目前，AI智能語音呼叫、自動化呼叫已成為呼叫中心領域節約人力資源和提升呼叫效率的新寵，而預測式外呼作為自動化呼叫的關鍵形態，其預測算法和模型的先進性對效率起了決定性作用，成為行業中一直探索的課題。

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的“雙目標尋優”預測外呼算法模型（簡稱“雙尋優”預測外呼算法模型），該模型基于運籌學原理，將雙目標中的客戶放棄率設置鎖定在一個可以接受的范圍內，保障坐席利用率達到最大化，從而實現將矛盾的雙目標向單目標轉化。該模型上線應用后，坐席利用率較同行業有30%以上的提升，并適用多種應用場景，處于行業領先水平。

呼叫中心領域面臨三大難題

現代呼叫中心在金融、電信、物流、旅游等行業的銷售、貸后管理、客服領域被廣泛應用，少則數百、多則數萬的人力規模注定了當代呼叫中心行業的勞動密集型特性。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建設中的核心難題。具體來說，當前行業中面臨的難點主要體現在三方面：

一是系統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。行業內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；而為了滿足企業對客戶低呼損率的要求，一般會將送號速度在模型中調整得比較慢，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；

二是人工調整步驟繁瑣，精準度低，人員要求高。為了適應不同接通率，往往僅能利用過往經驗通過非常繁瑣的配置才能實現，由于不同接通率對應不同的經驗值，對于使用呼叫中心系統的企業來說，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；

三是現有預測模型適應范圍有限，無法實現完全自動化。對于某些應用場景(甜區)接通率模型表現優異；但對于某些場景(非甜區)接通率就不盡如人意，這對于業務量龐大且條線繁多的大型公司來說，就只能退而求其次，在那些非甜區業務中選擇人工調整送號量或者直接選擇手工撥打，致使全自動化的預測式外呼的效果大打折扣。

自主研發算法模型 有效攻克行業難題

針對預測外呼，馬上金融的算法模型只需簡單設置后即可實現完全自動化，可針對不同的坐席人數、不同接通率的客戶群體、不同業務場景均可以做到自適應。即保證不同業務場景下，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。

馬上金融新算法模型之所以能夠有效解決行業痛點，源于其專業的模擬仿真系統和強大的實時計算能力。其中模擬仿真系統解決了模型模糊性無法通過推導和證明驗證的問題；通過模擬仿真系統使用大量不同接通率的撥打數據來檢證和優化模型，最終訓練出了更優的模型算法。

另外，利用馬上金融自研的基于“軟交換”的呼叫中心系統方案自帶互聯網基因的天生優勢，輕松對接公司內部強大的實時計算能力、流式計算平臺，輕松實現高速實時計算，為模型提供無延遲的變量輸入。

繼成功研發“雙尋優”預測外呼算法模型之后，馬上金融智能呼叫中心研發團隊又邁向了新的征程，在呼叫中心系統SaaS產品化對外輸出的征程中，又研發出了AI智能語音機器人的預測式外呼功能。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量上的靈活要求，具有良好伸縮性，為SaaS產品走向市場奠定基礎。