商业银行不良贷款余额增至2.84万亿，如何提高催收员产能？

银保监会刚刚公布的三季度银行业监管指标数据显示，2020年三季度末，商业银行不良贷款余额 2.84 万亿元，较上季末增加 987 亿元。这仅仅是商业银行的数字，消金互金公司的不良贷款余额同样水涨船高。

催收这个万亿级的市场，规模仍在扩大。它是金融体系不可或缺的一环，但又常常被“不确定性”笼罩。

“合规”是影响“不确定性”的最关键因素，它常常挂在每一个从业者、管理者的嘴边，然而每家机构实际上遵循的标尺，各不相同。

很大程度上是因为，对催收业务而言，“合规”既是生存问题，也是发展问题——这个行业里，没有人能忽视“合规”与“业绩”之间的相关性。不过，在不确定性中寻找确定性的企业，才能走得更远……

01 确定性

在合规问题上妥协，以换取业绩增长，是一条危险的捷径，充满了不确定性。以至于，每隔一段时间，就能看到某个金融机构因为催收不合规，而被处罚的消息。

但这个行业里也有确定的事情。比如，催收员的人员流动性很大，催收员新人和资深的催收员之间业绩水平可以相差两三倍，资深催收员和金牌催收员又有一定差距。

如果能够快速提升催收员新人的水平，持续提升资深催收员的水平，让他们更接近金牌催收员的表现，企业的业绩就能大幅度提升。

这是一条确定的路，也是一条更难的路。

甚至，很多从业者都想到了这条路，只是不知道具体应该怎么做。有些从业者已经加强了面向催收员的培训，但是传统的培训方式，效果往往有限，很重要的原因是，催收员在培训时看似学会了的东西，是否在实际沟通中能够用上，企业没有什么监督方式……总不能把每个人每天的所有通话录音，全部都再听一遍吧？

事实上，靠人力肯定不行，但是靠技术，已经可以了。

新一代可靠的技术，不仅可以“把全部录音都再听一遍”，看看催收员有没有按照采纳已知话术模板的内容，而且可以找出新的、有助于最终成功清收的话术和最佳实践，然后实时提醒普通催收员在沟通中也能采用最佳实践。

02 挖掘最佳实践

金牌催员一定抓住了各种债务人的心理，同时又最会说话，而不可能是因为他们运气永远最好，总能分到容易催的单子。所以，分析出金牌催收员在更具体的沟通场景中，“说得好的地方是什么”，是关键的一步。

假如把催收员与债务人的通话内容，拆散成一组一组的对话。就会发现，在面对同样的场景时——比如债务人表示“做生意失败，把钱都赔进去了”或者“离婚了，钱给前任用了”，金牌催收员跟普通催收员采取了不同的沟通策略，最终往往会导致不同的结果。

实际上，每家公司都会多少总结一些“话术模板”，催收员在遇到相应场景的时候，可以套着用。但是这些“话术模板”往往来自个人和团队经验，而没有经过充分的数据验证——数据验证可以帮助话术模板进行迭代。以及，话术模板有没有在实际沟通中被使用起来，难以做到规模化追踪。

其实，通过拆解每一通录音的沟通内容（说了什么），再结合沟通的结果——即“最终是否催回款项”进行分析，不仅能够验证已有的“话术模板”是否真的有效，而且能够发现更多有效话术。

当借助最新的人工智能（AI）和自然语言处理（NLP）技术，将沟通的过程完全数字化，并且将之与沟通的结果进行分析（是否催回款项），就会发现，大部分沟通的结果，与沟通过程中一些关键问题和关键场景下，关键信息点的传达是否到位有极强的相关性，因此可以分析出，面对同一种场景，哪种应对话术更有效。

借助对几十万通录音的语义分析，企业能够挖掘出尽可能多的有效话术。但是，知道了债务人提到什么内容，应该对应地回复什么内容会更有效之后，催员新人和普通催员，通常并不能立刻就在工作中，把这些最佳实践用起来。

因为沟通需要的是瞬间反应，只有把有效话术内化为自己的语言，或者有一套系统可以每时每刻及时提醒催员，当前沟通场景的有效话术是什么，才能真正让更多催员用上有效话术，尽可能像金牌催员一样够沟通。

03 实时辅助

如果给每个普通催员安排一个金牌催员，坐到身边，跟普通催员一起听电话，然后把自己会怎么应对，非常快速地打字打到电脑屏幕上，供普通催员参考……

这样的场景当然不可能存在。但是，AI技术却可以做到，模拟一个金牌催员，让它一起听电话，然后把最佳实践显示在屏幕上，供普通催员参考。具体来说，就是通过坐席实时辅助系统，实时转写通话录音成文本，实时分析句子的语义，识别出对话场景，然后在半秒钟之内给出参考话术。

举个例子。当遇到客户说逾期还款是因为“资金未回笼”时，系统会给出该场景下的参考话术：首先，对债务人的处境表示理解，然后告知对方逾期会产生罚息，造成更大损失，建议其找亲朋好友周转下。

系统之所以给出这个话术，是因为分析了过往大量的沟通内容和结果之后，了解到这个参考话术对于最终催回款项的帮助是最大的。

接下来的问题是，实时辅助系统及时给出了参考答案，但催收员还是懒得说，执行力很差，这种情况怎么办？

首先除了沟通中的实时辅助系统，还可以部署话术执行监督系统，通过每日报表的形式，管理者可以看到每个人、每个团队的执行情况。

然后结合业绩进行分析，如果是执行力很差，而且业绩也很差，那就需要加强培训或直接淘汰。如果是对推荐话术的采纳率不高，但是业绩却很强，说明这个员工或许有更好的应对方式。将更好的实践找出来，让其他人也能参考和采纳，这套实时辅助系统就能形成不断进化起来。

04 机器学习

实时辅助系统是怎么做到迅速识别出对话场景的？或者说，是怎么能够知道句子的语义的？

传统的方式，是使用关键词和正则表达式来做，就是提取说了什么词或字，这种做法局限性非常大，一方面因为语言表达很丰富，很难穷举出所有可能性；另一方面，即使人们说了某个或某些关键词，但并不是关键词的意思。更不用提，在将电话沟通语音转写为文字的时候，识别错误的内容已经对句子的语义造成了一定比例的损失。

比如说，疫情期间，一个人说他“没有上班”，其意思可能只是他没有去公司上班，并不代表他失业了，没有工作。需要结合上下文语义，才能知道“没有上班”的具体含义。

新一代的做法是用机器学习的方式来做。一段话的意思是什么，机器是怎么知道的？简单来说，是人教给机器人。人教给机器的方式，就是标注，找到几千个可能是相关意思的句子，然后找真人进行标注，这些句子中哪些是某个意思（正例），哪些不是某个意思（负例），然后经过训练算法模型，得到一个语义标签。

每个语义标签的算法模型，都需要通过这种方式进行生产，然后通过算法模型就能识别一个句子有没有命中相应的标签。

新一代的AI质检也是同样的原理。每个AI质检项，都是一个语义标签，需要经过人工标注的过程进行建模，然后通过模型来识别句子的语义是否命中了标签。

随着贷后催收行业受到的监管越来越严格，企业对质检的重视程度也越来越高，很多企业已经开始部署AI质检产品，相比仅使用传统的“关键词和正则”机器质检，新增AI质检之后，能发现的违规对话多出 2~10 倍。

05 结语

“过去大家普遍认为，人与人的沟通过程是非常个性化和多样化的，所以依赖标准化、结构化数据的AI技术很难带来实际帮助。”循环智能CEO陈麒聪表示，“正是得益于新一代的自然语言处理和深度学习技术的突破，企业才能更准确高效地识别出同一个语义的上百种表达方式，针对海量沟通内容的高效数据挖掘和信息提取才有了可能。”

据了解，循环智能在金融和贷后催收领域，服务多家头部标杆企业，包括招商银行、平安银行、众安保险、捷信、你我贷、人人贷、CBC、华道、锦创等。其核心团队来自清华大学和卡内基梅隆大学，在北京、上海和深圳均设有办公室。

最近，循环智能公布融资消息，红杉资本中国基金领投了该公司新一轮 1200 万美金的融资，万物资本和金沙江创投跟投。此前循环智能也获得包括真格基金、金沙江创投和靖亚资本在内的投资机构支持。CEO陈麒聪说，在互联网金融和贷后催收领域，循环智能始终致力于用AI机器学习提升每个催收员的产能，并带来更好的合规性。

打开以下链接领取《2020催收产能提升白皮书》和《2020智能质检白皮书》资料：

https://www.rcrai.com/get