循環智能 COO 揭發在 FiNext 2019 金融創新峰會的演講精華

2019-09-27
演講與活動

2019 年9 月 25 日，上海。循環智能（Recurrent）聯合創始人&COO 揭發在 FiNext 2019 金融創新峰會上發表演講，重點分享了循環智能面向不同領域公司提供的解決方案：線索重定向和服務質檢，以及解決方案的實際落地案例。

據揭發介紹，循環智能的核心團隊成員，不僅有來自清華大學國家重點實驗室和卡內基梅隆大學語言技術研究院的AI專家，而且有B2B解決方案的專家。為了適配不同行業的客戶溝通場景的實際需求，循環智能團隊自研了三大核心技術：語音識別、語義分析、推薦系統，然后基于統一的底層架構，實現規模化、可復制地支持不同類型的上層應用。

如下，Enjoy：

最近幾年，很多行業的獲客成本非常高，我們服務的教育、金融等領域公司，獲客成本可能高達幾千元。因為獲客成本高，所以企業勢必要關注銷售環節的轉化效率。

我們幫助企業做的場景，主要有三個：第一個是線索重定向（retargeting）。舉個例子，我們的一個合作客戶在某個月獲得 80 萬條銷售線索（leads），其中能轉化幾萬個，剩下 70 多萬都是未轉化線索，銷售精力有限，下個月只能繼續跟進一小部分。怎么選擇跟進對象？這些未轉化的線索中，其中一些是相對高意向的，但是分布比較稀疏，銷售人員很難直接定位到高意向的客戶。我們做的事情就是，使用AI和NLP技術對所有未轉化的線索進行評分排序，然后找出其中高意向的線索，推薦給銷售人員去溝通，相比傳統的隨機撥打提升 3-10 倍轉化率。

第二個是客戶心聲分析。我們會幫助企業分析和監測銷售溝通過程中的轉化漏斗和客戶畫像，幫助企業了解客戶關心的問題是什么，他們的特征是什么樣子的。

第三個是服務質檢。幫助企業及時發現與客戶交互中的問題與風險。

線索重定向

我給大家分享幾個“線索重定向”的案例：

這是我們的一個銀行客戶，它的信用卡中心也會向客戶交叉推薦保險、分期、理財等產品。大家看這個表格的最左邊一列是評分，代表了這條線索的意向值，最高是 1 分。因為涉及到企業隱私，我們把大部分數據隱藏了，但是我們來看未隱藏的 0.8-1分這一行，這個分值代表了高意向值的線索。這部分的線索占所有線索的 20%，但是成單量卻占了 60%。也就是說，頭部 20% 的客戶貢獻了 60% 的訂單。所以我們的系統就會推薦銷售去聯系頭部 20% 的客戶，而不是像之前一樣隨機撥打。

簡單理解，假設這家公司半個月電話跟進線索的數量是 30 萬個，對于其中未成單的線索，之后半個月可以繼續跟進 6 萬個，成單率是 1%，也就是 600 個。這是隨機撥打的情況，如果這 6 萬個電話采用評分最高的 6 萬個來撥打，那么成單率是 3%，也就是 1800 個。半個月多出來 1200 單，每個月可以多出來 2400 單。

我們的很多客戶公司本身有比較強的技術，他們也會按照自己的模型對線索進行打分排序。比如他們的數據，可能是用戶使用網站和App過程中產生的點擊、停留等行為數據。如果將這些數據產生的模型，與我們基于服務人員與用戶溝通的數據產生的模型，進行算法融合，我們實現了 1 + 1 大于 2 的效果。

知道了效果，我們來看看“線索重定向”的原理。

我們的線索重定向整體解決方案，包含了客戶畫像生產、跟進時間和渠道特征學習以及產品特征學習等三個主要模塊：

客戶畫像生產模塊。通過自動化的畫像生產管理系統，抽取結構化的客戶畫像。我們對每個不同的行業，都積累了數百個畫像維度。

跟進時間和渠道特征學習模塊。就是要知道什么時候、通過什么渠道聯系客戶。在競爭激烈的行業，如果隔了一周沒有聯系，客戶就被別人搶走了。如果溝通太頻繁會打擾到他，所以需要從歷史溝通數據中學習到其中的規律。
產品匹配特征學習模塊。很多甲方公司的痛點不是銷售線索（leads）多到銷售電話打不過來，而是根本不知道應該向客戶推哪個產品。一旦推錯產品，就相當于少了一次機會。循環智能的系統會從過往的溝通數據中學習到產品匹配的規律。

此外，為了進一步提升轉化率，企業還需要結合銷售員的能力模型進行線索分配、推薦。

本質上講，機器學習、深度學習的過程，就是學習人類銷售冠軍是怎么與客戶溝通的，怎么成單的。因為機器比人類對于微弱信號的捕捉更為敏感，所以能學到很多人類意想不到，但效果很好的成單因素。

服務質檢

在質檢這個場景，同樣也用到了之前講到的線索推薦類似的原理。很多行業，尤其是金融行業對合規有很高的要求，但并不是所有的違規行為都能通過簡單的規則系統找出來。所以我們使用了機器學習的方式，從歷史的違規通話錄音中學習，再對其他所有錄音做相似性判斷，判斷這些錄音違規的可能性，然后打出意向分——越高越可能違規。

我們來看一個互聯網金融公司的實際案例，按照意向分排序，0.75分以上的錄音，占比大概是 25%，但是這 25% 的錄音量占了違規量的 81%。也就是說，通過系統找出的 1/4 錄音就能發現大部分不合規的問題。

以前大部分公司都是人工質檢，我們的一個客戶公司，之前質檢員每天大概能從一百通電話里邊找出兩三個違規的。用了智能質檢系統之后，通過機器預先篩選出疑似違規錄音，質檢員再來復核的方式，每天至少能找到三十個違規。

這是質檢功能的工作流程，在我們的系統里面，客戶可以自行設置“質檢點”，主管可以向質檢員分配“質檢任務”。系統也支持人工復檢以及查看質檢歷史，生成報表。

最后介紹一下我們為客戶提供產品和服務的架構。最下層是企業的客戶溝通數據，既可以是電話錄音，也可以是在線 IM 的文本數據；中間是我們的技術模塊，包括聲紋識別，就是分離說話人是客戶還是服務人員；最上層是我們給客戶提供的產品和應用，包括語音識別的API、質檢系統、線索重定向等。我們基于統一的底層架構，實現規模化、可復制地支持不同類型的上層應用。

如果你也想了解，如何在公司引入 AI 和 NLP 技術，讓銷售、服務人員與客戶的每一次溝通有更好的結果。歡迎來找我們聊。

? THE END