(2)客户服务商业银行每天都会从不同渠道接收到海量的客户心声，包括客户的投诉、抱怨、建议等，而这些正是银行提高客户服务效率和质量的基础。以前都是通过监测分析人员随机抽查来分析客户到底具有什么样的需求，但这种处理方式不仅容易遗漏一些重要的建议和投诉，而且其庞大的工作量也难以保证这些建议和投诉的合理分类和正确处理。如何处理这些非结构化数据，才能获得客户的真正需求，才能提高服务质量和降低成本，是银行使用非结构化数据价值的一个挑战。一般来说，可以通过下面的步骤和方式来实现客户需求的深度洞察。

1)对客户意见进行分类：对客户意见进行分类可以分析各类别意见的发生趋势，提升对应部门处理效率。但是，在分类时要结合具体业务处理流程和实际场景。简单来说，其实就是要给各类意见打上标签，比如这类意见反映的是哪类产品，如银行卡、自助服务等。

2)对热词进行分析：热词分析就是要从客户反馈中提取最频繁使用且意义较明确的词汇，从而形成可视化的意见词云，但是有时候无法精准表达客户意见，存在一词多义和多词一义的情况，例如柜员、工作人员等，因此需要将纷繁杂乱的描述语句进行归并、抽象、提炼，从而形成统一、概括的表示方式，例如对象-属性一评价。

3)选择贴合业务场景的分析模型：文本分析模型有很多种，商业银行要选择适合自己的模型进行文本分析和挖掘，如是用朴素贝叶斯模型，还是LDA模型？或者抽象出本体模型。选择出合适的模型后再根据实际情况进行训练。一般来说，只有文本数量较多时才会使用合适的模型进行自动化训练。