|
传统催收公司会租用外呼系统，现在有 6000 多家催收公司租用呼出系统，然后挨个打电话进行催收。一般来说，每个催收公司会有 50 名催收人员，市场总从业人员有 30 多万（之后我会分享一下，为什么每个催收公司只有 50 名催收人员），平均年龄大概是 20 到 30 岁。 催收行业的一个核心特点是，以不同逾期周期有不同佣金，普遍分为五个等次—— M1、M2、M3、M4、M5。M1 代表是：第一月逾期，用户没有还款，可以通过行业数据看一下，大部分用户是忘记还款，针对这类用户要打一个电话提醒一下。在 M1 的情况下，催成一单有 10% 的提成率，它催成功率是在 73% 左右，是由人打电话进行的。 为什么我们是选择外呼这样一个环节？首先要来看看行业目前的现状。 催收行业从业人员需要不断打电话催收的情况下，很容易在用户有一些过激的行为时，出现辱骂等不当反应，很容易被投诉产生不好的影响。因此，催收人员的业务过程不可控制，回款非常难保证是行业面临的普遍难题，另一方面，对催收人员来说，工作中也忍受了非常大的压力，导致行业流动性非常大，同时招聘难度也非常大，因此每一家催收公司平均只能维持 50 个催收人员的团队规模，非常难实现扩张。因此，我们做的第一件事就是，用机器人来尝试代替催收人员，现在主要做提醒的业务。 从技术的角度看，智能外呼主要涉及两个板块，一个是人机交互，一个是算法平台。人和机器要不断地进行交互，催收也有策略，对 M1、M2 不同时期的用户有不同的策略选择，人可以从原有的用户催收电话的对话中进行学习策略，从而再让机器去掌握并辅助和逐渐代替人来进行催收。第二，现在的语音技术是非常成熟，包括语音识别和语音合成，所以现在是用结合多轮对话、语音识别的一个交互式性平台，逐渐来代替催收人员的行业情况。 刚讲到金融催收场景中的策略问题，机器可以学成一个策略，不同的策略怎么学习呢？催收行业的数据也是海量的，对于刚开始创业的公司来说，主要是向大公司提供技术服务。 为什么呢？因为创业公司最难的，不是资金和人员，而是人工智能创业公司缺少数据的入口。如果没有大量数据，人工智能的算法技术是非常难被训练的。但金融催收行业有大量数据，并且也会对一些数据进行保存。因为对外呼催收平台来说，每一段录音都必须要录下来，作为解决纠纷、官司时可能用到的验证资料。对我们初创公司来说，这种有非常多数据可以拿来用于训练的行业，是比较好的一个切入点。 对目前的一知智能来说，我们以产品打磨为主体的同时，不断地保持技术领先性，不断地在不同赛道上进行评测。 一个重要赛道是 Squard ，Squard 是一个语义理解的标准比赛。 我们是在十月份成立的，之后我们花了一个月的时间迭代技术。对于人工智能的技术来说，它有两个指标，第一个是单模型，就是说一个模型它的 performance 是多少，第二个是多模型的 performance 是多少。我们成立后在 Squard 上面刷榜。我们的单模型是作为世界第二进行提交的，我们可以看一下，上面所有的公司，都是著名的千亿级 NLP 公司。 这里可以回答我们如何在巨头之下生存，第一是要跟巨头比技术评测指标。虽然第一个是绿色的在第九名，但是单模型是第二名，第三名是腾讯，腾讯的 Insenble 模型拿到第一名。一个月后我们提交了多模型，排在了第四名，而这个赛道的前 30 名全是千亿级别的创业公司，包括阿里巴巴、百度。一知是其中唯一一个初创公司。 创业公司要生存，首先是要保持技术的先进性，起码是在第一梯队上「跑步」，虽然在硬件、服务、GPU 、运算设施上，巨头会比我们创业公司多 10 倍或者 20 倍，但是我们的算法和工程能力依然是要跟巨头保持在同一个维度。除此之外，我们不断地在多轮对话等任务下，不断地跟巨头进行 PK，不断地保持一些技术的领先性。 最后再回到场景的切入点，我们找了一个相对冷门甚至在外界看来有点low的方向，也就是催收，但我们认为在一知的技术上完全可以驾驭场景需求，以我们的技术能力可以把这个商业模式走通。我们是第一家进入催收领域的人工智能公司，也实现了一定的营收分成。 在巨头环绕的情况下，我们首先琢磨的不是把业务线铺大，或者是建立一些算法平台支持各种应用，而是把一个场景做扎根，提高用户粘性，实现率先领跑，能跑多远就跑多远，能跑多快就跑多快。 （责任编辑：晨鸿） |
