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

2019-09-23
演讲与活动

9 月 19 日晚，Recurrent.ai 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 Recurrent.ai 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。

Recurrent.ai 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。

我们公司 Recurrent.ai 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，Recurrent.ai 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，Recurrent.ai 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。

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，Recurrent.ai 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。Recurrent.ai 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。

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。

Recurrent.ai 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，Recurrent.ai 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。Recurrent.ai 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 Recurrent.ai 还是选择了自研。陈麒聪回答说，Recurrent.ai 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 Recurrent.ai 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。