當(dāng)前無論是金融、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(fù)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)來說，亟需轉(zhuǎn)變發(fā)展方式和策略，降本增效則無疑成了每家企業(yè)必須面對的課題。

　　在激烈的市場競爭中，電話營銷作為一種能夠幫助企業(yè)獲取更多客戶和利潤的營銷模式，是現(xiàn)代企業(yè)市場營銷、服務(wù)中心不可或缺的一個重要模塊，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。

　　通常來說，如果想提高坐席的接待效率，可以通過智能助手、統(tǒng)一知識庫和統(tǒng)一工作臺等系統(tǒng)或者功能來實現(xiàn)；想要提高坐席協(xié)同效率，可以通過智能工單流程來實現(xiàn)；而如果想要提高坐席的外呼效率，通常只有外呼巡航、預(yù)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，預(yù)測式外呼則是最有效的手段。

　　預(yù)測式外呼原理簡介

　　預(yù)測式外呼由平臺自動呼叫客戶號碼，當(dāng)客戶接通，平臺會自動將通話轉(zhuǎn)到人工坐席，由人工坐席來與客戶進(jìn)行通話；而對于未接通的，則通過空號檢測服務(wù)來判斷通話結(jié)果，和預(yù)設(shè)的重呼策略匹配成功時平臺會自動進(jìn)行重呼。

圖1 預(yù)測式外呼流程圖

　　預(yù)測式外呼的工作流程理解起來并不難，難點在于平臺如何根據(jù)一系列的歷史數(shù)據(jù)和當(dāng)前實時數(shù)據(jù)來計算最佳送號數(shù)，這個送號數(shù)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，而想在這兩個“相生相克”的矛盾點之間取得權(quán)衡，強(qiáng)大的算法和完備的技術(shù)方案缺一不可。

　　“雙目標(biāo)尋優(yōu)”預(yù)測外呼算法模型

　　基于此，中關(guān)村科金得助智能研發(fā)團(tuán)隊自主研發(fā)了“雙目標(biāo)尋優(yōu)”預(yù)測外呼算法模型，雙目標(biāo)即坐席利用率和呼損率。該模型將呼損率設(shè)置鎖定在一個預(yù)設(shè)范圍內(nèi)，可以保障坐席利用率達(dá)到最大化。從實際應(yīng)用情況來看，0呼損率的情況下，能夠?qū)⒆寐史€(wěn)定在70%以上，并且通過合理調(diào)參，可以使坐席利用率變得更高。

　　在預(yù)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刻的空閑坐席數(shù)進(jìn)行預(yù)測，方法論主要包括精準(zhǔn)預(yù)測、馬爾科夫鏈和生滅過程，近些年又有深度學(xué)習(xí)領(lǐng)域的LSTM模型加入其中。但是由于理論復(fù)雜和模型無法靈活調(diào)節(jié)，所以這些方法普遍存在繁瑣冗雜或效果不穩(wěn)定的問題。和目前已有的方法相比，得助智能“雙目標(biāo)尋優(yōu)”算法不僅簡潔易懂，而且它的最大優(yōu)點在于具有較好的魯棒性，可以自動適應(yīng)不同的業(yè)務(wù)場景，即保證不同業(yè)務(wù)場景下，將呼損率鎖定在一個指定的范圍，而坐席的利用率可達(dá)到最優(yōu)。之所以能夠取得良好的效果，得益于該算法將預(yù)測式外呼前期冷啟動集數(shù)、預(yù)測式外呼全過程MATLAB線下仿真、以及全自動調(diào)參這三個重要的組件之間進(jìn)行科學(xué)有效的融合，可以通過算法近似還原預(yù)測式外呼的真實場景。

　　冷啟動集數(shù)是為了通過0呼損的保守算法來收集場景數(shù)據(jù)，作為算法模型在啟動之初的初始數(shù)據(jù)，我們目前將冷啟動時長定為5分鐘，從而保證可以收集到足夠多的數(shù)據(jù)。MATLAB線下仿真是預(yù)測外呼算法的核心部分，它的意義在于當(dāng)不同業(yè)務(wù)場景的關(guān)鍵指標(biāo)（接通率、振鈴時長和通話時長等）存在差異時，仿真能夠以數(shù)理邏輯還原真實場景中的現(xiàn)象或問題，它與全自動調(diào)參技術(shù)相配合可以快速、準(zhǔn)確地獲得最優(yōu)超參數(shù)。

　　在進(jìn)行MATLAB線下仿真前，需要根據(jù)實際情況預(yù)設(shè)仿真次數(shù)、坐席數(shù)和最大外呼數(shù)等超參數(shù)。仿真主要包括初始仿真和后續(xù)仿真兩部分，其核心原理是通過負(fù)反饋機(jī)制的調(diào)節(jié)，直接對下一時刻的外呼數(shù)進(jìn)行預(yù)測，具體細(xì)節(jié)如下所示（此處為了方便說明，假設(shè)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輪次中使用，目的是為了冷啟動整個外呼過程。初始仿真時使用傳統(tǒng)的經(jīng)驗公式，即第1次的預(yù)測外呼數(shù)callnum（1）①為：

　　callnum（1）=

　　注：AG為實際坐席數(shù)，SR為接通率。

　　Step2：在后續(xù)仿真中，主要圍繞負(fù)反饋機(jī)制進(jìn)行迭代。在預(yù)測時，不再和傳統(tǒng)的方法一樣預(yù)測接下來空閑的坐席數(shù)，而是通過接通率、振鈴時長和服務(wù)時長等關(guān)鍵指標(biāo)來預(yù)測下一次的外呼數(shù)，具體公式為：

　　callnum=（+speedadjust）-m*NC

　　注：TR為振鈴時長，TC為服務(wù)時長，NC為正在外呼的電話數(shù)，speedadjust和m為外呼數(shù)的兩個調(diào)速因子。

　　Step3：根據(jù)第1次的預(yù)測外呼數(shù)callnum（1），隨機(jī)生成②相應(yīng)個數(shù)的振鈴時長TR（1）和1個接通率SR（1），再由接通率隨機(jī)生成接通個數(shù)n（1），并隨機(jī)生成相應(yīng)個數(shù)的服務(wù)時長TC（1）。

　　Step4：根據(jù)上一步得到的SR（1）、TR（1）、TC（1）等指標(biāo)，由公式計算得到callnum（2）。有了callnum（2）之后，和Step3類似，隨機(jī)生成得到SR（2）、TR（2）、TC（2）等指標(biāo)，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(yù)測外呼數(shù)，SR（n）、TR（n）、TC（n）分別表示第n次的接通率、振鈴時長、服務(wù)時長。

　　：此處所說的隨機(jī)生成是根據(jù)提供的實際數(shù)據(jù)或者數(shù)據(jù)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(chǔ)上來隨機(jī)生成數(shù)據(jù)。

　　：callnum（n）表示第n次的預(yù)測外呼數(shù)，SR（n）、TR（n）、TC（n）分別表示第n次的接通率、振鈴時長、服務(wù)時長。

　　：此處所說的隨機(jī)生成是根據(jù)提供的實際數(shù)據(jù)或者數(shù)據(jù)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(chǔ)上來隨機(jī)生成數(shù)據(jù)。

　　Step5：達(dá)到預(yù)設(shè)的仿真次數(shù)后，停止迭代，并計算整個過程①的呼損率和坐席利用率。

　　注①：整個過程的公式計算中，為了穩(wěn)定起見，各個指標(biāo)用的是到此刻為止的均值而不是時刻值

　　注①：整個過程的公式計算中，為了穩(wěn)定起見，各個指標(biāo)用的是到此刻為止的均值而不是時刻值

　　在Step2公式中的speedadjust為呼損率的調(diào)速因子，該因子受接通率的影響，它是負(fù)反饋機(jī)制的體現(xiàn)，當(dāng)呼損率較高時該因子會變小，從而抑制外呼數(shù)，達(dá)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(diào)速因子，通過它的調(diào)節(jié)可以有效抑制坐席空閑率。負(fù)反饋機(jī)制中的兩個調(diào)速因子可以使模型動態(tài)地給出每個時刻的最優(yōu)外呼數(shù)；全自動調(diào)參技術(shù)基于這兩個調(diào)速因子，可以實現(xiàn)模型的快速自動調(diào)優(yōu)，二者相結(jié)合可以保證預(yù)測外呼算法模型在任何場景中都能發(fā)揮出最佳效果。

　　重構(gòu)技術(shù)鏈路，解除預(yù)測算法對于送號性能的依賴

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

　　通常來說，算法模型計算得出送號數(shù)需要通知到負(fù)責(zé)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，大量名單號碼勢必會造成阻塞，帶來一系列的惡性循環(huán)，如立即出現(xiàn)大量的呼損、算法模型效果持續(xù)降低等問題。

　　得助智能在將算法模型落地時同樣遇到這一問題，最終通過對整個鏈路開展分析才得以解決。在解決問題過程中嘗試了多種技術(shù)方案，例如通過反復(fù)調(diào)整多線程送號策略來控制送號并發(fā)及頻率、任務(wù)間隔離送號、簡化送號鏈路（移除創(chuàng)建客戶、坐席驗證等串線邏輯）、送號任務(wù)生命周期優(yōu)化、完善送號異常結(jié)果處理機(jī)制等，但最終都難以達(dá)到預(yù)期效果。這可能是很多呼叫中心廠商都做過的嘗試，直到得助智能研發(fā)團(tuán)隊最終針對整個鏈路進(jìn)行了技術(shù)重構(gòu)，才將送號問題徹底解決。

　　在得助智能的最終技術(shù)方案中，通過算法模型計算出未來一定時間內(nèi)可以消耗的號碼數(shù)量，將該數(shù)量通知給負(fù)責(zé)送號的服務(wù)，送號服務(wù)只需將號碼盡可能快的送入預(yù)置的號碼池中即可，等到每5s后，預(yù)測算法計算出真正的送號數(shù)時，軟交換服務(wù)直接從號碼池中取走相應(yīng)數(shù)量的號碼即可，這一方案解除了預(yù)測算法對于送號鏈路性能的依賴，最終保證了預(yù)測效果。

圖2 技術(shù)方案流程圖

　　任務(wù)執(zhí)行過程中的合理調(diào)參，可進(jìn)一步提高坐席利用率

　　得助智能最終實現(xiàn)的自動外呼任務(wù)管理功能，可以在任務(wù)執(zhí)行過程中實時監(jiān)控任務(wù)執(zhí)行情況，例如任務(wù)進(jìn)度、接聽量、接聽率和平均通話時長等，另外可以實時監(jiān)控到技能組內(nèi)坐席狀態(tài)分布情況和呼損率。

圖3 預(yù)測式外呼任務(wù)監(jiān)控

　　而為了保證預(yù)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(tǒng)的任務(wù)執(zhí)行過程中，可通過調(diào)節(jié)“調(diào)幅系數(shù)”和“減量系數(shù)”的方式來進(jìn)一步調(diào)整送號速率。

圖4 手動調(diào)參

　　當(dāng)預(yù)測算法識別到坐席空閑率較高時，會自動調(diào)節(jié)送號速度，調(diào)限系數(shù)即送號速度的上限；坐席空閑率過高時，可以調(diào)大該參數(shù)；呼損率過大時，可以調(diào)小該參數(shù)。

　　預(yù)測算法運(yùn)算出的送號量在模型中會減去正在送號和響鈴中的電話數(shù)，減數(shù)為正在送號和響鈴電話數(shù)除以送號減量系數(shù)，默認(rèn)情況下減數(shù)就等于響鈴中的電話數(shù)量（即“減量系數(shù)”為1），但在座席利用率過低或客戶放棄率（呼損率）過高時，可通過調(diào)整“減量系數(shù)”來達(dá)成目標(biāo)。調(diào)大情況下，坐席空閑率會變小，呼損率則會變大。減量系數(shù)對算法效果影響更快更直接，兩個參數(shù)結(jié)合，可以讓業(yè)務(wù)人員在不同的場景下都能快速調(diào)節(jié)算法效果。

圖5 某企業(yè)客戶使用案例

　　目前，得助智能預(yù)測式外呼已在多個企業(yè)客戶項目中上線應(yīng)用。通常來說，人工坐席手動外呼情況下坐席利用率只能達(dá)到20%-30%，假設(shè)預(yù)測式外呼的坐席利用率為70%，則相當(dāng)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，可有效實現(xiàn)營銷效果的提升。

　　中關(guān)村科金基于長期的技術(shù)積累，通過自研ASR、TTS、NLP等多項AI技術(shù)，打造企業(yè)級全場景精準(zhǔn)化的智能交互平臺，平臺提供云呼叫中心、智能語音機(jī)器人、智能客服、在線客服、智能質(zhì)檢、CRM以及智能工單等多個產(chǎn)品，可應(yīng)用于企業(yè)營銷服務(wù)的售前、售中、售后場景中，幫助企業(yè)推進(jìn)營銷服數(shù)智化升級，構(gòu)建增長新引擎，實現(xiàn)最大程度的降本增效。