Ai4
企业证实落地Agentic AI的核心基石是底层数据治理与可解释性,坚持“智能体建议、人类决策”才能在严守监管合规的同时最大化销售转化与长期留存。
AI-assisted summary of Using Agentic AI to Drive Customer Acquisition & Retention With CreditAssociates — original source. Check the original for full context.
Source published:
Detailed notes
## Background 该视频由 Ai4 于 2026 年 8 月 15 日发布在 YouTube 平台上。视频记录了 CreditAssociates 企业报告与分析副总裁 David Truty 的主题演讲,介绍了公司如何在现有高级分析能力的基础上引入 Agentic AI,以优化获客与留存,并兼顾信任、可解释性、合规性与执行一致性。
## TL;DR 面对销售队列机械抓取与多重 KPI(营销效率比、商机成本与结案成本)博弈的业务挑战,CreditAssociates 推出了聚焦获客与留存的 Next Best Action 智能体落地项目。团队历时一年夯实数据底座构建长期记忆,坚持“智能体建议,人类决策”的人机协同模式,并通过赋予模型极强的可解释性来赢得一线坐席与监管机构的信任。未来公司计划将智能体进一步扩展至客户服务与智能外呼等全生命周期触点,以此撬动留存率哪怕微小提升所带来的巨大商业回报。
## Atmosphere & style 演讲风格务实清醒、风趣干练,没有空洞的 AI 概念炒作,而是充满了一线实操的真实洞察与真诚经验。从体贴观众午餐时间的幽默开场,到坦言“枯燥的数据治理才是工程本质”与暂不公布未完全收敛数据的克制,演讲者展现出对金融强监管行业的高度敬畏。整场分享节奏明快,既有深度的业务架构解析,又有充满人情味的落地心法,临场感极强且极富说服力。
## Key takeaways - [01:19](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=79s) 债务减免业务本质是“信任行业”,由于客户身处绝望的财务低谷期,赢得并维持信任构成了技术选型与 AI 系统设计的底层硬性约束。 - [02:24](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=144s) 获客与留存是同一目标的连续阶段,客户最终能否履约留存并非始于签约之后,而是在选择签约何种资质客户时便已注定。 - [02:24](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=144s) 企业需协同平衡营销效率比 (MER)、每商机成本与每毕业客户成本三大 KPI,孤立追求廉价线索会直接损害长期的客户成功与结案毕业率。 - [02:24](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=144s) 债务化解的终极指标“毕业(Graduation)”具有长达数月乃至数年的业务滞后性,给模型验证与短期归因带来了独特的评估挑战。 - [05:42](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=342s) 在常规运营优化见顶后,留存率每变动 1% 即可带来数百万美元的商业价值,寻找并锚定高杠杆关键指标是争取 Agentic AI 预算与立项的战略起点。 - [05:42](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=342s) 枯燥的数据治理才是工程本质,建立跨部门的“单一事实来源”构成了智能体追踪用户多触点交互历史的“长期记忆系统”。 - [08:37](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=517s) Next Best Action 智能体融合了归因模型、实时数字行为与信贷合规数据,能够精准决断复杂的全局状态并指导坐席在最佳时机开展外呼。 - [08:37](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=517s) 模型部署中必须平衡“探索与利用(Exploration vs. Exploitation)”,主动向销售分配部分非高分样本以防算法过拟合并维持持续学习进化。 - [08:37](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=517s) 坚持“智能体建议,人类决策”的人机协同原则,A/B 测试证明为一线坐席提供清晰可解释的推荐理由能大幅提升信任度与实际转化率。 - [11:40](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=700s) 在强监管行业中可解释性是一项核心功能(Feature)而非合规税负(Tax),它不仅满足监管审计,更能防止一线代表怀疑系统并擅自脱轨操作。 - [11:40](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=700s) 智能体架构有效补齐了过往缺失的“执行一致性(Consistency)”,确保每一个线索在全生命周期各触点均按照统一的高标准规范进行跟进。 - [13:01](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=781s) 在获客留存场景验证后,企业计划将智能体架构横向拓展至客户服务履约(Servicing Agent)、支出风控以及 AI 智能外呼拨号器等全域板块。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=4s) 销售排队的困境与项目初衷
CreditAssociates 的企业报告与分析副总裁 David Truty 在 Ai4 大会上开启了他的分享。作为一家总部位于德克萨斯州普莱诺(Plano, Texas)的消费者债务减免公司,其业务一线每天都面临着极具代表性的挑战:销售代表每天登录系统后,面对的是排着数百通待呼叫电话的队列,而全天只有 8 个小时的工作时间。在公司过去的大部分时间里,团队的做法非常简单粗暴——直接从队列最顶端抓取下一条线索进行跟进。究竟该联系谁、何时联系、在电话中该沟通什么内容,构成了本次分享与整个 Agentic AI 落地项目的核心母题。
```mermaid flowchart LR accTitle: Sales Queue Prioritization Shift subgraph Traditional["传统模式"] A["数百条待呼叫线索"] --> B["从队列顶部机械抓取"] B --> C["缺乏针对性沟通"] end subgraph Agentic["Agentic AI 模式"] D["多维数据信号输入"] --> E["Next Best Action 智能体"] E --> F["高转化率/高毕业率精准触达"] end ```
- 演讲者承诺高效演讲,不耽误听众的午餐时间,并表达了向现场顶尖 AI 同行学习的谦逊态度。 - 本次分享主要围绕四个核心站点展开:CreditAssociates 的业务背景、业务痛点所在、AI 演进路线图、首个落地的智能体架构,以及如何在整个企业层面进行规模化推广。
---
[01:19](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=79s) 业务本质:建立在信任之上的债务化解
在 CreditAssociates 的业务模型中,客户通常深陷信用卡债务泥潭、倍感无助,公司通过提供定制化储蓄方案并代表客户进行债务协商,帮助其摆脱财务困境。在公司的发展历程中,他们已累计化解了超过 10 亿美元的债务,服务了数十万个账户。然而,David Truty 强调团队从不单纯认为自己处于“债务处理行业”,而是身处“信任行业(Trust Business)”。客户在人生中最绝望的财务低谷期向他们寻求帮助,如果失去了客户的信任,其他一切工作都毫无意义。这种对信任的执念,也成为了后续 AI 决策与落地过程中不可动摇的刚性约束。
---
[02:24](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=144s) 行业特殊约束与三大 KPI 的张力博弈
债务化解行业面临三大独特的业务约束:第一,一个错误的决策并不仅仅意味着错失了一笔潜在订单,而是意味着一个身处困境的人没有获得救助;第二,公司需要在错综复杂的美国联邦、州及地方监管法规下运作,所有操作必须具备完全的可解释性与可审计性;第三,整个项目的终极指标是“毕业(Graduation)”——即客户完成全部债务清偿、走向财务自由。然而,“毕业”是一个在初始签约入组(Enrollment)后数月乃至数年才会显现的滞后信号。
在营销与运营层面,公司将获客与留存视为同一目标的两个不同阶段,并依靠三项核心 KPI 来衡量每笔营销支出的有效性:
```mermaid flowchart TD accTitle: Balancing Three Core KPIs subgraph KPIs["核心衡量指标"] K1["营销效率比 (MER)<br/>投资组合层面的资金分配"] K2["每商机成本 (Cost per Opportunity)<br/>基于多触点归因 MTA 评估"] K3["每毕业客户成本 (Cost per Graduate)<br/>全程服务与结案的总成本"] end K1 <-->|追逐廉价线索 vs 严审准入资质| K3 ```
- **获客与留存的连续性**:留存并不是从签约后才开始的,而是从“决定签约谁”的那一刻便已注定。理想客户需具备符合条件的债务规模、真实的财务困境、项目履约资金能力,以及极高的入组并最终“毕业”的可能性。 - **孤立看指标的危险性**:若单独看某一个指标往往会产生误导。为了优化 MER,团队很容易倾向于购买低成本的劣质线索;而为了确保高毕业率,又必须极度挑剔客户资质。过度偏向任何一方都会破坏另一方,必须协同平衡。 - **个性化破局**:因失业刷爆信用卡与因突发医疗债务陷入困境是截然不同的情境,唯有在正确的时间向特定客户传递针对性的信息,才能在控制服务成本的同时拉动留存。
---
[05:42](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=342s) 业务挑战与三阶段 AI 路线图
在推行 AI 之前,由于缺乏精细化运营,仅按队列顺序作业导致销售指标难以达标;“千人一面”的服务方式拉高了服务成本并压缩了利润空间。更关键的是,公司此前已通过流程改造、话术优化和人员培训拿下了所有“低垂的果实(Low-hanging fruit)”,留存率哪怕只提升一个百分点,其带来的商业价值都高达数百万美元。常规手段见顶后,引入 Agentic AI 成为突破瓶颈的必然选择。
```mermaid flowchart LR accTitle: Three Phase AI Roadmap P1["第一阶段:数据基石<br/>单一事实来源、状态追踪与记忆构建"] --> P2["第二阶段:智能体落地<br/>聚焦获客与留存的 Next Best Action"] P2 --> P3["第三阶段:全域扩展<br/>推广至客户服务与债务清算等板块"] ```
- **数据基础决定成败**:正如会议演讲所强调的,AI 成功的关键不在于谁最快、谁花钱最多,而在于底座是否扎实。团队花费了去年整整一年的时间打磨第一阶段,统一销售、营销与运营部门的口径,建立集中且清洗干净的“单一事实来源(Source of Truth)”。 - **解答“状态问题(State Questions)”**:智能体要解决的不仅是客户好坏,而是复杂的全局状态判定——例如该客户被邮件营销触达了几次、是否看过数字广告、是否收到过直邮、最近一次互动在何时、是否有转化响应等。底层数据基石实际上充当了智能体的长期“记忆系统”。 - **阶段范围控制**:第二阶段严格聚焦于获客与留存验证,待模式成熟并积累足够业务势能后,再向客服与清算板块拓展。
---
[08:37](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=517s) Next Best Action 智能体落地与实战心法
在现阶段的架构中,系统汇集了来自多触点归因(MTA)、媒体混合模型(MMM)、用户行为、人口统计学,以及在合规前提下获取的信贷额度使用率(Trade Line Utilization)和信用分等数据信号。模型对线索进行评分排序并给出可解释的推荐理由,由 **Next Best Action 智能体** 接管并指引下一步具体动作,助力实现从触达到毕业的全周期目标。
在复盘智能体落地历程时,David 提到了三点关键洞察:
1. **底座价值释放与复杂状态决断**:传统专家模型或许能给出单一预测,但智能体能处理复杂的组合场景。比如面对一个昨天刚打开邮件并点击了行动号召(CTA)、仍处于该州合法外呼时间窗口内、同时排在 400 人呼叫队列中的特定线索,智能体可以精准评估并指导销售应该优先打给谁。 2. **销售协同与模型探索(Exploration vs. Exploitation)**:起初向销售团队宣讲时充满理想主义色彩,承诺大家都能轻松达标。但随着模型逐渐收敛,只挑高转化群体,团队不得不经历与销售管理层的“尴尬对话”——为了防止模型过拟合并持续学习,必须主动向销售分配一部分模型评分并不高的数据进行探索,这需要销售团队的理解与配合。 3. **坚持“智能体建议,人类决策”**:尽管分析团队追求快速高效的自动化决策,但 CreditAssociates 明确选择让智能体作为辅助顾问,最终决策权交给一线坐席。这绝非出于胆怯或保守,而是 A/B 测试的真实结果证明:当销售人员拿到附带清晰“推荐理由”且具备高度解释性的线索列表时,他们建立了对系统的信任,实际成交转化率远高于传统的机械呼叫。
[11:40](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=700s) 信任、可解释性与合规:将信任确立为核心工程原则
CreditAssociates 深刻认识到自身所处的是一个“以信任为核心”的行业,因此团队所部署的任何技术与模型系统,都必须严格通过两类受众的审视与检验:其一是第一线的销售代表,他们必须发自内心地信服系统给出的建议并据此采取行动;其二是外部监管机构,他们随时可能要求公司对其决策逻辑进行合规性解释。正因如此,信任绝非可有可无的附加项,而是从一开始就作为系统设计的硬性工程原则。
在智能体(Agent)系统的落地过程中,团队必须同时对信任度与模型收益进行优化。因为一旦业务代表对系统产生怀疑,开始脱离推荐逻辑擅自操作(“go rogue”),即便他们碰巧做对了几次,系统好不容易建立的信任机制也会瞬间瓦解。为了解决这一问题,系统强化了可解释性(Explainability),明确向销售代表展示决策背后的具体缘由——例如客户展现出“高签约意向”或是触发了特定的线上数字行为信号。与此同时,系统确保所有交互严格符合州法律、地方法律以及公司内部政策的合规要求。最后,智能体架构还补齐了过往长期缺失的关键一环:执行的一致性(Consistency),确保每一个线索在每次触达时都能按照相同的高标准与规范路径进行跟进。
```mermaid flowchart TD accTitle: Dual Audience Trust Gate and Agentic Principles subgraph Engine["智能体决策与策略引擎"] A["潜在线索与数字信号输入"] --> B["Agentic AI 决策与推荐"] end
subgraph TrustGates["双重受众审视卡点 (Trust Gates)"] B --> C["一线业务代表 (Sales Rep)"] B --> D["合规监管机构 (Regulator)"] end
subgraph CoreValues["核心工程落地价值"] C --> E["可解释性 (提供明确推荐原因)"] D --> F["政策合规 (州/地方法规与内控)"] E & F --> G["全流程一致性执行 (Consistency)"] end ```
- **双重受众审视**:销售代表需要确信并执行推荐;监管机构需要清晰透明的规则解释。 - **防止脱轨行为**:销售代表一旦对推荐失去信任,就会自行其是;因此算法优化中“信任度”与业务指标提升同等重要。 - **可解释性信号**:向业务前端清晰展示客户的高签约倾向评分及在线行为特征。 - **标准化一致性**:消除人为跟进差异,实现线索处理流程的高效统一。
---
[13:01](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=781s) 落地进展与全生命周期扩展蓝图
目前,底层核心预测模型已经构建完毕并投入稳定运行,上层的 Agentic 智能体层也正在紧锣密鼓地搭建与部署中。谈及具体带来的业绩提升数字时,演讲者幽默地指出幻灯片上的影响数值之所以暂时标注为“X”,是因为团队不想拿虚假的数据应付观众,真实的成果仍处于验证和赚取阶段。由于公司此前曾推动过留存率的变动,非常清楚留存率每提升一个百分点对整体业务意味着多少真金白银的价值,因此接下来的重点就是精确量化这一增量。不过,由于债务重组客户从签约到最终完成履约(“graduation”)的业务信号存在较长的滞后周期,团队目前必须保持耐心,预期在来年的大会上才能完整公布最终的成效数据。
在业务扩展规划上,团队目前刻意将试点范围保持在较窄的切口,但在验证成功之后,计划迅速将智能体架构横向拓展至整个客户生命周期: 1. **客户服务与履约(Servicing Agent)**:部署专门的客服智能体协助处理日常服务请求。 2. **支出与成本控制**:利用智能体监控并防止营销与运营支出超标失控。 3. **AI 外呼拨号器(AI Outbound Dialers)**:作为模型系统的一部分,目前已在着手构建智能外呼能力。
整套方案的核心愿景是在坚实的底层数据之上,不断扩大智能体覆盖的业务表面积,为客户旅程的每一个触点提供高度个性化且体验卓越的服务。
---
[14:28](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=868s) 三大核心心得与合作伙伴致谢
在分享的尾声,演讲者提炼了三条给企业实施 Agentic AI 项目的核心洞察与实践心得:
1. **枯燥的数据治理才是工程本质**:“boring data work really was the project”——清洗、整合与打通数据基座占据了绝大部分精力,但它是支撑后续一切智能决策的真正基石。 2. **在强监管行业中,可解释性是一项功能(Feature),而非额外负担(Tax)**:透明可追溯的逻辑不仅是满足合规的必备机制,更能反哺一线销售的采纳度。 3. **在业务中寻找那价值连城的“1%”**:找到能够撬动巨大商业价值的关键单点指标,正是明确了这 1% 留存率的商业价值,团队才成功申请到项目预算并将其打造为业务腾飞的发射台。
演讲者特别向长期合作伙伴 Kaizen Analytics 表达了感谢,坦言若没有他们过去数年间的紧密协作,CreditAssociates 无法顺利完成这一复杂的 Agentic AI 落地。最后,他幽默地为合作伙伴做了现场展位推广(展位号 500),并邀请大家前去交流并领取高尔夫球座纪念品,在掌声中结束了本次演讲。
## Notable quotes > [01:19](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=79s) 我们从不单纯认为自己处于债务处理行业,而是身处信任行业(Trust Business)。 — David Truty
> [02:24](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=144s) 留存并不是从签约后才开始的,而是从决定签约谁的那一刻便已注定。 — David Truty
> [05:42](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=342s) AI 成功的关键不在于谁最快、谁花钱最多,而在于底座是否扎实。 — David Truty
> [05:42](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=342s) 底层数据基石实际上充当了智能体的长期记忆系统。 — David Truty
> [08:37](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=517s) 为了防止模型过拟合并持续学习,必须主动向销售分配一部分模型评分并不高的数据进行探索。 — David Truty
> [08:37](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=517s) 当销售人员拿到附带清晰推荐理由且具备高度解释性的线索列表时,他们建立了对系统的信任,实际成交转化率远高于传统的机械呼叫。 — David Truty
> [11:40](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=700s) 一旦业务代表对系统产生怀疑,开始脱离推荐逻辑擅自操作(go rogue),即便他们碰巧做对了几次,系统好不容易建立的信任机制也会瞬间瓦解。 — David Truty
> [14:28](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=868s) 枯燥的数据治理才是工程本质(boring data work really was the project)。 — David Truty
> [14:28](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=868s) 在强监管行业中,可解释性是一项功能(Feature),而非额外负担(Tax)。 — David Truty
> [14:28](https://www.youtube.com/watch?v=jrabW5hKrmQ&t=868s) 在业务中寻找那价值连城的 1%:找到能够撬动巨大商业价值的关键单点指标。 — David Truty
## Mentioned David Truty, CreditAssociates, Ai4, Kaizen Analytics, Next Best Action, MTA, MMM
## Video description David Truty - VP, Corporate Reporting and Analytics, CreditAssociates
It has always been critical to acquire the right customers, optimize customer-related spend, and personalize engagement at every stage of the customer lifecycle. Agentic AI creates a huge opportunity for companies to increase customer acquisition and retention.
This presentation will cover how Agentic AI is helping CreditAssociates take their customer acquisition and retention to the next level, building on their existing advanced analytics capabilities and factoring in key themes of trust, explainability, compliance, and consistency.
[Source](https://www.youtube.com/watch?v=jrabW5hKrmQ)