CN107872593B - 坐席分配的方法及装置 - Google Patents

Abstract

本发明涉及一种坐席分配的方法及装置，所述坐席分配的方法包括：在客服中心接收到电话呼入后，从客户业务数据的数据库中提取出与所述电话呼入的标识关联的客户的关键特征，所述关键特征包括客户的属性信息、电话呼入之前的接触信息、服务活跃信息和/或价值观信息；基于预先训练得到的分析模型将所述关键特征与各个空闲的坐席的关键特征进行配对，以配对出最优坐席，并将所述电话呼入分配给所述最优坐席进行处理。本发明能够为客户分配最优坐席，以有效地为客户解决问题。

Description

坐席分配的方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及一种坐席分配的方法及装置。

背景技术

目前，对于服务提供商(例如，金融服务提供商或者保险服务提供商等)，一般都会提供客服中心以为客户提供咨询、质疑、投诉或建议等普适性服务，在客户电话呼入客服中心时，由客服中心的服务器按照工作流程随机为客户分配坐席。

然而，由于无法预见客户所要提供的服务，且每一坐席人员的提供的服务各有特点，因此随机分配坐席的方式通常无法为客户分配到最好的坐席，从而无法有效地为客户解决问题，甚至会引起反复处理的情况，运营成本高。

发明内容

本发明的目的在于提供一种坐席分配的方法及装置，旨在为客户分配最优坐席，以有效地为客户解决问题。

为实现上述目的，本发明提供一种坐席分配的方法，所述坐席分配的方法包括：

S1，在客服中心接收到电话呼入后，从客户业务数据的数据库中提取出与所述电话呼入的标识关联的客户的关键特征，所述关键特征包括客户的属性信息、电话呼入之前的接触信息、服务活跃信息和/或价值观信息；

S2，基于预先训练得到的分析模型将所述关键特征与各个空闲的坐席的关键特征进行配对，以配对出最优坐席，并将所述电话呼入分配给所述最优坐席进行处理。

优选地，所述分析模型为逻辑回归模型，所述步骤S2之前包括：

S201，获取预设时间内的预设数量的客服中心的呼入记录样本，提取每一呼入记录样本中客户的特征信息和坐席的特征信息，将客户的各类特征信息分别与坐席的各类型的特征信息进行关联配对，以生成关联特征集合；

S202，根据预定的分析规则对各关联特征集合中的各个特征进行分析，以分析得到训练特征；

S203，获取所述训练特征中预设的第一比例的训练特征作为训练集，获取所述训练特征中预设的第二比例的训练特征作为验证集，利用所述训练集训练预先确定的逻辑回归模型，以训练得到逻辑回归模型，并利用所述验证集验证训练得到的逻辑回归模型的准确率；

S204，若所述准确率大于等于预设阈值，则训练结束，或者，若所述准确率小于预设阈值，则增加所述呼入记录样本的数量并重新进行训练。

优选地，所述步骤S202包括：

S2021，对于各关联特征集合的各个特征，获取对应在所述呼入记录样本中客户反馈信息为满意的特征，计算所获取的特征的支持度或置信度；

S2022，获取所述支持度大于预设支持度或者大于所述关联特征集合的所有特征的支持度的平均值的特征，或者获取所述置信度大于预设置信度的特征或者大于所述关联特征集合的所有特征的置信度的平均值的特征，以所获取的特征作为所述训练特征。

优选地，所获取的特征的支持度为包含该特征的关联特征集合的数量占所有关联特征集合的数量的百分比，所获取的特征的置信度为该特征的支持度与该特征中的一分特征的支持度的商。

优选地，所述步骤S2之前还包括：

获取所述训练特征中预设的第三比例的训练特征作为测试集，所述第一比例、第二比例及第三比例的和小于等于1；

利用所述测试集对训练结束后得到的逻辑回归模型进行测试，并生成测试报告。

为实现上述目的，本发明还提供一种坐席分配的装置，所述坐席分配的装置包括：

提取模块，用于在客服中心接收到电话呼入后，从客户业务数据的数据库中提取出与所述电话呼入的标识关联的客户的关键特征，所述关键特征包括客户的属性信息、电话呼入之前的接触信息、服务活跃信息和/或价值观信息；

配对模块，用于基于预先训练得到的分析模型将所述关键特征与各个空闲的坐席的关键特征进行配对，以配对出最优坐席，并将所述电话呼入分配给所述最优坐席进行处理。

优选地，所述分析模型为逻辑回归模型，所述坐席分配的装置还包括：

关联模块，用于获取预设时间内的预设数量的客服中心的呼入记录样本，提取每一呼入记录样本中客户的特征信息和坐席的特征信息，将客户的各类特征信息分别与坐席的各类型的特征信息进行关联配对，以生成关联特征集合；

分析模块，用于根据预定的分析规则对各关联特征集合中的各个特征进行分析，以分析得到训练特征；

训练模块，用于获取所述训练特征中预设的第一比例的训练特征作为训练集，获取所述训练特征中预设的第二比例的训练特征作为验证集，利用所述训练集训练预先确定的逻辑回归模型，以训练得到逻辑回归模型，并利用所述验证集验证训练得到的逻辑回归模型的准确率；

处理模块，用于若所述准确率大于等于预设阈值，则训练结束，或者，若所述准确率小于预设阈值，则增加所述呼入记录样本的数量并重新进行训练。

优选地，所述分析模块具体用于对于各关联特征集合的各个特征，获取对应在所述呼入记录样本中客户反馈信息为满意的特征，计算所获取的特征的支持度或置信度；获取所述支持度大于预设支持度或者大于所述关联特征集合的所有特征的支持度的平均值的特征，或者获取所述置信度大于预设置信度的特征或者大于所述关联特征集合的所有特征的置信度的平均值的特征，以所获取的特征作为所述训练特征。

优选地，所获取的特征的支持度为包含该特征的关联特征集合的数量占所有关联特征集合的数量的百分比，所获取的特征的置信度为该特征的支持度与该特征中的一分特征的支持度的商。

优选地，所述坐席分配的装置还包括：

测试模块，用于获取所述训练特征中预设的第三比例的训练特征作为测试集，所述第一比例、第二比例及第三比例的和小于等于1；利用所述测试集对训练结束后得到的逻辑回归模型进行测试，并生成测试报告。

本发明的有益效果是：本发明在客服中心接收到电话呼入后，从客户业务数据的数据库中提取出与该电话呼入的标识关联的客户的关键特征，然后利用预先训练得到的分析模型对客户的关键特征及各空闲的坐席的关键特征进行配对，以配对得出最优坐席，由该最优坐席来处理客户的电话呼入，本实施例并不随机为客户分配坐席，而是通过分析模型配对出的最优坐席，由最优坐席来处理客户的电话呼入，能够有效、快速地为客户解决问题，降低运行成本。

附图说明

图1为本发明坐席分配的方法第一实施例的流程示意图

图2为本发明坐席分配的方法第二实施例的流程示意图；

图3为图2所示步骤S202的细化流程示意图；

图4为本发明坐席分配的装置第一实施例的结构示意图；

图5为本发明坐席分配的装置第二实施例的结构示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，图1为本发明坐席分配的方法一实施例的流程示意图，该坐席分配的方法包括以下步骤：

步骤S1，在客服中心接收到电话呼入后，从客户业务数据的数据库中提取出与所述电话呼入的标识关联的客户的关键特征，所述关键特征包括客户的属性信息、电话呼入之前的接触信息、服务活跃信息和/或价值观信息；

本实施例中，客户业务数据的数据库中存储有每一客户的客户业务数据，客户业务数据包括客户的身份信息、业务信息及每次呼入至客服中心的沟通记录等。在客服中心的服务器在接收到电话呼入后，从客户业务数据的数据库中提取出与电话呼入的标识(例如电话号码)关联的客户的关键特征。

该关键特征包括客户属性信息(例如，年龄、性别、职业及籍贯等)、呼入电话之前的接触信息(例如，最近一年投诉次数或服务次数、最近一次服务满意度及最近一年的平均呼入电话时长等)、服务活跃信息(例如，最近一年接受服务的次数等)和/或价值观信息(例如，对社会的悲观/乐观程度，该价值观信息可以在客户办理业务时通过让客户填写评价问卷分析得出)。

步骤S2，基于预先训练得到的分析模型将所述关键特征与各个空闲的坐席的关键特征进行配对，以配对出最优坐席，并将所述电话呼入分配给所述最优坐席进行处理。

本实施例中，预先训练得到一分析模型，训练得到的分析模型的参数能够确定。该分析模型可以将电话呼入的客户的关键特征与多个空闲坐席的关键特征进行配对，以从多个空闲坐席中配对得到最优坐席。优选地，该分析模型为逻辑回归模型。其中，坐席的关键特征包括坐席人员属性信息(例如，年龄、性别、籍贯、职级及绩效等)、行为信息(例如，最近一个月日均电话量、最近一个月电话服务时长等)和/或客户满意度信息(例如，客户满意电话占比、不满意电话占比等)。

具体地，可将电话呼入的客户的关键特征与多个空闲坐席的关键特征输入至该分析模型中，分析模型将各空闲坐席的各类型的关键特征与电话呼入的客户的各类型的关键特征进行配对，例如，将各空闲坐席的属性信息与电话呼入的客户的属性信息进行配对、将各空闲坐席的行为信息与电话呼入的客户的呼入电话之前的接触信息进行配对、将各空闲坐席的客户满意度信息与电话呼入的客户的呼入电话之前的接触信息进行配对等等，以配对出最优坐席，然后将该电话呼入分配给该最优坐席进行处理。

本实施例中，配对得出的最优坐席例如为：其属性信息与电话呼入的客户的属性信息最相近(例如年龄最相近、籍贯相同、坐席人员的职级与客户的职业相当(例如客户的职业为偏于脑力劳动型及企业型的，则配对的最优坐席的职级为高职级))、其行为信息与电话呼入的客户的呼入电话之前的接触信息最相当(例如客户最近三个月投诉或服务的次数较多，则配对的最优坐席的日均电话量为最高且服务平均时长不超过预设时间阈值)、其客户满意度与电话呼入的客户的接触信息最相当(例如客户最近三个月投诉或服务的次数较多，则配对的最优坐席的客户满意度较高)等等。

与现有技术相比，本实施例在客服中心接收到电话呼入后，从客户业务数据的数据库中提取出与该电话呼入的标识关联的客户的关键特征，然后利用预先训练得到的分析模型对客户的关键特征及各空闲的坐席的关键特征进行配对，以配对得出最优坐席，由该最优坐席来处理该电话呼入，本实施例并不随机为客户分配坐席，而是通过分析模型配对出的最优坐席，由最优坐席来处理客户的电话呼入，能够有效、快速地为客户解决问题，降低运行成本。

在一优选的实施例中，如图2所示，在上述图1的实施例的基础上，上述步骤S2之前包括：

S201，获取预设时间内的预设数量的客服中心的呼入记录样本，提取每一呼入记录样本中客户的特征信息和坐席的特征信息，将客户的各类特征信息分别与坐席的各类型的特征信息进行关联配对，以生成关联特征集合；

S202，根据预定的分析规则对各关联特征集合中的各个特征进行分析，以分析得到训练特征；

S203，获取所述训练特征中预设的第一比例的训练特征作为训练集，获取所述训练特征中预设的第二比例的训练特征作为验证集，利用所述训练集训练预先确定的逻辑回归模型，以训练得到逻辑回归模型，并利用所述验证集验证训练得到的逻辑回归模型的准确率；

S204，若所述准确率大于等于预设阈值，则训练结束，或者，若所述准确率小于预设阈值，则增加所述呼入记录样本的数量并重新进行训练。

本实施例中，获取预设时间内(例如最近一年内)的预设数量(例如10万条)的客服中心的呼入记录样本，在每一呼入记录样本中，标记有客户反馈标识，客户反馈标识包括满意和不满意。

针对每一个呼入记录样本，提取呼入记录样本中客户的特征信息和坐席的特征信息，客户的特征信息包括客户属性信息(例如，年龄、性别、职业、籍贯等)、呼入电话之前的接触信息(例如，最近一年投诉次数/服务次数、最近一次服务满意度、最近一年的平均呼入电话时长等)、服务活跃信息(例如，最近一年接受服务的次数等)及/或价值观信息(例如，对社会的悲观/乐观程度，所述价值观信息可以在客户办理业务时通过让客户填写评价问卷分析得出)等等；坐席的特征信息包括坐席人员属性信息(例如，年龄、性别、籍贯、职级、绩效等)、行为信息(例如，最近一个月日均电话量，最近一个月电话服务时长等)和/或客户满意度信息(例如，客户满意电话占比、不满意电话占比等)。

将客户的各类型的特征信息分别与坐席的各类型的特征信息进行关联配对，以生成关联特征集合，例如，某一客户的各类型的特征信息为{X1，X2、X3、……、Xm}，某一坐席的各类型的特征信息为{Y1，Y2、Y3、……、Yn}，则该客户和该坐席的关联特征集合为{(X1,Y1)，(X1,Y2)、(X1，Y3)、……、(X1，Yn)，(X2,Y1)，(X2,Y2)、(X2，Y3)、……、(X2，Yn)、(X3,Y1)，(X3,Y2)、(X3，Y3)、……、(X3，Yn)、……、(Xm,Y1)，(Xm,Y2)、(Xm，Y3)、……、(Xm，Yn)}。

根据预先确定的分析规则对各个关联特征集合中的各个特征进行分析，以分析出每一关联特征集合中的训练特征，例如，将客户属性信息与坐席人员属性信息进行分析(例如分析客户的年龄与坐席人员的年龄是否相近、客户的籍贯和坐席籍贯是否基本一致等)，将两者的属性信息相近或相似的特征作为一个训练特征；将客户的呼入电话之前的接触信息与坐席人员的行为信息和/或客户满意度信息进行分析(例如分析客户最近一年投诉次数/服务次数是否超过一定数量以及分析坐席人员的客户满意度是否超过一定的比例等)，将客户的投诉次数/服务次数较多的与客户满意度较高的两者对应的特征作为一个训练特征，或者将客户的投诉次数/服务次数较少的与客户满意度一般的两者对应的特征作为一个训练特征等等。训练特征可以包括客户的籍贯和坐席籍贯、客户投诉次数与坐席绩效、客户呼入时长与坐席不满意电话占比等，并将各个呼入记录样本对应的训练特征分为预设的第一比例(例如，40％)的训练集、预设的第二比例(例如，30％)的验证集；利用训练集中的训练特征训练预先确定的逻辑回归模型，以得到训练好的逻辑回归模型，利用验证集中的训练特征验证逻辑回归模型的准确率。

如果验证的准确率大于等于预设阈值(例如大于等于0.98)，则训练结束，该验证后的逻辑回归模型即可应用于实际操作；如果验证的准确率小于预设阈值(例如小于0.98)，则增加上述的呼入记录样本的数量，并重新执行上述步骤S201至步骤S204的操作，直至验证后得到的准确率大于等于预设阈值。

本实施例中通过对大量的呼入记录样本进行特征信息的提取、特征信息的关联配对、分析得到训练特征、进行训练特征的训练及验证等操作，从而训练得到能够准确进行配对的逻辑回归模型。

在一优选的实施例中，如图3所示，在上述图2的实施例的基础上，上述步骤S202包括：

步骤S2021，对于所述关联特征集合的各个特征，获取对应在所述呼入记录样本中客户反馈信息为满意的特征，计算所获取的特征的支持度或置信度；

步骤S2022，获取所述支持度大于预设支持度或者大于所述关联特征集合的所有特征的支持度的平均值，或者获取所述置信度大于预设置信度或者大于所述关联特征集合的所有特征的置信度的平均值的特征，以所获取的特征作为所述训练特征。

本实施例中，对于各关联特征集合的各个特征，获取其对应在呼入记录样本中客户反馈信息为满意的特征，计算所获取的特征的支持度或置信度：一个特征的支持度指的是包含该特征的关联特征集合的数量占所有关联特征集合的数量的百分比，一个特征的置信度指的是该特征的支持度与该特征中的一个分特征的支持度的商，该特征中的一个分特征的支持度指的是所有包含该特征的关联特征集合的数量占所有关联特征集合的数量的百分比，例如，特征(Xm，Yn)的支持度为a1,该特征中的分特征Xm的支持度为a2，则该特征(Xm，Yn)的置信度为a1/a2。

本实施例中，获取支持度大于预设支持度(例如0.55)或者大于关联特征集合的所有特征的支持度的平均值(例如0.6)的特征，或者获取置信度大于预设置信度的特征(例如0.55)或者大于关联特征集合的所有特征的置信度的平均值(例如0.6)的特征，以所获取的特征作为训练特征。

本实施例从客户反馈信息为满意的呼入记录样本中提取特征，通过计算特征的支持度或置信度，以支持度或置信度为基准选取训练特征，以选取出具有代表性的特征来训练分析模型。

在一优选的实施例中，在上述图2的实施例的基础上，所述步骤S2之前还包括：获取所述训练特征中预设的第三比例的训练特征作为测试集，所述第一比例、第二比例及第三比例的和小于等于1；利用所述测试集对训练结束后得到的逻辑回归模型进行测试，并生成测试报告。

本实施例中，获取训练特征中预设的第三比例(例如，30％)的训练特征作为测试集，利用该测试集对训练结束后得到的逻辑回归模型进行测试，并生成测试报告，在该测试报告中包括测试准确率等，通过该测试报告可以评价该训练结束后得到的逻辑回归模型的相关性能。

如图4所示，图4为本发明坐席分配的装置一实施例的结构示意图，该坐席分配的装置包括：

提取模块101，用于在客服中心接收到电话呼入后，从客户业务数据的数据库中提取出与所述电话呼入的标识关联的客户的关键特征，所述关键特征包括客户的属性信息、电话呼入之前的接触信息、服务活跃信息和/或价值观信息；

本实施例中，客户业务数据的数据库中存储有每一客户的客户业务数据，客户业务数据包括客户的身份信息、业务信息及每次呼入至客服中心的沟通记录等。在客服中心的服务器在接收到电话呼入后，从客户业务数据的数据库中提取出与电话呼入的标识(例如电话号码)关联的客户的关键特征。

该关键特征包括客户属性信息(例如，年龄、性别、职业及籍贯等)、呼入电话之前的接触信息(例如，最近一年投诉次数或服务次数、最近一次服务满意度及最近一年的平均呼入电话时长等)、服务活跃信息(例如，最近一年接受服务的次数等)和/或价值观信息(例如，对社会的悲观/乐观程度，该价值观信息可以在客户办理业务时通过让客户填写评价问卷分析得出)。

配对模块102，用于基于预先训练得到的分析模型将所述关键特征与各个空闲的坐席的关键特征进行配对，以配对出最优坐席，并将所述电话呼入分配给所述最优坐席进行处理。

本实施例中，预先训练得到一分析模型，训练得到的分析模型的参数能够确定。该分析模型可以将电话呼入的客户的关键特征与多个空闲坐席的关键特征进行配对，以从多个空闲坐席中配对得到最优坐席。优选地，该分析模型为逻辑回归模型。其中，坐席的关键特征包括坐席人员属性信息(例如，年龄、性别、籍贯、职级及绩效等)、行为信息(例如，最近一个月日均电话量、最近一个月电话服务时长等)和/或客户满意度信息(例如，客户满意电话占比、不满意电话占比等)。

具体地，可将电话呼入的客户的关键特征与多个空闲坐席的关键特征输入至该分析模型中，分析模型将各空闲坐席的各类型的关键特征与电话呼入的客户的各类型的关键特征进行配对，例如，将各空闲坐席的属性信息与电话呼入的客户的属性信息进行配对、将各空闲坐席的行为信息与电话呼入的客户的呼入电话之前的接触信息进行配对、将各空闲坐席的客户满意度信息与电话呼入的客户的呼入电话之前的接触信息进行配对等等，以配对出最优坐席，然后将该电话呼入分配给该最优坐席进行处理。

本实施例中，配对得出的最优坐席例如为：其属性信息与电话呼入的客户的属性信息最相近(例如年龄最相近、籍贯相同、坐席人员的职级与客户的职业相当(例如客户的职业为偏于脑力劳动型及企业型的，则配对的最优坐席的职级为高职级))、其行为信息与电话呼入的客户的呼入电话之前的接触信息最相当(例如客户最近三个月投诉或服务的次数较多，则配对的最优坐席的日均电话量为最高且服务平均时长不超过预设时间阈值)、其客户满意度与电话呼入的客户的接触信息最相当(例如客户最近三个月投诉或服务的次数较多，则配对的最优坐席的客户满意度较高)等等。

在一优选的实施例中，如图5所示，在上述图4的实施例的基础上，上述分析模型为逻辑回归模型，所述坐席分配的装置还包括：

关联模块201，用于获取预设时间内的预设数量的客服中心的呼入记录样本，提取每一呼入记录样本中客户的特征信息和坐席的特征信息，将客户的各类特征信息分别与坐席的各类型的特征信息进行关联配对，以生成关联特征集合；

分析模块202，用于根据预定的分析规则对各关联特征集合中的各个特征进行分析，以分析得到训练特征；

训练模块203，用于获取所述训练特征中预设的第一比例的训练特征作为训练集，获取所述训练特征中预设的第二比例的训练特征作为验证集，利用所述训练集训练预先确定的逻辑回归模型，以训练得到逻辑回归模型，并利用所述验证集验证训练得到的逻辑回归模型的准确率；

处理模块204，用于若所述准确率大于等于预设阈值，则训练结束，或者，若所述准确率小于预设阈值，则增加所述呼入记录样本的数量并重新进行训练。

本实施例中，获取预设时间内(例如最近一年内)的预设数量(例如10万条)的客服中心的呼入记录样本，在每一呼入记录样本中，标记有客户反馈标识，客户反馈标识包括满意和不满意。

针对每一个呼入记录样本，提取呼入记录样本中客户的特征信息和坐席的特征信息，客户的特征信息包括客户属性信息(例如，年龄、性别、职业、籍贯等)、呼入电话之前的接触信息(例如，最近一年投诉次数/服务次数、最近一次服务满意度、最近一年的平均呼入电话时长等)、服务活跃信息(例如，最近一年接受服务的次数等)及/或价值观信息(例如，对社会的悲观/乐观程度，所述价值观信息可以在客户办理业务时通过让客户填写评价问卷分析得出)等等；坐席的特征信息包括坐席人员属性信息(例如，年龄、性别、籍贯、职级、绩效等)、行为信息(例如，最近一个月日均电话量，最近一个月电话服务时长等)和/或客户满意度信息(例如，客户满意电话占比、不满意电话占比等)。

将客户的各类型的特征信息分别与坐席的各类型的特征信息进行关联配对，以生成关联特征集合，例如，某一客户的各类型的特征信息为{X1，X2、X3、……、Xm}，某一坐席的各类型的特征信息为{Y1，Y2、Y3、……、Yn}，则该客户和该坐席的关联特征集合为{(X1,Y1)，(X1,Y2)、(X1，Y3)、……、(X1，Yn)，(X2,Y1)，(X2,Y2)、(X2，Y3)、……、(X2，Yn)、(X3,Y1)，(X3,Y2)、(X3，Y3)、……、(X3，Yn)、……、(Xm,Y1)，(Xm,Y2)、(Xm，Y3)、……、(Xm，Yn)}。

根据预先确定的分析规则对各个关联特征集合中的各个特征进行分析，以分析出每一关联特征集合中的训练特征，例如，将客户属性信息与坐席人员属性信息进行分析(例如分析客户的年龄与坐席人员的年龄是否相近、客户的籍贯和坐席籍贯是否基本一致等)，将两者的属性信息相近或相似的特征作为一个训练特征；将客户的呼入电话之前的接触信息与坐席人员的行为信息和/或客户满意度信息进行分析(例如分析客户最近一年投诉次数/服务次数是否超过一定数量以及分析坐席人员的客户满意度是否超过一定的比例等)，将客户的投诉次数/服务次数较多的与客户满意度较高的两者对应的特征作为一个训练特征，或者将客户的投诉次数/服务次数较少的与客户满意度一般的两者对应的特征作为一个训练特征等等。训练特征可以包括客户的籍贯和坐席籍贯、客户投诉次数与坐席绩效、客户呼入时长与坐席不满意电话占比等，并将各个呼入记录样本对应的训练特征分为预设的第一比例(例如，40％)的训练集、预设的第二比例(例如，30％)的验证集；利用训练集中的训练特征训练预先确定的逻辑回归模型，以得到训练好的逻辑回归模型，利用验证集中的训练特征验证逻辑回归模型的准确率。

如果验证的准确率大于等于预设阈值(例如大于等于0.98)，则训练结束，该验证后的逻辑回归模型即可应用于实际操作；如果验证的准确率小于预设阈值(例如小于0.98)，则增加上述的呼入记录样本的数量，并重新执行上述的操作，直至验证后得到的准确率大于等于预设阈值。

本实施例中通过对大量的呼入记录样本进行特征信息的提取、特征信息的关联配对、分析得到训练特征、进行训练特征的训练及验证等操作，从而训练得到能够准确进行配对的逻辑回归模型。

在一优选的实施例中，在上述图5的实施例的基础上，分析模块202具体用于对于各关联特征集合的各个特征，获取对应在所述呼入记录样本中客户反馈信息为满意的特征，计算所获取的特征的支持度或置信度；获取所述支持度大于预设支持度或者大于所述关联特征集合的所有特征的支持度的平均值的特征，或者获取所述置信度大于预设置信度的特征或者大于所述关联特征集合的所有特征的置信度的平均值的特征，以所获取的特征作为所述训练特征。

本实施例中，对于各关联特征集合的各个特征，获取其对应在呼入记录样本中客户反馈信息为满意的特征，计算所获取的特征的支持度或置信度：一个特征的支持度指的是包含该特征的关联特征集合的数量占所有关联特征集合的数量的百分比，一个特征的置信度指的是该特征的支持度与该特征中的一个分特征的支持度的商，该特征中的一个分特征的支持度指的是所有包含该特征的关联特征集合的数量占所有关联特征集合的数量的百分比，例如，特征(Xm，Yn)的支持度为a1,该特征中的分特征Xm的支持度为a2，则该特征(Xm，Yn)的置信度为a1/a2。

本实施例中，获取支持度大于预设支持度(例如0.55)或者大于关联特征集合的所有特征的支持度的平均值(例如0.6)的特征，或者获取置信度大于预设置信度的特征(例如0.55)或者大于关联特征集合的所有特征的置信度的平均值(例如0.6)的特征，以所获取的特征作为训练特征。

本实施例从客户反馈信息为满意的呼入记录样本中提取特征，通过计算特征的支持度或置信度，以支持度或置信度为基准选取训练特征，以选取出具有代表性的特征来训练分析模型。

在一优选的实施例中，在上述图5的实施例的基础上，所述坐席分配的装置还包括：测试模块，用于获取所述训练特征中预设的第三比例的训练特征作为测试集，所述第一比例、第二比例及第三比例的和小于等于1；利用所述测试集对训练结束后得到的逻辑回归模型进行测试，并生成测试报告。

本实施例中，获取训练特征中预设的第三比例(例如，30％)的训练特征作为测试集，利用该测试集对训练结束后得到的逻辑回归模型进行测试，并生成测试报告，在该测试报告中包括测试准确率等，通过该测试报告可以评价该训练结束后得到的逻辑回归模型的相关性能。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种坐席分配的方法，其特征在于，所述坐席分配的方法包括：

S1，在客服中心接收到电话呼入后，从客户业务数据的数据库中提取出与所述电话呼入的标识关联的客户的关键特征，所述关键特征包括客户的属性信息、电话呼入之前的接触信息、服务活跃信息和价值观信息中的一种或几种的组合；

S2，基于预先训练得到的分析模型将所述关键特征与各个空闲的坐席的关键特征进行配对，以配对出最优坐席，并将所述电话呼入分配给所述最优坐席进行处理；

所述分析模型为逻辑回归模型，所述步骤S2之前包括：

S201，获取预设时间内的预设数量的客服中心的呼入记录样本，提取每一呼入记录样本中客户的特征信息和坐席的特征信息，将客户的各类特征信息分别与坐席的各类型的特征信息进行关联配对，以生成关联特征集合；

S202，根据预定的分析规则对各关联特征集合中的各个特征进行分析，以分析得到训练特征；

S203，获取所述训练特征中预设的第一比例的训练特征作为训练集，获取所述训练特征中预设的第二比例的训练特征作为验证集，利用所述训练集训练预先确定的逻辑回归模型，以训练得到逻辑回归模型，并利用所述验证集验证训练得到的逻辑回归模型的准确率；

S204，若所述准确率大于等于预设阈值，则训练结束，或者，若所述准确率小于预设阈值，则增加所述呼入记录样本的数量并重新进行训练。

2.根据权利要求1所述的坐席分配的方法，其特征在于，所述步骤S202包括：

S2021，对于各关联特征集合的各个特征，获取对应在所述呼入记录样本中客户反馈信息为满意的特征，计算所获取的特征的支持度或置信度；

S2022，获取所述支持度大于预设支持度或者大于所述关联特征集合的所有特征的支持度的平均值的特征，或者获取所述置信度大于预设置信度的特征或者大于所述关联特征集合的所有特征的置信度的平均值的特征，以所获取的特征作为所述训练特征；

所获取的特征的支持度为包含该特征的关联特征集合的数量占所有关联特征集合的数量的百分比，所获取的特征的置信度为该特征的支持度与该特征中的一分特征的支持度的商。

3.根据权利要求1所述的坐席分配的方法，其特征在于，所述步骤S2之前还包括：

获取所述训练特征中预设的第三比例的训练特征作为测试集，所述第一比例、第二比例及第三比例的和小于等于1；

利用所述测试集对训练结束后得到的逻辑回归模型进行测试，并生成测试报告。

4.一种坐席分配的装置，其特征在于，所述坐席分配的装置包括：

提取模块，用于在客服中心接收到电话呼入后，从客户业务数据的数据库中提取出与所述电话呼入的标识关联的客户的关键特征，所述关键特征包括客户的属性信息、电话呼入之前的接触信息、服务活跃信息和价值观信息中的一种或几种的组合；

配对模块，用于基于预先训练得到的分析模型将所述关键特征与各个空闲的坐席的关键特征进行配对，以配对出最优坐席，并将所述电话呼入分配给所述最优坐席进行处理；

所述分析模型为逻辑回归模型，所述坐席分配的装置还包括：

关联模块，用于获取预设时间内的预设数量的客服中心的呼入记录样本，提取每一呼入记录样本中客户的特征信息和坐席的特征信息，将客户的各类特征信息分别与坐席的各类型的特征信息进行关联配对，以生成关联特征集合；

分析模块，用于根据预定的分析规则对各关联特征集合中的各个特征进行分析，以分析得到训练特征；

训练模块，用于获取所述训练特征中预设的第一比例的训练特征作为训练集，获取所述训练特征中预设的第二比例的训练特征作为验证集，利用所述训练集训练预先确定的逻辑回归模型，以训练得到逻辑回归模型，并利用所述验证集验证训练得到的逻辑回归模型的准确率；

处理模块，用于若所述准确率大于等于预设阈值，则训练结束，或者，若所述准确率小于预设阈值，则增加所述呼入记录样本的数量并重新进行训练。

5.根据权利要求4所述的坐席分配的装置，其特征在于，所述分析模块具体用于对于各关联特征集合的各个特征，获取对应在所述呼入记录样本中客户反馈信息为满意的特征，计算所获取的特征的支持度或置信度；获取所述支持度大于预设支持度或者大于所述关联特征集合的所有特征的支持度的平均值的特征，或者获取所述置信度大于预设置信度的特征或者大于所述关联特征集合的所有特征的置信度的平均值的特征，以所获取的特征作为所述训练特征；

所获取的特征的支持度为包含该特征的关联特征集合的数量占所有关联特征集合的数量的百分比，所获取的特征的置信度为该特征的支持度与该特征中的一分特征的支持度的商。

6.根据权利要求4所述的坐席分配的装置，其特征在于，所述坐席分配的装置还包括：

测试模块，用于获取所述训练特征中预设的第三比例的训练特征作为测试集，所述第一比例、第二比例及第三比例的和小于等于1；利用所述测试集对训练结束后得到的逻辑回归模型进行测试，并生成测试报告。

Images