CN107844915B - 一种基于话务预测的呼叫中心的自动排班方法 - Google Patents

Abstract

本发明公开一种基于话务预测的呼叫中心的自动排班方法，该排班方法将深度学习模型和传统机器模型进行堆叠，获得融合模型，并用该融合模型获得高精度的话务量预测结果，同时考虑了业务量的增长、营销因子等显著特征来修正话务量预测模型，提高了模型精度；采用了优化的遗传算法，满足复杂的排班约束，获得的排班结果更人性化。基于这种人力分配模式的转变，使得管理人员从繁重的排班中解放出来，更为公平的排班结果员工工作积极性得到进一步提高，使得智能人力分配系统更能提升客户的服务感知及满意度。

Description

一种基于话务预测的呼叫中心的自动排班方法

技术领域

本发明涉及通信技术领域，具体涉及一种基于话务预测的呼叫中心的自动排班方法。

背景技术

随着人力资源的量化管理，呼叫中心话务量预测的需求日益增加，同时对服务水平、坐席利用率和工时管理等方面的要求不断提高。在现有条件下，如何合理安排人力、提高话务接通率、优化现场管理成为目前面临的巨大挑战。科学合理的话务量预测模型是合理安排班表的重要依据，是呼叫中心实现高效率运营管理、降低运营成本、保证客户服务质量和水平的重要环节。

排班主要是根据公司实际业务发展需要，合理的安排各个时间段内上班人力，保证满足公司业务需求，且又不引起人力资源的浪费。一般企业中大都由管理人员或者专门的人员进行手动排班，该工作方式存在天然缺陷：

1、排班结果难以量化比较。

2、排班的效率低、耗时长，对排班人员的工作压力提出较高要求。

3、每个排班人员有自己的排班风格和偏好，会引起排班结果存在较大差异，对上班员工的自我调节能力存在一定的考验。

4、很难满足所有的公司的劳务规章和大多数员工的意愿。

发明内容

针对现有技术的不足，本发明提出一种基于话务预测的呼叫中心的自动排班方法，该排班方法能够快速、有效进行自动化业务量预测。具体技术方案如下：

一种基于话务预测的呼叫中心的自动排班方法，其特征在于，该方法包括如下步骤：

S1：采集数据库中的历史视频流水数据和人力资源池；

S2：根据所述的历史视频流水数据预测未来一段时间分钟为粒度的业务量模型，具体的业务量模型预测如下：

S2.1：选定需要预测的时间范围，抽取需要预测的时间范围前一年的历史视频流水数据；

S2.2：对历史视频流水数据做清洗、异常数据预警，输出统计类描述的报表；

S2.3：用深度学习模型以及传统机器模型堆叠的融合模型进行需要预测的时间范围内分钟粒度话务量和日话务量的预测，所述的融合模型生成步骤如下：

(1)根据需要预测的时间范围的前一年的话务量，以选定的一段时间为梯度，以分钟为粒度，用所述的选定的一段时间的话务流水作为模型的输入，以所预测的时间范围内的话务量数据作为模型的输出；

(2)采用深度学习长短期记忆网络算法的训练模型，该模型的隐藏层有4个神经元，激活函数用sigmoid，同时采用逻辑回归，随机森林，梯度提升树、X-gboost、Lightgbm训练模型，并将以上模型进行堆叠，形成一个融合模型；

S2.4：根据影响话务量的显著因子修正话务预测模型；

S3：根据客服业务处理的相关数据生成员工能力画像；

S4：根据S2生成的业务量模型、S3得到的员工能力画像测算分钟粒度的人力；

S5：根据S4测算的分钟粒度的人力生成班表，所述的班表包括班次个数、每个班所需人力及班次时间段；

S6：根据S4测算的分钟粒度的人力、S5的班表以及排班约束条件，采用遗传算法自动排班。

进一步地，所述的S3中生成员工能力画像的方法具体为：

S3.1：根据员工30s应答率、回复率、无效话务量、处理业务量、在线时长、好评度生成员工能力画像；

S3.2：根据画像，将员工能力分为高中低3个级别。

进一步地，所述的S5中的排班约束条件包括强约束和弱约束；

所述的强约束包括周期内休息总天数限制、连续上班天数限制、周期内总工时限制、每天各时段安排的人数不得超出可供使用的座席数量、残酷班次数均衡、双休次数均衡；

所述的弱约束包括员工休假意愿、周期内班次稳定、员工能力级别均衡。

进一步地，所述的S6中采用遗传算法自动排班的具体步骤如下：

(1)随机产生满足强约束条件的个体组成初始种群；

(2)根据所述的S4测算的分钟粒度的人力、所述的约束条件，采用时段预测和实际排班的人力之间的方差来计算个体的适应度；

(3)选择：采用轮盘赌选择算法，对于优良个体遗传，不参与交叉和变异；

(4)变异：采用分段单点变异；

(5)判断种群是否满足终止规则，所述的终止规则包括迭代次数为超过一定值，或者连续X次迭代个体适应度无改进，或者运行时间超过一定时间T；

(6)更新种群：当不满足终止规则时，通过选择、变异、优良个体遗传操作对所述的个体适应度进行比较调整，更新初始种群直至更新的种群满足终止规则，生成自动排班表。

进一步地，所述的清洗、异常数据预警具体为：

(1)对空数据补齐，使每天的记录数保持一致，对0数据附近的数据做平滑处理；

(2)异常数据预警：若为异常高点或者异常低点，则进行预警，根据历史相同时刻数据对每个时间点的异常数据做平滑性判断；

(3)月尾数据修正：根据月尾分为是28、29、30、31号不同的月份，把历史数据的月尾也平移到28、29、30、31号。

进一步地，所述的S2.4中的显著因子包括季节因子、节假日因子、营销因子、业务增长因子。

进一步地，所述的历史视频流水数据包括接入机柜编号、呼入时间、呼出时间、呼叫类型、坐席编号、话务处理业务量、呼入时间的客户数量、呼入时间点的业务数量。

进一步地，所述的S4中，根据S2生成的业务量模型、S3得到的员工能力画像测算分钟粒度的人力具体为：

在所述的需要预测的时间范围内，根据所述的预测话务量模型、员工能力画像、接通率、服务水平，使用Erlang-C公式，计算满足服务水平目标所需要的最少人员数量。

与现有技术相比，本发明的有益效果如下：

(1)本发明的排班方法将深度学习模型和传统机器模型进行堆叠，获得融合模型，并用该融合模型获得高精度的话务量预测结果，同时考虑了业务量的增长、营销因子等显著特征来修正话务量预测模型，提高了模型精度；采用了优化的遗传算法，满足复杂的排班约束，获得的排班结果更人性化；

(2)相对于现有技术，本发明在排班中考虑员工效率，引入员工的能力画像，且满足了每个班次有不同等级的员工，可以满足不同级别的客户。采用本发明的方法得到的排班的班次稳定，方便管理，使得员工上班舒适度提高。这种人力分配模式的转变，使得管理人员从繁重的排班中解放出来，更为公平的排班结果也提高了员工工作积极性。

附图说明

图1为本发明的基于话务预测的呼叫中心的自动排班方法的工作流程图；

图2为根据遗传算法自动排班的流程图。

具体实施方式

如图1所示，一种基于话务预测的呼叫中心的自动排班方法，包括如下步骤：

S1：采集数据库中的历史视频流水数据和人力资源池；

S2：根据所述的历史视频流水数据预测未来一段时间分钟为粒度的业务量模型，具体的业务量模型预测如下：

S2.1：选定需要预测的时间范围，抽取需要预测的时间范围前一年的历史视频流水数据，其包括接入机柜编号、呼入时间、呼出时间、呼叫类型、坐席编号、话务处理业务量、呼入时间的客户数量和呼入时间点的业务数量。

S2.2：对历史视频流水数据做清洗、异常数据预警，输出统计类描述的报表；

所述的清洗、异常数据预警具体为：

(1)对空数据补齐，使每天的记录数保持一致，对0数据附近的数据做平滑处理；

(2)异常数据预警：若为异常高点或者异常低点，则进行预警，根据历史相同时刻数据对每个时间点的异常数据做平滑性判断；

(3)月尾数据修正：根据月尾分为是28、29、30、31号不同的月份，把历史数据的月尾也平移到28、29、30、31号；

S2.3：用深度学习模型以及传统机器模型堆叠的融合模型进行需要预测的时间范围内分钟粒度话务量和日话务量的预测，所述的融合模型生成步骤如下：

(1)根据需要预测的时间范围的前一年的话务量，以3个月为梯度，以30分钟为粒度，用所述的选定的一段时间的话务流水作为模型的输入，以所预测的时间范围内的话务量数据作为模型的输出；

(2)采用深度学习长短期记忆网络算法的训练模型，该模型的隐藏层有4个神经元，激活函数用sigmoid，同时采用逻辑回归，随机森林，梯度提升树、X-gboost、Lightgbm训练模型，并将以上模型进行堆叠，形成一个融合模型；

基于历史观察数据去预测一系列连续的实数，传统的神经网络做不到这一点，但是循环神经网络(LSTM)可以解决该问题，LSTM能够存储历史信息来预测未来事件。话务量可以看作时间序列，可以把数据变成2列，第一列是第t个时段(同上把时间分为天数×48个时段)的话务量，第二列是第t+1个时间段的话务量。LSTM认为每个输入数据与前多少个陆续输入的数据有联系。例如具有这样用段序列数据“…ABCDBCEDF…”，当timesteps为3时，在模型预测中如果输入数据为“D”，那么之前接收的数据如果为“B”和“C”则此时的预测输出为B的概率更大，之前接收的数据如果为“C”和“E”，则此时的预测输出为F的概率更大。当激活函数为sigmoid或者tanh时，要把数据正则化。同上也是设定百分之70，3个月数据为训练数据，往后1个月为测试数据。X＝t and Y＝t+1时的数据，并且此时的维度为[samples,features]，投入到LSTM的X需要做这样的变换[samples,time steps,features]。

建立一个输入层有1个输入，隐藏层有4个神经元，输出层就是预测为1，激活函数用sigmoid，迭代100次，batch size为1的LSTM模型。

采用了传统的机器算法建立预测模型。决策树是机器学习中用于分类和回归的一种预测模型，将CART算法用于构建分时段话务量的预测模型。可以将第i天的分时段话务量比例可以表示为一个1×48的向量。该模型的评价函数，可以采用平均绝对相对误差来衡量。日期类型，星期，具体时间点对话务量有很大影响。这个得出的预测结论会比较可解释性。

为了提高准确率，还采用了一种更为强大的模型融合策略Stacking，即通过另一个学习器来结合。在第一个集合上训练多个学习器，在第二个集合上测试这几个学习器，把第三步得到的预测结果作为输入，把正确的回应作为输出，训练一个高层学习器，把预测数据带入到训练好的模型中。本实例中，训练数据为近一年的历史数据，预测数据位近半年的历史数据。数据划分成train,test，然后将train划分成不相交的几个部分train_1,train_2，...,train_n。采用一年数据，3个月为梯度，即train_1为1-3月数据，train_2，train_3，trian_4，使用不同的模型对train_1训练，对train_2和train_3，trian_4,test预测，生成4个1维向量，有多少模型就生成多少维向量。第二层使用前面模型对train_2生成的向量和label作为新的训练集，使用决策树，逻辑回归或者其他模型训练一个新的模型来预测test生成的向量。

输出预测日期的时段的话务量。

S2.4根据影响话务量的显著因子(包括季节因子、节假日因子、营销因子、业务增长因子)修正话务预测模型；

S3：根据客服业务处理的相关数据生成员工能力画像，具体为：

S3.1、根据员工30s应答率、回复率、无效话务量、处理业务量、在线时长、好评度生成员工能力画像；

S3.2、根据画像，将员工能力分为高中低3个级别。本实例中的高中低级别员工比例为10％，30％，60％。

S4：根据S2生成的业务量模型、S3得到的员工能力画像测算分钟粒度的人力，具体为：

在所述的需要预测的时间范围内，根据所述的预测话务量模型、员工能力画像、接通率、服务水平，使用Erlang-C公式，计算满足服务水平目标所需要的最少人员数量。

S5：根据S4测算的分钟粒度的人力生成班表，所述的班表包括班次个数、每个班所需人力及班次时间段；

接收公司原有班次数据，为了保障班次平稳过度，对班次不大调整，生成新的排班数据。

用智能算法预测时间内计算每个班次需要人数：根据排班方案，确定待排班的时间和每个待排班日期的班次，按照每半个小时段对每个工作时段进行分割得到多个时间点，并给每个时间点一个标志，最终可以得到每个班次的列表的四元组集合<班次，排班日期，标志时间点，人力需求>，其中所述“人力需求”项为空；利用遗传算法使每个班次在每个排班日期所需要安排的人力和预估最少座席人数进行最大程度的拟合，得到三元数组<排班日期，班次，人力需求>，计算得到最优值。

S6：根据S4测算的分钟粒度的人力、S5的班表及排班约束条件，采用遗传算法自动排班。

所述的S6中的排班约束条件包括强约束和弱约束，所述的强约束包括周期内休息总天数限制；连续上班天数限制；周期内总工时限制；每天各时段安排的人数不得超出可供使用的座席数量；残酷班次数均衡；双休次数均衡；

所述的弱约束包括：员工休假意愿；周期内班次稳定；员工能力级别均衡。

所述的S6中采用遗传算法自动排班的具体步骤如下(如图2所示)：

(1)随机产生满足强约束条件的个体组成初始种群；

由多个初始序列构成一个初始种群以便进行后续的并行搜索。需要满足公司规定的劳务需求，比如大夜班按顺序排班，周必须休息2天等强约束条件，在初始化种群时候，需要生成满足了以上强约束的规则的初始种群；

遗传算法的编码设计：本实例以排班日期为矩阵的行，以员工的编号为矩阵的列，根据实例，可以假定班次0-8是普通班权重一样，9-10是大夜班，11为休息班。

(2)根据所述的S4测算的分钟粒度的人力、所述的约束条件，采用时段预测和实际排班的人力之间的方差来计算个体的适应度；

适应度函数设计：为了保证高峰期服务质量，将高峰期某些班次设置一些冗余人数，本实例中为所需人数的1.1倍。让所需要安排的人力和预估最少座席人数进行最大程度的拟合，使得相差方差最小；

(3)选择：采用轮盘赌选择算法，对于优良个体遗传，不参与交叉和变异；

选择算子设计(复制或繁殖)：采用轮盘赌的方式，如果循环100次还没有得到结果，则退出本操作。

(4)变异：采用分段单点变异；

传统遗传算法常需要交叉操作，因为初始形成的是矩阵已经固定了部分班次(大夜班)，本发明不进行交叉操作；

遗传算法变异算子设计：变异操作采用分段单点变异，在每个段内都随机选择一个基因为进行变异，采用自适应变异算法，并计算变异后的种群适应度的变化；本实例中只能在同等类型班次中变异，为了保证一周内的排班稳定，个体变异有限制。

(5)判断种群是否满足终止规则，所述的终止规则包括迭代次数为超过一定值，或者连续X次迭代个体适应度无改进，或者运行时间超过一定时间T，则终止；

(6)更新种群：当不满足终止规则时，通过选择、变异、优良个体遗传操作对所述个体适应度进行比较调整，更新初始种群直至更新的种群满足终止规则，生成自动排班表。

分析班表，分析人力拟合度和员工排班满意度，若满足直接输出班表；若不满足，人工手工调整排班表,将最终的排班表展示给管理人员以及每个员工。

Claims (6)

1.一种基于话务预测的呼叫中心的自动排班方法，其特征在于，该方法包括如下步骤：

S1：采集数据库中的历史视频流水数据和人力资源池；所述的历史视频流水数据包括接入机柜编号、呼入时间、呼出时间、呼叫类型、坐席编号、话务处理业务量、呼入时间的客户数量、呼入时间点的业务数量；

S2：根据所述的历史视频流水数据预测未来一段时间分钟为粒度的业务量模型，具体的业务量模型预测如下：

S2.1：选定需要预测的时间范围，抽取需要预测的时间范围前一年的历史视频流水数据；

S2.2：对历史视频流水数据做清洗、异常数据预警，输出统计类描述的报表；

S2.3：用深度学习模型以及传统机器模型堆叠的融合模型进行需要预测的时间范围内分钟粒度话务量和日话务量的预测，所述的融合模型生成步骤如下：

（1）根据需要预测的时间范围的前一年的话务量，以选定的一段时间为梯度，以分钟为粒度，用所述的选定的一段时间的话务流水作为模型的输入，以所预测的时间范围内的话务量数据作为模型的输出；

（2）采用深度学习长短期记忆网络算法的训练模型，该模型的隐藏层有 4 个神经元，激活函数用sigmoid，同时采用逻辑回归，随机森林，梯度提升树、X-gboost、Lightgbm训练模型，并将以上模型进行堆叠，形成一个融合模型；

S2.4：根据影响话务量的显著因子修正话务预测模型；

S3：根据客服业务处理的相关数据生成员工能力画像；

S4：根据S2生成的业务量模型、S3得到的员工能力画像测算分钟粒度的人力；

S5：根据S4测算的分钟粒度的人力生成班表，所述的班表包括班次个数、每个班所需人力及班次时间段；

S6：根据S4测算的分钟粒度的人力、S5的班表以及排班约束条件，采用遗传算法自动排班；所述的排班约束条件包括强约束和弱约束；所述的强约束包括周期内休息总天数限制、连续上班天数限制、周期内总工时限制、每天各时段安排的人数不得超出可供使用的座席数量、残酷班次数均衡、双休次数均衡；所述的弱约束包括员工休假意愿、周期内班次稳定、员工能力级别均衡。

2.根据权利要求1所述的基于话务预测的呼叫中心的自动排班方法，所述的S3中生成员工能力画像的方法具体为：

S3.1：根据员工30s应答率、回复率、无效话务量、处理业务量、在线时长、好评度生成员工能力画像；

S3.2：根据画像，将员工能力分为高中低3个级别。

3.根据权利要求1所述的基于话务预测的呼叫中心的自动排班方法，所述的S6中采用遗传算法自动排班的具体步骤如下：

（1）随机产生满足强约束条件的个体组成初始种群；

（2）根据所述的S4测算的分钟粒度的人力、所述的约束条件，采用时段预测和实际排班的人力之间的方差来计算个体的适应度；

（3）选择：采用轮盘赌选择算法，对于优良个体遗传，不参与交叉和变异；

（4）变异：采用分段单点变异；

（5）判断种群是否满足终止规则，所述的终止规则包括迭代次数为超过一定值，或者连续X次迭代个体适应度无改进，或者运行时间超过一定时间T；

（6）更新种群：当不满足终止规则时，通过选择、变异、优良个体遗传操作对所述的个体适应度进行比较调整，更新初始种群直至更新的种群满足终止规则，生成自动排班表。

4.根据权利要求1所述的基于话务预测的呼叫中心的自动排班方法，所述的清洗、异常数据预警具体为：

（1）对空数据补齐，使每天的记录数保持一致，对0数据附近的数据做平滑处理；

（2）异常数据预警：若为异常高点或者异常低点，则进行预警，根据历史相同时刻数据对每个时间点的异常数据做平滑性判断；

（3）月尾数据修正：根据月尾分为是28、29、30、31号不同的月份，把历史数据的月尾也平移到28、29、30、31号。

5.根据权利要求1所述的基于话务预测的呼叫中心的自动排班方法，所述的S2.4中的显著因子包括季节因子、节假日因子、营销因子、业务增长因子。

6.根据权利要求1所述的基于话务预测的呼叫中心的自动排班方法，所述的S4中，根据S2生成的业务量模型、S3得到的员工能力画像测算分钟粒度的人力具体为：

在所述的需要预测的时间范围内，根据所述的预测话务量模型、员工能力画像、接通率、服务水平，使用Erlang-C公式，计算满足服务水平目标所需要的最少人员数量。

Images