近日，馬上消費(fèi)金融（以下簡(jiǎn)稱“馬上金融”）成功上線了自主研發(fā)的“雙目標(biāo)尋優(yōu)”預(yù)測(cè)外呼算法模型（簡(jiǎn)稱“雙尋優(yōu)”預(yù)測(cè)外呼算法模型），該模型基于運(yùn)籌學(xué)原理，將雙目標(biāo)中的客戶放棄率設(shè)置鎖定在一個(gè)可以接受的范圍內(nèi)，保障坐席利用率達(dá)到最大化，從而實(shí)現(xiàn)將矛盾的雙目標(biāo)向單目標(biāo)轉(zhuǎn)化。該模型上線應(yīng)用后，坐席利用率較同行業(yè)有30%以上的提升，并適用多種應(yīng)用場(chǎng)景，處于行業(yè)領(lǐng)先水平。

　　現(xiàn)代呼叫中心在金融、電信、物流、旅游等行業(yè)的銷售、貸后管理、客服領(lǐng)域被廣泛應(yīng)用，少則數(shù)百、多則數(shù)萬(wàn)的人力規(guī)模注定了當(dāng)代呼叫中心行業(yè)的勞動(dòng)密集型特性。能否有效管控不斷擴(kuò)大的呼叫容量，能否充分利用坐席人力資源，一直是呼叫中心系統(tǒng)建設(shè)中的核心難題。具體來(lái)說(shuō)，當(dāng)前行業(yè)中面臨的難點(diǎn)主要體現(xiàn)在三方面：

　　一是系統(tǒng)自動(dòng)送號(hào)的速度快慢與放棄率(呼損率)高低“相生相克”，難以平衡。行業(yè)內(nèi)一些廠商為了提升坐席利用率而加快自動(dòng)送號(hào)的速度，這造成了放棄率(呼損率)居高不下；而為了滿足企業(yè)對(duì)客戶低呼損率的要求，一般會(huì)將送號(hào)速度在模型中調(diào)整得比較慢，送號(hào)太慢勢(shì)必就會(huì)引起坐席大量空閑，對(duì)于坐席人數(shù)眾多的大型公司來(lái)說(shuō)，這無(wú)疑是一種巨大的成本浪費(fèi)；

　　二是人工調(diào)整步驟繁瑣，精準(zhǔn)度低，人員要求高。為了適應(yīng)不同接通率，往往僅能利用過(guò)往經(jīng)驗(yàn)通過(guò)非常繁瑣的配置才能實(shí)現(xiàn)，由于不同接通率對(duì)應(yīng)不同的經(jīng)驗(yàn)值，對(duì)于使用呼叫中心系統(tǒng)的企業(yè)來(lái)說(shuō)，配置人員需要不斷的花時(shí)間進(jìn)行摸索才能熟悉并使用好，最終調(diào)整效果也完全取決于配置人員，具有非常大不確定性；

　　三是現(xiàn)有預(yù)測(cè)模型適應(yīng)范圍有限，無(wú)法實(shí)現(xiàn)完全自動(dòng)化。對(duì)于某些應(yīng)用場(chǎng)景(甜區(qū))接通率模型表現(xiàn)優(yōu)異；但對(duì)于某些場(chǎng)景(非甜區(qū))接通率就不盡如人意，這對(duì)于業(yè)務(wù)量龐大且條線繁多的大型公司來(lái)說(shuō)，就只能退而求其次，在那些非甜區(qū)業(yè)務(wù)中選擇人工調(diào)整送號(hào)量或者直接選擇手工撥打，致使全自動(dòng)化的預(yù)測(cè)式外呼的效果大打折扣。

　　針對(duì)預(yù)測(cè)外呼，馬上金融的算法模型只需簡(jiǎn)單設(shè)置后即可實(shí)現(xiàn)完全自動(dòng)化，可針對(duì)不同的坐席人數(shù)、不同接通率的客戶群體、不同業(yè)務(wù)場(chǎng)景均可以做到自適應(yīng)。即保證不同業(yè)務(wù)場(chǎng)景下，客戶放棄率(呼損率)鎖定在一個(gè)指定的范圍，而坐席的利用率達(dá)到最優(yōu)。

　　馬上金融新算法模型之所以能夠有效解決行業(yè)痛點(diǎn)，源于其專業(yè)的模擬仿真系統(tǒng)和強(qiáng)大的實(shí)時(shí)計(jì)算能力。其中模擬仿真系統(tǒng)解決了模型模糊性無(wú)法通過(guò)推導(dǎo)和證明驗(yàn)證的問(wèn)題；通過(guò)模擬仿真系統(tǒng)使用大量不同接通率的撥打數(shù)據(jù)來(lái)檢證和優(yōu)化模型，最終訓(xùn)練出了更優(yōu)的模型算法。

　　另外，利用馬上金融自研的基于“軟交換”的呼叫中心系統(tǒng)方案自帶互聯(lián)網(wǎng)基因的天生優(yōu)勢(shì)，輕松對(duì)接公司內(nèi)部強(qiáng)大的實(shí)時(shí)計(jì)算能力、流式計(jì)算平臺(tái)，輕松實(shí)現(xiàn)高速實(shí)時(shí)計(jì)算，為模型提供無(wú)延遲的變量輸入。

　　繼成功研發(fā)“雙尋優(yōu)”預(yù)測(cè)外呼算法模型之后，馬上金融智能呼叫中心研發(fā)團(tuán)隊(duì)又邁向了新的征程，在呼叫中心系統(tǒng)SaaS產(chǎn)品化對(duì)外輸出的征程中，又研發(fā)出了AI智能語(yǔ)音機(jī)器人的預(yù)測(cè)式外呼功能。通過(guò)馬上金融云的彈性部署能力，支持用戶對(duì)智能語(yǔ)音機(jī)器人數(shù)量上的靈活要求，具有良好伸縮性，為SaaS產(chǎn)品走向市場(chǎng)奠定基礎(chǔ)。