随着 AI 科技的进步,普强 AI 建模产品的核心运用了最新的 AI 语音转译和语义理解技术,为这样的场景提供了一个极佳的解决方案,能够让 A 保险公司和有类似业务场景公司的电销人员将资源集中在有潜在购买意愿的客户。一方面,避免拨打全量的电话,减少人力资源和电信话费,另一方面,能有效减少对没有购买意愿客户的干扰。当客户有意愿和需求购买保险时,电销的外呼电话不被认为是干扰;相反,对没有购买意愿或能力的人,这样的电话即成为客户的干扰。
事实上,经过 AI 建模的分析,在数百万的客户名单中,有购买意愿的大约在 15% 左右,因此 80% 以上的电话都是不必要拨打的。这样的应用给 A 保险公司和有类似应用场景的公司省下巨大的成本。接下来,将会对此做详尽的描述。
自从 2010 年苹果电脑、手机发布 Siri 应用后,语音识别技术不断的更新、突破。其主要是源于一种计算机算法架构的技术突破:深度神经网络。使用神经网络的技术,研究人员不断推进许多人工智能以前不能突破的障碍,例如语音识别、图像识别、语义理解等三大领域。借助神经网络架构,这些领域里的问题都大大提升了应用上的效果。这样的突破主要由以下几个因素造成:
l 数据量徒增:借着互联网的发展,大量的用户将语音、图像、照片、文字上传到大型的数据中心。
l 大型云计算中心超级的运算能力:能储存、处理、分析这些海量的数据。
l 算法突破:借助前两项,算法得以不断的被验证、优化、迭代更新,创新的神经网络架构不断的被提出并被验证。
l CoLA:单句的二分类问题, 判断一个英文句子在语法上是不是可接受的。
l SST-2:单句的二分类问题, 句子的来源于人们对一部电影的评价, 判断这个句子的情感。
l MRPC:句子对来源于对同一条新闻的评论,判断这一对句子在语义上是否相同。
l STS-B:这是一个类似回归的问题,给出一对句子,使用 1~5 的评分评价两者在语义上的相似程度。
l QQP:这是一个二分类数据集,目的是判断两个来自于 Quora 的问题句子在语义上是否是等价的。
l MNLI-m:语型内匹配。推断两个句子是意思相近, 矛盾,还是无关的。
l MNLI-mm:跨语型匹配。推断两个句子是意思相近,矛盾,还是无关的。
l QNLI:也是一个二分类问题,两个句子是一个(question,answer)对,正样本为 answer 是对应question的答案,负样本则相反。
l RTE:是一个二分类问题,类似于 MNLI, 但是数据量少很多。
l WNLI:推断两个句子是意思相近,矛盾,还是无关的。
l AX:QA型图像数据库。
l 业务梳理:与客户业务人员交流,以对客户的业务做深度的了解,与普强机制框架对接。
l 分析流程建立:分析客户业务,建立流程,优化流程。
l 客户特征筛选:基于普强的业务成功案例,使用大数据分析,抽取潜在具有购买意愿客户特征。
l 成交相关度计算:经由普强大数据分析框架计算客户特征与成交的相关度,排序客户特征的优先顺序。
l 模型建模/训练:普强计算技术框架对最优最先进的神经网络架构和机器学习算法,作架构和算法评估,测试不同架构和算法的效益优劣,及计算资源需求以及是否能达到客户的时效要求等工作,最终推荐最优的架构/算法。
l 测试:使用海量的数据不断的测试,并调优参数,达到准确率、召回率等测试标准的要求,并依照业务模式计算相对的业务效益。
l 验证:实际推送普强业务流程算法推荐的潜在客户,验证成交率。
l 上线:将最终验证通过的整体机制上线,进入实际业务运行。
与使用普强机制前业务情况对比的成效如下:
l 精准的推荐占总量约 15% 的潜在有购买意愿的优质客户。
l 推荐的 15% 的客户覆盖了 90% 的业绩。
l 节省了 80%+ 的电销电话,人员时间。
l 并减少了对没有意向购买客户的干扰。
l 确定了潜在购买客户的特征,作话术优化的依据,有定向的与客户对话以确认是否是有所确定的特征。
l 发掘了电销流程的缺失:发现高购买意向客户的跟踪力度不及时或遗漏的情况,建立追踪系统及时找回遗漏的潜在客户并跟进。