智能質檢優化實踐：召回率和準確率，哪個更重要？

很多企業擁有中大型電銷或客服中心，每天與客戶產生成千上萬次溝通。溝通的質量，決定了企業的收入或客戶滿意度。企業監督業務人員的溝通質量和執行力的過程，被稱為質檢。

前兩篇文章，我們介紹了“關鍵詞+正則”質檢方式和全新的“非正則”質檢方式的區別，也介紹了兩種機器質檢方式各自適配的場景。

雙模質檢，各司其職。“非正則”質檢方式通過引入深度學習算法模型，能夠更好地利用上下文語義來判斷一個句子是否命中了質檢項，顯著提升找全率（術語“召回率”）和找準率（術語“準確率”）。同時，由于深度學習算法模型對訓練數據量有要求，因此“非正則”方式更適合目標通話量較多的質檢項，而目標通話量過少的質檢項，無法訓練出好的算法模型，需要繼續使用“關鍵詞+正則”的方式。

今天，我們進一步分析，如何對不同的質檢項采取不同的優化策略，使機器質檢和人工復檢更好地平衡，提升整體質檢工作的效率。

我們希望每個質檢項所命中的目標通話又全又準。這也是循環智能的質檢產品引入“非正則”模式的原因。

但在優化質檢項的命中效果時，當召回率和準確率都達到了一定的高度，想要繼續提升，難免會遇到“二選一”的問題：召回率和準確率互相影響、此消彼長，一個指標增長，另一個指標通常就會下降。

圖：Designed by Creazilla*

在實際應用中，大部分企業的業務流程是“機器質檢+人工復檢”：將機器質檢的結果交給人工做復檢。因此，機器質檢的召回率和準確率變化，會影響到人工復檢的成本：

• 提升召回率（適當犧牲準確率），意味著降低“漏檢”的風險，但可能會增加“誤檢”帶來的人工復檢成本；

• 提升準確率（適當犧牲召回率），意味著降低“誤檢”帶來的人工復檢成本，但可能會增加“漏檢”的風險。

那么對于不同的質檢項而言，如果碰到“二選一”的問題，該如何做出選擇？

在貸后資產管理（催收）領域，質檢項以負向為主，例如恐嚇威脅、疑似私收錢款等。負向質檢項通常有兩個特征，第一是違規量通常都不太大（大部分通話不會違規），第二是漏檢之后的風險相對比較大。因此，針對負向質檢項，我們通常應該通過調整算法模型的參數或規則代碼，保證“召回率”優先，將更多涉嫌違規的通話都找出來，然后增加人工成本去做復檢，“寧可錯殺一片，不可放過一個”。

正向質檢，是指對業務員符合規范的地方進行加分激勵。最近幾年，正向質檢越來越受到企業重視，因為負向質檢判斷的只是業務員有沒有犯錯，是一種“懲惡”的理念，而正向質檢可以用來激勵業務員變得更加專業、更加規范，是一種“揚善”的理念，更有利于形成正向循環。

例如客服領域的規范性用語：“標準開場白”、“標準結束語”、“服務延伸用戶（請問還有什么可以幫您）”以及“確認客戶預留信息”等。這類正向質檢項，通常目標通話量比較大，如果錯誤率較高，復檢成本就會很高。面臨二選一的時候，我們通常應該通過調整模型參數或規則代碼，優先提升準確率，降低人工復檢成本，“寧可漏掉幾個，不可錯殺一片”。