一、项目方案

1.项目背景与业务需求

根据公司业务的不断发展以及监管的不断趋严，现有人工拨打外呼电话的方式，覆盖率低、效率差、监管难等问题已越来越突出，人工外呼已不能满足企业发展的需要。

覆盖常规证券行业回访任务，投产快速、灵活扩展、具有较高的客户接听率和配合率的智能外呼系统是主要的业务需求和建设目标。而传统智能外呼模式是基于人工数据分析，然后制定外呼策略，形成拨打名单，后依次随机对用户进行电话回访。这样的方式存在以下问题：

因为长尾效应,存在大量极度低活跃用户，随机拨打无论是接听率还是产生的业务价值相对较低；

已拨打电话记录无法快速、有效形成反馈更新外呼策略。

基于以上问题，我们创新性地提出了依托数据中台构建的基于推荐模型的智能外呼服务系统。它相对于以往的智能外呼系统大的区别是：不仅仅关注用户的拨打量，而是尽可能多的采集和挖掘用户全生命周期内的数据；通过大数据和人工智能的结合，使得外呼业务效果接近甚至优于人工。项目一期已上线，重点关注提升客户接听率这一业务目标。

2.功能架构

总体功能来看，上层为行业云提供的智能外呼服务，包括外呼场景建模、流程控制、外呼任务处理等主要功能。中间为本地化的应用系统，通过API与智能外呼服务交互，包括：外呼智能推荐模块，主要功能是分时段筛选出接听可能性相对较高的客户，推送给外呼场景管理模块，由其自动创建并执行外呼任务，再对执行结果进行分析优化推荐模型；外呼场景管理，提供外呼参数管理、外呼任务创建、查询、控制、导出，外呼和问卷结果的查看、下载等功能；账户权限管理，提供用户管理和系统功能角色管理等功能；系统配置管理，场景参数、流程模板参数、外呼问卷、时间调度、系统参数等配置管理功能；数据下载管理，主要提供大批量数据的异步下载功能；报表模块主要从外呼任务和场景问卷两个维度对外呼执行结果进行统计分析；黑名单管理，则是为了排除不适宜智能外呼执行的客户而设计的功能。系统的底座则是作为西南证券金融科技基础平台之一的数据中台，它在本项目中承担了数据资产化，各业务条线数据拉通、共享，数据智能化应用等重要功能。图中只描绘了与本项目相关的主要数据中台核心组件。

3.部署架构

从可靠性、安全性、稳定性、扩展性、经济性角度出发，本项目采用同城双中心混合云部署架构，智能外呼服务的核心功能使用行业云资源，而核心数据、推荐模型、电话中继服务、系统管理应用等则部署在私有IDC（主中心和冷备中心）。行业云与私有IDC间通过互联网+API互访。主、备IDC间结构化和非结构化（音频等文件）数据通过专线实现准实时同步。

4.推荐模型技术架构

推荐模型技术架构总体分为两个部分，数据处理部分和在线推理部分。

数据处理首先尽可能收集用户各来源数据，经过数据清洗、多维度统计、特征工程，将无效输入、时序数据等转换为有统计意义的值，终形成了人群统计特征、用户360度全景画像以及训练评估数据。

在线推理从百万级侯选池中，利用人群统计信息，制定多种不同召回策略，将待拨打的客户数降低到万级，接着多目标预测模型以用户画像为依托，对召回层输入的用户进行综合评分，再截取一定拨打数量的客户推送给外呼平台。每日人工拨打和外呼系统拨打的数据会回流到“训练&评估数据”，用于增量训练多目标预测模型。 

二、创新点

与传统智能外呼项目相比本项目的主要创新点有：

1.依托数据中台自研的智能外呼推荐模型，摒弃了传统智能外呼固定时段随机拨打方式，采用根据客户偏好时段精准拨打，有效提升了接听率。

2.补齐回访问卷智能填写步骤，形成业务闭环。基于数据中台形成了外呼名单筛选、外呼任务创建和执行、问卷结果统计分析这一外呼场景的全流程智能化和数字化。通过问答题目与模板流程分支的打通，借助自然语言处理技术实现了问卷的自动填写，进一步推升了智能外呼的应用前景。

3.本项目是数据中台在支撑跨业务条线的大数据智能化应用项目高效落地方面的典型实践。数据中台通过数据统一、模型统一、服务统一，为促进数据作为经营要素在公司的有序流动提供技术实现，为数据智能化应用提供系统化工具。

三、技术实现特点

1.同城双中心混合云部署架构

私有化IDC通过各自专有的互联网IP与云服务交互，出现故障后，云服务手动切换主备私有化应用的接口地址。私有化部署总体分主IDC和灾备IDC，灾备采用冷备方案，各中心均划分了DMZ和内网区，DMZ与互联网和内网区间均有防火墙隔离。前置应用（智能外呼服务管理系统）在主中心采用双节点双活的部署方案，并通过软负载统一对外交互地址，灾备中心只部署单节点做冷备；数据库（Mysql数据库，存储结构化数据）在主中心采用主从的集群模式部署，与灾备中心的只读从库进行准实时数据同步；基于亚马逊S3协议的对象存储中间件（存放录音、临时下载文件等）在主、备中心均采用多节点多活的部署方式，主、备间准实时同步数据；语音网关通过DMZ区的软交换应用与云服务交互；数据中台提供的数据推送和API服务分别与系统数据库和前置应用交互。

2.智能外呼推荐模型

智能外呼推荐系统核心由数据源、用户画像、召回层、排序层组成。

数据源包含了客户基本信息，有年龄、职业、户口、投资偏好等；客户资产水平，包含各个账户资产水平、分支机构内排名等；客户交易活跃度，包括活跃度综合评分，未交易天数等；客户行为，包括了投诉次数、咨询次数、购买产品风险偏好等；人工拨打记录和智能外呼拨打记录，包括是否接通、语音文本、语音时长等。

特征处理流水线通过离线统计不同时段用户特征和拨打状态的特征相关性，筛选出年龄、职业、投资年限、风险偏好、所属城市、行业偏好、交易偏好等特征，形成全景用户画像、人群统计特征。人群统计特征可作用于召回层策略制定，用户画像可作用于排序模型训练和推理。

根据不同场景的业务规则对客户进行初筛形成外呼侯选池。而召回层在推荐过程中一是将百万级的排序计算降低到万级别，用于调和计算算力和计算精度的矛盾，二是利用人群统计信息精细化运营。召回层将人群按照时段、人群属性、分支机构维度进行划分，并建立多时段召回、多分支机构的召回通道，可制定不同的外呼策略，比如低活跃度用户唤醒等。以此精准服务不同类型客户，满足客户个性化服务需求。

排序模块通过召回策略的筛选每次计算的量降低至万级别，排序模型在智能外呼中的作用是对用户拨打的价值进行评估。根据业务侧的需求制定多个排序目标，比如接通率、有效对话的可能性、潜在收益等。

在实施排序模型训练过程时，首要任务是将回溯近半年用户拨打记录数据和用户画像数据，值得注意的是在生成训练数据时，用户的拨打数据只能和当时的用户特征进行联合，否则会产生数据穿透导致模型精度不高。然后，排序模型是基于XGBOOST和DeepWide混合模型建立的多目标预测模型。XGBOOST模型作用是将用户特征进行多维度交叉，形成交叉特征并计算向量化值，该模型输入以用户行为数据为主。其次，XGBOOST产生的向量化数据作为DeepWide模型的wide输入，用户其他特征数据作为deep输入。后，输出层为一个多目标层，输出层制定的损失函数由业务需求决定，训练数据用于对模型进行参数优化。模型调优完成后，推荐系统就可以利用模型对召回策略产生的候选用户进行综合评分，筛选出符合业务需求的推荐拨打客户。

模型上线后，本系统还对数据源质量、有效拨打率、用户覆盖率等指标进行监测，以此作为整个智能外呼策略的评价指标。通过各个类型指标同比环比，运营人员能够较为准确地评估策略是否有效。此外，每天自动化的数据统计分析会将对应结果更新到召回策略，每天拨打的数据生成新的训练数据，对排序模型进行增量训练，从而使得整个推荐系统对用户数据变化具有高度自适应性。

四、项目过程管理

2022年1月，项目启动；

2022年1月至2月，系统方案设计；

2022年1月至4月，外呼场景建模与优化；

2022年3月至4月，开发、测试、推荐模型优化；

2022年5月，项目试运行、优化并上线。

五、运营情况

1.系统运行情况

从试点分支机构的运行结果看，总计拨打超过5000通电话，随机拨打的客户接听率为40%,而使用推荐模型后的客户接听率提高到57%。

2.推广应用

鉴于公司缺乏智能外呼使用经验，为集中做好分支机构培训，及时处理客户反馈，逐步积累智能外呼运营经验，特采用先试点后逐步扩大应用范围的推广方式。在试点选取时，充分考虑到客户分布情况、语言习惯差异，选取了5家试点分支机构。试点期间，通过记录分析客户的反馈内容、通话录音、外呼结果以及接通率、客户配合率等指标变化情况，以全局优为目标进一步优化和改进话术流程、推荐模型。为向所有分支机构推广应用营造条件。

3.培训指导

通过制作产品手册、讲解核心功能点、结合场景演示系统操作，对呼叫中心及试点分支机构的相关人员进行线上培训。另外，借助公司新员工培训向总公司及各分支机构进行宣讲，使更多新同事了解智能外呼服务。计划定期开展线上、线下智能外呼的培训活动，在公司OA进行活动推广，同时利用公司统一的学习平台开设培训课程，以便更多同事认识和学习。

4.技术支持

技术人员提供微信、QQ、电话等多种咨询途径，并将反馈的问题进行详细汇总，对反馈较多的问题编写FAQ手册后提供给业务人员。

六、项目成效

1.经济效益

相较传统的智能外呼系统，基于全景客户画像和多目标预测模型的智能外呼系统，能根据不同客户对外呼时间、外呼形式（人工/机器人）的偏好不同，进一步提高智能外呼的接通率，降低人工复播率，实现有效的客户触达，为企业降本增效。

2.社会效益

首先，对于客户日益增长的个性化服务需求，本系统能根据客户偏好进行精准服务，减少频繁的短信和电话打扰。

其次，本系统是推荐算法与智能外呼有机结合的探索，通过推荐算法洞察客户、精准定位需求、深入挖掘客户潜在价值，做到“以客户为中心”，在适宜时段、用适宜的方式对客户进行不同场景的电话回访。

后，本项目所形成的推荐系统+的解决方案并非局限在证券行业和外呼领域，对于用好大数据，用对智能化具有一定的参考和借鉴价值。

七、经验总结

1.推荐模型的实时性是至关重要的。这里的实时性一方面指在线推理的实时性，保证了整个外呼系统的时效性和高效率；另一方面指模型更新的实时性，客户、外呼需求方、时空环境都在不断地变化，通过实时训练更新模型，能够使得推荐模型更能准确拟合数据分布的迁移。

2.外呼模型的优化是一个长期过程。智能外呼流程模型涉及语音识别、语义理解等人工智能技术，其优化过程需要大量且全面的训练、测试数据，因此内测和推广过程需要由点及面逐步推进，以优化适应不通用户的语言、发音习惯的用户。

3.人工智能技术并非神话，只有客观的认识它，才能用对用好。方言的语音识别、多意图长句的语义分析，都是业内公认的技术瓶颈。因此应客观认识现有技术局限，采用话术流程的优化设计实现更好的人机交互，弥补技术的不足。

4.大数据平台是金融科技的重要底座。不仅需要具备完善的数据处理技术组件，更需要从业务应用角度出发，构建数据治理体系，统一数据和模型。这样，才能快速的验证和落地数据智能化应用。