催收這個萬億級的市場，規模仍在擴大。它是金融體系不可或缺的一環，但又常常被“不確定性”籠罩。
“合規”是影響“不確定性”的最關鍵因素，它常常掛在每一個從業者、管理者的嘴邊，然而每家機構實際上遵循的標尺，各不相同。
很大程度上是因為，對催收業務而言，“合規”既是生存問題，也是發展問題——這個行業裏，沒有人能忽視“合規”與“業績”之間的相關性。不過，在不確定性中尋找確定性的企業，才能走得更遠……
01 確定性
在合規問題上妥協，以換取業績增長，是一條危險的捷徑，充滿了不確定性。以至於，每隔一段時間，就能看到某個金融機構因為催收不合規，而被處罰的消息。
但這個行業裏也有確定的事情。比如，催收員的人員流動性很大，催收員新人和資深的催收員之間業績水平可以相差兩三倍，資深催收員和金牌催收員又有一定差距。
如果能夠快速提升催收員新人的水平，持續提升資深催收員的水平，讓他們更接近金牌催收員的表現，企業的業績就能大幅度提升。
這是一條確定的路，也是一條更難的路。
事實上，靠人力肯定不行，但是靠技術，已經可以了。
新一代可靠的技術，不僅可以“把全部錄音都再聽一遍”，看看催收員有沒有按照採納已知話術模板的內容，而且可以找出新的、有助於最終成功清收的話術和最佳實踐，然後實時提醒普通催收員在溝通中也能採用最佳實踐。
02 挖掘最佳實踐
金牌催員一定抓住了各種債務人的心理，同時又最會説話，而不可能是因為他們運氣永遠最好，總能分到容易催的單子。所以，分析出金牌催收員在更具體的溝通場景中，“説得好的地方是什麼”，是關鍵的一步。
假如把催收員與債務人的通話內容，拆散成一組一組的對話。就會發現，在面對同樣的場景時——比如債務人表示“做生意失敗，把錢都賠進去了”或者“離婚了，錢給前任用了”，金牌催收員跟普通催收員採取了不同的溝通策略，最終往往會導致不同的結果。
實際上，每家公司都會多少總結一些“話術模板”，催收員在遇到相應場景的時候，可以套着用。但是這些“話術模板”往往來自個人和團隊經驗，而沒有經過充分的數據驗證——數據驗證可以幫助話術模板進行迭代。以及，話術模板有沒有在實際溝通中被使用起來，難以做到規模化追蹤。
其實，通過拆解每一通錄音的溝通內容（説了什麼），再結合溝通的結果——即“最終是否催回款項”進行分析，不僅能夠驗證已有的“話術模板”是否真的有效，而且能夠發現更多有效話術。
當藉助最新的人工智能（AI）和自然語言處理（NLP）技術，將溝通的過程完全數字化，並且將之與溝通的結果進行分析（是否催回款項），就會發現，大部分溝通的結果，與溝通過程中一些關鍵問題和關鍵場景下，關鍵信息點的傳達是否到位有極強的相關性，因此可以分析出，面對同一種場景，哪種應對話術更有效。
因為溝通需要的是瞬間反應，只有把有效話術內化為自己的語言，或者有一套系統可以每時每刻及時提醒催員，當前溝通場景的有效話術是什麼，才能真正讓更多催員用上有效話術，儘可能像金牌催員一樣夠溝通。
03 實時輔助
如果給每個普通催員安排一個金牌催員，坐到身邊，跟普通催員一起聽電話，然後把自己會怎麼應對，非常快速地打字打到電腦屏幕上，供普通催員參考……
這樣的場景當然不可能存在。但是，AI技術卻可以做到，模擬一個金牌催員，讓它一起聽電話，然後把最佳實踐顯示在屏幕上，供普通催員參考。具體來説，就是通過坐席實時輔助系統，實時轉寫通話錄音成文本，實時分析句子的語義，識別出對話場景，然後在半秒鐘之內給出參考話術。
舉個例子。當遇到客户説逾期還款是因為“資金未回籠”時，系統會給出該場景下的參考話術：首先，對債務人的處境表示理解，然後告知對方逾期會產生罰息，造成更大損失，建議其找親朋好友週轉下。
系統之所以給出這個話術，是因為分析了過往大量的溝通內容和結果之後，瞭解到這個參考話術對於最終催回款項的幫助是最大的。
首先除了溝通中的實時輔助系統，還可以部署話術執行監督系統，通過每日報表的形式，管理者可以看到每個人、每個團隊的執行情況。
然後結合業績進行分析，如果是執行力很差，而且業績也很差，那就需要加強培訓或直接淘汰。如果是對推薦話術的採納率不高，但是業績卻很強，説明這個員工或許有更好的應對方式。將更好的實踐找出來，讓其他人也能參考和採納，這套實時輔助系統就能形成不斷進化起來。
04 機器學習
實時輔助系統是怎麼做到迅速識別出對話場景的？或者説，是怎麼能夠知道句子的語義的？
傳統的方式，是使用關鍵詞和正則表達式來做，就是提取説了什麼詞或字，這種做法侷限性非常大，一方面因為語言表達很豐富，很難窮舉出所有可能性；另一方面，即使人們説了某個或某些關鍵詞，但並不是關鍵詞的意思。更不用提，在將電話溝通語音轉寫為文字的時候，識別錯誤的內容已經對句子的語義造成了一定比例的損失。
比如説，疫情期間，一個人説他“沒有上班”，其意思可能只是他沒有去公司上班，並不代表他失業了，沒有工作。需要結合上下文語義，才能知道“沒有上班”的具體含義。
新一代的做法是用機器學習的方式來做。一段話的意思是什麼，機器是怎麼知道的？簡單來説，是人教給機器人。人教給機器的方式，就是標註，找到幾千個可能是相關意思的句子，然後找真人進行標註，這些句子中哪些是某個意思（正例），哪些不是某個意思（負例），然後經過訓練算法模型，得到一個語義標籤。
新一代的AI質檢也是同樣的原理。每個AI質檢項，都是一個語義標籤，需要經過人工標註的過程進行建模，然後通過模型來識別句子的語義是否命中了標籤。
隨着貸後催收行業受到的監管越來越嚴格，企業對質檢的重視程度也越來越高，很多企業已經開始部署AI質檢產品，相比僅使用傳統的“關鍵詞和正則”機器質檢，新增AI質檢之後，能發現的違規對話多出 2~10 倍。
05 結語
“過去大家普遍認為，人與人的溝通過程是非常個性化和多樣化的，所以依賴標準化、結構化數據的AI技術很難帶來實際幫助。”循環智能CEO陳麒聰表示，“正是得益於新一代的自然語言處理和深度學習技術的突破，企業才能更準確高效地識別出同一個語義的上百種表達方式，針對海量溝通內容的高效數據挖掘和信息提取才有了可能。”
最近，循環智能公佈融資消息，紅杉資本中國基金領投了該公司新一輪 1200 萬美金的融資，萬物資本和金沙江創投跟投。此前循環智能也獲得包括真格基金、金沙江創投和靖亞資本在內的投資機構支持。CEO陳麒聰説，在互聯網金融和貸後催收領域，循環智能始終致力於用AI機器學習提升每個催收員的產能，並帶來更好的合規性。