9 月 19 日晚，Recurrent.ai CEO 陳麒聰在 IT 桔子社群做了一次線上分享。陳麒聰向聽眾介紹了 Recurrent.ai 為什么選擇進入“客戶交互”智能化這個企業(yè)服務領(lǐng)域，以及在他眼中該領(lǐng)域未來的市場發(fā)展趨勢，并且分享了教育領(lǐng)域具體的落地案例。

陳麒聰介紹說，企業(yè)的“客戶交互”數(shù)據(jù)，既包括用戶使用網(wǎng)站或者App的行為數(shù)據(jù)，也包括電話溝通、視頻會議、在線IM溝通以及線下的當面溝通數(shù)據(jù)，但大部分數(shù)據(jù)都是非結(jié)構(gòu)化的，“智能”的產(chǎn)生，本質(zhì)上是非結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化的過程。

如下，Enjoy：

 “客戶交互”智能化的四個市場階段 

這四個市場發(fā)展階段的特征分別是：

1. 第一個階段是存量的結(jié)構(gòu)化數(shù)據(jù)：這個階段主要是指客戶通過 App 或網(wǎng)站與企業(yè)產(chǎn)生的交互過程，用戶產(chǎn)生了大量點擊行為數(shù)據(jù)，這些數(shù)據(jù)跟轉(zhuǎn)化結(jié)果相關(guān)，經(jīng)過分析，可以做推薦和預測。

2. 第二個階段是存量的全渠道非結(jié)構(gòu)化數(shù)據(jù)：這個階段主要指企業(yè)與客戶通過電話或者在線IM進行溝通的數(shù)據(jù)，這些數(shù)據(jù)大部分是非結(jié)構(gòu)化的，而且涵蓋了金融、教育、互聯(lián)網(wǎng)+生活服務等更多領(lǐng)域。

3. 第三個階段是增量的全渠道非結(jié)構(gòu)化數(shù)據(jù)：這個階段就是將線下場景囊括進來，比如線下的面對面銷售過程、銀行柜員與客戶溝通的過程等。

4. 第四個階段是線上線下融合以及人機結(jié)合：這個階段將由機器主要完成對“客戶交互”的人、時間、信息和渠道進行規(guī)劃和計算，由人負責信息傳達。

我們公司 Recurrent.ai 目前做的事情，專注在第二階段的市場，第三階段也開始嘗試。為了適配第二階段和第三階段的技術(shù)需求，我們采取了 AutoAI 系統(tǒng)架構(gòu)：

這個結(jié)構(gòu)的底層是數(shù)據(jù)來源，包括呼叫中心、錄音設備、IM即時通訊、數(shù)據(jù)庫以及傳感器。這些數(shù)據(jù)首先需要通過語音識別和文本處理技術(shù)，變成結(jié)構(gòu)化的文本數(shù)據(jù)。

下一步是通過預訓練模型 XLNet 提取基礎(chǔ)特征，以及通過人工標注來適配不同行業(yè)的實際情況，輔助提取行業(yè)特征。將兩者結(jié)合，通過 AutoML 技術(shù)產(chǎn)生優(yōu)化的模型。

最頂層是應用層。針對不同行業(yè)，Recurrent.ai 會把最重要的五六個維度標簽和幾十個上百個弱特征找出來，使文本被充分結(jié)構(gòu)化，之后就可以根據(jù)需求做出不同的應用。

與傳統(tǒng)的基于規(guī)則的應用相比，Recurrent.ai 所采用的 AutoAI 架構(gòu)，最大優(yōu)勢是底層架構(gòu)是統(tǒng)一的，基于統(tǒng)一的底層架構(gòu)，就可以規(guī)?；?、可復制地支持不同類型的上層應用。

目前很多行業(yè)最大的痛點是獲客成本非常高、拉新非常貴，因此很多行業(yè)從增量運營轉(zhuǎn)到存量運營，就是從現(xiàn)有客戶身上獲取更大的價值。面向銷售領(lǐng)域，Recurrent.ai 通過 AutoAI 架構(gòu)實現(xiàn)了銷售場景的 5 種應用：

• 線索打分（Retargeting）：對海量未轉(zhuǎn)化的線索進行意向打分，重新激活已有線索；

• 客戶畫像提取：從溝通、對話內(nèi)容中自動提取客戶畫像，讓銷售更有針對性；

• 客戶心聲分析：了解大部分客戶在想什么，然后據(jù)此調(diào)整銷售策略；

• 銷售行為挖掘：分析高轉(zhuǎn)化的回復，找出來哪些行為能促成銷售成單；

• 服務質(zhì)檢：了解銷售或客服是否按照規(guī)范來溝通，改進服務水平。

這些應用的最終目標都是提升銷售的轉(zhuǎn)化率。Recurrent.ai 在與客戶公司的實踐中發(fā)現(xiàn)，采用新的系統(tǒng)可以大幅降低人力成本，提升質(zhì)檢和銷售線索轉(zhuǎn)化的效率。具體是怎么做到的？我來分享教育領(lǐng)域的一個案例。

 案例：銷售線索評分和用戶心聲分析 

我們?yōu)槟成鲜薪逃咎峁┑姆招Ч?，如果抽取頭部 30% 的銷售線索（leads），成單率可以做到就是傳統(tǒng)隨機撥打平均轉(zhuǎn)化率的兩倍多。

Recurrent.ai 的線索評分整體解決方案，包含了客戶畫像生產(chǎn)、跟進時間和渠道特征學習以及產(chǎn)品特征學習等三個主要模塊：

• 客戶畫像生產(chǎn)模塊。通過自動化的畫像生產(chǎn)管理系統(tǒng)，抽取結(jié)構(gòu)化的客戶畫像。其中很多畫像特征（用戶到底關(guān)心什么）是甲方公司之前并不知道，Recurrent.ai 也不知道，但可以通過機器學習來得到的。

• 跟進時間和渠道特征學習模塊。就是要知道什么時候、通過什么渠道聯(lián)系客戶。在競爭激烈的行業(yè)，如果隔了一周沒有聯(lián)系，客戶就被別人搶走了。如果溝通太頻繁會打擾到他，所以需要從歷史溝通數(shù)據(jù)中學習到其中的規(guī)律。

• 產(chǎn)品匹配特征學習模塊。很多甲方公司的痛點不是銷售線索（leads）多到銷售電話打不過來，而是根本不知道應該向客戶推哪個產(chǎn)品。一旦推錯產(chǎn)品，就相當于少了一次機會。Recurrent.ai 的系統(tǒng)會從過往的溝通數(shù)據(jù)中學習到產(chǎn)品匹配的規(guī)律。

也就是說，為了進一步提升轉(zhuǎn)化率，企業(yè)還需要結(jié)合銷售員的能力模型進行線索分配、推薦，并且結(jié)合時間、渠道的建議，以及產(chǎn)品匹配的信息，綜合起來提高銷售線索的轉(zhuǎn)化率。

這個案例是執(zhí)行層面的，講的是具體怎么做能提升銷售效率。但實際上，客戶交互的智能化，還會在管理層面為企業(yè)提供更多價值。比如你會發(fā)現(xiàn)一個產(chǎn)品再怎么推薦也沒有效果，可能問題就出在產(chǎn)品本身上面。

在分享結(jié)束之后，陳麒聰還回答了兩位觀眾的提問。其中一位觀眾問到，為什么市面上有大公司提供的語音識別、語義理解平臺，而 Recurrent.ai 還是選擇了自研。陳麒聰回答說，Recurrent.ai 對于底層技術(shù)的態(tài)度是非常開放的，但是因為AI基礎(chǔ)設施服務商并不了解上層場景是什么樣的，在產(chǎn)品架構(gòu)上暫時還無法滿足我們的需求，所以我們選擇自研語音識別和語義理解的技術(shù)。

另一位問到目前 Recurrent.ai 的產(chǎn)品落地主要在哪些行業(yè)。陳麒聰回答，目前主要的場景行業(yè)是金融、教育和互聯(lián)網(wǎng)+生活服務領(lǐng)域，金融領(lǐng)域包括銀行、保險和互聯(lián)網(wǎng)消費金融公司，這些行業(yè)高度依賴銷售和客服人員提供服務。

之后，陳麒聰介紹了公司的聯(lián)合創(chuàng)始人，包括自然語言處理（NLP）領(lǐng)域最近熱門的 XLNet 模型第一作者楊植麟，公司有非常硬核的 AI 能力，同時公司的聯(lián)合創(chuàng)始人中還有非常有經(jīng)驗的、對 toB 銷售理解非常深入的高管。

“讓企業(yè)的銷售、服務人員與客戶的每一次溝通有更好的結(jié)果。”陳麒聰最后概括了公司的目標。

  ? THE END   

• 【快訊】NeurIPS 2019 公布評審結(jié)果：楊植麟 XLNet 論文入選 Oral 環(huán)節(jié)

• 楊植麟CSDN大會演講精華：NLP落地的四個技術(shù)階段

• Recurrent.ai 入選微軟加速器 2019 秋季班

↓↓↓