清华大学金融科技研究院孵化
金融科技与金融创新全媒体

扫描分享

本文共字,预计阅读时间

银保监会刚刚公布的三季度银行业监管指标数据显示,2020年三季度末,商业银行不良贷款余额 2.84 万亿元,较上季末增加 987 亿元。这仅仅是商业银行的数字,消金互金公司的不良贷款余额同样水涨船高。

催收这个万亿级的市场,规模仍在扩大。它是金融体系不可或缺的一环,但又常常被“不确定性”笼罩。

“合规”是影响“不确定性”的最关键因素,它常常挂在每一个从业者、管理者的嘴边,然而每家机构实际上遵循的标尺,各不相同。

很大程度上是因为,对催收业务而言,“合规”既是生存问题,也是发展问题——这个行业里,没有人能忽视“合规”与“业绩”之间的相关性。不过,在不确定性中寻找确定性的企业,才能走得更远……

01 确定性

在合规问题上妥协,以换取业绩增长,是一条危险的捷径,充满了不确定性。以至于,每隔一段时间,就能看到某个金融机构因为催收不合规,而被处罚的消息。

但这个行业里也有确定的事情。比如,催收员的人员流动性很大,催收员新人和资深的催收员之间业绩水平可以相差两三倍,资深催收员和金牌催收员又有一定差距。

如果能够快速提升催收员新人的水平,持续提升资深催收员的水平,让他们更接近金牌催收员的表现,企业的业绩就能大幅度提升。

这是一条确定的路,也是一条更难的路。

甚至,很多从业者都想到了这条路,只是不知道具体应该怎么做。有些从业者已经加强了面向催收员的培训,但是传统的培训方式,效果往往有限,很重要的原因是,催收员在培训时看似学会了的东西,是否在实际沟通中能够用上,企业没有什么监督方式……总不能把每个人每天的所有通话录音,全部都再听一遍吧?

事实上,靠人力肯定不行,但是靠技术,已经可以了。

新一代可靠的技术,不仅可以“把全部录音都再听一遍”,看看催收员有没有按照采纳已知话术模板的内容,而且可以找出新的、有助于最终成功清收的话术和最佳实践,然后实时提醒普通催收员在沟通中也能采用最佳实践。

02 挖掘最佳实践

金牌催员一定抓住了各种债务人的心理,同时又最会说话,而不可能是因为他们运气永远最好,总能分到容易催的单子。所以,分析出金牌催收员在更具体的沟通场景中,“说得好的地方是什么”,是关键的一步。

假如把催收员与债务人的通话内容,拆散成一组一组的对话。就会发现,在面对同样的场景时——比如债务人表示“做生意失败,把钱都赔进去了”或者“离婚了,钱给前任用了”,金牌催收员跟普通催收员采取了不同的沟通策略,最终往往会导致不同的结果。

实际上,每家公司都会多少总结一些“话术模板”,催收员在遇到相应场景的时候,可以套着用。但是这些“话术模板”往往来自个人和团队经验,而没有经过充分的数据验证——数据验证可以帮助话术模板进行迭代。以及,话术模板有没有在实际沟通中被使用起来,难以做到规模化追踪。

其实,通过拆解每一通录音的沟通内容(说了什么),再结合沟通的结果——即“最终是否催回款项”进行分析,不仅能够验证已有的“话术模板”是否真的有效,而且能够发现更多有效话术。

当借助最新的人工智能(AI)和自然语言处理(NLP)技术,将沟通的过程完全数字化,并且将之与沟通的结果进行分析(是否催回款项),就会发现,大部分沟通的结果,与沟通过程中一些关键问题和关键场景下,关键信息点的传达是否到位有极强的相关性,因此可以分析出,面对同一种场景,哪种应对话术更有效。

借助对几十万通录音的语义分析,企业能够挖掘出尽可能多的有效话术。但是,知道了债务人提到什么内容,应该对应地回复什么内容会更有效之后,催员新人和普通催员,通常并不能立刻就在工作中,把这些最佳实践用起来。

因为沟通需要的是瞬间反应,只有把有效话术内化为自己的语言,或者有一套系统可以每时每刻及时提醒催员,当前沟通场景的有效话术是什么,才能真正让更多催员用上有效话术,尽可能像金牌催员一样够沟通。

03 实时辅助

如果给每个普通催员安排一个金牌催员,坐到身边,跟普通催员一起听电话,然后把自己会怎么应对,非常快速地打字打到电脑屏幕上,供普通催员参考……

这样的场景当然不可能存在。但是,AI技术却可以做到,模拟一个金牌催员,让它一起听电话,然后把最佳实践显示在屏幕上,供普通催员参考。具体来说,就是通过坐席实时辅助系统,实时转写通话录音成文本,实时分析句子的语义,识别出对话场景,然后在半秒钟之内给出参考话术。

举个例子。当遇到客户说逾期还款是因为“资金未回笼”时,系统会给出该场景下的参考话术:首先,对债务人的处境表示理解,然后告知对方逾期会产生罚息,造成更大损失,建议其找亲朋好友周转下。

系统之所以给出这个话术,是因为分析了过往大量的沟通内容和结果之后,了解到这个参考话术对于最终催回款项的帮助是最大的。

接下来的问题是,实时辅助系统及时给出了参考答案,但催收员还是懒得说,执行力很差,这种情况怎么办?

首先除了沟通中的实时辅助系统,还可以部署话术执行监督系统,通过每日报表的形式,管理者可以看到每个人、每个团队的执行情况。

然后结合业绩进行分析,如果是执行力很差,而且业绩也很差,那就需要加强培训或直接淘汰。如果是对推荐话术的采纳率不高,但是业绩却很强,说明这个员工或许有更好的应对方式。将更好的实践找出来,让其他人也能参考和采纳,这套实时辅助系统就能形成不断进化起来。

04 机器学习

实时辅助系统是怎么做到迅速识别出对话场景的?或者说,是怎么能够知道句子的语义的?

传统的方式,是使用关键词和正则表达式来做,就是提取说了什么词或字,这种做法局限性非常大,一方面因为语言表达很丰富,很难穷举出所有可能性;另一方面,即使人们说了某个或某些关键词,但并不是关键词的意思。更不用提,在将电话沟通语音转写为文字的时候,识别错误的内容已经对句子的语义造成了一定比例的损失。

比如说,疫情期间,一个人说他“没有上班”,其意思可能只是他没有去公司上班,并不代表他失业了,没有工作。需要结合上下文语义,才能知道“没有上班”的具体含义。

新一代的做法是用机器学习的方式来做。一段话的意思是什么,机器是怎么知道的?简单来说,是人教给机器人。人教给机器的方式,就是标注,找到几千个可能是相关意思的句子,然后找真人进行标注,这些句子中哪些是某个意思(正例),哪些不是某个意思(负例),然后经过训练算法模型,得到一个语义标签。

每个语义标签的算法模型,都需要通过这种方式进行生产,然后通过算法模型就能识别一个句子有没有命中相应的标签。

新一代的AI质检也是同样的原理。每个AI质检项,都是一个语义标签,需要经过人工标注的过程进行建模,然后通过模型来识别句子的语义是否命中了标签。

随着贷后催收行业受到的监管越来越严格,企业对质检的重视程度也越来越高,很多企业已经开始部署AI质检产品,相比仅使用传统的“关键词和正则”机器质检,新增AI质检之后,能发现的违规对话多出 2~10 倍。

05 结语

“过去大家普遍认为,人与人的沟通过程是非常个性化和多样化的,所以依赖标准化、结构化数据的AI技术很难带来实际帮助。”循环智能CEO陈麒聪表示,“正是得益于新一代的自然语言处理和深度学习技术的突破,企业才能更准确高效地识别出同一个语义的上百种表达方式,针对海量沟通内容的高效数据挖掘和信息提取才有了可能。”

据了解,循环智能在金融和贷后催收领域,服务多家头部标杆企业,包括招商银行、平安银行、众安保险、捷信、你我贷、人人贷、CBC、华道、锦创等。其核心团队来自清华大学和卡内基梅隆大学,在北京、上海和深圳均设有办公室。

最近,循环智能公布融资消息,红杉资本中国基金领投了该公司新一轮 1200 万美金的融资,万物资本和金沙江创投跟投。此前循环智能也获得包括真格基金、金沙江创投和靖亚资本在内的投资机构支持。CEO陈麒聪说,在互联网金融和贷后催收领域,循环智能始终致力于用AI机器学习提升每个催收员的产能,并带来更好的合规性。

点击以下链接领取《2020催收产能提升白皮书》和《2020智能质检白皮书》资料:

https://www.rcrai.com/get

[Source]

本文系未央网专栏作者发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!首图来自图虫创意。

本文为作者授权未央网发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!首图来自图虫创意。

本文版权归原作者所有,如有侵权,请联系删除。首图来自图虫创意。

评论


发表评论
您的评论提交后会进行审核,审核通过的留言会展示在上方留言区域,请耐心等待。
猜你喜欢

扫描二维码或搜索微信号“iweiyangx”
关注未央网官方微信公众号,获取互联网金融领域前沿资讯。