呼叫中心智能化升级实践：预测式外呼算法模型的深度应用详解

当前无论是金融、零售、房产或是互联网行业，在疫情频发、市场竞争越发激烈、政策管控等层层因素叠加的影响下，各行业涉危履险，负重前行，甚至一些优势产业也正在面临寒冬。对于企业来说,亟需转变发展方式和策略，降本增效则无疑成了每家企业必须面对的课题。

在激烈的市场竞争中，电话营销作为一种能够帮助企业获取更多客户和利润的营销模式，是现代企业市场营销、服务中心不可或缺的一个重要模块，如何提高坐席工作效率也成为呼叫中心提供商一直努力创新的方向。

通常来说，如果想提高坐席的接待效率，可以通过智能助手、统一知识库和统一工作台等系统或者功能来实现；想要提高坐席协同效率，可以通过智能工单流程来实现；而如果想要提高坐席的外呼效率，通常只有外呼巡航、预测式外呼和智能外呼三种手段，其中针对于高质量或者关键客户，预测式外呼则是最有效的手段。

预测式外呼原理简介
预测式外呼由平台自动呼叫客户号码，当客户接通，平台会自动将通话转到人工坐席，由人工坐席来与客户进行通话；而对于未接通的，则通过空号检测服务来判断通话结果，和预设的重呼策略匹配成功时平台会自动进行重呼。

图1预测式外呼流程图

预测式外呼的工作流程理解起来并不难，难点在于平台如何根据一系列的历史数据和当前实时数据来计算最佳送号数，这个送号数既要保证呼损率尽可能的低，又要保证坐席尽可能的“忙碌”起来，而想在这两个“相生相克”的矛盾点之间取得权衡，强大的算法和完备的技术方案缺一不可。

基于此，中关村科金得助智能研发团队自主研发了“双目标寻优”预测外呼算法模型，双目标即坐席利用率和呼损率。该模型将呼损率设置锁定在一个预设范围内，可以保障坐席利用率达到最大化。从实际应用情况来看，0呼损率的情况下，能够将坐席利用率稳定在70%以上，并且通过合理调参，可以使坐席利用率变得更高。

在预测式外呼领域，业界和学术界的主流思想是对下一时刻的空闲坐席数进行预测，方法论主要包括精准预测、马尔科夫链和生灭过程，近些年又有深度学习领域的LSTM模型加入其中。但是由于理论复杂和模型无法灵活调节，所以这些方法普遍存在繁琐冗杂或效果不稳定的问题。和目前已有的方法相比，得助智能“双目标寻优”算法不仅简洁易懂，而且它的最大优点在于具有较好的鲁棒性，可以自动适应不同的业务场景，即保证不同业务场景下，将呼损率锁定在一个指定的范围，而坐席的利用率可达到最优。之所以能够取得良好的效果，得益于该算法将预测式外呼前期冷启动集数、预测式外呼全过程MATLAB线下仿真、以及全自动调参这三个重要的组件之间进行科学有效的融合，可以通过算法近似还原预测式外呼的真实场景。

冷启动集数是为了通过0呼损的保守算法来收集场景数据，作为算法模型在启动之初的初始数据，我们目前将冷启动时长定为5分钟，从而保证可以收集到足够多的数据。MATLAB线下仿真是预测外呼算法的核心部分，它的意义在于当不同业务场景的关键指标（接通率、振铃时长和通话时长等）存在差异时，仿真能够以数理逻辑还原真实场景中的现象或问题，它与全自动调参技术相配合可以快速、准确地获得最优超参数。

在进行MATLAB线下仿真前，需要根据实际情况预设仿真次数、坐席数和最大外呼数等超参数。仿真主要包括初始仿真和后续仿真两部分，其核心原理是通过负反馈机制的调节，直接对下一时刻的外呼数进行预测，具体细节如下所示（此处为了方便说明，假设初始仿真只有1次）：

图1仿真流程图

Step1：初始仿真只在前面几个轮次中使用，目的是为了冷启动整个外呼过程。初始仿真时使用传统的经验公式，即第1次的预测外呼数callnum(1)①为：

callnum(1)=AG/SR

注：AG为实际坐席数，SR为接通率。

Step2：在后续仿真中，主要围绕负反馈机制进行迭代。在预测时，不再和传统的方法一样预测接下来空闲的坐席数，而是通过接通率、振铃时长和服务时长等关键指标来预测下一次的外呼数，具体公式为：

callnum=（(AG*TR)/(TC*SR)+speedadjust）-m*NC

注：TR为振铃时长，TC为服务时长，NC为正在外呼的电话数，speedadjust和m为外呼数的两个调速因子。

Step3：根据第1次的预测外呼数callnum(1)，随机生成②相应个数的振铃时长TR(1)和1个接通率SR(1)，再由接通率随机生成接通个数n(1)，并随机生成相应个数的服务时长TC(1)。

Step4：根据上一步得到的SR(1)、TR(1)、TC(1)等指标，由公式计算得到callnum(2)。有了callnum(2)之后，和Step3类似，随机生成得到SR(2)、TR(2)、TC(2)等指标，供下一次仿真使用，并计算本次的坐席利用率和呼损率。

注①：callnum(n)表示第n次的预测外呼数，SR(n)、TR(n)、TC(n)分别表示第n次的接通率、振铃时长、服务时长。

注②：此处所说的随机生成是根据提供的实际数据或者数据范围先生成特定的概率密度分布后，又在此概率密度分布的基础上来随机生成数据。

Step5：达到预设的仿真次数后，停止迭代，并计算整个过程①的呼损率和坐席利用率。

注① ：整个过程的公式计算中，为了稳定起见，各个指标用的是到此刻为止的均值而不是时刻值

在Step2公式中的speedadjust为呼损率的调速因子，该因子受接通率的影响，它是负反馈机制的体现，当呼损率较高时该因子会变小，从而抑制外呼数，达到降低呼损率（最佳期望是保证0呼损）的目的。公式中的m为坐席利用率的调速因子，通过它的调节可以有效抑制坐席空闲率。负反馈机制中的两个调速因子可以使模型动态地给出每个时刻的最优外呼数；全自动调参技术基于这两个调速因子，可以实现模型的快速自动调优，二者相结合可以保证预测外呼算法模型在任何场景中都能发挥出最佳效果。

预测式外呼始终是一个难题除了算法模型十分复杂，还有一个非常重要的原因在于如何优化整个送号技术链路，保证送号速率。

通常来说，算法模型计算得出送号数需要通知到负责送号的服务，送号服务再立即将大量名单号码送到软交换服务，由于送号间隔一般都会比较小（这是保证坐席利用率的关键方法之一，例如得助智能的送号间隔为5s），这样一来，大量名单号码势必会造成阻塞，带来一系列的恶性循环，如立即出现大量的呼损、算法模型效果持续降低等问题。

得助智能在将算法模型落地时同样遇到这一问题，最终通过对整个链路开展分析才得以解决。在解决问题过程中尝试了多种技术方案，例如通过反复调整多线程送号策略来控制送号并发及频率、任务间隔离送号、简化送号链路（移除创建客户、坐席验证等串线逻辑）、送号任务生命周期优化、完善送号异常结果处理机制等，但最终都难以达到预期效果。这可能是很多呼叫中心厂商都做过的尝试，直到得助智能研发团队最终针对整个链路进行了技术重构，才将送号问题彻底解决。

在得助智能的最终技术方案中，通过算法模型计算出未来一定时间内可以消耗的号码数量，将该数量通知给负责送号的服务，送号服务只需将号码尽可能快的送入预置的号码池中即可，等到每5s后，预测算法计算出真正的送号数时，软交换服务直接从号码池中取走相应数量的号码即可，这一方案解除了预测算法对于送号链路性能的依赖，最终保证了预测效果。

图2技术方案流程图

得助智能最终实现的自动外呼任务管理功能，可以在任务执行过程中实时监控任务执行情况，例如任务进度、接听量、接听率和平均通话时长等，另外可以实时监控到技能组内坐席状态分布情况和呼损率。

图3预测式外呼任务监控

而为了保证预测算法能够发挥出更好的效果，业务人员在操作得助智能系统的任务执行过程中，可通过调节“调幅系数”和“减量系数”的方式来进一步调整送号速率。

图4手动调参

当预测算法识别到坐席空闲率较高时，会自动调节送号速度，调限系数即送号速度的上限；坐席空闲率过高时，可以调大该参数；呼损率过大时，可以调小该参数。

预测算法运算出的送号量在模型中会减去正在送号和响铃中的电话数，减数为正在送号和响铃电话数除以送号减量系数，默认情况下减数就等于响铃中的电话数量(即“减量系数”为1)，但在座席利用率过低或客户放弃率（呼损率）过高时，可通过调整“减量系数”来达成目标。调大情况下，坐席空闲率会变小，呼损率则会变大。减量系数对算法效果影响更快更直接，两个参数结合，可以让业务人员在不同的场景下都能快速调节算法效果。

图5某企业客户使用案例

目前，得助智能预测式外呼已在多个企业客户项目中上线应用。通常来说，人工坐席手动外呼情况下坐席利用率只能达到20%-30%，假设预测式外呼的坐席利用率为70%，则相当于可提高3倍左右的坐席产出，大幅提高坐席整体工作效率，可有效实现营销效果的提升。

中关村科金基于长期的技术积累，通过自研ASR、TTS、NLP等多项AI技术，打造企业级全场景精准化的智能交互平台，平台提供云呼叫中心、智能语音机器人、智能客服、在线客服、智能质检、CRM以及智能工单等多个产品，可应用于企业营销服务的售前、售中、售后场景中，帮助企业推进营销服数智化升级，构建增长新引擎，实现最大程度的降本增效。