干货 | 机器学习在酒店呼叫中心自动化中的应用

作者简介

周振伟，携程数据智能部数据科学工程师，同济大学硕士，主要承担酒店服务领域的数据分析和挖掘工作。

无论是出门旅游还是商务出行，在外能有一个舒适的住处，往往都是首先要解决的问题。OTA提供的酒店预订功能无疑为此提供了巨大的便利。

打开携程APP，看中一家不错的酒店下单后，会有一个等待酒店确认的过程。携程将用户预订的消息发送给酒店，酒店进行查房，确认是否有空余房间，然后回复携程，再由携程通知用户确认结果。这个过程通常在半小时到一小时内完成，很多时候只需十分钟，在这背后，携程的呼叫中心起到了重要的作用。

面对每天全国海量的出行和预订需求，避免用户长时间的等待，加上与酒店相关的各种复杂事宜，呼叫中心的工作一直在高度紧张和繁忙的氛围中进行。然而随着业务量的不断增长，完全靠人力完成这些工作效率是非常低的。在大数据和人工智能时代，我们自然会想到用数据的力量代替一部分人力工作，即实现和提升流程的自动化，提高工作效率。

本文以订单确认智能外呼为例，分享携程在提升呼叫中心自动化方面所做的工作，介绍携程是如何利用机器学习技术，改造呼叫中心外呼流程的。

1、呼叫中心职能

携程呼叫中心的职能主要包含以下四部分：

（1）订单确认前处理：从用户下单到确认订单为止的过程，称为前处理。确认订单是指用户下单后酒店确认是否可以正常入住，然后携程告知用户确认结果。除一部分房型可以直接确认用户不用等酒店回复以外，大部分房型都需要由酒店亲自确认。这部分房型只要有用户下单就必然经历这个过程，因此前处理是携程呼叫中心工作量最大的事务之一。

（2）订单确认后处理：从确认订单到用户入住和离店为止的过程，称为后处理。对用户来说，订单确认后只需到那一天到达酒店入住即可。对携程来说还有很多事宜需要和酒店沟通，例如入住人或时间变更、离店后的审核结算等。此外，确认订单时如果酒店告知房间已满无法入住，携程会通知用户并推荐用户改订其他酒店，该过程也属于后处理。

（3）用户订单操作：即通常所说的客服，接听用户来电，处理用户取消订单、修改入住人或时间、增加特殊要求、开发票等方面的需求。

（4）投诉处理：负责处理用户投诉

除处理投诉必须人工协调以外，其他三项职能的工作都有既定的流程，因此都包含大量重复性的工作。经过长期的工作积累发现，这些流程整体保持高效，但部分环节效率略低，可以用自动化的方式代替或改进。

2、订单确认智能外呼

上文提到，如果酒店长时间没有确认订单，呼叫中心会人工外呼给酒店催单。问题是，应该采取怎样的外呼策略，可以使订单确认外呼这项工作更加高效。

2.1 传统的订单外呼流程

传统的订单确认流程很简单，等待酒店回复——到指定时间仍未回复——人工外呼酒店。这是一个很自然的流程，然而实际效率并不高。主要有两点：

（1）向酒店发出预订消息后，只能一直等待，直到快要超时了再去催单吗？事实上，有些酒店确认订单的速度一向很慢，或者某个特殊的时段、某些特定的房型酒店总是很晚才给回复。可能我们已经预料到酒店会很晚才给回复，但也会等到指定时间外呼催单，这样用户就白白等待了很长时间。或者，我们可以提前外呼这些酒店催单？

（2）实际操作中发现，很多时候，酒店只是在电话里表示了解情况，通话结束后仍然过很久才给回复，那这次外呼就变得没有意义，可能酒店已经习惯或者确实需要那么多时间来做确认，有没有给酒店外呼结果是一样的。毕竟人力有限，不可能所有订单都做外呼，应该优先去做外呼有意义的订单，而可能无效的外呼就应暂缓。那么，在外呼之前，能否预判这次外呼是否有效？

顺着以上两个问题的思路，就把一个依次排队的傻瓜式外呼，转变为智能化的预测式外呼。这里的关键，就是要提前找出哪些订单需要提前外呼，以及预判外呼的有效性。这是一个需要自动执行的预测功能，机器学习在这里派上了用场。

2.2 改造后的智能外呼流程

改造后的预测式外呼流程加入了两个机器学习模型：回复时长预测模型和外呼有效性模型。

（1）通过回复时长预测模型，预测订单的回复时长是否会超过一定容忍范围。在容忍范围内回复的，暂时不用做什么。如果等到容忍范围后仍未回复，再进入队列准备外呼。预测回复时长超过容忍范围的，提前外呼，提前对可能需要很长时间回复的酒店进行催单。

（2）准备外呼前，每个订单由外呼有效性模型做一次判定，即本次外呼是否有效。判定为有效的，优先安排人工外呼；判定为无效的，说明此时电话打出去也没有意义，人工外呼延后。但为了应对模型误判，防止确认超时，我们会用IVR自动语音外呼做一次催单。如果IVR没有起作用，在剩下的时间里，就对这些仍未确认的订单安排人工外呼。

总结一下这个预测式外呼流程，我们把可能会很晚回复，并且立即外呼也是有效的订单，尽可能优先安排人工外呼；而其他需要较长时间回复，或者打电话不起作用的外呼延后。比起原本订单一个个排队外呼的方式，新流程对资源的分配更为合理。

2.3 模型的构建

下面介绍一下上面所用的两个模型。这是两个有监督模型，我们结合业务背景提取相关特征，构建数据集，离线进行模型训练。

以外呼有效性模型为例，决定外呼是否有效的因素有很多，包括下单所处的时间点，几天后入住，是否是特殊或热卖的房型，携程与酒店的合作关系，酒店历史的外呼数量，无效外呼数量，以及酒店的操作习惯等。训练过程中我们尝试了多种模型，最终选择XGBoost模型上线。

模型以及新流程上线后，对比上线前后一段时间的数据，总订单量增长了25%，而实际进行人工外呼额订单占比减少了1/3，同时确认用户的平均时长没有显著变化，说明在没有影响客户体验的前提下，通过以模型预测进行资源重新分配的方式，减少了大量无效外呼，流程得到了优化，呼叫中心工作的运行效率得到大幅提升。

3、总结和展望

以上我们介绍了大数据和机器学习在提升携程呼叫中心自动化方面的一些应用，重点介绍了预测式智能外呼的细节。这些项目的成功上线，验证大数据和机器学习在提升自动化，优化资源分配，改进流程提高效率方面可以发挥重要作用。我们分析现状，寻找流程中的不足和改进点，用机器学习加以改进，在其他项目中也值得借鉴。

未来携程将致力于打造一个全新的、更加数据化智能化的呼叫中心，从而更好地服务用户，为行业树立一个新的标杆。