近日，馬上消費金融（以下簡稱“馬上金融”）成功上線了自主研發(fā)的“雙目標(biāo)尋優(yōu)”預(yù)測外呼算法模型（簡稱“雙尋優(yōu)”預(yù)測外呼算法模型），該模型基于運籌學(xué)原理，將雙目標(biāo)中的客戶放棄率設(shè)置鎖定在一個可以接受的范圍內(nèi)，保障坐席利用率達到最大化，從而實現(xiàn)將矛盾的雙目標(biāo)向單目標(biāo)轉(zhuǎn)化。該模型上線應(yīng)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(yīng)用場景，處于行業(yè)領(lǐng)先水平。

　　現(xiàn)代呼叫中心在金融、電信、物流、旅游等行業(yè)的銷售、貸后管理、客服領(lǐng)域被廣泛應(yīng)用，少則數(shù)百、多則數(shù)萬的人力規(guī)模注定了當(dāng)代呼叫中心行業(yè)的勞動密集型特性。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(tǒng)建設(shè)中的核心難題。具體來說，當(dāng)前行業(yè)中面臨的難點主要體現(xiàn)在三方面：

　　一是系統(tǒng)自動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(nèi)一些廠商為了提升坐席利用率而加快自動送號的速度，這造成了放棄率(呼損率)居高不下；而為了滿足企業(yè)對客戶低呼損率的要求，一般會將送號速度在模型中調(diào)整得比較慢，送號太慢勢必就會引起坐席大量空閑，對于坐席人數(shù)眾多的大型公司來說，這無疑是一種巨大的成本浪費；

　　二是人工調(diào)整步驟繁瑣，精準(zhǔn)度低，人員要求高。為了適應(yīng)不同接通率，往往僅能利用過往經(jīng)驗通過非常繁瑣的配置才能實現(xiàn)，由于不同接通率對應(yīng)不同的經(jīng)驗值，對于使用呼叫中心系統(tǒng)的企業(yè)來說，配置人員需要不斷的花時間進行摸索才能熟悉并使用好，最終調(diào)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(xiàn)有預(yù)測模型適應(yīng)范圍有限，無法實現(xiàn)完全自動化。對于某些應(yīng)用場景(甜區(qū))接通率模型表現(xiàn)優(yōu)異；但對于某些場景(非甜區(qū))接通率就不盡如人意，這對于業(yè)務(wù)量龐大且條線繁多的大型公司來說，就只能退而求其次，在那些非甜區(qū)業(yè)務(wù)中選擇人工調(diào)整送號量或者直接選擇手工撥打，致使全自動化的預(yù)測式外呼的效果大打折扣。

　　針對預(yù)測外呼，馬上金融的算法模型只需簡單設(shè)置后即可實現(xiàn)完全自動化，可針對不同的坐席人數(shù)、不同接通率的客戶群體、不同業(yè)務(wù)場景均可以做到自適應(yīng)。即保證不同業(yè)務(wù)場景下，客戶放棄率(呼損率)鎖定在一個指定的范圍，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，源于其專業(yè)的模擬仿真系統(tǒng)和強大的實時計算能力。其中模擬仿真系統(tǒng)解決了模型模糊性無法通過推導(dǎo)和證明驗證的問題；通過模擬仿真系統(tǒng)使用大量不同接通率的撥打數(shù)據(jù)來檢證和優(yōu)化模型，最終訓(xùn)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(tǒng)方案自帶互聯(lián)網(wǎng)基因的天生優(yōu)勢，輕松對接公司內(nèi)部強大的實時計算能力、流式計算平臺，輕松實現(xiàn)高速實時計算，為模型提供無延遲的變量輸入。

　　繼成功研發(fā)“雙尋優(yōu)”預(yù)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(tǒng)SaaS產(chǎn)品化對外輸出的征程中，又研發(fā)出了AI智能語音機器人的預(yù)測式外呼功能。通過馬上金融云的彈性部署能力，支持用戶對智能語音機器人數(shù)量上的靈活要求，具有良好伸縮性，為SaaS產(chǎn)品走向市場奠定基礎(chǔ)。