工商银行软件开发中心围绕“第一个人金融银行”发展战略，依托自然语言、深度学习、机器学习等人工智能技术，于2020年建立基础共享、管理统一的企业级智能外呼平台，推进全新智能化非接触金融服务模式。

面对爆发式的客户服务量及同业间日益深化的客户服务诉求，传统人工支撑的业务服务模式逐步转型为智能服务模式。目前人工智能和语音识别的技术能力几乎接近真人场景，语音合成和视频合成技术高度拟人化，工行软件开发中心通过建设全渠道、全媒体、全流程的智能服务平台，进行服务智能化转型，实现快速扩展客户群体，提高转化率和营销效率，赋能全行业务发展。

图1智能外呼的流程示意

智能外呼系统目前仍面临着“三大挑战”，一是外呼接通率低，很多电话接听即挂断，有效触达客户少；二是目标客户转化率低，大范围的营销投放造成营销资源浪费；三是客诉过多，影响企业声誉及客户满意度，间接影响销售量。

人工智能技术在智能外呼领域建设情况

为满足工行数字化转型需求及业务发展，软件开发中心探索在智能外呼客群经营领域应用最新的人工智能技术，打造基于客户生命周期的价值挖掘和提升体系，研究设计形成围绕智能外呼接听响应度的智能解决方案。通过构建外呼响应度模型，挖掘目标客户建立客户标签体系，根据客户标签进行客群划分，设计千人千面的营销策略。项目上线后，接听率平均提升15%，最高接听率达64%，提高外呼的接通率及转化率，实现降本增效，提升经营价值和客户满意度，为客户提供更优质的服务和解决方案。

（一）外呼响应度模型构建

智能外呼接听响应率模型是基于机器学习和数据分析技术，通过对历史外呼数据进行数据预处理、变量选择、模型训练、模型评估，预测每个电话号码拨打后的接听概率，根据预测结果对整体外呼策略进行调整，从而提升外呼接通率。

图2模型开发步骤

在数据预处理阶段中，主要基于客户属性、接通属性、交易特征、资产特征、产品持有、渠道偏好等客户多维数据构建宽表，并根据时间切片、变动趋势进行特征变量衍生，形成具有特色的衍生变量。

图3宽表构建与特征变量衍生

（二）外呼客户标签体系设计

利用智能外呼技术，搭配有效的分析技术，基于目标客群分层运营及客户标签构建等进行精细化操作，高效精准地触达客户，提升外呼转化效率，实现千人千面的特色营销。

图4基于场景的目标客群细分流程图

图5客户标签体系构建

（三）营销活动设计与评估

在营销活动方案设计与评估上，围绕目标客群细分的不同阶段，参照以下三要素进行考量设计。一是选择营销模式，确定选择目标客户的准确性、业务规则的有效性和分析结果的有效性；二是优化营销设计方案，判断产品推荐是否合理、沟通话术是否恰当和渠道配置是否有效；三是执行与后评估优化，判定人工渠道作业习惯、渠道营销执行的支持度与有效性和洞察营销成果影响要素。

后续展望

后续，工商银行软件开发中心将继续打磨企业级智能外呼平台，实现“客户筛选智能化、场景建设精品化、业务成效可视化”，通过科技赋能业务，不断提升客户服务质效，构建“一个客户，一个工行”体系，加快推进科技强行和“数字工行”取得突破性进展，为服务全行高质量发展做出贡献。