CN105096058A - 一种应用于客服人员评分系统的数据处理方法和装置 - Google Patents

Abstract

本申请公开了一种应用于客服人员评分系统的数据处理方法和装置。该方法基于稀疏正则化模型从大量的预设评价指标中自动识别和辨析出多个关键指标。进而，采用层次分析法，确定所述多个关键指标对于客服评分这一问题的权重，从而根据多个关键指标的权重以及关键指标的实际指标值计算客服人员的综合评分。与现有技术相比，本发明将系数正则化方法和层次分析方法进行融合，提出了一种适用于客服人员评分系统的数据处理方法和装置，能够自动实现对客服人员的评分，减少了评分人员工作量，提高了工作效率。

Description

一种应用于客服人员评分系统的数据处理方法和装置

技术领域

本申请涉及客服服务领域，更具体地说，涉及一种应用于客服人员评分系统的数据处理方法和装置。

背景技术

为了提升对客户的服务能力，充分满足客户的不同要求，当前各个大型公司都建立了相应的客服中心，如国家电网的95598客服中心、移动公司的10086客服中心。客户只需要通过客服中心即可了解并办理相应的业务，无需去营业厅。

在客服中心，客服人员是连接公司与客户之间的重要纽带。客服人员的服务水平的高低很大程度上会影响客户对公司的满意度。为了提高客服人员的积极性，提升客服中心的运行效率，公司通常会按照一定的标准由专业的评分人员对客服人员的综合水平进行打分评价。

然而，随着客服人员的增加，以往由专业评分人员进行打分评价的方法工作量大，工作效率低。

发明内容

有鉴于此，本申请提供一种应用于客服人员评分系统的数据处理方法和装置，实现对客服人员的评分，减少评分人员的工作量，提高工作效率。

为了实现上述目的，现提出的方案如下：

一种应用于客服人员评分系统的数据处理方法，包括：

利用预先设置的稀疏正则化分类模型，从多个预设评价指标中选取多个关键指标；

基于层次分层法，确定所述多个关键指标的权重；

根据所述多个关键指标的权重以及客服人员基于所述多个关键指标的指标值，计算客服人员的综合评分。

优选的，所述利用预先设置的稀疏正则化分类模型，从多个预设评价指标中选取多个关键指标包括：

获取客服人员的多个预设评价指标、每个所述预设评价指标的指标值以及每个所述指标值对应的评价值；

将所述指标值以及所述评价值作为预先设置的稀疏正则化分类模型的输入量，利用所述稀疏正则化分类模型确定每个预设评价指标的重要性参考值；

根据所述重要性参考值的大小，从所述多个预设评价指标中选取多个关键评价指标。

优选的，所述稀疏正则化分类模型为L₀稀疏正则化分类模型、L_1/2稀疏正则化分类模型或L₁稀疏正则化分类模型。

优选的，所述稀疏正则化分类模型的损失函数为Logsitic损失函数、SVMHinge损失函数、平方Hinge损失函数或指数损失函数。

优选的，所述基于层次分层法，确定所述多个关键指标的权重，包括：

根据所述多个关键评价指标的重要性参考值，构建成对比较矩阵；

计算所述成对比较矩阵的最大特征值、最大特征值对应的归一化特征向量；

根据所述最大特征值，判断所述成对比较矩阵是否满足进行一致性检验；

若是，则将所述归一化特征向量作为所述多个关键指标的权重；

若否，重新构建成对比较矩阵，直到所述成对比较矩阵满足一致性检验。

优选的，所述根据所述多个关键指标的权重以及客服人员基于所述多个关键指标的指标值，计算客服人员的综合评分，包括：

获取客服人员基于所述多个关键指标的指标值；

根据所述多个关键指标的类型，按照预设归一化公式，对所述指标值进行归一化处理；

根据预设公式计算客服人员的综合评分；

其中，A表示客服人员的综合评分，B_i表示关键指标i的经过归一化处理后的指标值，C_i表示关键指标i的权重，N表示关键指标的个数。

一种应用于客服人员评分系统的数据处理装置，包括：

稀疏正则化分类单元，用于利用预先设置的稀疏正则化分类模型，从多个预设评价指标中选取多个关键指标；

层次分析单元，用于基于层次分析法，确定所述多个关键指标的权重；

评分单元，用于根据所述多个关键指标的权重以及客服人员基于所述多个关键指标的指标值，计算客服人员的综合评分。

优选的，包括：稀疏正则化分类单元包括：

数据采集子单元，用于获取客服人员的多个预设评价指标、每个所述预设评价指标的指标值以及每个所述指标值对应的评价值；

第一计算子单元，用于将所述指标值以及所述评价值作为预先设置的稀疏正则化分类模型的输入量，利用所述稀疏正则化分类模型确定每个预设评价指标的重要性参考值；

关键评价指标选取单元，用于根据所述重要性参考值，从所述多个预设评价指标中选取多个关键评价指标。

优选的，所述稀疏正则化分类单元为L₀稀疏正则化分类单元、L_1/2稀疏正则化分类单元或L₁稀疏正则化分类单元。

优选的，所述层次分析单元包括：

成对比较矩阵构建子单元，用于根据所述多个关键评价指标的重要性参考值，构建成对比较矩阵；

第二计算子单元，用于计算所述成对比较矩阵的最大特征值、最大特征值对应的归一化特征向量；

一致性检验子单元，用于根据所述最大特征值，判断所述成对比较矩阵是否满足进行一致性检验；

若是，则将所述归一化特征向量作为所述多个关键指标的权重；

若否，重新构建成对比较矩阵，直到所述成对比较矩阵满足一致性检验。

经由上述技术方案可知，本申请公开了一种应用于客服人员评分系统的数据处理方法和装置。该方法基于稀疏正则化模型从大量的预设评价指标中自动识别和辨析出多个关键指标。进而，采用层次分析法，确定所述多个关键指标对于客服评分这一问题的权重，从而根据多个关键指标的权重以及关键指标的实际指标值计算客服人员的综合评分。与现有技术相比，本发明将系数正则化方法和层次分析方法进行融合，提出了一种适用于客服人员评分系统的数据处理方法和装置，能够自动实现对客服人员的评分，减少了评分人员工作量，提高了工作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1示出了本发明一个实施例公开的一种应用于客服人员评分系统数据处理方法的流程示意图；

图2示出了本发明另一个实施例公开的一种应用于客服人员评分系统的数据处理方法的流程示意图；

图3示出了本发明另一个实施例公开的一种应用于客服人员评分系统的数据处理装置的结构示意图；

图4示出了本发明另一个实施例公开的一种应用于客服人员评分系统的数据处理装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1示出了本发明一个实施例公开的一种应用于客服人员评分系统数据处理方法的流程示意图。

该方法包括：

S101：利用预先设置的稀疏正则化分类模型，从多个预设评价指标中选取多个关键指标。

在对客服人员进行评价时通常从多个角度(如，工作饱和度、沟通能力、学习能力、细节导向能力、工作效率、遵守制度)对客服人员的进行评分，而每个角度均设置有多个预设评价指标。如，工作饱和度包括：平均通话时长、平均接听量和电话外拨量；沟通能力包括：满意率、有效满意率、服务评价满意率和班组成员客服评价平均成绩；学习能力包括：培训计划完成率、岗位技能和培训考试成绩；细节导向能力：推送率、工时利用率、对内投诉和三声铃声接听率；工作效率包括：平均案头时长、质检得分、业务测试成绩和工单质量；遵守制度：制单率、及时率、遵时率和出勤率。

由于上述的多个预设评价指标对客服人员评分的重要性不同，因而为了提高评分的准确度，本发明基于稀疏正则化分类方法，根据各个预设指标的重要性，从多个预设评价指标中选取多个关键评价指标。

S102：基于层次分层法，确定所述多个关键指标的权重。

根据选取的多个关键指标建立层次分析模型。其中，所述层次包括目标层、准则层和方案层。其中，将所述多个关键指标作为准则层的元素，其目标层为客服人员评分。进而，根据所述层次分析模型，确定所述多个关键指标对于目标层的权重。

S103：根据所述多个关键指标的权重以及客服人员基于所述多个关键指标的指标值，计算客服人员的综合评分。

比如，当确定关键指标为：平均接听量、满意率、推送率、平均通话时长和平均案头时长时，获取客服人员基于各个关键指标的指标值，如某个客服人员的平均接听量为1500。

进而，根据关键指标的类型，按照预设归一化公式，对所述指标值进行归一化处理。如关键指标的指标值越大越好时，则通过归一化公式对关键指标的指标值进行归一化处理，当关键指标的指标值越小越好时，则通过归一化公式对关键指标的指标值进行归一化处理。

其中，max(x_i)为所有客服人员中关键指标的指标值最大的指标值，min(x_i)为所有客服人员中关键指标的指标值最小的指标值。

进而，利用公式根据预设公式计算客服人员的综合评分。

其中，A表示客服人员的综合评分，B_i表示关键指标i的经过归一化处理后的指标值，C_i表示关键指标i的权重，N表示关键指标的个数。

由以上实施例可知：本申请公开了一种应用于客服人员评分系统的数据处理方法。该方法基于稀疏正则化模型从大量的预设评价指标中自动识别和辨析出多个关键指标。进而，采用层次分析法，确定所述多个关键指标对于客服评分这一问题的权重，从而根据多个关键指标的权重以及关键指标的实际指标值计算客服人员的综合评分。与现有技术相比，本发明将系数正则化方法和层次分析方法进行融合，提出了一种适用于客服人员评分系统的数据处理方法和装置，能够自动实现对客服人员的评分，减少了评分人员工作量，提高了工作效率。

参见图2示出了本发明另一个实施例公开的一种应用于客服人员评分系统的数据处理方法的流程示意图。

所述方法具体包括：

S201：获取客服人员的多个预设评价指标、每个所述预设评价指标的指标值以及每个所述指标值对应的评价值。

S202：将所述指标值以及所述评价值作为预先设置的稀疏正则化分类模型的输入量，利用所述稀疏正则化分类模型确定每个预设评价指标的重要性参考值。

需要说明的是，所述稀疏正则化分类模型可采用L₀稀疏正则化分类模型、L_1/2稀疏正则化分类模型或L₁稀疏正则化分类模型。在本实施例中为了提高模型的稀疏性和求解的高效性，采用L_1/2稀疏正则化分类模型，其中该模型的模型公式为：

$\hat{{\mathrm{\β}}_{L_{1/2^1}}}=\arg \underset{\mathrm{\β}}{min}\{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}l(y_i,f(x_i\left)\right)+\mathrm{\λ}\underset{i=1}{\overset{p}{\Σ}}|{\mathrm{\β}}_i{|}^{\frac{1}{2}}\}.$

其中，n表示评价样本的个数，每个评价样本中均包含客服人员的多个预设评价指标、每个所述预设评价指标的指标值以及每个所述指标值对应的评价值，不同的评价样本包含不同时间段的样本数据；x_i表示预设评价指标i的指标值；y_i表示指标值的评价值，通常该评价值为+1和-1，其中+1表示评价结果为“好”，-1表示评价结果为“一般”；p表示预设评价指标的个数；l(y_i,f(x_i))表示损失函数。

可选的，所述损失函数包括Logsitic损失函数、SVMHinge损失函数、平方Hinge损失函数或指数损失函数。在本实施例中采用平方Hinge损失函数作为L_1/2稀疏正则化分类模型的损失函数，以提高求解效率。

进而，将所得到的数据输入L_1/2稀疏正则化分类模型，从而得到每个预设评价指标的重要性参考值。如：

β＝(0.61,0.95,0.13,0.80,0.22,0.31,0.43,0.24,0.15,0.52,0.48,0.41,0.16,0.31,0.56,0.12,0.39,0.47,0.25,0.16,0.28,0.11)^T

S203：根据所述重要性参考值，从所述多个预设评价指标中选取多个关键评价指标。

利用步骤S202中所输出的结果，根据重要性参考值的大小选取多个关键评价指标。比如：选取5个评价指标作为关键指标，即平均接听量(重要性参考值为0.95)、满意率(重要性参考值为0.80)、推送率(重要性参考值额外0.72)、平均通话时长(重要性参考值为0.61)和平均案头时长(重要性参考值为0.56)。

需要说明的是，为了方便计算通常需要对关键指标的重要性参考值进行处理，采用1～9数字进行表示。即平均接听量(重要性参考值为9)、满意率(重要性参考值为8)、推送率(重要性参考值为7)、平均通话时长(重要性参考值为6)和平均案头时长(重要性参考值为5)。

S204：根据所述多个关键评价指标的重要性参考值，构建成对比较矩阵。

依据重要性参考值对各个关键评价指标的之间重要性进行比较，构建成对比较矩阵，如对上述5个关键评价指标可构建如下成对比较矩阵。

$A=\left[\begin{array}{ccccc}1& \frac{9}{8}& \frac{9}{7}& \frac{9}{6}& \frac{9}{5}\\ \frac{8}{9}& 1& \frac{8}{7}& \frac{8}{6}& \frac{8}{5}\\ \frac{7}{9}& \frac{7}{8}& 1& \frac{7}{6}& \frac{7}{5}\\ \frac{6}{9}& \frac{6}{8}& \frac{6}{7}& 1& \frac{6}{5}\\ \frac{5}{9}& \frac{5}{8}& \frac{5}{7}& \frac{5}{6}& 1\end{array}\right]$

S205：计算所述成对比较矩阵的最大特征值、最大特征值对应的归一化特征向量。

S206：根据所述最大特征值，判断所述成对比较矩阵是否满足进行一致性检验。

其中，一致性检验的公式为其中λ表示最大特征值，n表示关键指标的个数，RI可通下面的列表进行查询。

n	1	2	3	4	5	6	7	8	9	10
											RI	0.00	0.00	0.52	0.89	1.11	1.25	1.35	1.40	1.45	1.49

表1

当CR小于0.1时，则说明成对比较矩阵满足一致性检验，则将最大特征值对应的归一化特征向量作为所述多个关键指标的权重。若不满足一致性检验则需要重新构建成对比较矩阵，直到构建的成对比较矩阵满足一致性检验。

S207：根据所述多个关键指标的权重以及客服人员基于所述多个关键指标的指标值，计算客服人员的综合评分。

需要说明的是，步骤S207与上一实施例中步骤S103的实现过程相同，在此不作赘述。

参见图3示出了本发明另一个实施例公开的一种应用于客服人员评分系统的数据处理装置的结构示意图。所述装置与上述实施例中公开的一种数据处理方法相适应。

由图3可知，该装置包括：稀疏正则化分类单元1、层次分析单元和评分单元3。

其中，稀疏正则化分类单元用于利用预先设置的稀疏正则化分类模型，从多个预设评价指标中选取多个关键指标。

进而，层次分析单元基于层次分析法，确定所述多个关键指标的权重。

评分单元则根据确定的多个关键指标的权重以及客服人员基于所述多个关键指标的指标值，计算客服人员的综合评分。

需要说明的是，本实施例所公开的数据处理装置中各个执行单元具体的执行过程与方法实施例中的具体执行过程相同，在此不作赘述。

参见图4示出了本发明另一个实施例公开的一种应用于客服人员评分系统的数据处理装置的结构示意图。

与上一个装置实施例不同的是，在本实施例中该装置的稀疏正则化分类单元具体包括：数据采集子单元11、第一计算子单元12和关键评价指标选取单元13。

其中，数据采集子单元具体用于获取客服人员的多个预设评价指标、每个所述预设评价指标的指标值以及每个所述指标值对应的评价值。

第一计算子单元12将所述指标值以及所述评价值作为预先设置的稀疏正则化分类模型的输入量，利用所述稀疏正则化分类模型确定每个预设评价指标的重要性参考值。进而，关键评价指标选取单元根据所述重要性参考值，从所述多个预设评价指标中选取多个关键评价指标。

层次分析单元包括：成对比较矩阵构建子单元21、第二计算子单元22和一致性检验子单元23。

其中，成对比较矩阵构建子单元用于根据所述多个关键评价指标的重要性参考值，构建成对比较矩阵。进而，第二计算子单元计算所述成对比较矩阵的最大特征值、最大特征值对应的归一化特征向量。一致性检验子单元根据所述最大特征值，判断所述成对比较矩阵是否满足进行一致性检验。若满足一致性，则将所述归一化特征向量作为所述多个关键指标的权重；若不满足一致性则重新构建成对比较矩阵，直到所述成对比较矩阵满足一致性检验。

可选的，在上述装置实施例中所述稀疏正则化分类单元为L₀稀疏正则化分类单元、L_1/2稀疏正则化分类单元或L₁稀疏正则化分类单元。优选的，为了提高模型的稀疏性和求解的高效性，所述稀疏正则化分类单元为基于L_1/2稀疏正则化分类算法的L_1/2稀疏正则化分类单元。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种应用于客服人员评分系统的数据处理方法，其特征在于，包括：

利用预先设置的稀疏正则化分类模型，从多个预设评价指标中选取多个关键指标；

基于层次分层法，确定所述多个关键指标的权重；

根据所述多个关键指标的权重以及客服人员基于所述多个关键指标的指标值，计算客服人员的综合评分。

2.根据权利要求1所述的方法，其特征在于，所述利用预先设置的稀疏正则化分类模型，从多个预设评价指标中选取多个关键指标包括：

获取客服人员的多个预设评价指标、每个所述预设评价指标的指标值以及每个所述指标值对应的评价值；

将所述指标值以及所述评价值作为预先设置的稀疏正则化分类模型的输入量，利用所述稀疏正则化分类模型确定每个预设评价指标的重要性参考值；

根据所述重要性参考值的大小，从所述多个预设评价指标中选取多个关键评价指标。

3.根据权利要求1或2所述的方法，其特征在于，所述稀疏正则化分类模型为L₀稀疏正则化分类模型、L_1/2稀疏正则化分类模型或L₁稀疏正则化分类模型。

4.根据权利要求3所述的方法，其特征在于，所述稀疏正则化分类模型的损失函数为Logsitic损失函数、SVMHinge损失函数、平方Hinge损失函数或指数损失函数。

5.根据权利要求2所述的方法，其特征在于，所述基于层次分层法，确定所述多个关键指标的权重，包括：

根据所述多个关键评价指标的重要性参考值，构建成对比较矩阵；

计算所述成对比较矩阵的最大特征值、最大特征值对应的归一化特征向量；

根据所述最大特征值，判断所述成对比较矩阵是否满足进行一致性检验；

若是，则将所述归一化特征向量作为所述多个关键指标的权重；

若否，重新构建成对比较矩阵，直到所述成对比较矩阵满足一致性检验。

6.根据权利要求1所述的方法，其特征在于，所述根据所述多个关键指标的权重以及客服人员基于所述多个关键指标的指标值，计算客服人员的综合评分，包括：

获取客服人员基于所述多个关键指标的指标值；

根据所述多个关键指标的类型，按照预设归一化公式，对所述指标值进行归一化处理；

根据预设公式计算客服人员的综合评分；

其中，A表示客服人员的综合评分，B_i表示关键指标i的经过归一化处理后的指标值，C_i表示关键指标i的权重，N表示关键指标的个数。

7.一种应用于客服人员评分系统的数据处理装置，其特征在于，包括：

稀疏正则化分类单元，用于利用预先设置的稀疏正则化分类模型，从多个预设评价指标中选取多个关键指标；

层次分析单元，用于基于层次分析法，确定所述多个关键指标的权重；

评分单元，用于根据所述多个关键指标的权重以及客服人员基于所述多个关键指标的指标值，计算客服人员的综合评分。

8.根据权利要求7所述的装置，其特征在于，包括：稀疏正则化分类单元包括：

数据采集子单元，用于获取客服人员的多个预设评价指标、每个所述预设评价指标的指标值以及每个所述指标值对应的评价值；

第一计算子单元，用于将所述指标值以及所述评价值作为预先设置的稀疏正则化分类模型的输入量，利用所述稀疏正则化分类模型确定每个预设评价指标的重要性参考值；

关键评价指标选取单元，用于根据所述重要性参考值，从所述多个预设评价指标中选取多个关键评价指标。

9.根据权利要求7或8所述的装置，其特征在于，所述稀疏正则化分类单元为L₀稀疏正则化分类单元、L_1/2稀疏正则化分类单元或L₁稀疏正则化分类单元。

10.根据权利要求8所述的装置，其特征在于，所述层次分析单元包括：

成对比较矩阵构建子单元，用于根据所述多个关键评价指标的重要性参考值，构建成对比较矩阵；

第二计算子单元，用于计算所述成对比较矩阵的最大特征值、最大特征值对应的归一化特征向量；

一致性检验子单元，用于根据所述最大特征值，判断所述成对比较矩阵是否满足进行一致性检验；

若是，则将所述归一化特征向量作为所述多个关键指标的权重；

若否，重新构建成对比较矩阵，直到所述成对比较矩阵满足一致性检验。