作為計算機科學的分支之一，從上世紀50年代的圖靈測試開始，人工智能（Artificial Intelligence，AI）就試圖通過各種方式瞭解智能的實質。AI的目標是生產出能夠以與人類智能相似的方式做出反應的智能機器。機器人、語言識別、圖像識別、自然語言處理和專家系統等都屬於AI的研究範疇。
目前，AI在催收領域有哪些應用呢？據筆者瞭解，構建AI助力的催收模型，以及搭建能夠執行語音催收業務的智能催收機器人，是目前業內的兩個主要應用切入點。下面我將從理論角度，簡單探討下這兩個領域。
01 敲開智能化催收時代的大門
人工智能技術正在滲入各行各業，許多以科技為驅動的互聯網金融企業也開始走進智能化催收時代，筆者從業的信而富即是如此。
在粗放型催收時代，催收作業完全依靠人力完成，且沒有案件的分類，企業往往強調績效激勵，通過增加人均作業量，提升作業效率和加快作業進度。
隨著企業管理的深化，催收行業迎來精細化時代。催收案件被按照各種維度進行細分，包括案件逾期時間、客戶風險、響應可能性等，實現精細化分案催收。精細化催收的主要手段是電話和短信。
隨著AI技術逐漸進入應用階段，目前市場上的許多科技金融平臺已經向智能化催收領域挺近，從前述兩個切入點著手搭建全方位的智能催收體系。通過構建一系列AI模型，企業能夠實現催收策略、人員和話術等的實時推薦，而通過引入智能催收機器人，企業則能夠讓機器人代替人工，開展智能語音催收。
02 AI助力的智能催收模型體系
實現智能化催收的核心要點是構建催收的智能模型體系。這一構建過程包含以下內容：
1. 構建貸中/貸後AI模型，優化用戶分群；2. 構建基於深度學習的用戶畫像模型，提升用戶畫像的應用水平；3. 從優秀坐席人員的撥號習慣出發，構建號碼策略模型；4. 通過研究催收話術，構建專門用於催收的次序模型，結合用戶畫像，實時推薦催收話術；5. 通過對催收話術的研究，構建用於質檢的模型，實現7*24小時無盲點智能質檢。
構建催收的智能模型體系，需要多個AI模型的全方位介入，下面筆者介紹一下各類AI模型的構建。
a.貸中/貸後管理模型
構建貸中/貸後模型的出發點是實現用戶分群，從而針對不同還款意願和能力的用戶採取差異化的催收方式。
利用AI和機器學習技術，我們可以構建貸中/貸後模型，通過分析用戶的身份信息、交易與還款行為以及互聯網行為等數據，輸出用戶的逾期/還款概率，從而對用戶進行分群。
當貸中模型預測用戶逾期概率較高時，可以在貸中階段儘早啟動預催收工作，從而減少逾期的發生。基於設置，貸後模型能夠分別對逾期3日內、7日內和31日內的回款案件作出精細化分析，實時輸出各個回款案件的用戶還款概率。
在此基礎上結合實際業務操作和後續模型的構建，貸中/貸後模型能夠幫助回款工作人員優化分案流程，有效配置資源，針對不同情況採取不同的資源組合（機器人OR人工）和催收策略（短信、IVR語音通知、電話、上門拜訪等）。
b.用戶畫像模型
用戶畫像是指根據用戶的屬性、用戶偏好、生活習慣、用戶行為等信息而抽象出來的標籤化用戶模型。通俗說就是給用戶打標籤，而標籤是通過分析用戶信息，高度精煉得出的特徵標識。通過打標籤可以利用一些高度概括、容易理解的特徵來描述用戶，讓我們更容易理解用戶，同時也方便計算機處理。
在催收方面，用戶畫像解決的是具有怎樣特徵的人還款概率更高的問題。它的本質是一種定量的用戶畫像。如下圖所示，催收用戶畫像可以從目標、方式、組織、標準和驗證5個維度進行構建。
構建催收用戶畫像有三個關鍵步驟：
1. 以貸中/貸後模型的用戶分群為基礎；2. 收集實際業務中的催收數據，並在此基礎上做聚類分析；3. 構建催收用戶畫像。
催收用戶畫像在分析還款概率的貸中/貸後模型上更進一步，找出了不同用戶群體之間的相同特徵，能夠服務於催收作業的優化，增加用戶的觸達方式和修復觸達方式。
同時，這種特徵的提取還能反饋到貸前，成為信貸審批和反欺詐的依據。由於具有充分的數據佐證，這種方式構建的催收用戶畫像能夠通過統計分析獲得用戶特點和比例的精確數據。
c.撥號策略模型
回款作業中有時撥打用戶本人的電話可能無法聯繫到用戶，這時候就需要回款工作人員撥打其他相關電話，以與用戶取得聯繫。
根據統計，回款工作人員工作效率的差異很大程度上來源於撥號策略的選擇。撥號策略模型就是為此而生。
撥號策略模型將根據撥打效率和回款率等相關維度對催收坐席進行聚類分析，挑選通話效率高、回款率高的坐席作為研究數據。通過訓練，模型最終能夠根據目前的催收場景，給出號碼撥打的概率預測。
撥號策略模型能夠幫助精簡後臺信息，提升催收作業的效率。
d.話術策略模型
話術策略模型的最終目標是為一線催收人員提供話術策略建議。話術策略模型的輸入需要有完善的催收次序模型作為基礎，後者則需要眾多的借款人行為、徵信信息作為輸入，如身份信息、信用信息、社交信息、消費信息和第三方數據信息等。通過建模，我們可以將需要推薦的話術匹配到相應的模型。同時，我們也使用大量實際催收話術作為話術策略模型的訓練數據。
模型輸入脫敏後的大體數據格式如下表：
最終，話術策略模型將能夠根據客戶的觸達歷史，提供建議的應對話術，使優秀經驗得到固化和推廣。
03 智能催收機器人提速催收執行
智能催收機器人可以在催收執行環節進行語音催收，從而分擔人工電話催收的工作壓力，實現資源的更優配置。智能催收機器人能夠在經過訓練的語境下，完成對客戶的催收任務。從技術角度看，智能催收機器人可以實現單輪意圖解析和多輪對話的理解，並且在此基礎上實現話術的生成和指令的生成。基於設置的催收策略，智能催收機器人能夠與坐席人員完美配合、無縫銜接，提升催收工作的整體效率。
以筆者從業的信而富所採用的信知音智能催收機器人在早期催收場景中的應用為例。我們將催收案件隨機分為2組，分別用人工和智能催收機器人進行催收。實驗數據表明，信知音智能催收機器人處理逾期3日以內的回款案件的回款率可達到人工處理結果的90%以上。
如果智能催收機器人與人工協同作業，由智能催收機器人先行催收，由人工跟進未能有效處理的案件，根據實驗數據，這種機器人與人工搭配的作業方式在30天內的回款率與純人工催收方式沒有差別，並且對壞賬無實質影響。
這意味著，針對前期案件，智能催收機器人的催收效果較為理想，且相同時間內的處理量可以達到人工的兩倍以上，有著極大的應用前景。
04 爆發在即，AI或將顛覆催收
粗放型催收到精細化催收，再到智能化催收，催收行業進入轉型的關鍵時刻。業內人士認為，互聯網金融的崛起促成了催收行業的大爆發，對於催收人員的需求急劇上升。同時，互聯網金融客群的下沉和數量的激增，也讓傳統催收方式日益捉襟見肘。
如何使用技術手段助力催收作業，實現節約成本、優化體驗和改善效果的三重目標，成為互聯網金融行業的重要課題。
AI為我們提供了很好的想象空間。有證據表明，智能催收模型體系能夠顯著提升催收業務的效率，減輕催收業務人員的工作壓力，同時也能夠讓催收作業更加合規。
另一方面，智能催收機器人在早期催收中極有用武之地。並且，智能催收機器人的話術固定，不會存在情緒失控的情況，所使用的話術也經過人工審核，可以有效的杜絕話術違規的情況。在提升用戶體驗的同時，確保作業的合規性。此外，智能催收機器人運行穩定，過程記錄準確，且能夠在策略調整後快速上線，不像人工作業一樣需要培訓、宣導和質檢，能夠有效的節省企業的相關成本。
—— 本文作者 ——
章崢嶸
信而富研究院金融科技研究中心 資深研究員
閱讀更多 信而富 的文章
