-620.svg)
陳麒聰在 IT 桔子的分享精華：“客戶交互”智能化的四個市場階段
-
2019-09-23
-
演講與活動
9 月 19 日晚，Recurrent.ai CEO 陳麒聰在 IT 桔子社群做了一次線上分享。陳麒聰向聽眾介紹了 Recurrent.ai 為什么選擇進入“客戶交互”智能化這個企業服務領域，以及在他眼中該領域未來的市場發展趨勢，并且分享了教育領域具體的落地案例。
陳麒聰介紹說，企業的“客戶交互”數據，既包括用戶使用網站或者App的行為數據，也包括電話溝通、視頻會議、在線IM溝通以及線下的當面溝通數據，但大部分數據都是非結構化的，“智能”的產生，本質上是非結構化數據結構化的過程。
如下，Enjoy：
“客戶交互”智能化的四個市場階段
這四個市場發展階段的特征分別是：
1. 第一個階段是存量的結構化數據：這個階段主要是指客戶通過 App 或網站與企業產生的交互過程，用戶產生了大量點擊行為數據，這些數據跟轉化結果相關，經過分析，可以做推薦和預測。
2. 第二個階段是存量的全渠道非結構化數據：這個階段主要指企業與客戶通過電話或者在線IM進行溝通的數據，這些數據大部分是非結構化的，而且涵蓋了金融、教育、互聯網+生活服務等更多領域。
3. 第三個階段是增量的全渠道非結構化數據：這個階段就是將線下場景囊括進來，比如線下的面對面銷售過程、銀行柜員與客戶溝通的過程等。
4. 第四個階段是線上線下融合以及人機結合：這個階段將由機器主要完成對“客戶交互”的人、時間、信息和渠道進行規劃和計算，由人負責信息傳達。
我們公司 Recurrent.ai 目前做的事情，專注在第二階段的市場，第三階段也開始嘗試。為了適配第二階段和第三階段的技術需求，我們采取了 AutoAI 系統架構：
這個結構的底層是數據來源，包括呼叫中心、錄音設備、IM即時通訊、數據庫以及傳感器。這些數據首先需要通過語音識別和文本處理技術，變成結構化的文本數據。 下一步是通過預訓練模型 XLNet 提取基礎特征，以及通過人工標注來適配不同行業的實際情況，輔助提取行業特征。將兩者結合，通過 AutoML 技術產生優化的模型。 最頂層是應用層。針對不同行業，Recurrent.ai 會把最重要的五六個維度標簽和幾十個上百個弱特征找出來，使文本被充分結構化，之后就可以根據需求做出不同的應用。
與傳統的基于規則的應用相比，Recurrent.ai 所采用的 AutoAI 架構，最大優勢是底層架構是統一的，基于統一的底層架構，就可以規模化、可復制地支持不同類型的上層應用。
目前很多行業最大的痛點是獲客成本非常高、拉新非常貴，因此很多行業從增量運營轉到存量運營，就是從現有客戶身上獲取更大的價值。面向銷售領域，Recurrent.ai 通過 AutoAI 架構實現了銷售場景的 5 種應用：
線索打分（Retargeting）：對海量未轉化的線索進行意向打分，重新激活已有線索；
客戶畫像提取：從溝通、對話內容中自動提取客戶畫像，讓銷售更有針對性；
客戶心聲分析：了解大部分客戶在想什么，然后據此調整銷售策略；
銷售行為挖掘：分析高轉化的回復，找出來哪些行為能促成銷售成單；
服務質檢：了解銷售或客服是否按照規范來溝通，改進服務水平。
這些應用的最終目標都是提升銷售的轉化率。Recurrent.ai 在與客戶公司的實踐中發現，采用新的系統可以大幅降低人力成本，提升質檢和銷售線索轉化的效率。具體是怎么做到的？我來分享教育領域的一個案例。
案例：銷售線索評分和用戶心聲分析
我們為某上市教育公司提供的服務效果，如果抽取頭部 30% 的銷售線索（leads），成單率可以做到就是傳統隨機撥打平均轉化率的兩倍多。
Recurrent.ai 的線索評分整體解決方案，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。其中很多畫像特征（用戶到底關心什么）是甲方公司之前并不知道，Recurrent.ai 也不知道，但可以通過機器學習來得到的。
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。Recurrent.ai 的系統會從過往的溝通數據中學習到產品匹配的規律。
也就是說，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，并且結合時間、渠道的建議，以及產品匹配的信息，綜合起來提高銷售線索的轉化率。
這個案例是執行層面的，講的是具體怎么做能提升銷售效率。但實際上，客戶交互的智能化，還會在管理層面為企業提供更多價值。比如你會發現一個產品再怎么推薦也沒有效果，可能問題就出在產品本身上面。
在分享結束之后，陳麒聰還回答了兩位觀眾的提問。其中一位觀眾問到，為什么市面上有大公司提供的語音識別、語義理解平臺，而 Recurrent.ai 還是選擇了自研。陳麒聰回答說，Recurrent.ai 對于底層技術的態度是非常開放的，但是因為AI基礎設施服務商并不了解上層場景是什么樣的，在產品架構上暫時還無法滿足我們的需求，所以我們選擇自研語音識別和語義理解的技術。
另一位問到目前 Recurrent.ai 的產品落地主要在哪些行業。陳麒聰回答，目前主要的場景行業是金融、教育和互聯網+生活服務領域，金融領域包括銀行、保險和互聯網消費金融公司，這些行業高度依賴銷售和客服人員提供服務。
之后，陳麒聰介紹了公司的聯合創始人，包括自然語言處理（NLP）領域最近熱門的 XLNet 模型第一作者楊植麟，公司有非常硬核的 AI 能力，同時公司的聯合創始人中還有非常有經驗的、對 toB 銷售理解非常深入的高管。
“讓企業的銷售、服務人員與客戶的每一次溝通有更好的結果。”陳麒聰最后概括了公司的目標。
? THE END
↓↓↓
