CN108076235B - 一种呼叫放弃率预测方法及服务器 - Google Patents
一种呼叫放弃率预测方法及服务器 Download PDFInfo
- Publication number
- CN108076235B CN108076235B CN201611033226.7A CN201611033226A CN108076235B CN 108076235 B CN108076235 B CN 108076235B CN 201611033226 A CN201611033226 A CN 201611033226A CN 108076235 B CN108076235 B CN 108076235B
- Authority
- CN
- China
- Prior art keywords
- call
- sample
- predicted
- time period
- rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/36—Statistical metering, e.g. recording occasions when traffic exceeds capacity of trunks
- H04M3/362—Traffic simulation
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例提供一种呼叫放弃率预测方法及服务器。所述方法包括：获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，根据所述预测呼叫放弃率对所述第一待预测时间段的话务资源进行调度。所述服务器用于执行上述方法。本发明提供的方法及服务器通过呼叫放弃率预测模型获得的预测呼叫放弃率对话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度。
Description
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种呼叫放弃率预测方法及服务器。
背景技术
10086呼叫中心由IVR交互式语音应答系统和人工话务系统构成，其中的人工话务系统在客户服务过程中起着不可替代的关键作用，客户拨打10086热线时，如IVR语音服务平台的服务内容无法满足客户需要时，输入选择人工服务的号码按键后会引导到人工话务系统，通过人工坐席通话的方式理解客户要求，并通过对计算机数据库等信息资料的查询访问和业务处理等方法解决客户问题，完成客户服务工作。
10086人工接通率时段均衡的衡量指标用接通率时段均衡度是指每时段的30秒内接通话务量上下浮动的比例，用于衡量10086时段接通率的均衡情况。由实际话务数据测算的结果可知，在部分时段内的人工接通率一直维持在较高水平，而在部分时段内的人工接通率有较大的下降，接通率时段均衡度不佳，致使部分时段内客户拔打 10086热线时候容易接通，而部分时段不容易接通，直接影响了客户的服务体验，导致客户满意度下降。现有技术条件下，一般是通过历史数据的简单统计和变化趋势的分析预测未来时段的请求话务量进行话务员的排班，虽然请求话务量是影响人工接通率的重要指标，但是人工接通率还受其他因素的影响，单纯依靠预测请求话务量进行话务员的安排并不能有效提高部分时段的人工接通率，及时满足请求话务量的需求，不能有效调节接通率时段均衡度。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种接单引导处理方法及服务器。
一方面，本发明实施例提供一种呼叫放弃率预测方法，包括：
获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率；
根据所述预测呼叫放弃率对所述第一待预测时间段的话务资源进行调度。
另一方面，本发明实施例提供一种服务器，包括：
预测单元，用于获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率；
第一处理单元，用于根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度。
本发明实施例提供的呼叫放弃率预测方法及服务器，通过获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的呼叫放弃率预测方法流程示意图；
图2为本发明一实施例提供的服务器结构示意图；
图3为本发明另一实施例提供的服务器结构示意图；
图4为本发明又一实施例提供的服务器结构示意图；
图5为本发明再一实施例提供的服务器结构示意图；
图6为本发明再一实施例提供的服务器结构示意图；
图7为本发明实施例提供的电子设备实体装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例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。
图1为本发明实施例提供的呼叫放弃率预测方法流程示意图，如图1所示，本实施例提供一种呼叫放弃率预测方法，包括：
S1、获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率；
具体地，服务器获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长输入所述呼叫放弃率预测模型，通过所述呼叫放弃率预测模型直接输出所述第一待预测时间段的预测呼叫放弃率。其中，所述呼叫放弃率为某时间段内用户呼入后未接通且放弃等待的话务量与该段时间内呼入的总的话务量之比；所述请求话务量是所述第一预设历史时间段内总的呼入的话务量；所述话务员工作时间为所述第一预设时间段内所有在线服务的话务员总的工作时间；所述平均处理时长为处理每个电话所需要的平均时长，呼叫请求的处理时长为每一呼叫请求的响铃时间、通话时间和挂机后话务员的处理时间之和，所述平均处理时长可以通过数据库统计的一段时间内的所有呼叫请求的处理时长并求其平均值获得。可以理解的是，所述第一预设历史时间段可以是所述第一待预测时间段的前一个时段，也可以根据实际情况调整为其他历史时间段，例如所述第一待预测时间段为2016年5月26日9：00-10：00，则所述第一预设历史时间段可以是 2016年5月26日8：00-9：00，也可以是2016年5月25日8：00-9：00，还可以是2016年4月26日8：00-9：00，具体可以根据实际情况进行调整。
S2、根据所述预测呼叫放弃率对所述第一待预测时间段的话务资源进行调度；
具体地，根据通过所述呼叫放弃率预测模型获得的所述预测呼叫放弃率对所述第一待预测时间段的话务资源进行调度；其中，所述对所述第一待预测时间段的话务资源进行调度包括对所述增加话务员的人数、调整话务员的技能队列、将繁忙队列话务员引导到空闲队列、和增加互联网化客户服务引导，也可以通过其他方式进行话务资源调度，此处不做具体限定。
例如，月中为请求话务量较为平稳的时期，此时服务器可以通过所述第一待预测时间段的上一时段的请求话务量、话务员工作时间、平均处理时长作为输入量，通过所述呼叫放弃率预测模型计算所述第一待预测时间段的预测呼叫放弃率。例如服务器获取2016年7月15 日16：00-17：00时段内的请求话务量为18690个、话务员工作时间为3245秒、平均处理时长为102秒输入所述呼叫放弃率预测模型，通过所述呼叫放弃率预测模型直接输出2016年7月15日17：00-18： 00的预测呼叫放弃率为8.2％。月初和月末为请求话务量较为聚集的时间段，在月初和月末的时间段内忙时和闲时的请求话务量波动较大，此时根据所述第一待预测时间段的上一时段预测所述第一待预测时间段的预测呼叫放弃率可能会存在较大偏差，可以选取上个月份对应的所述第一待预测时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过所述呼叫放弃率预测模型计算所述第一待预测时间段的预测呼叫放弃率。例如，获取2016年6月1日17：00-18： 00时段内的请求话务量为19008个、话务员工作时间为3699秒、平均处理时长为137秒输入所述呼叫放弃率预测模型，通过所述呼叫放弃率预测模型直接输出2016年7月1日18：00-19：00的预测呼叫放弃率为9.1％。可以通过所述呼叫放弃率预测模型获得的所述预测呼叫放弃率判断所述第一待预测时间段与达标呼叫放弃率的偏差，根据所述偏差大小对话务资源进行相应地调度，例如达标呼叫放弃率为 5％，当所述第一待预测时间段的预测呼叫放弃率高于5％时，则可以通过增加话务员的人数或者对话务工作经验丰富、工作技能熟练的话务员的坐席进行调整等方法降低所述第一待预测时间段的实际呼叫放弃率。
本发明实施例提供的呼叫放弃率预测方法，通过获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度。
在上述实施例的基础上，进一步地，所述方法还包括：
从历史数据库中获取多组样本请求话务量、样本话务员工作时间、样本平均处理时长以及对应的样本呼叫放弃率作为训练样本集；
将所述训练样本集通过CSO-BP神经网络进行训练计算，获得所述呼叫放弃率预测模型。
具体地，在历史数据库中获取一定历史时间段内多组样本请求话务量C、样本话务员工作时间W、样本平均处理时长S；由于所述样本话务员工作时间为统计每个话务员的工作时间，将所有话务员的工作时间求和得到的，因此统计过程可以获得在线工作的样本话务员数量m；通过上述参数计算相应的样本呼叫等待概率
， 其中，m为样本话务员数量； u＝C×S/T为样本话务强度，其中C为样本请求话务量，S为样本平均处理时长，T为所述第一待预测时间段的时长；ρ＝u/m为样本话务员占用率。将所述多组样本请求话务量C、样本话务员工作时间W、样本平均处理时长S、样本呼叫等待概率p及对应的样本呼叫放弃率A 放入所述CSO-BP神经网络通过作用函数A＝(C-e×W/S)/C+f×p进行训练计算，不断调整模型参数，当预测误差平方和小于0.0035或训练次数大于500时所述呼叫放弃率预测模型具有良好的泛化能力，此时停止训练，将得到的e和f的值作为所述呼叫放弃率预测模型的模型参数，获得所述呼叫放弃率预测模型。
例如，表1为从历史数据库中获取的100组覆盖全天范围内各个时段的一个小时内的样本请求话务量C、样本话务员工作时间W、样本平均处理时长S，以及对应的样本呼叫放弃率A。以其中一组数据为例，2016年6月15日13:00-14:00期间在线工作的样本话务员数量为m＝300个，样本请求话务量C＝10864个、样本话务员工作时间 W＝3218秒、样本平均处理时长S＝91秒，2016年6月15日13:00-14:00 时间段内的样本话务强度u＝C×S/T＝10864×91/3600＝274，样本话务员占用率ρ＝u/m＝274/300＝0.91，样本呼叫等待概率
综上所述，2016年6月 15日13:00-14:00时间段内的样本请求话务量C＝10864、样本话务员工作时间W＝3218、样本平均处理时长S＝91、样本呼叫等待概率 p＝7.6％。可以根据其他组数据相应的时间段内的样本请求话务量C、样本话务员工作时间W、样本平均处理时长S通过相同的方法计算相应的样本呼叫等待概率p，此处不再赘述。将所述多组样本请求话务量C、样本话务员工作时间W、样本平均处理时长S、样本呼叫等待概率p及对应的样本呼叫放弃率A，放入所述CSO-BP神经网络通过作用函数A＝(C-e×W/S)/C+f×p进行训练计算，不断调整模型参数，当预测误差平方和小于0.0035或训练次数大于500时停止训练，将得到的e和f的值作为所述呼叫放弃率预测模型的模型参数，获得所述呼叫放弃率预测模型。
表1
本发明实施例提供的呼叫放弃率预测方法，通过将获取到的多组历史时间段的样本请求话务量、样本话务员工作时间、样本平均处理时长以及对应的样本呼叫放弃率通过CSO-BP神经网络进行训练计算获得所述呼叫放弃率预测模型，获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度。
在上述实施例的基础上，进一步地，所述方法还包括：
从所述第一待预测时间段的预测呼叫放弃率计算完成开始经过第一预设时间段后，自动通过所述呼叫放弃率预测模型计算第二待预测时间段的预测呼叫放弃率。
具体地，服务器获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过所述呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，经过第一预设时间段后，服务器自动获取第二预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过所述呼叫放弃率预测模型计算第二待预测时间段的预测呼叫放弃率。可以理解的是，经过一个小时后，服务器也可以根据所述第二待预测时间段处于每月的闲时时段获取所述第二待预测时间段的前一个小时的请求话务量、话务员工作时间、平均处理时长作为输入量通过所述呼叫放弃率预测模型计算所述第二待检测时段的预测呼叫放弃率；或者根据所述第二待预测时间段处于每月的忙时时段，获取上个月相同时段的前一个小时的请求话务量、话务员工作时间、平均处理时长作为输入量通过所述呼叫放弃率预测模型计算所述第二待检测时段的预测呼叫放弃率。
例如，当前时间为2016年7月15日17：00，服务器获取2016 年7月15日16：00-17：00时段内的请求话务量为18690个、话务员工作时间为3245秒、平均处理时长为102秒输入所述呼叫放弃率预测模型，通过所述呼叫放弃率预测模型直接输出2016年7月15日 17：00-18：00的预测呼叫放弃率为8.2％；经过一个小时后，服务器自动从数据库中获取2016年7月15日17：00-18：00时间段内实际的请求话务量为19200个、话务员工作时间为3546秒、平均处理时长为122秒输入所述呼叫放弃率预测模型，通过所述呼叫放弃率预测模型直接输出2016年7月15日18：00-19：00的预测呼叫放弃率为 7.8％，再经过一个小时以后，服务器可以自动获取2016年7月15 日18：00-19：00时间段内的请求话务量、话务员工作时间、平均处理时长输入所述呼叫放弃率预测模型，通过所述呼叫放弃率预测模型直接输出2016年7月15日19：00-20：00的预测呼叫放弃率。
本发明实施例提供的呼叫放弃率预测方法，通过每隔一定时间段获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度。
在上述各实施例中，所述方法还包括：
每隔第二预设时间段获取所述第二预设时间段内的多个预测呼叫放弃率和对应的实际呼叫放弃率；
根据多个所述预测呼叫放弃率和对应的实际呼叫放弃率计算对应的预测误差。
具体地，服务器可以每隔第二预设时间段获取第二预设时间段内的多个通过所述呼叫放弃率预测模型获得的预测呼叫放弃率和对应的实际呼叫放弃率，根据多个所述预测呼叫放弃率和对应的实际呼叫放弃率计算对应的预测误差。
例如，表2为6个小时内每个时段的预测呼叫放弃率、实际呼叫放弃率和计算获得的预测误差。服务器每隔6个小时获取所述6个小时内每个时段的预测呼叫放弃率和实际呼叫放弃率,根据公式：预测误差＝︳预测呼叫放弃率-实际呼叫放弃率︳/实际呼叫放弃率，计算每个时段的预测误差。
本发明实施例提供的呼叫放弃率预测方法，通过获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度，并且通过每隔一定时间段计算所述呼叫放弃率预测模型的预测误差，有利于提高所述呼叫放弃率预测模型的准确性。
| 时段 | 预测呼叫放弃率 | 实际呼叫放弃率 | 预测误差 |
| 20160604 8点时段 | 7.2％ | 7.5％ | 4.0％ |
| 20160604 9点时段 | 8.9％ | 8.7％ | 2.2％ |
| 20160604 10点时段 | 9.2％ | 8.9％ | 3.4％ |
| 20160604 11点时段 | 10.5％ | 11.0％ | 4.5％ |
| 20160604 12点时段 | 9.8％ | 9.9％ | 1.0％ |
| 20160604 13点时段 | 9.6％ | 10.0％ | 4.0％ |
表2
在上述实施例的基础上，进一步地，所述方法还包括：
若判断获知所述预测误差的最大值大于预设阈值，则发出报警提示信号。
具体地，服务器获取所述第二预设时间段内的多个预测误差中的最大值，若判断所述最大值大于预设阈值，则发出报警提示信号，以使得技术人员及时对所述呼叫放弃率预测模型进行重新训练和调整；若判断获知所述预测误差的最大值小于预设阈值则所述呼叫放弃率预测模型的仍然具有良好的泛化能力。可以理解的是，所述报警指示信号可以是蜂鸣器发出的声音信号和/或指示灯发出的光信号。例如，获取上述实施例中6个小时内预测误差的最大值为4.5％，服务器判断获知4.5％>3％，则通过蜂鸣器发出的声音信号进行报警。
本发明实施例提供的呼叫放弃率预测方法，通过获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度，并且通过每隔一定时间段计算所述呼叫放弃率预测模型的预测误差，在预测误差高于预设值时发出报警提示信号，有利于提高所述呼叫放弃率预测模型的准确性。
图2为本发明一实施例提供的服务器结构示意图，如图2所示，本发明实施例提供一种服务器，包括：预测单元201和第一处理单元 202，其中：
预测单元201用于获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率；第一处理单元202用于根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度。
具体地，预测单元201获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长输入所述呼叫放弃率预测模型，通过所述呼叫放弃率预测模型直接输出所述第一待预测时间段的预测呼叫放弃率。其中，所述呼叫放弃率为某时间段内用户呼入后放弃等待的话务量与该段时间内呼入的总的话务量之比；所述请求话务量是所述第一预设历史时间段内总的呼入的话务量；所述话务员工作时间为所述第一预设时间段内所有在线服务的话务员总的工作时间；所述平均处理时长为处理每个电话所需要的平均时长，呼叫请求的处理时长为每一呼叫请求的响铃时间、通话时间和挂机后话务员的处理时间之和，所述平均处理时长可以通过数据库统计的一段时间内的所有呼叫请求的处理时长并求其平均值获得。可以理解的是，所述第一预设历史时间段可以是所述第一待预测时间段的前一个时段，也可以根据实际情况调整为其他历史时间段，例如所述第一待预测时间段为2016年5月26日9：00-10：00，则所述第一预设历史时间段可以是 2016年5月26日8：00-9：00，也可以是2016年5月25日8：00-9： 00，还可以是2016年4月26日8：00-9：00，具体可以根据实际情况进行调整。第一处理单元202根据通过所述呼叫放弃率预测模型获得的所述预测呼叫放弃率对所述第一待预测时间段的话务资源进行调度；其中，所述对所述第一待预测时间段的话务资源进行调度包括对所述增加话务员的人数、调整话务员的技能队列、将繁忙队列话务员引导到空闲队列、和增加互联网化客户服务引导，也可以通过其他方式进行话务资源调度，此处不做具体限定。
本发明实施例提供的服务器，通过获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度。
图3为本发明另一实施例提供的服务器结构示意图，如图3所示，所述服务器在预测单元301和第一处理单元302的基础上还包括训练单元303，所述预测单元301和第一处理单元302与上述实施例中的预测单元201和第一处理单元202一致，其中：
训练单元303用于从历史数据库中获取多组样本请求话务量、样本话务员工作时间、样本平均处理时长以及对应的样本呼叫放弃率作为训练样本集；将所述训练样本集通过CSO-BP神经网络进行训练计算，获得所述呼叫放弃率预测模型。
具体地，服务器在历史数据库中获取一定历史时间段内多组样本请求话务量C、样本话务员工作时间W、样本平均处理时长S，由于所述样本话务员工作时间为统计每个话务员的工作时间，将所有话务员的工作时间求和得到的，因此统计过程可以获得在线工作的样本话务员数量；通过上述参数计算相应的样本呼叫等待概率
其中，m为样本话务员数量； u＝C×S/T为样本话务强度，C为样本请求话务量，S为样本平均处理时长，T为所述第一待预测时间段的时长；ρ＝u/m为样本话务员占用率。将所述多组样本请求话务量C、样本话务员工作时间W、样本平均处理时长S、样本呼叫等待概率p及对应的样本呼叫放弃率A，放入所述CSO-BP神经网络通过作用函数A＝(C-e×W/S)/C+f×p进行训练计算，不断调整模型参数，当预测误差平方和小于0.0035或训练次数大于500时停止训练，将得到的e和f的值作为所述呼叫放弃率预测模型的模型参数，获得所述呼叫放弃率预测模型。
本发明实施例提供的服务器，通过将获取到的多组历史时间段的样本请求话务量、样本话务员工作时间、样本平均处理时长以及对应的样本呼叫放弃率通过CSO-BP神经网络进行训练计算获得所述呼叫放弃率预测模型，获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度。
图4为本发明又一实施例提供的服务器结构示意图，如图4所示，所述服务器在预测单元401和第一处理单元402的基础上还包括第二处理单元403，所述预测单元401和第一处理单元402与上述实施例中的预测单元201和第一处理单元202一致，其中：
第二处理单元403用于从第一待预测时间段的预测呼叫放弃率计算完成开始经过第一预设时间段后，自动通过所述呼叫放弃率预测模型计算第二待预测时间段的预测呼叫放弃率。
具体地，预测单元401获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过所述呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，经过第一预设时间段后，第二处理单元403自动获取第二预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过所述呼叫放弃率预测模型计算第二待预测时间段的预测呼叫放弃率。可以理解的是，经过一个小时后，第二处理单元403也可以根据所述第二待预测时间段处于每月的闲时时段获取所述第二待预测时间段的前一个小时的请求话务量、话务员工作时间、平均处理时长作为输入量通过所述呼叫放弃率预测模型计算所述第二待检测时段的预测呼叫放弃率；或者根据所述第二待预测时间段处于每月的忙时时段，获取上个月相同时段的前一个小时的请求话务量、话务员工作时间、平均处理时长作为输入量通过所述呼叫放弃率预测模型计算所述第二待检测时段的预测呼叫放弃率。
本发明实施例提供的服务器，通过每隔一定时间段获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度。
图5为本发明再一实施例提供的服务器结构示意图，如图5所示，所述服务器在预测单元501和第一处理单元502的基础上还包括获取单元503和计算单元504，所述预测单元501和第一处理单元502与上述实施例中的预测单元201和第一处理单元202一致，其中：
获取单元503用于每隔第二预设时间段获取所述第二预设时间段内的多个预测呼叫放弃率和对应的实际呼叫放弃率；计算单元404 用于根据多个所述预测呼叫放弃率和对应的实际呼叫放弃率计算对应的预测误差。
具体地，获取单元503可以每隔第二预设时间段获取第二预设时间段内的多个通过所述呼叫放弃率预测模型获得的预测呼叫放弃率和对应的实际呼叫放弃率，计算单元504根据多个所述预测呼叫放弃率和对应的实际呼叫放弃率计算对应的预测误差。
本发明实施例提供的服务器，通过获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度，并且通过每隔一定时间段计算所述呼叫放弃率预测模型的预测误差，有利于提高所述呼叫放弃率预测模型的准确性。
图6为本发明再一实施例提供的服务器结构示意图，如图6所示，所述服务器在预测单元601、第一处理单元602、获取单元603和计算单元604的基础上还包括报警单元605，所述预测单元601、第一处理单元602、获取单元603和计算单元604与上述实施例中的预测单元501、第一处理单元502、获取单元503和计算单元504一致，其中：
报警单元605用于若判断获知所述预测误差的最大值大于预设阈值，则发出报警提示信号。
具体地，报警单元605获取所述第二预设时间段内的多个预测误差中的最大值，若判断所述最大值大于预设阈值，则发出报警提示信号，以使得技术人员及时对所述呼叫放弃率预测模型进行重新训练和调整。可以理解的是，所述报警指示信号可以是蜂鸣器发出的声音信号和/或指示灯发出的光信号。
本发明实施例提供的服务器，通过获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率，并根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度，提高了部分时段的人工接通率，有效调节了接通率时段均衡度，并且通过每隔一定时间段计算所述呼叫放弃率预测模型的预测误差，在预测误差高于预设值时发出报警提示信号，有利于提高所述呼叫放弃率预测模型的准确性。
本发明提供的服务器的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图7为本发明实施例电子设备的实体结构示意图，如图7所示，该服务器可以包括：处理器(processor)701、存储器(memory)702和总线703，其中，处理器701，存储器702通过总线703完成相互间的通信。处理器701可以调用存储器702中的逻辑指令，以执行如下方法：获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率；根据所述预测呼叫放弃率对所述第一待预测时间段的话务资源进行调度。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率；根据所述预测呼叫放弃率对所述第一待预测时间段的话务资源进行调度。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率；根据所述预测呼叫放弃率对所述第一待预测时间段的话务资源进行调度。
此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的服务器实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种呼叫放弃率预测方法，其特征在于，包括：
获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率；
根据所述预测呼叫放弃率对所述第一待预测时间段的话务资源进行调度；
进一步地，所述方法还包括：
从历史数据库中获取多组样本请求话务量、样本话务员工作时间、样本平均处理时长以及对应的样本呼叫放弃率作为训练样本集；
将所述训练样本集通过CSO-BP神经网络进行训练计算，获得所述呼叫放弃率预测模型；
具体地，在历史数据库中获取一定历史时间段内多组样本请求话务量、样本话务员工作时间、样本平均处理时长；由于所述样本话务员工作时间为统计每个话务员的工作时间，将所有话务员的工作时间求和得到的，因此统计过程可获得在线工作的样本话务员数量m；通过上述参数计算相应的样本呼叫等待概率
其中，m为样本话务员数量；u＝C×S/T为样本话务强度，其中C为样本请求话务量，S为样本平均处理时长，T为所述第一待预测时间段的时长；ρ＝u/m为样本话务员占用率；将所述多组样本请求话务量C、样本话务员工作时间W、样本平均处理时长S、样本呼叫等待概率p及对应的样本呼叫放弃率A放入所述CSO-BP神经网络通过作用函数A＝(C-e×W/S)/C+f×p进行训练计算，不断调整模型参数，当预测误差平方和小于0.0035或训练次数大于500时所述呼叫放弃率预测模型具有良好的泛化能力，此时停止训练，将得到的e和f的值作为所述呼叫放弃率预测模型的模型参数，获得所述呼叫放弃率预测模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从所述第一待预测时间段的预测呼叫放弃率计算完成开始经过第一预设时间段后，自动通过所述呼叫放弃率预测模型计算第二待预测时间段的预测呼叫放弃率。
3.根据权利要求1-2任意一项所述的方法，其特征在于，所述方法还包括：
每隔第二预设时间段获取所述第二预设时间段内的多个预测呼叫放弃率和对应的实际呼叫放弃率；
根据多个所述预测呼叫放弃率和对应的实际呼叫放弃率计算对应的预测误差。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若判断获知所述预测误差的最大值大于预设阈值，则发出报警提示信号。
5.一种服务器，其特征在于，包括：
预测单元，用于获取第一预设历史时间段内的请求话务量、话务员工作时间、平均处理时长作为输入量，通过呼叫放弃率预测模型计算第一待预测时间段的预测呼叫放弃率；
第一处理单元，用于根据所述预测呼叫放弃率对所述第一待预测时间段内的话务资源进行调度；
进一步地，所述服务器还包括：
训练单元，用于从历史数据库中获取多组样本请求话务量、样本话务员工作时间、样本平均处理时长以及对应的样本呼叫放弃率作为训练样本集；将所述训练样本集通过CSO-BP神经网络进行训练计算，获得所述呼叫放弃率预测模型；
具体地，服务器在历史数据库中获取一定历史时间段内多组样本请求话务量C、样本话务员工作时间W、样本平均处理时长S，由于所述样本话务员工作时间为统计每个话务员的工作时间，将所有话务员的工作时间求和得到的，因此统计过程可以获得在线工作的样本话务员数量；通过上述参数计算相应的样本呼叫等待概率
其中，m为样本话务员数量；u＝C×S/T为样本话务强度，C为样本请求话务量，S为样本平均处理时长，T为所述第一待预测时间段的时长；ρ＝u/m为样本话务员占用率；将所述多组样本请求话务量C、样本话务员工作时间W、样本平均处理时长S、样本呼叫等待概率p及对应的样本呼叫放弃率A，放入所述CSO-BP神经网络通过作用函数A＝(C-e×W/S)/C+f×p进行训练计算，不断调整模型参数，当预测误差平方和小于0.0035或训练次数大于500时停止训练，将得到的e和f的值作为所述呼叫放弃率预测模型的模型参数，获得所述呼叫放弃率预测模型。
6.根据权利要求5所述的服务器，其特征在于，所述服务器还包括：
第二处理单元，用于从第一待预测时间段的预测呼叫放弃率计算完成开始经过第一预设时间段后，自动通过所述呼叫放弃率预测模型计算第二待预测时间段的预测呼叫放弃率。
7.根据权利要求5-6任意一项所述的服务器，其特征在于，所述服务器还包括：
获取单元，用于每隔第二预设时间段获取所述第二预设时间段内的多个预测呼叫放弃率和对应的实际呼叫放弃率；
计算单元，用于根据多个所述预测呼叫放弃率和对应的实际呼叫放弃率计算对应的预测误差。
8.根据权利要求7所述的服务器，其特征在于，所述服务器还包括：
报警单元，用于若判断获知所述预测误差的最大值大于预设阈值，则发出报警提示信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611033226.7A CN108076235B (zh) | 2016-11-14 | 2016-11-14 | 一种呼叫放弃率预测方法及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611033226.7A CN108076235B (zh) | 2016-11-14 | 2016-11-14 | 一种呼叫放弃率预测方法及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108076235A CN108076235A (zh) | 2018-05-25 |
| CN108076235B true CN108076235B (zh) | 2020-10-16 |
Family
ID=62161616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611033226.7A Active CN108076235B (zh) | 2016-11-14 | 2016-11-14 | 一种呼叫放弃率预测方法及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108076235B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109862576A (zh) * | 2018-12-11 | 2019-06-07 | 中国移动通信集团天津有限公司 | 呼叫放弃率预测方法及系统 |
| CN113435674A (zh) * | 2020-03-23 | 2021-09-24 | 阿里巴巴集团控股有限公司 | 客户服务资源信息处理、模型生成方法及装置 |
| US11647115B2 (en) * | 2021-01-25 | 2023-05-09 | Optum Services (Ireland) Limited | Conformational framework for call drop likelihood from interactive voice response system |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1409538A (zh) * | 2001-09-24 | 2003-04-09 | 罗克韦尔电子商业公司 | 联系中心自动引导算法 |
| CN102468974A (zh) * | 2010-11-12 | 2012-05-23 | 中兴通讯股份有限公司 | 用于呼叫中心的数据分析系统及方法 |
| CN104378515A (zh) * | 2014-12-04 | 2015-02-25 | 上海澄美信息服务有限公司 | 呼叫中心话务量预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150139417A1 (en) * | 2013-11-18 | 2015-05-21 | Interactive Intelligence, Inc. | System and method for communication routing |
-
2016
- 2016-11-14 CN CN201611033226.7A patent/CN108076235B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1409538A (zh) * | 2001-09-24 | 2003-04-09 | 罗克韦尔电子商业公司 | 联系中心自动引导算法 |
| CN102468974A (zh) * | 2010-11-12 | 2012-05-23 | 中兴通讯股份有限公司 | 用于呼叫中心的数据分析系统及方法 |
| CN104378515A (zh) * | 2014-12-04 | 2015-02-25 | 上海澄美信息服务有限公司 | 呼叫中心话务量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于BP神经网络的呼叫中心呼叫放弃率预测模型研究;朱轶文;《中国优秀硕士学位论文全文数据库-信息科技辑》;20060930;正文第三章第3.2-3.5节，第四章第4.1-4.4节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108076235A (zh) | 2018-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108551533B (zh) | 一种客服坐席的排班方法、存储介质和服务器 | |
| US20210400141A1 (en) | Systems and methods for communication routing | |
| CN107231496B (zh) | 话务处理、服务处理方法、装置及服务器 | |
| CN108076235B (zh) | 一种呼叫放弃率预测方法及服务器 | |
| US8175253B2 (en) | System and method for automated performance monitoring for a call servicing system | |
| US8594311B2 (en) | Expected wait time augmentation system and method | |
| CN108650426A (zh) | 一种呼叫中心预测外呼方法及系统 | |
| US20100002863A1 (en) | Workflow Management in Contact Centers | |
| JP2000232523A (ja) | コールセンタにおけるエージェント占有率の決定方法および装置 | |
| CN108091029A (zh) | 餐厅排号管理方法及系统 | |
| CN104778532A (zh) | 智能呼叫中心管理系统及智能排班控制方法 | |
| CN111127734B (zh) | 银行柜台网点排队管理系统、装置及方法 | |
| US9401992B2 (en) | Systems and methods for selectively routing calls to a call center | |
| CN109040477B (zh) | 一种预测外呼算法的优化方法及外呼调度系统 | |
| CN104113869B (zh) | 一种基于信令数据的潜在投诉用户预测方法及系统 | |
| WO2019157779A1 (zh) | 一种来电处理方法、电子装置及计算机可读存储介质 | |
| US8681955B1 (en) | Feedback control of a predictive dialer using telemarketing call abandonment rates | |
| CN107222646A (zh) | 呼叫请求分配方法及装置 | |
| Chezhimbayeva et al. | Quality assessment of the contact center while implementation the IP IVR system by using teletraffic theory | |
| CN108881646B (zh) | 呼叫中心的任务跟踪方法、装置、设备及存储介质 | |
| CN111818473B (zh) | 一种实现流量话单精准切片的方法及系统 | |
| CN110535784B (zh) | 基于置信区间的流量管理方法和装置以及计算设备 | |
| CN107426450A (zh) | 一种计算呼叫中心繁忙度的方法及装置 | |
| CN117859180A (zh) | 用于智能压力水平检测的设备、系统和方法 | |
| CN107861962B (zh) | 模板推荐方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |