作者簡介
周振偉，攜程數據智能部數據科學工程師，同濟大學碩士，主要承擔酒店服務領域的數據分析和挖掘工作。本文來自周振偉在第二屆攜程云海機器學習沙龍上的分享。

無論是出門旅游還是商務出行，在外能有一個舒適的住處，往往都是首先要解決的問題。OTA提供的酒店預訂功能無疑為此提供了巨大的便利。

打開攜程APP，看中一家不錯的酒店下單后，會有一個等待酒店確認的過程。攜程將用戶預訂的消息發送給酒店，酒店進行查房，確認是否有空余房間，然后回復攜程，再由攜程通知用戶確認結果。這個過程通常在半小時到一小時內完成，很多時候只需十分鐘，在這背后，攜程的呼叫中心起到了重要的作用。

面對每天全國海量的出行和預訂需求，避免用戶長時間的等待，加上與酒店相關的各種復雜事宜，呼叫中心的工作一直在高度緊張和繁忙的氛圍中進行。然而隨著業務量的不斷增長，完全靠人力完成這些工作效率是非常低的。在大數據和人工智能時代，我們自然會想到用數據的力量代替一部分人力工作，即實現和提升流程的自動化，提高工作效率。

本文以訂單確認智能外呼為例，分享攜程在提升呼叫中心自動化方面所做的工作，介紹攜程是如何利用機器學習技術，改造呼叫中心外呼流程的。

1、呼叫中心職能

攜程呼叫中心的職能主要包含以下四部分：

（1）訂單確認前處理：從用戶下單到確認訂單為止的過程，稱為前處理。確認訂單是指用戶下單后酒店確認是否可以正常入住，然后攜程告知用戶確認結果。除一部分房型可以直接確認用戶不用等酒店回復以外，大部分房型都需要由酒店親自確認。這部分房型只要有用戶下單就必然經歷這個過程，因此前處理是攜程呼叫中心工作量最大的事務之一。

（2）訂單確認后處理：從確認訂單到用戶入住和離店為止的過程，稱為后處理。對用戶來說，訂單確認后只需到那一天到達酒店入住即可。對攜程來說還有很多事宜需要和酒店溝通，例如入住人或時間變更、離店后的審核結算等。此外，確認訂單時如果酒店告知房間已滿無法入住，攜程會通知用戶并推薦用戶改訂其他酒店，該過程也屬于后處理。

（3）用戶訂單操作：即通常所說的客服，接聽用戶來電，處理用戶取消訂單、修改入住人或時間、增加特殊要求、開發票等方面的需求。

（4）投訴處理：負責處理用戶投訴

除處理投訴必須人工協調以外，其他三項職能的工作都有既定的流程，因此都包含大量重復性的工作。經過長期的工作積累發現，這些流程整體保持高效，但部分環節效率略低，可以用自動化的方式代替或改進。

2、訂單確認智能外呼

上文提到，如果酒店長時間沒有確認訂單，呼叫中心會人工外呼給酒店催單。問題是，應該采取怎樣的外呼策略，可以使訂單確認外呼這項工作更加高效。

2.1 傳統的訂單外呼流程

傳統的訂單確認流程很簡單，等待酒店回復——到指定時間仍未回復——人工外呼酒店。這是一個很自然的流程，然而實際效率并不高。主要有兩點：

（1）向酒店發出預訂消息后，只能一直等待，直到快要超時了再去催單嗎？事實上，有些酒店確認訂單的速度一向很慢，或者某個特殊的時段、某些特定的房型酒店總是很晚才給回復。可能我們已經預料到酒店會很晚才給回復，但也會等到指定時間外呼催單，這樣用戶就白白等待了很長時間。或者，我們可以提前外呼這些酒店催單？

（2）實際操作中發現，很多時候，酒店只是在電話里表示了解情況，通話結束后仍然過很久才給回復，那這次外呼就變得沒有意義，可能酒店已經習慣或者確實需要那么多時間來做確認，有沒有給酒店外呼結果是一樣的。畢竟人力有限，不可能所有訂單都做外呼，應該優先去做外呼有意義的訂單，而可能無效的外呼就應暫緩。那么，在外呼之前，能否預判這次外呼是否有效？

順著以上兩個問題的思路，就把一個依次排隊的傻瓜式外呼，轉變為智能化的預測式外呼。這里的關鍵，就是要提前找出哪些訂單需要提前外呼，以及預判外呼的有效性。這是一個需要自動執行的預測功能，機器學習在這里派上了用場。

2.2 改造后的智能外呼流程

改造后的預測式外呼流程加入了兩個機器學習模型：回復時長預測模型和外呼有效性模型。

（1）通過回復時長預測模型，預測訂單的回復時長是否會超過一定容忍范圍。在容忍范圍內回復的，暫時不用做什么。如果等到容忍范圍后仍未回復，再進入隊列準備外呼。預測回復時長超過容忍范圍的，提前外呼，提前對可能需要很長時間回復的酒店進行催單。

（2）準備外呼前，每個訂單由外呼有效性模型做一次判定，即本次外呼是否有效。判定為有效的，優先安排人工外呼；判定為無效的，說明此時電話打出去也沒有意義，人工外呼延后。但為了應對模型誤判，防止確認超時，我們會用IVR自動語音外呼做一次催單。如果IVR沒有起作用，在剩下的時間里，就對這些仍未確認的訂單安排人工外呼。

總結一下這個預測式外呼流程，我們把可能會很晚回復，并且立即外呼也是有效的訂單，盡可能優先安排人工外呼；而其他需要較長時間回復，或者打電話不起作用的外呼延后。比起原本訂單一個個排隊外呼的方式，新流程對資源的分配更為合理。

2.3 模型的構建

下面介紹一下上面所用的兩個模型。這是兩個有監督模型，我們結合業務背景提取相關特征，構建數據集，離線進行模型訓練。

以外呼有效性模型為例，決定外呼是否有效的因素有很多，包括下單所處的時間點，幾天后入住，是否是特殊或熱賣的房型，攜程與酒店的合作關系，酒店歷史的外呼數量，無效外呼數量，以及酒店的操作習慣等。訓練過程中我們嘗試了多種模型，最終選擇XGBoost模型上線。

模型以及新流程上線后，對比上線前后一段時間的數據，總訂單量增長了25%，而實際進行人工外呼額訂單占比減少了1/3，同時確認用戶的平均時長沒有顯著變化，說明在沒有影響客戶體驗的前提下，通過以模型預測進行資源重新分配的方式，減少了大量無效外呼，流程得到了優化，呼叫中心工作的運行效率得到大幅提升。

3、總結和展望

以上我們介紹了大數據和機器學習在提升攜程呼叫中心自動化方面的一些應用，重點介紹了預測式智能外呼的細節。這些項目的成功上線，驗證大數據和機器學習在提升自動化，優化資源分配，改進流程提高效率方面可以發揮重要作用。我們分析現狀，尋找流程中的不足和改進點，用機器學習加以改進，在其他項目中也值得借鑒。

未來攜程將致力于打造一個全新的、更加數據化智能化的呼叫中心，從而更好地服務用戶，為行業樹立一個新的標桿。