客戶可聯(lián)率，即當日接通的客戶數(shù)除以當日撥打客戶數(shù)所得出的數(shù)字，它是影響公司主力業(yè)務(wù)線回款率的原因之一。那么，如何提升客戶可聯(lián)率呢？本文作者以一次模型實踐為例，對此進行了分析，一起來看一下吧。

一、業(yè)務(wù)背景

公司主力業(yè)務(wù)線回款率惡化較為明顯，經(jīng)分析，近期客戶撥打的可聯(lián)率比以往大幅度降低。

注：可聯(lián)率 = 當日接通的客戶數(shù)/ 當日撥打客戶數(shù)。

二、方案簡述

現(xiàn)行的方案：撥打策略是基于業(yè)務(wù)專家經(jīng)驗，每日撥打是固定次數(shù)、固定時間間隔，大量集中在每日特定幾個固定（經(jīng)驗認為的黃金撥打時段）時間點，每日撥打電話量大，系統(tǒng)并發(fā)要求高，但存在許多無效重播。

計劃的方案：是結(jié)合客戶畫像，差異化的預測出每一個客戶的多個容易撥通的時間段進行撥打，如此，不僅能提高接通率，還能減少每日撥打總量，降低系統(tǒng)并發(fā)要求。

注：目標制定上，盡管業(yè)務(wù)部門的終極目標是提升回款率。但考慮到客戶回款前的中間鏈路與不確定影響因素較多，而客戶可聯(lián)卻是本項目可直接作用的，故將客戶的可聯(lián)率作為本項目的考核指標。因此，一般建議將對業(yè)務(wù)目標有正向作用的，且策略可直接影響的指標作為項目目標。

三、項目實施

1. 數(shù)據(jù)分析與客戶分群

• 新客：是指入催次數(shù)較少的客戶；
• 老客：是指有過多次入催記錄的客戶，其中，極端老客是那種歷史上多次撥打均不可聯(lián)的客戶或及易撥打可聯(lián)的客戶，數(shù)據(jù)分析顯示，這一部分客戶對項目指標的提升的貢獻極小。而非極端老客是策略優(yōu)化的首要客群。

用于訓練和驗證的數(shù)據(jù)主要分布在2020-08-01～2021-03-28，當時的用戶數(shù)共216052。

2. 特征加工與選取

1）基本信息

籍貫、大區(qū)、省份、年齡、婚姻狀況、學歷、行業(yè)、職位、收入、房產(chǎn)信息、車貸信息、已有合同數(shù)、總款額、放款期數(shù)、渠道等。

2）撥打歷史

歷史中每個時間段的接通次數(shù)、平均通話時間、通話總時長、近一三六期通話時間、近一三六期通話質(zhì)量：交互次數(shù)、對話次數(shù)、近一三六期{kptp（承諾還款后實際還款）情況}、最一三六期是否拒絕還款、近一三六期跳票情況等。

3）還款表現(xiàn)

歷史各時段的接通次數(shù)、平均通話時間、通話總時長、近一三六期通話時間、近一三六期通話質(zhì)量：交互次數(shù)、對話次數(shù)、近一三六期{kptp（承諾還款后實際還款）情況}、最一三六期是否拒絕還款、近一三六期跳票情況等。

4）APP埋點數(shù)據(jù)

登陸時間、登陸次數(shù)、還款頁訪問時間、查賬頁訪問時間等。

5）設(shè)備采集數(shù)據(jù)

系統(tǒng)最新啟動時間、電池是否充電中、是否連接wifi等。

基于iv值、gini系數(shù)、相關(guān)性檢驗等分析：

3. 模型探索

結(jié)合模型指標、計算效率，本次選取XGBOOST模型。

4. 訓練效果

模型一：

模型二：

5. 線上AB測試

• 分流：近一個月內(nèi)累計撥打4w名客戶，其中測試組與對照組分流各占50%，系統(tǒng)保證（客戶號哈希）客戶特定客戶恒走老策略，特定客戶恒走新策略，新策略逐步切量。
• 結(jié)果：T(即賬單日)可聯(lián)率提升10.1%（回款率提升5.6%），非T日（即非賬單日），可聯(lián)率提升2.9%。

四、后記

本項目第一階段為期8周（數(shù)據(jù)探索2、模型訓練1，AB測試5），投入人力2人。既沒有用到特別復雜的模型，也沒有耗費過多的資源。本是一次不抱有過多期望的探索，卻意外取得了不錯的效果，并得到了公司高層的贊譽與推廣。

因此，在立項階段，要大膽嘗試，打破常規(guī)；在實施過程中，要少炫技，重結(jié)果。