9月24日，面向銷售場景的AI企業服務提供商循環智能（Recurrent AI）獲得由紅杉資本中國基金領投的1200萬美元融資，萬物資本和金沙江創投跟投。此前，循環智能也獲得了真格基金、靖亞資本和金沙江創投等機構的投資。

目前，循環智能已經與兩家頭部股份制商業銀行達成了合作，在保險、教育、房產等領域簽約了招商信諾、眾安保險、水滴、輕松籌、新東方在線、51Talk、自如、我愛我家等行業標桿客戶。

據了解，循環智能致力于借助原創的自然語言處理（NLP）和深度學習技術，為企業提供轉化率更高的精準銷售策略，并且為一線業務員提供AI輔助系統，提升其執行力。

成單預測“無需行為數據”

循環智能獨創了一項無需行為數據的成單預測方案，企業可以根據成單預測的結果，調整溝通策略，例如優先與哪些客戶進行溝通，或者應該把高意向客戶給哪些銷售來跟進等。

市面上的客戶成單預測模型，大部分是基于客戶瀏覽網站或App時產生的點擊等行為數據，以及客戶過往的訂單等業務數據進行建模的。但是，在保險、教育等很多銷售場景，在成交之前并沒有業務數據可以使用，也沒有用戶的行為數據，只有過往的電話錄音、文本記錄等數據。

那么，只用電話錄音或在線IM的文本記錄，是否可以進行成單意向預測呢？循環智能開創了無需行為數據的成單預測模型，并且在客戶的實際使用中可以帶來2~3倍的轉化率提升。這套成單意向預測模型，需要對接企業以往與客戶的溝通記錄，以及溝通的結果——即是否成單的數據，循環智能借助先進的自然語言處理技術，將成單的溝通數據作為“正例”，將未成單的溝通內容作為“負例”進行訓練，得到無需行為數據的成單預測模型。

以保險場景為例，循環智能的一家客戶企業通過這套模型來篩選出“已溝通但未成單”的海量線索中的高質量線索，然后再進行跟進，相比企業原有的隨機跟進或人工策略方案，跟進名單的轉化率可以提升至 3.0倍，通話時長提升至 1.6 倍。

AI模型對成單率的判斷比人更準，主要原因在于，AI模型學習到了所有成單對話的特征，而人只聽過少量的成單對話內容，判斷有局限性。在流量紅利殆盡，新線索獲取難而且成本高的情況下，通過提升存量線索的二次銷售轉化率，可為企業帶來 5%~10% 的業績提升。

AI提升一線業務員銷售能力

在企業數字化轉型的過程中，銷售過程的線上化成為主流趨勢。無論哪種銷售方式，涉及到高附加值、復雜產品的銷售時，人與人的溝通過程必不可少。但企業普遍面臨的挑戰是，大量一線業務人員的專業能力和溝通能力不足，尤其是在面對客戶提出的異議時，缺乏有效的應對策略，很容易導致意向客戶流失。

針對此挑戰，循環智能推出了一套提升銷售執行力的解決方案，通過AI技術挖掘優秀銷售的成單話術、溝通中的關鍵異議點和應對方式，然后為普通銷售和銷售新人提供溝通輔助系統，幫助他們更好地應對客戶的疑慮，延長通話時間，提升成單率。

在循環智能的一家金融客戶的對比測試中，兩組水平大致相當的業務員，使用和未使用實時輔助系統，在一段時間內的業績差距達到 50%。

“我們從多家客戶那里了解到，當業務員可以更好地應對客戶提出的異議，就能讓溝通的時間更長，最終的成單率也更高。所以銷售輔助系統的關鍵是，從過往的海量溝通數據和溝通的結果中，挖掘出最常遇到的異議點和最佳應答實踐。”循環智能CEO陳麒聰表示。

專注人與人溝通場景

過去大家普遍認為人與人的溝通過程是非常個性化和多樣化的，所以依賴標準化、“結構化”數據的AI技術很難帶來實際幫助。正是得益于新一代的自然語言處理和深度學習技術的突破，企業才能準確高效地識別出同一個“語義點”的上百種表達方式，針對海量溝通內容的數據挖掘和信息提取才有了可能。

據了解，循環智能聯合創始人楊植麟博士作為第一作者，與 Google AI 和卡內基梅隆大學聯合推出了深度學習模型 XLNet，該模型在 18 項自然語言理解任務中取得SOTA最優結果（state of the art）。根據 Google Scholars 統計，在 2019 年全球所有  NLP 論文中，XLNet 以 1000+ 引用量排在第一位。另一位聯合創始人、CTO張宇韜博士曾獲得北京市科學技術一等獎、吳文俊人工智能技術進步一等獎，并且入選了國家博士后創新人才支持計劃。

循環智能的產品支持本地化、私有云和公有云等靈活的部署方案，采用SaaS訂閱制的收費模式。CEO陳麒聰表示，接下來，循環智能將廣泛接入線上、線下等更廣闊的銷售場景，助力更多中大型企業實現業務、業績雙增長。