一、策略中心产品介绍

我介绍一下创新的策略中心的产品。达摩院一直有一个目标，叫技术产品化。人工智能商业化中智能客服这一块相对比较成熟。AI服务有四个阶段，最开始是电话客服。第二个阶段是结合了在线客服的文本语音处理。第三个阶段是阿里小蜜。第四代是数字化服务，即数据驱动服务。数字化转型是企业未来十年的大趋势。包括云计算，大数据，人工智能，物联网，5G，区块链。

我们对标企业的客服中心原来是成本中心。它的主要目标是降本提效。随着时代的发展，客户中心从成本中心转换成价值中心。所以营收增长会成为客户中心的非常重要的功能和需求。

客户场景是对私域客户进行精准营销转换。我们针对自己的私域客户做咱们做精准的触达，做二次促销做复购，实际上是企业未来新的增长点。

客服场景是对私域客户进行精准营销转化的最佳触点。首先是机器人进行解决问题和业务办理。在满足一定的触达条件下，我们会转到人工，进行智能的作息分配。在这个场景中进行商品资源的推荐。

我们的智能策略中心是基于数据和模型的营销服务大佬。为我们解决人货场的匹配的问题。人就是我们的的用户。我们对用户进行人群圈选，对他们的营销意图作判断。然后我们的货就是服务资源，包括机器资源，人工资源。第三个就是厂。··我们要提供一些配套的工具，我们希望从被动服务走到主动服务。通过一些主动的调度，匹配，用更合适的服务资源去接待我们的客户。第二点，我们希望做成一个营销服务一体化。最后，我们的数据结合我们的模型，通过数据和模型打造我们的智能中枢。

二、策略中心场景介绍

这个图我们从右往左看，首先做一个营销人群的准备，包括寻找种子客户，建立私域客户库和商品信息的总结。第二步，进行人群圈选。第三步，做作息分配。首先考虑客户行为，客群属性，同时要考虑客服的能力和行为，然后进行职能分配。最后,帮助我们的客服做一些就金牌话术的培训。

第二个场景，当客户打电话进来。首先用机器人系统对接，机器人客服帮助他解决问题。我们后台会对人机对话内容做实时的分析。如果有一个好的机会触发营销的机会，可以转人工服务。

我们的产品有一个基于画布的方法，支持各种各样的规则，包括模型策略的配置。

我们会有一些完善的模型训练工具和一些营销小流量测试工具。

三、核心技术分享

这是我们的算法的架构。首先我们有模型管理。包括模型注册，管理和部署。第二块儿是我们模型的构建，包括模型词。我们有分配营销，包括预测决策的模型。同时我们有模型训练的工具，比如智能选择神经网络、结构搜索等训练工具。最后是数据处理，我们有数据清洗和特征转换。数据清洗包括异常检测，我们的数据缺失都有补充，包括标准化、交叉转换、和筛选。这些都是常见的数据模型，处理工具和结果。

举个例子，看看我们都用到了什么技术。首先是预测。包括我们的AI，机器学习或者深度学习。可以理解为它是一个敲门砖。现在叫做数据驱动，根据历史数据预测未来。我们一般有三大需求。分别是排班计划，短临调度和财务规划。以cco业务为例：长期预测(大于30天)：用于人员招聘。短期预测(7天-14天)：用于排班。补货等实时预测(15-30分钟)：用于实时人员分配，调度等。

根据多种各样多模态数据，我们会建立一个模型，把所有的数据融合起来。比如树结构比较稳定，效果容易看到。如果数据规模比较大，希望做一些深度学习的升级。从而得到更好的效果，所以我们会结合树结构和深度学习做一个升级，比如transformer就在这方面做了一些探索和应用。

关于服务量预测效果，首先从阿里内部有很多的服务。80%以上客户准确率完全高于之前的方法。尤其村淘、盒马等业务精细化预测后，准确率提升＞5pt。 

比如排班，服务量预测最大的应用就是排班。根据服务量的预测，我们对人员进行排班。其实人员排班是软约束和硬约束。在大量的约束条件下存在大规模优化的问题。我们需要考虑几个因素，第一个是客户的服务量。第二个是考虑人工客服的身体状况和其他要求。最后呢我们要保证效率，在满足约束条件下，实现最大化的运筹优化。

这个问题有三种解法，一种解法是混合整数规划。用一个精确的解法得到最优值，或者近似最优值的解。但它的复杂性会导致计算时间的增加，我们叫指数性增。实际上我们会采取启发式算法。虽然理论上没有保障，但我们可以利用一些经验，发掘一些算法，快速得到一个解法。

我们排班的效果有很多客户在应用。除了排班效率有提升，最大的优点是缩短排班时间，保障排班的拟合度。

从服务到营销是现在很大的需求。我们基于深度学习的模型，我们会加上一些控制调度的模型，给出一个真正的最优决策的模型。帮助企业客户管理他们的客户中心。

不管是预估精度，稳定性还是高效性。都有很好的效果。其中一个例子是外呼场景。我们有一个大客户，他们的互损率一直是15%。他们希望把互损率降到5%以下。所以在保证互通量的情况下，通过我们的算法把它的互损率降到了2%。所以算法在营销场景下有非常好的效果。

最后我们简单说一下实时调度，这是一个实时调度的大图。在学术界分配，调度，路由都叫做调度。但在业界，调度会有更多的细分。当你需要做实时调度，我们能够最大化的提升服务效率和保障，保证15秒到30秒的稳定接通率。

传统的算法可以用技术监督，学习规则和调度来做。这个优势在于对数据量的需求比较少，容易上手。缺点是没有考虑全盘的优化。强化学习的方法是要考虑到多周期和未来周期的影响，能够从数据中学习更好的规则。但是强化学习也有很多的局限性，在数据量不够的时候通过规则和监督学习的方法积累一些数据。在数据足够的情况下，再把强化学习的工具做上去。

比如说阿里内部在双十一的高峰期，30秒接起率提升了5.7%, 等待时长缩短了2.01秒。外部客户的呼损数相对降低5%，全天平滑度更高。秒接起率可以提高 3.1%, 等待时长缩短2.01秒。

最后一页稍微总结一下，什么是策略中心呢？策略中心是我们的多渠道。比如在线，热线和外呼各种场景的客户输入。首先通过机器人去解决一些简单的问题。如果营销企图的概率比较大，我们会触发人工服务，给他分配最佳的服务。实际上，在我们的客户场景里呢，我们可以把营销整体转换提升25%个百分点。