陈麒聪在 IT 桔子的分享精华:“客户交互”智能化的四个市场阶段

首页    置顶文章    陈麒聪在 IT 桔子的分享精华:“客户交互”智能化的四个市场阶段

 

9 月 19 日晚,循环智能 CEO 陈麒聪在 IT 桔子社群做了一次线上分享。陈麒聪向听众介绍了循环智能为什么选择进入“客户交互”智能化这个企业服务领域,以及在他眼中该领域未来的市场发展趋势,并且分享了教育领域具体的落地案例。

        cqz

循环智能 CEO 陈麒聪

 

陈麒聪介绍说,企业的“客户交互”数据,既包括用户使用网站或者App的行为数据,也包括电话沟通、视频会议、在线IM沟通以及线下的当面沟通数据,但大部分数据都是非结构化的,“智能”的产生,本质上是非结构化数据结构化的过程。

 

如下,Enjoy​:

        

 “客户交互”智能化的四个市场阶段 

 

“客户交互”的智能化需要经过四个市场阶段,这四个阶段既是“客户交互”数据从单一渠道向全渠道扩展的过程,也是行业覆盖从互联网向全行业扩展的过程,更是人的工作和机器的工作逐步结合的过程。

        、

这四个市场发展阶段的特征分别是:

1. 第一个阶段是存量的结构化数据:这个阶段主要是指客户通过 App 或网站与企业产生的交互过程,用户产生了大量点击行为数据,这些数据跟转化结果相关,经过分析,可以做推荐和预测。

2. 第二个阶段是存量的全渠道非结构化数据:这个阶段主要指企业与客户通过电话或者在线IM进行沟通的数据,这些数据大部分是非结构化的,而且涵盖了金融、教育、互联网+生活服务等更多领域。

3. 第三个阶段是增量的全渠道非结构化数据:这个阶段就是将线下场景囊括进来,比如线下的面对面销售过程、银行柜员与客户沟通的过程等。

4. 第四个阶段是线上线下融合以及人机结合:这个阶段将由机器主要完成对“客户交互”的人、时间、信息和渠道进行规划和计算,由人负责信息传达。

        

配图1四阶段

 

我们公司目前做的事情,专注在第二阶段的市场,第三阶段也开始尝试。为了适配第二阶段和第三阶段的技术需求,我们采取了 AutoAI 系统架构:

 

这个结构的底层是数据来源,包括呼叫中心、录音设备、IM即时通讯、数据库以及传感器。这些数据首先需要通过语音识别和文本处理技术,变成结构化的文本数据。

 

下一步是通过预训练模型 XLNet 提取基础特征,以及通过人工标注来适配不同行业的实际情况,辅助提取行业特征。将两者结合,通过 AutoML 技术产生优化的模型。

 

最顶层是应用层。针对不同行业,循环智能会把最重要的五六个维度标签和几十个上百个弱特征找出来,使文本被充分结构化,之后就可以根据需求做出不同的应用。

 

与传统的基于规则的应用相比,循环智能所采用的 AutoAI 架构,最大优势是底层架构是统一的,基于统一的底层架构,就可以规模化、可复制地支持不同类型的上层应用。

配图2AutoAI架构

 

目前很多行业最大的痛点是获客成本非常高、拉新非常贵,因此很多行业从增量运营转到存量运营,就是从现有客户身上获取更大的价值。面向销售领域,循环智能通过 AutoAI 架构实现了销售场景的 5 种应用:

  • 线索打分(Retargeting):对海量未转化的线索进行意向打分,重新激活已有线索;
  • 客户画像提取:从沟通、对话内容中自动提取客户画像,让销售更有针对性;
  • 客户心声分析:了解大部分客户在想什么,然后据此调整销售策略;
  • 销售行为挖掘:分析高转化的回复,找出来哪些行为能促成销售成单;
  • 服务质检:了解销售或客服是否按照规范来沟通,改进服务水平。

这些应用的最终目标都是提升销售的转化率。循环智能在与客户公司的实践中发现,采用新的系统可以大幅降低人力成本,提升质检和销售线索转化的效率。具体是怎么做到的?我来分享教育领域的一个案例。

        

案例:销售线索评分和用户心声分析 

我们为某上市教育公司提供的服务效果,如果抽取头部 30% 的销售线索(leads),成单率可以做到就是传统随机拨打平均转化率的两倍多。

 

配图4成单率.fw    

 

简单理解,如果有 30 万个未成交的历史销售线索,销售员有精力联系其中 9 万个,若随机对这 9 万个销售线索进行重新沟通,那么最终的成单量是 2700 个,成单率 3%。如果采用线索评分系统,对历史沟通数据进行评分,然后按照评分的高低,选择评分高的 9 万个客户进行沟通,那么就能达成 6300 个成单,成单率 7%。成单率是之前的 2 倍多,或者说,帮助企业不增加工作量情况下,带来了 3600 个成单增量。这只是其中一项应用带来的效果提升。 

        

 

循环智能的线索评分整体解决方案,包含了客户画像生产、跟进时间和渠道特征学习以及产品特征学习等三个主要模块:

  • 客户画像生产模块。通过自动化的画像生产管理系统,抽取结构化的客户画像。其中很多画像特征(用户到底关心什么)是甲方公司之前并不知道,循环智能也不知道,但可以通过机器学习来得到的。
  • 跟进时间和渠道特征学习模块。就是要知道什么时候、通过什么渠道联系客户。在竞争激烈的行业,如果隔了一周没有联系,客户就被别人抢走了。如果沟通太频繁会打扰到他,所以需要从历史沟通数据中学习到其中的规律。
  • 产品匹配特征学习模块。很多甲方公司的痛点不是销售线索(leads)多到销售电话打不过来,而是根本不知道应该向客户推哪个产品。一旦推错产品,就相当于少了一次机会。循环智能的系统会从过往的沟通数据中学习到产品匹配的规律。

 

也就是说,为了进一步提升转化率,企业还需要结合销售员的能力模型进行线索分配、推荐,并且结合时间、渠道的建议,以及产品匹配的信息,综合起来提高销售线索的转化率。

 

这个案例是执行层面的,讲的是具体怎么做能提升销售效率。但实际上,客户交互的智能化,还会在管理层面为企业提供更多价值。比如你会发现一个产品再怎么推荐也没有效果,可能问题就出在产品本身上面。

 

举例来说,在教育客户的一个案例中,一家企业通过用户心声分析发现“提到录播课程上线太慢的客户中,大部分都退课了”。对于管理者而言,这是一条非常有用的信息。如果不去改进产品,而是一味地想通过提升销售转化率来提升业绩,显然是不可能的。

        

最后 

在分享结束之后,陈麒聪还回答了两位观众的提问。其中一位观众问到,为什么市面上有大公司提供的语音识别、语义理解平台,而循环智能还是选择了自研。陈麒聪回答说,循环智能对于底层技术的态度是非常开放的,但是因为AI基础设施服务商并不了解上层场景是什么样的,在产品架构上暂时还无法满足我们的需求,所以我们选择自研语音识别和语义理解的技术。

 

另一位问到目前循环智能的产品落地主要在哪些行业。陈麒聪回答,目前主要的场景行业是金融、教育和互联网+生活服务领域,金融领域包括银行、保险和互联网消费金融公司,这些行业高度依赖销售和客服人员提供服务。

 

之后,陈麒聪介绍了公司的联合创始人,包括自然语言处理(NLP)领域最近热门的 XLNet 模型第一作者杨植麟,公司有非常硬核的 AI 能力,同时公司的联合创始人中还有非常有经验的、对 toB 销售理解非常深入的高管。

 

让企业的销售、服务人员与客户的每一次沟通有更好的结果。”陈麒聪最后概括了公司的目标。

2019年9月23日 14:24