近日，馬上消費金融（以下簡(jiǎn)稱(chēng)“馬上金融”）成功上線(xiàn)了自主研發(fā)的“雙目標尋優(yōu)”預測外呼算法模型（簡(jiǎn)稱(chēng)“雙尋優(yōu)”預測外呼算法模型），該模型基于運籌學(xué)原理，將雙目標中的客戶(hù)放棄率設置鎖定在一個(gè)可以接受的范圍內，保障坐席利用率達到最大化，從而實(shí)現將矛盾的雙目標向單目標轉化。該模型上線(xiàn)應用后，坐席利用率較同行業(yè)有30%以上的提升，并適用多種應用場(chǎng)景，處于行業(yè)領(lǐng)先水平。

　　現代呼叫中心在金融、電信、物流、旅游等行業(yè)的銷(xiāo)售、貸后管理、客服領(lǐng)域被廣泛應用，少則數百、多則數萬(wàn)的人力規模注定了當代呼叫中心行業(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建設中的核心難題。具體來(lái)說(shuō)，當前行業(yè)中面臨的難點(diǎn)主要體現在三方面：

　　一是系統自動(dòng)送號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)內一些廠(chǎng)商為了提升坐席利用率而加快自動(dòng)送號的速度，這造成了放棄率(呼損率)居高不下；而為了滿(mǎn)足企業(yè)對客戶(hù)低呼損率的要求，一般會(huì )將送號速度在模型中調整得比較慢，送號太慢勢必就會(huì )引起坐席大量空閑，對于坐席人數眾多的大型公司來(lái)說(shuō)，這無(wú)疑是一種巨大的成本浪費；

　　二是人工調整步驟繁瑣，精準度低，人員要求高。為了適應不同接通率，往往僅能利用過(guò)往經(jīng)驗通過(guò)非常繁瑣的配置才能實(shí)現，由于不同接通率對應不同的經(jīng)驗值，對于使用呼叫中心系統的企業(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；

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

　　針對預測外呼，馬上金融的算法模型只需簡(jiǎn)單設置后即可實(shí)現完全自動(dòng)化，可針對不同的坐席人數、不同接通率的客戶(hù)群體、不同業(yè)務(wù)場(chǎng)景均可以做到自適應。即保證不同業(yè)務(wù)場(chǎng)景下，客戶(hù)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(zhuān)業(yè)的模擬仿真系統和強大的實(shí)時(shí)計算能力。其中模擬仿真系統解決了模型模糊性無(wú)法通過(guò)推導和證明驗證的問(wèn)題；通過(guò)模擬仿真系統使用大量不同接通率的撥打數據來(lái)檢證和優(yōu)化模型，最終訓練出了更優(yōu)的模型算法。

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

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