CN106713677A - 一种电力客户服务中心呼入话务量的预测方法 - Google Patents

Abstract

一种电力客户服务中心呼入话务量的预测方法，包括以下步骤：步骤一 分析话务服务内容信息，统计话务服务类别，归纳客户服务中心受理的主要问题；步骤二 基于3‑5年的历史数据，确定数据中噪点，分析影响话务量突增突减的因素，确认关键影响因素以及因素的影响值；步骤三按照时间周期分析呼入话务量的变化趋势，提取话务量周期性规律，建立话务量的预测模型。本发明的预测方法可以通过对话务量的有效预测，利用历史大数据样本，通过多种层次的影响因素分析，从而提高预测准确率，最大化现有话务业务座席利用率，提高电力公司精益化管理水平，节省话务建设投资成本，缩短客户服务需求响应时间。

Description

一种电力客户服务中心呼入话务量的预测方法

技术领域

本发明涉及通信技术领域，特别是涉及一种电力客户服务中心呼入话务量的预测方法。

背景技术

国家电网公司95598客户服务中心已经实现全国客服集中，相较于以往各省分布模式，座席代表数量与服务客户规模都空前庞大。此模式下无论是客户服务质量保障方面，还是座席合理调度方面，难度都呈几何倍数增加。如何能够在确保客户电话接入等待时间最短的前提下实现座席资源成本的有效控制，是当前95598客户服务面临的首要问题。而座席资源应该如何调度，首先取决于未来将会有多少用电客户的呼入话务量。目前，客户服务中心引入简单的预测模型预测未来话务量。该预测模型基于历史同期话务量数据，通过人工经验手动增加1-2个影响因子的影响值，生成未来同期预测话务量。此种方法预测的未来话务量，经过运行实践验证，对座席调度有一定的指导意义，但准确度较低、存在大量的人力资本浪费。

电力话务呼叫北方中心目前话务量预测方法采用预测模型与人工干预相结合方式。经人工分析总结，发现目前话务量主要有六大影响因素。其中，温度和天气、气温是常规影响因素，直接涉及到对话务量的预测。为了提高话务预测精度，话务预测人员需要不断总结分析以发现话务量预测主要影响因素。话务中心话务量预测时首先划分不同地区，按照不同省份具体情况具体分析，各省单独预测。预测模型选用基本的移动平均模型，模型已剔除特殊情况对话务预测的影响。如遇特殊日和特殊情况(如寒潮预警)，预测人员需要人工调整话务量预测策略以提高预测准确度。

现有话务预测方法在预测的智能性、科学性、准确性方面都有待进一步提高：

(1)对话务量的影响因素总结分析依赖人工经验，未通过大数据分析真正的影响因子以验证人工经验；

(2)因无法科学度量各影响因素对话务量预测的影响程度，话务量预测模型剔除了除温度、天气、气温因素外的其他影响因子，预测的准确度较低；

(3)话务预测影响因素依赖人工总结分析，且总结分析后无法自动修正预测模型，在实际预测中依赖预测人员的手动干预。

因此，迫切需要借助新技术手段，设计新的电力客户服务中心话务预测方法，提高话务预测的精确度，为客户服务中心座席资源管理提供有力支撑。

发明内容

本发明的目的是提供一种综合考虑多种影响、提供话务量预测准确度的电力客户服务中心呼入话务量的预测方法。

为实现上述发明目的，本发明提供的技术方案是：

一种电力客户服务中心呼入话务量的预测方法，包括以下步骤：

步骤一分析话务服务内容信息，统计话务服务类别，归纳客户服务中心受理的主要问题；

步骤二基于3-5年的历史数据，确定数据中噪点，分析影响话务量突增突减的因素，确认关键影响因素以及因素的影响值；

步骤三按照时间周期分析话务量的变化趋势，提取话务量周期性规律，建立话务量的预测模型。

进一步地，在步骤一中，对原始话务服务内容信息进行文本抽取，生成话务文本信息，在分词候选词典的基础上对文本信息进行分词，建立业务标签云，对话务业务受理问题进行分类，归纳出话务业务的主次级别，结合人工经验总结现有话务影响因素，统计话务服务类别。

进一步地，在步骤二中，所述分析话务量的变化趋势，基于历史数据，以可视化统计的方法分别分析话务量年总体、话务量月总体、话务量月内日、话务量一周内日以及单日每小时的波动趋势，

话务量预测以月份话务量数据为准，噪声影响值作用于月内日数据

分析所述单日每小时的波动趋势，将话务量高于均值1.5倍的小时数据确定为噪点，利用人工排查的方法，初步推断出有可能的某些原因，再逐条查证原因，确定关键影响因素并获得因素影响值。

进一步地，在步骤三中，其中，一周内日以及单日每小时的话务量数据判断话务业务量分布，去除噪点，所述建立话务量预测的时间序列分解加法模型模型。

进一步地，在步骤三中，去除噪点的步骤：将在步骤二中确定的噪点数据替换为噪点时段在相邻两天数据中的均值数据。

进一步地，在步骤三中，计算时段内话务量的均值，分解出周期性因子，构建时刻k的话务量的时间序列分解加法模型

其中，为小时均值，即每天每个小时的话务量均值，一共有24个；S_k(weekday)为星期性调整因子，一共有7个；I_k为残差项，属于时间序列分解中拟合正常噪声水平项。

采用上述技术方案，本发明具有如下有益效果：

第一，本发明的预测方法可以通过对话务量的有效预测，利用历史大数据样本，通过多种层次的影响因素分析，从而提高预测准确率，最大化现有话务业务座席利用率，提高电力公司精益化管理水平，节省话务建设投资成本，缩短客户服务需求响应时间。

第二，本发明的方法通过年、月、周、日趋势分析，总结历史话务量特征，提出并设计了计及特殊影响因素且适用于电力话务量预测模型。本发明以数据为基础建立一种自动分析及自动预警修正机制，减少人工经验干预，有效降低预测风险，节省人工预测成本。

附图说明

图1为电力客户服务中心呼入话务量的预测方法的流程图；

图2为一个优选实施例中话务服务内容分析的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的结构图及具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

图1为电力客户服务中心呼入话务量的预测方法的流程图，如图1所示，本发明提供了一种电力客户服务中心呼入话务量的预测方法，包括以下步骤：

步骤一分析话务服务内容信息，统计话务服务类别，归纳客户服务中心受理的主要问题；

步骤二基于3-5年的历史数据，确定数据中噪点，分析影响话务量突增突减的因素，确认关键影响因素以及因素的影响值；

步骤三按照时间周期分析话务量的变化趋势，提取话务量周期性规律，建立话务量的预测模型。

实施例2

在步骤一中，如图2所示，对原始话务服务内容信息进行文本抽取，生成话务文本信息，在现有话务影响因素分词候选词典的基础上对文本信息进行分词，建立业务标签云，对话务业务受理问题进行分类，归纳出话务业务的主次级别，统计话务服务类别。

在步骤二中，所述分析话务量的变化趋势，基于历史数据，以可视化统计的方法分别分析话务量年总体、话务量月总体、话务量月内日、话务量一周内日以及单日每小时的波动趋势，

话务量预测以月份话务量数据为准，噪声影响值作用于月内日数据，

通过可视化手段，分析话务量趋势

1)可视化分析——话务量年总体波动趋势

基于3-5年的历史数据，按照年份可视化展示每月话务量发展趋势。分析结果显示话务量总体波动并无年趋势，所以话务预测主要针对月份进行建模。

2)可视化分析——话务量月总体波动趋势

基于3-5年的历史数据，可视化展示不同年份1-12月每月话务量发展趋势。分析结果显示话务量没有总体月度趋势，所以话务量预测以月份话务量预测为主。

3)趋势分析——话务量月内日波动周期性

基于某年某月内日话务量数据，分析话务量的周期趋势。经研究表明，话务量有明显周期趋势，月内某些日出现突变噪声数据。因此话务量噪声预测以月份预测为主。

4)可视化分析——一周内日话务量趋势

基于某年某月内话务量数据，可视化展示每周内周一至周天话务量发展趋势。经研究发现，周末话务量相对较少、工作日话务量水平相对较高。

5)趋势分析——单日24小时话务量箱线图

基于某年某月某日话务量数据，分析单日24小时话务量发展趋势。经研究发现，日话务量有明显周期性：8:00-21:00为高峰时段；22:00-7:00为话务量低谷段。

分析噪点的步骤：分析所述单日每小时的波动趋势，将话务量高于均值1.5倍的小时数据确定为噪点，利用人工排查的方法，初步推断出有可能的某些原因，再逐条查证原因，确定关键影响因素并获得因素影响值。

实施例3

其中，一周内日以及单日每小时的话务量数据判断话务业务量分布，去除噪点，所述建立话务量预测的时间序列分解加法模型。

去除噪点的步骤：将在步骤二中确定的噪点数据替换为噪点时段在相邻两天数据中的均值数据。

构建时刻k的话务量的时间序列分解加法模型

其中，为小时均值，即每天每个小时的话务量均值，一共有24个；S_k(weekday)为星期性调整因子，一共有7个；I_k为残差项，属于时间序列分解中拟合正常噪声水平项。

以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种电力客户服务中心呼入话务量的预测方法，其特征在于：包括以下步骤：步骤一分析话务服务内容信息，统计话务服务类别，归纳客户服务中心受理的主要问题；

步骤二基于3-5年的历史数据，确定数据中噪点，分析影响话务量突增突减的因素，确认关键影响因素以及因素的影响值；

步骤三按照时间周期分析呼入话务量的变化趋势，提取话务量周期性规律，建立话务量的预测模型。

2.根据权利要求1所述的电力客户服务中心呼入话务量的预测方法，其特征在于：在步骤一中，对原始话务服务内容信息进行文本抽取，生成话务文本信息，在分词候选词典的基础上对文本信息进行分词，建立业务标签云，对话务业务受理问题进行分类，归纳出话务业务的主次级别，结合人工经验总结现有话务影响因素，统计话务服务类别。

3.根据权利要求1所述的电力客户服务中心呼入话务量的预测方法，其特征在于：在步骤二中，所述分析话务量的变化趋势，基于历史数据，以可视化统计的方法分别分析话务量年总体、话务量月总体、话务量月内日、话务量一周内日以及单日每小时的波动趋势，

话务量预测以月份话务量数据为准，噪声影响值作用于月内日数据；

分析所述单日每小时的波动趋势，将话务量高于均值1.5倍的小时数据确定为噪点，利用人工排查的方法，初步推断出有可能的某些原因，再逐条查证原因，确定关键影响因素并获得因素影响值。

4.根据权利要求1所述的电力客户服务中心呼入话务量的预测方法，其特征在于：在步骤三中，其中，一周内日以及单日每小时的话务量数据判断话务业务量分布，去除噪点，所述建立话务量预测的时间序列分解加法模型。

5.根据权利要求4所述的电力客户服务中心呼入话务量的预测方法，其特征在于，在步骤三中，去除噪点的步骤：将在步骤二中确定的噪点数据替换为噪点时段在相邻两天数据中的均值数据。

6.根据权利要求4所述的电力客户服务中心呼入话务量的预测方法，其特征在于：在步骤三中，计算时段内话务量的均值，分解出周期性因子，构建时刻k的话务量的时间序列分解加法模型

$\mathrm{\θ}\left(x_k\right)=f\left({\stackrel{\‾}{x}}_k\right(hour),S_k(weekday\left)\right)={\stackrel{\‾}{x}}_k\left(hour\right)+S_k\left(weekday\right)+I_k$

其中，为小时均值，即每天每个小时的话务量均值，一共有24个；S_k(weekday)为星期性调整因子，一共有7个；I_k为残差项，属于时间序列分解中拟合正常噪声水平项。