當前無(wú)論是金融、零售、房產(chǎn)或是互聯(lián)網(wǎng)行業(yè)，在疫情頻發(fā)、市場(chǎng)競爭越發(fā)激烈、政策管控等層層因素疊加的影響下，各行業(yè)涉危履險，負重前行，甚至一些優(yōu)勢產(chǎn)業(yè)也正在面臨寒冬。對于企業(yè)來(lái)說(shuō)，亟需轉變發(fā)展方式和策略，降本增效則無(wú)疑成了每家企業(yè)必須面對的課題。

　　在激烈的市場(chǎng)競爭中，電話(huà)營(yíng)銷(xiāo)作為一種能夠幫助企業(yè)獲取更多客戶(hù)和利潤的營(yíng)銷(xiāo)模式，是現代企業(yè)市場(chǎng)營(yíng)銷(xiāo)、服務(wù)中心不可或缺的一個(gè)重要模塊，如何提高坐席工作效率也成為呼叫中心提供商一直努力創(chuàng )新的方向。

　　通常來(lái)說(shuō)，如果想提高坐席的接待效率，可以通過(guò)智能助手、統一知識庫和統一工作臺等系統或者功能來(lái)實(shí)現；想要提高坐席協(xié)同效率，可以通過(guò)智能工單流程來(lái)實(shí)現；而如果想要提高坐席的外呼效率，通常只有外呼巡航、預測式外呼和智能外呼三種手段，其中針對于高質(zhì)量或者關(guān)鍵客戶(hù)，預測式外呼則是最有效的手段。

　　預測式外呼原理簡(jiǎn)介

　　預測式外呼由平臺自動(dòng)呼叫客戶(hù)號碼，當客戶(hù)接通，平臺會(huì )自動(dòng)將通話(huà)轉到人工坐席，由人工坐席來(lái)與客戶(hù)進(jìn)行通話(huà)；而對于未接通的，則通過(guò)空號檢測服務(wù)來(lái)判斷通話(huà)結果，和預設的重呼策略匹配成功時(shí)平臺會(huì )自動(dòng)進(jìn)行重呼。

圖1 預測式外呼流程圖

　　預測式外呼的工作流程理解起來(lái)并不難，難點(diǎn)在于平臺如何根據一系列的歷史數據和當前實(shí)時(shí)數據來(lái)計算最佳送號數，這個(gè)送號數既要保證呼損率盡可能的低，又要保證坐席盡可能的“忙碌”起來(lái)，而想在這兩個(gè)“相生相克”的矛盾點(diǎn)之間取得權衡，強大的算法和完備的技術(shù)方案缺一不可。

　　“雙目標尋優(yōu)”預測外呼算法模型

　　基于此，中關(guān)村科金得助智能研發(fā)團隊自主研發(fā)了“雙目標尋優(yōu)”預測外呼算法模型，雙目標即坐席利用率和呼損率。該模型將呼損率設置鎖定在一個(gè)預設范圍內，可以保障坐席利用率達到最大化。從實(shí)際應用情況來(lái)看，0呼損率的情況下，能夠將坐席利用率穩定在70%以上，并且通過(guò)合理調參，可以使坐席利用率變得更高。

　　在預測式外呼領(lǐng)域，業(yè)界和學(xué)術(shù)界的主流思想是對下一時(shí)刻的空閑坐席數進(jìn)行預測，方法論主要包括精準預測、馬爾科夫鏈和生滅過(guò)程，近些年又有深度學(xué)習領(lǐng)域的LSTM模型加入其中。但是由于理論復雜和模型無(wú)法靈活調節，所以這些方法普遍存在繁瑣冗雜或效果不穩定的問(wèn)題。和目前已有的方法相比，得助智能“雙目標尋優(yōu)”算法不僅簡(jiǎn)潔易懂，而且它的最大優(yōu)點(diǎn)在于具有較好的魯棒性，可以自動(dòng)適應不同的業(yè)務(wù)場(chǎng)景，即保證不同業(yè)務(wù)場(chǎng)景下，將呼損率鎖定在一個(gè)指定的范圍，而坐席的利用率可達到最優(yōu)。之所以能夠取得良好的效果，得益于該算法將預測式外呼前期冷啟動(dòng)集數、預測式外呼全過(guò)程MATLAB線(xiàn)下仿真、以及全自動(dòng)調參這三個(gè)重要的組件之間進(jìn)行科學(xué)有效的融合，可以通過(guò)算法近似還原預測式外呼的真實(shí)場(chǎng)景。

　　冷啟動(dòng)集數是為了通過(guò)0呼損的保守算法來(lái)收集場(chǎng)景數據，作為算法模型在啟動(dòng)之初的初始數據，我們目前將冷啟動(dòng)時(shí)長(cháng)定為5分鐘，從而保證可以收集到足夠多的數據。MATLAB線(xiàn)下仿真是預測外呼算法的核心部分，它的意義在于當不同業(yè)務(wù)場(chǎng)景的關(guān)鍵指標（接通率、振鈴時(shí)長(cháng)和通話(huà)時(shí)長(cháng)等）存在差異時(shí)，仿真能夠以數理邏輯還原真實(shí)場(chǎng)景中的現象或問(wèn)題，它與全自動(dòng)調參技術(shù)相配合可以快速、準確地獲得最優(yōu)超參數。

　　在進(jìn)行MATLAB線(xiàn)下仿真前，需要根據實(shí)際情況預設仿真次數、坐席數和最大外呼數等超參數。仿真主要包括初始仿真和后續仿真兩部分，其核心原理是通過(guò)負反饋機制的調節，直接對下一時(shí)刻的外呼數進(jìn)行預測，具體細節如下所示（此處為了方便說(shuō)明，假設初始仿真只有1次）：

圖1 仿真流程圖

　　Step1：初始仿真只在前面幾個(gè)輪次中使用，目的是為了冷啟動(dòng)整個(gè)外呼過(guò)程。初始仿真時(shí)使用傳統的經(jīng)驗公式，即第1次的預測外呼數callnum（1）①為：

　　callnum（1）=

　　注：AG為實(shí)際坐席數，SR為接通率。

　　Step2：在后續仿真中，主要圍繞負反饋機制進(jìn)行迭代。在預測時(shí)，不再和傳統的方法一樣預測接下來(lái)空閑的坐席數，而是通過(guò)接通率、振鈴時(shí)長(cháng)和服務(wù)時(shí)長(cháng)等關(guān)鍵指標來(lái)預測下一次的外呼數，具體公式為：

　　callnum=（+speedadjust）-m*NC

　　注：TR為振鈴時(shí)長(cháng)，TC為服務(wù)時(shí)長(cháng)，NC為正在外呼的電話(huà)數，speedadjust和m為外呼數的兩個(gè)調速因子。

　　Step3：根據第1次的預測外呼數callnum（1），隨機生成②相應個(gè)數的振鈴時(shí)長(cháng)TR（1）和1個(gè)接通率SR（1），再由接通率隨機生成接通個(gè)數n（1），并隨機生成相應個(gè)數的服務(wù)時(shí)長(cháng)TC（1）。

　　Step4：根據上一步得到的SR（1）、TR（1）、TC（1）等指標，由公式計算得到callnum（2）。有了callnum（2）之后，和Step3類(lèi)似，隨機生成得到SR（2）、TR（2）、TC（2）等指標，供下一次仿真使用，并計算本次的坐席利用率和呼損率。

　　：callnum（n）表示第n次的預測外呼數，SR（n）、TR（n）、TC（n）分別表示第n次的接通率、振鈴時(shí)長(cháng)、服務(wù)時(shí)長(cháng)。

　　：此處所說(shuō)的隨機生成是根據提供的實(shí)際數據或者數據范圍先生成特定的概率密度分布后，又在此概率密度分布的基礎上來(lái)隨機生成數據。

　　：callnum（n）表示第n次的預測外呼數，SR（n）、TR（n）、TC（n）分別表示第n次的接通率、振鈴時(shí)長(cháng)、服務(wù)時(shí)長(cháng)。

　　：此處所說(shuō)的隨機生成是根據提供的實(shí)際數據或者數據范圍先生成特定的概率密度分布后，又在此概率密度分布的基礎上來(lái)隨機生成數據。

　　Step5：達到預設的仿真次數后，停止迭代，并計算整個(gè)過(guò)程①的呼損率和坐席利用率。

　　注①：整個(gè)過(guò)程的公式計算中，為了穩定起見(jiàn)，各個(gè)指標用的是到此刻為止的均值而不是時(shí)刻值

　　注①：整個(gè)過(guò)程的公式計算中，為了穩定起見(jiàn)，各個(gè)指標用的是到此刻為止的均值而不是時(shí)刻值

　　在Step2公式中的speedadjust為呼損率的調速因子，該因子受接通率的影響，它是負反饋機制的體現，當呼損率較高時(shí)該因子會(huì )變小，從而抑制外呼數，達到降低呼損率（最佳期望是保證0呼損）的目的。公式中的m為坐席利用率的調速因子，通過(guò)它的調節可以有效抑制坐席空閑率。負反饋機制中的兩個(gè)調速因子可以使模型動(dòng)態(tài)地給出每個(gè)時(shí)刻的最優(yōu)外呼數；全自動(dòng)調參技術(shù)基于這兩個(gè)調速因子，可以實(shí)現模型的快速自動(dòng)調優(yōu)，二者相結合可以保證預測外呼算法模型在任何場(chǎng)景中都能發(fā)揮出最佳效果。

　　重構技術(shù)鏈路，解除預測算法對于送號性能的依賴(lài)

　　預測式外呼始終是一個(gè)難題除了算法模型十分復雜，還有一個(gè)非常重要的原因在于如何優(yōu)化整個(gè)送號技術(shù)鏈路，保證送號速率。

　　通常來(lái)說(shuō)，算法模型計算得出送號數需要通知到負責送號的服務(wù)，送號服務(wù)再立即將大量名單號碼送到軟交換服務(wù)，由于送號間隔一般都會(huì )比較小（這是保證坐席利用率的關(guān)鍵方法之一，例如得助智能的送號間隔為5s），這樣一來(lái)，大量名單號碼勢必會(huì )造成阻塞，帶來(lái)一系列的惡性循環(huán)，如立即出現大量的呼損、算法模型效果持續降低等問(wèn)題。

　　得助智能在將算法模型落地時(shí)同樣遇到這一問(wèn)題，最終通過(guò)對整個(gè)鏈路開(kāi)展分析才得以解決。在解決問(wèn)題過(guò)程中嘗試了多種技術(shù)方案，例如通過(guò)反復調整多線(xiàn)程送號策略來(lái)控制送號并發(fā)及頻率、任務(wù)間隔離送號、簡(jiǎn)化送號鏈路（移除創(chuàng )建客戶(hù)、坐席驗證等串線(xiàn)邏輯）、送號任務(wù)生命周期優(yōu)化、完善送號異常結果處理機制等，但最終都難以達到預期效果。這可能是很多呼叫中心廠(chǎng)商都做過(guò)的嘗試，直到得助智能研發(fā)團隊最終針對整個(gè)鏈路進(jìn)行了技術(shù)重構，才將送號問(wèn)題徹底解決。

　　在得助智能的最終技術(shù)方案中，通過(guò)算法模型計算出未來(lái)一定時(shí)間內可以消耗的號碼數量，將該數量通知給負責送號的服務(wù)，送號服務(wù)只需將號碼盡可能快的送入預置的號碼池中即可，等到每5s后，預測算法計算出真正的送號數時(shí)，軟交換服務(wù)直接從號碼池中取走相應數量的號碼即可，這一方案解除了預測算法對于送號鏈路性能的依賴(lài)，最終保證了預測效果。

圖2 技術(shù)方案流程圖

　　任務(wù)執行過(guò)程中的合理調參，可進(jìn)一步提高坐席利用率

　　得助智能最終實(shí)現的自動(dòng)外呼任務(wù)管理功能，可以在任務(wù)執行過(guò)程中實(shí)時(shí)監控任務(wù)執行情況，例如任務(wù)進(jìn)度、接聽(tīng)量、接聽(tīng)率和平均通話(huà)時(shí)長(cháng)等，另外可以實(shí)時(shí)監控到技能組內坐席狀態(tài)分布情況和呼損率。

圖3 預測式外呼任務(wù)監控

　　而為了保證預測算法能夠發(fā)揮出更好的效果，業(yè)務(wù)人員在操作得助智能系統的任務(wù)執行過(guò)程中，可通過(guò)調節“調幅系數”和“減量系數”的方式來(lái)進(jìn)一步調整送號速率。

圖4 手動(dòng)調參

　　當預測算法識別到坐席空閑率較高時(shí)，會(huì )自動(dòng)調節送號速度，調限系數即送號速度的上限；坐席空閑率過(guò)高時(shí)，可以調大該參數；呼損率過(guò)大時(shí)，可以調小該參數。

　　預測算法運算出的送號量在模型中會(huì )減去正在送號和響鈴中的電話(huà)數，減數為正在送號和響鈴電話(huà)數除以送號減量系數，默認情況下減數就等于響鈴中的電話(huà)數量（即“減量系數”為1），但在座席利用率過(guò)低或客戶(hù)放棄率（呼損率）過(guò)高時(shí)，可通過(guò)調整“減量系數”來(lái)達成目標。調大情況下，坐席空閑率會(huì )變小，呼損率則會(huì )變大。減量系數對算法效果影響更快更直接，兩個(gè)參數結合，可以讓業(yè)務(wù)人員在不同的場(chǎng)景下都能快速調節算法效果。

圖5 某企業(yè)客戶(hù)使用案例

　　目前，得助智能預測式外呼已在多個(gè)企業(yè)客戶(hù)項目中上線(xiàn)應用。通常來(lái)說(shuō)，人工坐席手動(dòng)外呼情況下坐席利用率只能達到20%-30%，假設預測式外呼的坐席利用率為70%，則相當于可提高3倍左右的坐席產(chǎn)出，大幅提高坐席整體工作效率，可有效實(shí)現營(yíng)銷(xiāo)效果的提升。

　　中關(guān)村科金基于長(cháng)期的技術(shù)積累，通過(guò)自研ASR、TTS、NLP等多項AI技術(shù)，打造企業(yè)級全場(chǎng)景精準化的智能交互平臺，平臺提供云呼叫中心、智能語(yǔ)音機器人、智能客服、在線(xiàn)客服、智能質(zhì)檢、CRM以及智能工單等多個(gè)產(chǎn)品，可應用于企業(yè)營(yíng)銷(xiāo)服務(wù)的售前、售中、售后場(chǎng)景中，幫助企業(yè)推進(jìn)營(yíng)銷(xiāo)服數智化升級，構建增長(cháng)新引擎，實(shí)現最大程度的降本增效。