揭发在 FiNext 2019 金融创新峰会的演讲精华

首页    普通文章    揭发在 FiNext 2019 金融创新峰会的演讲精华

9 月 25 日,上海。循环智能联合创始人&COO 揭发在 FiNext 2019 金融创新峰会上发表演讲,重点分享了循环智能面向不同领域公司提供的解决方案:线索重定向和服务质检,以及解决方案的实际落地案例。

 

配图1揭发演讲new

 

据揭发介绍,循环智能的核心团队成员,不仅有来自清华大学国家重点实验室和卡内基梅隆大学语言技术研究院的AI专家,而且有B2B解决方案的专家。为了适配不同行业的客户沟通场景的实际需求,循环智能团队自研了三大核心技术:语音识别、语义分析、推荐系统,然后基于统一的底层架构,实现规模化、可复制地支持不同类型的上层应用。

 

如下,Enjoy:

 

最近几年,很多行业的获客成本非常高,我们服务的教育、金融等领域公司,获客成本可能高达几千元。因为获客成本高,所以企业势必要关注销售环节的转化效率。

 

 

我们帮助企业做的场景,主要有三个:第一个是线索重定向(retargeting)。举个例子,我们的一个合作客户在某个月获得 80 万条销售线索(leads),其中能转化几万个,剩下 70 多万都是未转化线索,销售精力有限,下个月只能继续跟进一小部分。怎么选择跟进对象?这些未转化的线索中,其中一些是相对高意向的,但是分布比较稀疏,销售人员很难直接定位到高意向的客户。我们做的事情就是,使用AI和NLP技术对所有未转化的线索进行评分排序,然后找出其中高意向的线索,推荐给销售人员去沟通,相比传统的随机拨打提升 3-10 倍转化率。

 

第二个是客户心声分析。我们会帮助企业分析和监测销售沟通过程中的转化漏斗和客户画像,帮助企业了解客户关心的问题是什么,他们的特征是什么样子的。

 

第三个是服务质检。帮助企业及时发现与客户交互中的问题与风险。

 

线索重定向

 

我给大家分享几个“线索重定向”的案例:

                          

 

这是我们的一个银行客户,它的信用卡中心也会向客户交叉推荐保险、分期、理财等产品。大家看这个表格的最左边一列是评分,代表了这条线索的意向值,最高是 1 分。因为涉及到企业隐私,我们把大部分数据隐藏了,但是我们来看未隐藏的 0.8-1分这一行,这个分值代表了高意向值的线索。这部分的线索占所有线索的 20%,但是成单量却占了 60%。也就是说,头部 20% 的客户贡献了 60% 的订单。所以我们的系统就会推荐销售去联系头部 20% 的客户,而不是像之前一样随机拨打。

简单理解,假设这家公司半个月电话跟进线索的数量是 30 万个,对于其中未成单的线索,之后半个月可以继续跟进 6 万个,成单率是 1%,也就是 600 个。这是随机拨打的情况,如果这 6 万个电话采用评分最高的 6 万个来拨打,那么成单率是 3%,也就是 1800 个。半个月多出来 1200 单,每个月可以多出来 2400 单。

                          

 

我们的很多客户公司本身有比较强的技术,他们也会按照自己的模型对线索进行打分排序。比如他们的数据,可能是用户使用网站和App过程中产生的点击、停留等行为数据。如果将这些数据产生的模型,与我们基于服务人员与用户沟通的数据产生的模型,进行算法融合,我们实现了 1 + 1 大于 2  的效果。

 

知道了效果,我们来看看“线索重定向”的原理。

                          

 

我们的线索重定向整体解决方案,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。我们对每个不同的行业,都积累了数百个画像维度。
  • 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。 

 

此外,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。

 

本质上讲,机器学习、深度学习的过程,就是学习人类销售冠军是怎么与客户沟通的,怎么成单的。因为机器比人类对于微弱信号的捕捉更为敏感,所以能学到很多人类意想不到,但效果很好的成单因素。

 

服务质检

 

在质检这个场景,同样也用到了之前讲到的线索推荐类似的原理。很多行业,尤其是金融行业对合规有很高的要求,但并不是所有的违规行为都能通过简单的规则系统找出来。所以我们使用了机器学习的方式,从历史的违规通话录音中学习,再对其他所有录音做相似性判断,判断这些录音违规的可能性,然后打出意向分——越高越可能违规。

 

 

我们来看一个互联网金融公司的实际案例,按照意向分排序,0.75分以上的录音,占比大概是 25%,但是这 25% 的录音量占了违规量的 81%。也就是说,通过系统找出的 1/4 录音就能发现大部分不合规的问题。 

 

以前大部分公司都是人工质检,我们的一个客户公司,之前质检员每天大概能从一百通电话里边找出两三个违规的。用了智能质检系统之后,通过机器预先筛选出疑似违规录音,质检员再来复核的方式,每天至少能找到三十个违规。

 

 

这是质检功能的工作流程,在我们的系统里面,客户可以自行设置“质检点”,主管可以向质检员分配“质检任务”。系统也支持人工复检以及查看质检历史,生成报表。

 

 

最后介绍一下我们为客户提供产品和服务的架构。最下层是企业的客户沟通数据,既可以是电话录音,也可以是在线 IM 的文本数据;中间是我们的技术模块,包括声纹识别,就是分离说话人是客户还是服务人员;最上层是我们给客户提供的产品和应用,包括语音识别的API、质检系统、线索重定向等。我们基于统一的底层架构,实现规模化、可复制地支持不同类型的上层应用。

 

如果你也想了解,如何在公司引入 AI 和 NLP 技术,让销售、服务人员与客户的每一次沟通有更好的结果。欢迎来找我们聊。

2019年9月25日 20:00