呼叫中心智能化升級實踐：得助智能預測式外呼算法模型的深度應用詳解

　　當前無論是金融、零售、房產或是互聯網行業，在疫情頻發、市場競爭越發激烈、政策管控等層層因素疊加的影響下，各行業涉危履險，負重前行，甚至一些優勢產業也正在面臨寒冬。對于企業來說，亟需轉變發展方式和策略，降本增效則無疑成了每家企業必須面對的課題。

　　在激烈的市場競爭中，電話營銷作為一種能夠幫助企業獲取更多客戶和利潤的營銷模式，是現代企業市場營銷、服務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、統一知識庫和統一工作臺等系統或者功能來實現；想要提高坐席協同效率，可以通過智能工單流程來實現；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，其中針對于高質量或者關鍵客戶，預測式外呼則是最有效的手段。

　　預測式外呼原理簡介

　　預測式外呼由平臺自動呼叫客戶號碼，當客戶接通，平臺會自動將通話轉到人工坐席，由人工坐席來與客戶進行通話；而對于未接通的，則通過空號檢測服務來判斷通話結果，和預設的重呼策略匹配成功時平臺會自動進行重呼。

圖1 預測式外呼流程圖

　　預測式外呼的工作流程理解起來并不難，難點在于平臺如何根據一系列的歷史數據和當前實時數據來計算最佳送號數，這個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，而想在這兩個“相生相克”的矛盾點之間取得權衡，強大的算法和完備的技術方案缺一不可。

　　“雙目標尋優”預測外呼算法模型

　　基于此，中關村科金得助智能研發團隊自主研發了“雙目標尋優”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預設范圍內，可以保障坐席利用率達到最大化。從實際應用情況來看，0呼損率的情況下，能夠將坐席利用率穩定在70%以上，并且通過合理調參，可以使坐席利用率變得更高。

　　在預測式外呼領域，業界和學術界的主流思想是對下一時刻的空閑坐席數進行預測，方法論主要包括精準預測、馬爾科夫鏈和生滅過程，近些年又有深度學習領域的LSTM模型加入其中。但是由于理論復雜和模型無法靈活調節，所以這些方法普遍存在繁瑣冗雜或效果不穩定的問題。和目前已有的方法相比，得助智能“雙目標尋優”算法不僅簡潔易懂，而且它的最大優點在于具有較好的魯棒性，可以自動適應不同的業務場景，即保證不同業務場景下，將呼損率鎖定在一個指定的范圍，而坐席的利用率可達到最優。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集數、預測式外呼全過程MATLAB線下仿真、以及全自動調參這三個重要的組件之間進行科學有效的融合，可以通過算法近似還原預測式外呼的真實場景。

　　冷啟動集數是為了通過0呼損的保守算法來收集場景數據，作為算法模型在啟動之初的初始數據，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據。MATLAB線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務場景的關鍵指標（接通率、振鈴時長和通話時長等）存在差異時，仿真能夠以數理邏輯還原真實場景中的現象或問題，它與全自動調參技術相配合可以快速、準確地獲得最優超參數。

　　在進行MATLAB線下仿真前，需要根據實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，其核心原理是通過負反饋機制的調節，直接對下一時刻的外呼數進行預測，具體細節如下所示（此處為了方便說明，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的經驗公式，即第1次的預測外呼數callnum（1）①為：

　　callnum（1）=

　　注：AG為實際坐席數，SR為接通率。

　　Step2：在后續仿真中，主要圍繞負反饋機制進行迭代。在預測時，不再和傳統的方法一樣預測接下來空閑的坐席數，而是通過接通率、振鈴時長和服務時長等關鍵指標來預測下一次的外呼數，具體公式為：

　　callnum=（+speedadjust）-m*NC

　　注：TR為振鈴時長，TC為服務時長，NC為正在外呼的電話數，speedadjust和m為外呼數的兩個調速因子。

　　Step3：根據第1次的預測外呼數callnum（1），隨機生成②相應個數的振鈴時長TR（1）和1個接通率SR（1），再由接通率隨機生成接通個數n（1），并隨機生成相應個數的服務時長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、振鈴時長、服務時長。

　　：此處所說的隨機生成是根據提供的實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、振鈴時長、服務時長。

　　：此處所說的隨機生成是根據提供的實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，為了穩定起見，各個指標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，為了穩定起見，各個指標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，當呼損率較高時該因子會變小，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，通過它的調節可以有效抑制坐席空閑率。負反饋機制中的兩個調速因子可以使模型動態地給出每個時刻的最優外呼數；全自動調參技術基于這兩個調速因子，可以實現模型的快速自動調優，二者相結合可以保證預測外呼算法模型在任何場景中都能發揮出最佳效果。

　　重構技術鏈路，解除預測算法對于送號性能的依賴

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

　　通常來說，算法模型計算得出送號數需要通知到負責送號的服務，送號服務再立即將大量名單號碼送到軟交換服務，由于送號間隔一般都會比較小（這是保證坐席利用率的關鍵方法之一，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，如立即出現大量的呼損、算法模型效果持續降低等問題。

　　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方案，例如通過反復調整多線程送號策略來控制送號并發及頻率、任務間隔離送號、簡化送號鏈路（移除創建客戶、坐席驗證等串線邏輯）、送號任務生命周期優化、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商都做過的嘗試，直到得助智能研發團隊最終針對整個鏈路進行了技術重構，才將送號問題徹底解決。

　　在得助智能的最終技術方案中，通過算法模型計算出未來一定時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，送號服務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，軟交換服務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，最終保證了預測效果。

圖2 技術方案流程圖

　　任務執行過程中的合理調參，可進一步提高坐席利用率

　　得助智能最終實現的自動外呼任務管理功能，可以在任務執行過程中實時監控任務執行情況，例如任務進度、接聽量、接聽率和平均通話時長等，另外可以實時監控到技能組內坐席狀態分布情況和呼損率。

圖3 預測式外呼任務監控

　　而為了保證預測算法能夠發揮出更好的效果，業務人員在操作得助智能系統的任務執行過程中，可通過調節“調幅系數”和“減量系數”的方式來進一步調整送號速率。

圖4 手動調參

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

　　預測算法運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，減數為正在送號和響鈴電話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數量（即“減量系數”為1），但在座席利用率過低或客戶放棄率（呼損率）過高時，可通過調整“減量系數”來達成目標。調大情況下，坐席空閑率會變小，呼損率則會變大。減量系數對算法效果影響更快更直接，兩個參數結合，可以讓業務人員在不同的場景下都能快速調節算法效果。

圖5 某企業客戶使用案例

　　目前，得助智能預測式外呼已在多個企業客戶項目中上線應用。通常來說，人工坐席手動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倍左右的坐席產出，大幅提高坐席整體工作效率，可有效實現營銷效果的提升。

　　中關村科金基于長期的技術積累，通過自研ASR、TTS、NLP等多項AI技術，打造企業級全場景精準化的智能交互平臺，平臺提供云呼叫中心、智能語音機器人、智能客服、在線客服、智能質檢、CRM以及智能工單等多個產品，可應用于企業營銷服務的售前、售中、售后場景中，幫助企業推進營銷服數智化升級，構建增長新引擎，實現最大程度的降本增效。