析模型有很多種，商業銀行要選擇適合自己的模型進行文本分析和挖掘，如是用樸素貝葉斯模型，還是LDA模型？或者抽象出本體模型。選擇出合適的模型后再根據實際情況進行訓練。一般來說，只有文本數量較多時才會使用合適的模型進行自動化訓練。