在长久的经济发展顺周期中，中国各类信贷机构一路扩张，不论是新增金融机构数量，还是各机构贷款余额增长迅猛。时至今日，随着经济下行，加之去杠杆等政策推进，各机构积累的风险逐渐显现。风险日益聚集的当下，守住风险最后一道防线——加强贷后风险管理能力、提升资产处置能力成为了各类信贷机构的一种政治正确。

　　但由于信用体系的不健全，相关政策法规不完善，建立完善而高效的贷后管理体系对各信贷机构来说是一项巨大的挑战。

　　在此背景下，由览雨信息策划主办，上海互联网金融行业协会不良资产信息应用专委会联合主办，中国消费信贷催收行业协会（筹）、智清金科、智灵时代科技、睿科伦科技协办，零壹财经、北京正沨投资、为睿资产、金石征信支持的《2018第二届中国贷后风险管理及资产处置峰会》于2018年11月8-9日在北京伯豪瑞廷酒店举行。

　　峰会上，智清金科CIO联合创始人孔嘉明先生带来“如何做一个高效贴心的智能催收机器人”的主题演讲。

　　智能催收是近两年非常火热的话题，无论是甲方还是乙方，对智能催收充满了期待，从当前行业应用的情况来看，在催收的前期阶段，智能催收的可替代性很强，可以大大降低了企业的人力成本，但是逾期一旦拖延，或遇到复杂的情况，智能机器人的效率就变得很低。智清金科在智能机器人优化方面做了大量的实践。

　　如下是孔嘉明先生的演讲实录：

　　孔嘉明：大家好，我是来自智清金科的孔嘉明，今天跟大家分享一下我们在一些项目里积累下来的经验。上午一些前辈说催收机器人或者客服机器人，在过去一年的发展里我们也积累了一些比较独到的心得，今天跟大家分享一下。

　　首先介绍一下智清金科，我们是2016年成立的，成立之后我们自己的业务团队去承接不同的厂家或者不同甲方的资产包，帮他们做人工的催收。在这个过程中我们积累了一些经验或者是一些数据，然后我们自己训练了一整套的从语音识别到合成再到语义理解的一整套的催收的机器人和客服的机器人，现在开始往外输出我们这样的技术。

　　一般来说，智能机器人的流程大概是，客户打电话进来或者我们把电话打出去，音频流会进入到智能机器的体系里，然后被翻译成文字，文字再匹配规则或者其它方式；匹配完了之后就再输出一句话，一句话变成语音注入到电话里去，形成一个交互的循环。基本模式都是这个样子的。它能够做到的，或者能够实现的一些性能，大家目前都比较清楚。

　　1.0时代它有局限性，这个局限性就是说它的性能，基本上只能在一些限定的环节完成，例如打电话进去，他问你想干吗，你说查话费，然后他帮助你自动完成，不用再按警号键或者一二三四五，或者它可以在其他特定的场景下完成一些沟通。比如逾期了，它会给你提醒，然后进行简单的对答，问你今天能不能把欠款处理掉，如果回答可以，他就记录下来，对话就结束了。所以用途是有局限的，在整个催收的环节里面他能够帮助节省的成本有一个看得到的上限。

　　局限原因在哪里呢，就是规则匹配，规则匹配下来之后，因为它是一个很封闭的系统，所以规则匹配完你给到对方的答复一定是一个相对成型的，像他一个人匹配到里面是失败的，它只能给你一个标准的答案，答案对任何人都有效，但是它不会做线上检查或者帮助查看卡为什么用不了，所以给到用户的体验相对不怎么好。基于这些问题反馈，我们想我们能不能在这方面做的比之前更好，为甲方带来更大的价值，切实的把人工的需求量降更低。

　　我们认为下一代2.0版本很有可能是往这些方向发展，就是将业务更加深度的融合进去，同时用机器尝试把人工的成本降低掉，做到人机耦合，然后加上一点意图理解，最后让用户很无缝的把新的机器人采纳到业务里面来。

　　讲了这么多还是从“听得懂”客户讲的话开始。1、首先我们应对的场景，就电话沟通而言，它相对是一个非常复杂或者非常有挑战性的场景。挑战性来自什么地方呢？亚洲语言有特定的压缩性，很多的词语背后蕴含的信息非常丰厚，比如你在上海接到一个电话，这个电话是最近的银行打给你的，他说这个业务我把它转接给哪个支行，你再去回访会比较方便。你跟他说西城区，客服瞬间知道西城区就是北京，你不用跟他讲别的东西就知道北京，这就叫所谓的压缩性，尤其在亚洲语言里面，它是特别特别明显的一个问题。2、另外它跟客户业务背景有很大的关系。很多时候打电话进来，我说我刚才的支付不成功，这个“刚才”，肯定指的是上一次尝试去支付他失败了，这时候已经把很多背景的知识浓缩在“刚才”两个字里，这时候需要机器人懂得从后台取出最相应的日志分析它，给它一个答案，然后回答说可能是网络延迟，这个时候他就知道了继续转人工，这样体验就会特别好。3、第三个就是在我们这里催收比较多，催收的时候会接触到很多的隐喻或者口头表达，一个人打电话来说信用卡逾期了，能不能进行处理。很多时候他不愿意说“我没钱”或者“我手头紧”这种明确的表达，因为大家都有一定的自尊心，他如果说“有钱早还了”。整个一句话丢到这个规则模型里，它都是特别正面“有钱我还了”这是非常正面的答案，但是我们需要理解到用户讲这句话的时候其实是隐喻某一件事情，这个时候我们在这个情况下给他一个回答，让他更快的把这个事情重视起来，而并不是产生抵触的情绪，这是我们希望在新一代的意图理解里做到的。

　　我们的解决方案究竟是怎样的呢？我们有自己的业务团队，因此积累的数据库是足够大的，算得上行业内数一数二的催收业务库。我们从业务方的现存录音和培训材料里把很多的规则提炼出来了。优势是什么呢？优势是我们能够明确可见的提高机器人问答的准确率，比起光靠人、光靠专家写那么一个规则、写那么一个问答来的好，因为我们从真实的客服对话里去学习了。第二个优势就是新功能上线的速度特别特别快，只要你有一个成熟的业务，100通不到的录音就可以快速的复制出一个机器声，它的响应准确率及性能非常高。第三，很大程度上降低了标注的难度和成本。怎么做呢？我们把现存的录音和培训的资料变成机器可以处理的方式，客服的反应相对更好聚类，把客服的反应当做标签，把所有这个标签以上用户想说的话全部都变成我们的训练机，专门去针对它训练一套应答的程序，再用人工的方式审核一套规则，让他们知道这个是合理的。最后效果是什么呢？就是我们的机器人打电话过去给他，或者无论是什么原因打给客户，客户接起电话来，你问他是不是王先生，他说我在地铁上或者我刚进高速，或者我在机场，这类的口头表达他能直接反应出来说这个人在忙，然后他说我用短信跟您联系业务细节，再见！这个时候给到客户的观感特别特别好，不会感觉到电话纠缠，而且他也不用说他在忙，他说他在做事情，这样机器理解到之后给他一个舒服的对答。

　　这些优化的话术，我们根据业务的场景和业务的细节，把它用人工智能的方式提炼出来。同样是催收，我们有很多种方式跟他讲说，以每天生成了多少多少钱，这个征信是干吗的，这是委婉的表达。或者说不良的记录5年都查得到，等等各种各样的施压点，或者游说的方式，或者给到对方分期还款不同的方式。我们把所有的话术跟历史数据做对照，大概就学到了哪些话术相对有用，或者哪些话术的作用相对不这么强烈。同时跟用户的画像结合在一起，就是里面提到另外一些东西，例如它是什么性别，声音听起来是什么年龄，或者是它的业务线是哪一个，这些数据融合在一起之后，这个机器人通过强化学习和不断的在沙盒里模拟的方式，就变成了一个话术专家。

　　这是实际的机器可以做到的，打电话过去，如果对方是一个白领，跟他讲你的信用卡已经逾期了，如果不处理的话，留下记录对你的车贷房贷有影响。如果对方的身份是一个家庭主妇，你跟她讲房贷车贷她不需要，这不是她的敏感点，她觉得这不重要。你说每天产生三四十块钱的滞纳金，她觉得这些够他买菜的钱了，所以这个机器人直接像真人一样很体贴，直接进入到客户心里的一个机器人。

　　除此之外它还是一个很体贴的专家。有这么一个场景，用户打电话过来说挂失信用卡，通过以前的对话我们大概知道，用户挂失了信用卡之后他一般是什么方式挂失的，挂失完之后下面两步大概又有什么事情，我们有概率的推断，推算完之后我们会把推断的结果也融入到话术里面去，让接线的客户完成他所想完成的事情，这些事情在移动互联网时代是非常普遍的，或者是通用的结果。现在我们尝试把这些做法或者一些先进的经验放到话术机器人里去，让它尽量的变得非常聪明。所以你打电话过去说挂失一个卡，他跟你核实身份就会说你最后一笔消费是什么，他知道你不问，他自己也会想要说能不能给我看一下最后一笔消费，现在不用了，他会告诉你最后一笔消费是什么时候，然后你说是。他接通电话20秒之后他想到两件事，第一个把卡挂失，第二件事情把信用卡有没有被盗刷的风险屏蔽掉了。

　　第三个全渠道整合，我们打电话客服会问你最常用的电邮地址是什么，有时候我们不太好描述，我们做了全渠道的耦合，全部整合在一起，一个快速表达的生成，生成之后给你一个地址你登录了，然后填写上面的内容，然后告诉他这是你更新地址的地方，你赶紧输进去。对话就结束了，不需要很复杂的跟他说一单元或者门牌号或者邮编之类的很容易犯错的事情。电话里输入地址所需要的时间占到电话时间的一半，我们放到线上，通过耦合的方式提供给客户。

　　同时快速的表达，在人工客服上面也是可以使用的，我们可以把这类的功能开放给人工座席，人工座席说短信里面是更新地址的，对方收到操作就可以了。

　　接下来我们把这么多想做的事情，实际上真的会用数据或者真正的用业务的表现来验证我们之前说的到底是不是真的。像我们有不同的话术，不同的话术也有不同的剧本，我们会在系统里自动形成一个机械冠军话术，然后还有一个挑战性话术，冠军话术会负责绝大多数的业务流，让KPI降低，随机的抽取出一部分的数据或者一部分的任务放到挑战者数据里，然后看一下挑战者是否是真的好的模型，如果是的话，挑战者模型开始逐步的每个批次、每个伦次来验证，挑战者的话术效果比冠军话术好的时候，下一轮所承担的话务量或者任务量的占比会逐步的提高，到最后直接把冠军组取代掉，变成新得冠军话术。

　　整个过程是电话交互，电话交互有问题，特别是催收的电话，你说信用卡逾期了你能处理吗。如果这个时候说请你对我的服务打分，这个时候对方不可能给你打的，甚至打出来是假的。这个时候怎么办？我们想别的方式，从侧面或者从不同的侧面衡量客户对我们的满意度，或者说他实际的达成率。左边这个图是对话时间的留存率，从0秒开始就是电话接通，百分之百电话是存活的，每几秒钟有一个电话挂掉，挂掉之后存活率就下降，这叫存活分析。这个存活的图我们会真的让话务专家去实际的打电话测序一下矩阵出来，真实的人接这类电话的时候，它的存活率是怎么样，存活曲线是什么情况。然后我们让机器人去再测一遍，看它的机器人的存活曲线跟真人有什么区别。如果过高的时候往往就说明话术是冗长的，你说话太罗嗦了。另外一个就是机器人没听懂，没听懂他又重复了一遍问题，导致这个通话的存活曲线比正常的要长。如果低了就更加不好了，很多时候机器人没有办法完成用户想要完成的东西，他就把电话挂掉了，这是很常见的情况。

　　最后我们还会把这个机器人调优，把最后性能的损失弥补上去。最后的性能损失往往来自于催收主管或者是呼叫中心的业务主管，他大概心里面会知道，哪些人应该马上联系，哪些人可以晚上联系，或者哪些人应该高频次低频次的接触。这些知识很难在机器学习的时候灌输进去，那我们能想到的办法就是我们把任务的画像跟实际接听的情况做回归分析，然后定制出这个场景下的最优的策略。所以机器人每天早上收到新的催收任务和客服的任务，他接到之后上午九点半的时候一定不会打给白领，白领应该在开会或者在办公室，所以不会打给他。但是打给家庭主妇没问题，家庭主妇往往在家，接听率非常高。11点半开始打给白领，这个时候白领在公司，还在等外卖或者等快递，接电话的概率比正常要高，但是家庭主妇这个时候一定在做饭，手又不方便，所以就不会接电话了。我们把最后的边边角角修补上去，得到了性能可以跟真人媲美的一张图。然后也跟其它的服务一样，每一个都标准化，逐步沉淀到我们的系统里，让后来的数据可以支持我们的优化和全新的决策。

　　这是最近一段时间在某一个总行的信用卡中心实际测试几个月的效果。5天里这个普通信用卡做到跟真人几乎一样的回款率，整个几个月的过程里面，没有一个接到投诉的。同时单客的服务成本实际下降了70%。

　　这是我今天分享的所有内容，谢谢大家！