在行業爆發式發展的情況下，如何更加合規、高效、低成本地開展催收業務，成為催收行業，乃至整個金融行業必須考慮的問題。于是，機器催收、智能催收等概念開始受到行業追捧。在大數據、人工智能、語音識別、語義理解等一系列新技術的推動下，智能催收商業化正以驚人的速度登上歷史舞臺。

　　在過去的很長一段時間里，由于銀行的準入門檻較高、合規要求較高、利潤薄，催收行業的發展一直比較緩慢；但互聯網金融的崛起給催收市場帶來了前所未有的機遇，逾期金額較大導致市場對催收的需求增加，催收業的門檻也隨之降低了。

　　門檻的降低及需求大幅增長帶動催收行業快速發展，監管也隨之而來。相比較傳統的人工催收，智能催收可以避免人工催收出現的情緒化帶來的語言暴力，滿足各類金融機構合規催收的需求。

　　目前市場上大大小小的催收機構已經超過5000家，多的上萬人，少的幾十人，單純以傳統的人工模式來處理，已不能滿足金融企業的需求。為了解決催收市場人員缺口巨大、人力成本持續上升等問題，前期催收業務完全可以由機器替代以降低人力成本。

　　更重要的是，如今的人工催收模式在貸后管理、催收流程管理、人員分配等方面效率較低，大大制約了催收工作的開展。而智能催收則可以通過對流程的優化，以及貸后數據的分析等，有效提升催收的效率。

　　近年來，智能催收大數據的應用及海量語音庫的積累，為催收模型訓練提供了海量素材。隨著催收業務的快速增長，貸后數據與催收語音庫規模也呈現出指數增長，為催收模型訓練積累了大量數據。技術的日臻成熟，也讓智能催收逐漸成為行業未來發展的必然趨勢。

　　在整個金融行業的業務鏈條中，催收業務屬于鏈條的末端，主要針對貸后階段，智能催收的出發點就是對用戶進行分類，從而針對不同還款意愿和能力的用戶采取差異化的催收方式。

　　借助人工智能、機器學習等技術，智能催收可以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，從而對用戶進行分類。如果貸中模型預測用戶逾期概率較高時，可以在貸中階段盡早啟動預催收工作，從而減少逾期的發生，而貸后模型則通過對逾期情況進行精細化分析，幫助催收人員優化催收策略、有效配置資源。

　　尤其在貸后領域，智能催收的應用可以在外呼、質檢、報表、分案等多個層面為催收工作提供支持。比如，在智能外呼層面，催收機器人可以通過標準合規的話術與逾期人員進行溝通，同時通過語音合成、語義識別等較為準確地判斷客戶的意圖。

　　在智能質檢方面，過去的質檢都是通過人工聽錄音的方式完成，耗費了大量人力和時間，而智能質檢可以實時對外呼通話進行監控，實時捕捉催收員的情感、態度、不合規話術、敏感詞等，實時進行監控預警及評價，避免出現不合規的問題。

　　而智能報表的實現，可以讓貸后的管理更加精細化，不僅可以讓決策層更清晰地掌握公司整體回收率及成本收益情況，也能讓底層管理人員更清楚每個員工的通話時長、投訴情況、回款情況排名等，從而進行差異化的管理。

　　為了充分釋放智能催收的價值，百度智能云基于自身在云計算、語音技術、數據智能、知識圖譜等方面的經驗，打造了智能催收機器人，不僅可以基于風險預測識別，進行差異化的催收，還實現了催收的統一標準化，從而讓催收工作成本更低、更合規。未來，百度智能云還將繼續探索人工智能在金融領域的更多應用，全面助力金融行業的智能化升級。