CN108492137A - 电话外呼分析控制方法、电子装置及可读存储介质 - Google Patents
电话外呼分析控制方法、电子装置及可读存储介质 Download PDFInfo
- Publication number
- CN108492137A CN108492137A CN201810215154.0A CN201810215154A CN108492137A CN 108492137 A CN108492137 A CN 108492137A CN 201810215154 A CN201810215154 A CN 201810215154A CN 108492137 A CN108492137 A CN 108492137A
- Authority
- CN
- China
- Prior art keywords
- call
- client
- phone
- information
- reply
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电话外呼分析控制方法、电子装置及可读存储介质,该方法包括:获取待电话回访客户的客户预设相关信息;基于客户预设相关信息,并利用预先确定的分类模型进行分类,输出分类结果;其中,所述分类结果为肯定答复或否定答复;若分类结果为否定答复,则发送提醒信息至所述待电话回访客户对应的业务员,提醒对应的业务员提前介入与所述待电话回访客户进行沟通,以避免坐席对所述待电话回访客户进行电话回访时产生沟通解释件。本发明能减少了坐席因沟通解释件同一客户产生多次外呼的情况,减少工作量;而且,客户不会接到多次回访电话,客户体验更好。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种电话外呼分析控制方法、电子装置及可读存储介质。
背景技术
目前,在寿险新契约的外呼场景下,坐席对客户进线电话回访时,根据保监会要求,回访中客户回复为肯定答案时即可顺利完成该回访;但若回访中客户回复为否定答案,则会产生沟通解释件,需要业务员介入,然后再重新外呼客户,再次与客户进线沟通。即对于坐席及客户均存在重复外呼或接听的情况,使得客户会接到多次回访电话,客户体验不佳;也使得坐席因沟通解释件需同一个客户产生多次电话外呼,增加了工作量,降低了寿险新契约的电话外呼效率。
发明内容
本发明的目的在于提供一种电话外呼分析控制方法、电子装置及可读存储介质,旨在减少沟通解释件及工作量,提升客户体验。
为实现上述目的,本发明提供一种电子装置,所述电子装置包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的电话外呼分析控制系统,所述电话外呼分析控制系统被所述处理器执行时实现如下步骤:
A、获取待电话回访客户的客户预设相关信息;
B、基于所述客户预设相关信息,并利用预先确定的分类模型进行分类,输出分类结果;其中,所述分类结果为肯定答复或否定答复,所述预先确定的分类模型为预先通过对预设数量的肯定答复样例以及否定答复样例采用逻辑回归算法进行训练得到的分类模型;
C、若分类结果为否定答复,则发送提醒信息至所述待电话回访客户对应的业务员,提醒对应的业务员提前介入与所述待电话回访客户进行沟通,以避免坐席对所述待电话回访客户进行电话回访时产生沟通解释件。
优选地,所述客户预设相关信息包括所述待电话回访客户的客户信息、所述待电话回访客户购买的产品信息以及所述待电话回访客户对应的业务员信息;所述预先确定的分类模型的训练过程如下:
按预设第一比例采集预设数量的肯定答复样例以及否定答复样例作为训练数据集;其中,每一肯定答复样例以及否定答复样例中均包含有客户信息、产品信息以及业务员信息,所述肯定答复样例中客户在进行电话回访时的回答结果为肯定答复,所述否定答复样例中客户在进行电话回访时的回答结果为否定答复;
采用Spark MLlib逻辑回归算法对采集的训练数据集进行学习训练,建立分类模型;建立模型的公式如下:
y=WX+b
其中,W为客户信息、产品信息、业务员信息对应的权重参数,X为客户信息、产品信息、业务员信息对应的特征变量,b为偏置参数,y为最终输出值,将y与预设阈值进行大小比较,并根据比较结果输出分类结果,所述分类结果为肯定答复或否定答复。
优选地,所述预先确定的分类模型的训练过程还包括:
按预设第二比例采集预设数量的肯定答复样例以及否定答复样例作为验证数据集;
利用所述验证数据集验证建立的分类模型的分类准确率,若分类准确率大于或者等于预设准确率,则训练结束,或者,若分类准确率小于预设准确率,则调整分类模型的权重参数、偏置参数和/或预设阈值,直至分类准确率大于或者等于预设准确率。
优选地,所述处理器还用于执行所述电话外呼分析控制系统,以实现以下步骤:
若分类结果为肯定答复,则发送通知信息至预设的坐席,通知预设的坐席直接对所述待电话回访客户进行电话回访。
此外,为实现上述目的,本发明还提供一种电话外呼分析控制方法,所述电话外呼分析控制方法包括:
获取待电话回访客户的客户预设相关信息;
基于所述客户预设相关信息,并利用预先确定的分类模型进行分类,输出分类结果;其中,所述分类结果为肯定答复或否定答复,所述预先确定的分类模型为预先通过对预设数量的肯定答复样例以及否定答复样例采用逻辑回归算法进行训练得到的分类模型;
若分类结果为否定答复,则发送提醒信息至所述待电话回访客户对应的业务员,提醒对应的业务员提前介入与所述待电话回访客户进行沟通,以避免坐席对所述待电话回访客户进行电话回访时产生沟通解释件。
优选地,所述客户预设相关信息包括所述待电话回访客户的客户信息、所述待电话回访客户购买的产品信息以及所述待电话回访客户对应的业务员信息;所述预先确定的分类模型的训练过程如下:
按预设第一比例采集预设数量的肯定答复样例以及否定答复样例作为训练数据集;其中,每一肯定答复样例以及否定答复样例中均包含有客户信息、产品信息以及业务员信息,所述肯定答复样例中客户在进行电话回访时的回答结果为肯定答复,所述否定答复样例中客户在进行电话回访时的回答结果为否定答复;
采用Spark MLlib逻辑回归算法对采集的训练数据集进行学习训练,建立分类模型;建立模型的公式如下:
y=WX+b
其中,W为客户信息、产品信息、业务员信息对应的权重参数,X为客户信息、产品信息、业务员信息对应的特征变量,b为偏置参数,y为最终输出值,将y与预设阈值进行大小比较,并根据比较结果输出分类结果,所述分类结果为肯定答复或否定答复。
优选地,所述预先确定的分类模型的训练过程还包括:
按预设第二比例采集预设数量的肯定答复样例以及否定答复样例作为验证数据集;
利用所述验证数据集验证建立的分类模型的分类准确率,若分类准确率大于或者等于预设准确率,则训练结束,或者,若分类准确率小于预设准确率,则调整分类模型的权重参数、偏置参数和/或预设阈值,直至分类准确率大于或者等于预设准确率。
优选地,所述基于所述客户预设相关信息,并利用预先确定的分类模型进行分类,输出分类结果的步骤包括:
基于所述待电话回访客户的客户信息、产品信息以及业务员信息,利用预先确定的分类模型计算得到最终输出值y,若最终输出值y大于预设阈值,则输出分类结果为会产生沟通解释件的否定答复;若最终输出值y小于或等于预设阈值,则输出分类结果为不会产生沟通解释件的肯定答复。
优选地,该方法还包括:
若分类结果为肯定答复,则发送通知信息至预设的坐席,通知预设的坐席直接对所述待电话回访客户进行电话回访。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有电话外呼分析控制系统,所述电话外呼分析控制系统可被至少一个处理器执行,以使所述至少一个处理器执行如上述的电话外呼分析控制方法的步骤。
本发明提出的电话外呼分析控制方法、系统及可读存储介质,在坐席对待电话回访客户进行回访之前,利用预先确定的分类模型以及该待电话回访客户的客户预设相关信息,分析预测电话回访该客户时会产生肯定答复还是否定答复,若预测结果显示电话回访该客户时会产生否定答复即会产生沟通解释件,则发送提醒信息提醒相应的业务员,使业务员提前介入与该客户针对问题做沟通解释。这样,在后续坐席对该客户进行电话回访时可有效避免客户给出否定答复,以减少沟通解释件的产生,从而减少了坐席因沟通解释件同一客户产生多次外呼的情况,减少工作量;而且,客户不会接到多次回访电话,客户体验更好。
附图说明
图1为本发明电话外呼分析控制系统10较佳实施例的运行环境示意图;
图2为本发明电话外呼分析控制方法一实施例的流程示意图。
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,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提供一种电话外呼分析控制系统。请参阅图1,是本发明电话外呼分析控制系统10较佳实施例的运行环境示意图。
在本实施例中,所述的电话外呼分析控制系统10安装并运行于电子装置1中。该电子装置1可包括,但不仅限于,存储器11、处理器12及显示器13。图1仅示出了具有组件11-13的电子装置1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器11为至少一种类型的可读计算机存储介质,所述存储器11在一些实施例中可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘或内存。所述存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备,例如所述电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括所述电子装置1的内部存储单元也包括外部存储设备。所述存储器11用于存储安装于所述电子装置1的应用软件及各类数据,例如所述电话外呼分析控制系统10的程序代码等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器11中存储的程序代码或处理数据,例如执行所述电话外呼分析控制系统10等。
所述显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器13用于显示在所述电子装置1中处理的信息以及用于显示可视化的用户界面,例如待电话回访客户的客户相关信息(如客户联系方式等)、分类预测结果等。所述电子装置1的部件11-13通过系统总线相互通信。
电话外呼分析控制系统10包括至少一个存储在所述存储器11中的计算机可读指令,该至少一个计算机可读指令可被所述处理器12执行,以实现本申请各实施例。
其中,上述电话外呼分析控制系统10被所述处理器12执行时实现如下步骤:
步骤S1,获取待电话回访客户的客户预设相关信息。
本实施例中,电话外呼分析控制系统在监测到有客户进线电话需要对该客户进行回访,或接收到电话外呼分析预测触发指令(如坐席通过按钮触发)时,获取待电话回访客户的客户预设相关信息。该客户预设相关信息包括但不限于所述待电话回访客户的客户信息、所述待电话回访客户购买的产品信息、所述待电话回访客户对应的业务员信息、所述待电话回访客户购买产品的时间信息、所述待电话回访客户购买产品时的沟通时长信息等等。其中,客户信息包括客户年龄、性别、籍贯、年收入等,产品信息包括该产品(如寿险)的年缴费金额、保险期限等,业务员信息包括该业务员学历、加入公司的时间等,其中,所述待电话回访客户对应的业务员信息可以是所述待电话回访客户在购买产品时对应推销该产品的业务员,也可以是所述待电话回访客户在历史购买记录中经常与之合作的业务员。
步骤S2,基于所述客户预设相关信息,并利用预先确定的分类模型进行分类,输出分类结果。
本实施例中,预先通过对预设数量的肯定答复样例以及否定答复样例采用逻辑回归算法进行学习、训练、验证、优化,得到分类模型。其中,逻辑回归是无监督学习的一个重要算法,对某些数据与事物的归属(分到哪个类别)及可能性(分到某一类别的概率)进行评估。本实施例中,可先采集大量肯定答复样例以及否定答复样例,每一采集的肯定答复样例以及否定答复样例中均包含有客户预设相关信息,如客户信息、产品信息、业务员信息等,所述肯定答复样例中客户在进行电话回访时的回答结果为肯定答复,所述否定答复样例中客户在进行电话回访时的回答结果为否定答复。将客户预设相关信息如客户信息、产品信息、业务员信息等作为特征变量,采用逻辑回归算法,对采集的大量肯定答复样例以及否定答复样例进行训练以建立分类模型。该分类模型的分类类别为肯定答复或否定答复这两个类别。在一种可选的实施方式中,该分类模型为二项逻辑回归模型(binomial logisticregression model),将获取的待电话回访客户的客户预设相关信息作为特征变量,输入至预先确定的分类模型即二项逻辑回归模型进行分类预测,二项逻辑回归模型输出“肯定答复”的概率值,以及“否定答复”的概率值,两个概率值相加为1。将输出的“肯定答复”概率值与“否定答复”概率值的大小进行比较,将概率值较大的作为最终的分类结果。例如,将获取的待电话回访客户的客户预设相关信息如客户信息、产品信息、业务员信息等作为特征变量输入至二项逻辑回归模型中,该二项逻辑回归模型计算输出“肯定答复”的概率值为0.6,“否定答复”的概率值为0.4,则由于“肯定答复”的概率值大于“否定答复”的概率值,因此,该二项逻辑回归模型输出的最终的分类结果为“肯定答复”。
步骤S3,若分类结果为否定答复,则发送提醒信息至所述待电话回访客户对应的业务员,提醒对应的业务员提前介入与所述待电话回访客户进行沟通,以避免坐席对所述待电话回访客户进行电话回访时产生沟通解释件。
在基于待电话回访客户的客户预设相关信息,并利用预先确定的分类模型获取到分类结果后,若分类结果为否定答复,则说明分类结果预测电话回访该待电话回访客户很有可能会产生沟通解释件,则发送提醒信息(如短信信息、微信消息、qq消息、邮件等)至所述待电话回访客户对应的业务员,以提醒相应的业务员提前介入与该待电话回访客户针对问题做一次沟通解释。这样,在后续坐席对该待电话回访客户进行电话回访时可有效避免沟通解释件的产生。
若分类结果为肯定答复,则说明分类结果预测电话回访该待电话回访客户不会产生沟通解释件,则发送通知信息至预设的坐席,通知预设的坐席可直接对所述待电话回访客户进行电话回访,不用担心会产生沟通解释件。
与现有技术相比,本实施例在坐席对待电话回访客户进行回访之前,利用预先确定的分类模型以及该待电话回访客户的客户预设相关信息,分析预测电话回访该客户时会产生肯定答复还是否定答复,若预测结果显示电话回访该客户时会产生否定答复即会产生沟通解释件,则发送提醒信息提醒相应的业务员,使业务员提前介入与该客户针对问题做沟通解释。这样,在后续坐席对该客户进行电话回访时可有效避免客户给出否定答复,以减少沟通解释件的产生,从而减少了坐席因沟通解释件同一客户产生多次外呼的情况,减少工作量;而且,客户不会接到多次回访电话,客户体验更好。
在一可选的实施例中,在上述图1的实施例的基础上,所述客户预设相关信息包括所述待电话回访客户的客户信息、所述待电话回访客户购买的产品信息以及所述待电话回访客户对应的业务员信息;所述预先确定的分类模型的训练过程如下:
按预设第一比例采集预设数量的肯定答复样例以及否定答复样例作为训练数据集;其中,每一肯定答复样例以及否定答复样例中均包含有客户信息、产品信息以及业务员信息,所述肯定答复样例中客户在进行电话回访时的回答结果为肯定答复,所述否定答复样例中客户在进行电话回访时的回答结果为否定答复;
采用Spark MLlib逻辑回归算法对采集的训练数据集进行学习训练,建立分类模型;建立模型的公式如下:
y=WX+b
其中,W为客户信息、产品信息、业务员信息对应的权重参数,X为客户信息、产品信息、业务员信息对应的特征变量,b为偏置参数,y为最终输出值,将y与预设阈值进行大小比较,并根据比较结果输出分类结果,所述分类结果为肯定答复或否定答复。
按预设第二比例采集预设数量的肯定答复样例以及否定答复样例作为验证数据集;
利用所述验证数据集验证建立的分类模型的分类准确率,若分类准确率大于或者等于预设准确率,则训练结束,或者,若分类准确率小于预设准确率,则调整分类模型的权重参数、偏置参数和/或预设阈值,直至分类准确率大于或者等于预设准确率。
具体地,本实施例中,首先训练模型,选取若干特征变量x1,x2,x3...,xn,特征变量可以是连续的,也可以是分类的。本实施例中,可选取客户信息(客户年龄、性别、籍贯、年收入等)、产品信息(年缴费金额、保险期限等)、业务员信息(业务员学历、加入公司的时间等)作为特征变量x1,x2,x3,将对应的回访问题回答结果分类划分为肯定和否定两类。训练数据准备时,可从历史数据(例如2017年以前的数据)中按照正反样例1:1比例分层采样,各随机抽取50万个样例,即各随机抽取50万个回访问题回答结果为肯定的样例,以及50万个回访问题回答结果为否定的样例,作为训练数据。基于提取的训练数据进行学习训练建立模型。本实施例中在构建模型时采用spark的Mllib学习框架的逻辑回归算法,对提取的训练数据进行训练,获取各个特征权重参数及偏置参数。建立模型过程中的数学公式如下:
y=WX+b
其中,W为各特征权重参数即(w1,w2,w3...,wn),X为特征变量即(x1,x2,x3...,xn),b为偏置参数,y为最终得到的输出值。
此外,在采用spark的Mllib学习框架的逻辑回归算法建立模型时,有两种最优化算法可以求解逻辑回归问题并求出最优参数(如特征权重参数W、偏置参数b等):mini-batch gradient descent(梯度下降法)以及L-BFGS法。优选地,本实施例中可优先使用L-BFGS,因为它能更快聚合。
训练好模型后,可进一步地对训练的模型进行测试,针对历史数据(例如2017年以后的数据)根据特征进行分层采样,采样的正负比例按照实际正反样例的分布1:20进行采集测试数据。本实施例中正样例为回访问题回答结果为否定即会产生沟通解释件的案例,反样例为回访问题回答结果为肯定即不会产生沟通解释件的案例。用训练好的模型对提取的测试数据进行预测,根据预测结果(回访问题回答结果为肯定或否定)与实际结果的对比情况,计算得到训练好的模型对正样例预测的准确率及召回率。并通过调整训练好的模型的参数如各特征权重参数W、偏置参数b、阀值,调整准确率和召回率达到一个预期的目标。
训练并测试好模型后,可获取到一个满足预期目标下的各个特征权重参数W,偏置参数b及阀值。在线上应用时,每日新增的电话外呼数据在呼出之前例如在坐席对寿险新契约的客户进线电话进行回访之前,会提取相关的特征变量,如本次外呼数据中的客户信息、产品信息、业务员信息作为特征变量,然后每个特征变量值与特征权重参数W一一相乘,然后加上偏置参数b得到最终输出值y,将最终输出值y与阀值进行比较。当最终输出值y大于阀值时被预测为正样例即会产生沟通解释件,反之则预测为反样例即不会产生沟通解释件。对于被预测为会产生沟通解释件的样本会通知到业务员提前介入与客户针对该问题做一次沟通解释,这样在坐席对该客户回访时可避免沟通解释件的产生。
本实施例中能提前预测到沟通解释件的发生,减少了坐席因沟通解释件同一客户产生的多次外呼的情况,从而减少沟通解释件及工作量,提高电话回访的工作效率;同时,客户不会接到多次回访电话,能使得客户体验更好。
如图2所示,图2为本发明电话外呼分析控制方法一实施例的流程示意图,该电话外呼分析控制方法包括以下步骤:
步骤S10,获取待电话回访客户的客户预设相关信息。
本实施例中,在监测到有客户进线电话需要对该客户进行回访,或接收到电话外呼分析预测触发指令(如坐席通过按钮触发)时,获取待电话回访客户的客户预设相关信息。该客户预设相关信息包括但不限于所述待电话回访客户的客户信息、所述待电话回访客户购买的产品信息、所述待电话回访客户对应的业务员信息、所述待电话回访客户购买产品的时间信息、所述待电话回访客户购买产品时的沟通时长信息等等。其中,客户信息包括客户年龄、性别、籍贯、年收入等,产品信息包括该产品(如寿险)的年缴费金额、保险期限等,业务员信息包括该业务员学历、加入公司的时间等,其中,所述待电话回访客户对应的业务员信息可以是所述待电话回访客户在购买产品时对应推销该产品的业务员,也可以是所述待电话回访客户在历史购买记录中经常与之合作的业务员。
步骤S20,基于所述客户预设相关信息,并利用预先确定的分类模型进行分类,输出分类结果。
本实施例中,预先通过对预设数量的肯定答复样例以及否定答复样例采用逻辑回归算法进行学习、训练、验证、优化,得到分类模型。其中,逻辑回归是无监督学习的一个重要算法,对某些数据与事物的归属(分到哪个类别)及可能性(分到某一类别的概率)进行评估。本实施例中,可先采集大量肯定答复样例以及否定答复样例,每一采集的肯定答复样例以及否定答复样例中均包含有客户预设相关信息,如客户信息、产品信息、业务员信息等,所述肯定答复样例中客户在进行电话回访时的回答结果为肯定答复,所述否定答复样例中客户在进行电话回访时的回答结果为否定答复。将客户预设相关信息如客户信息、产品信息、业务员信息等作为特征变量,采用逻辑回归算法,对采集的大量肯定答复样例以及否定答复样例进行训练以建立分类模型。该分类模型的分类类别为肯定答复或否定答复这两个类别。在一种可选的实施方式中,该分类模型为二项逻辑回归模型(binomial logisticregression model),将获取的待电话回访客户的客户预设相关信息作为特征变量,输入至预先确定的分类模型即二项逻辑回归模型进行分类预测,二项逻辑回归模型输出“肯定答复”的概率值,以及“否定答复”的概率值,两个概率值相加为1。将输出的“肯定答复”概率值与“否定答复”概率值的大小进行比较,将概率值较大的作为最终的分类结果。例如,将获取的待电话回访客户的客户预设相关信息如客户信息、产品信息、业务员信息等作为特征变量输入至二项逻辑回归模型中,该二项逻辑回归模型计算输出“肯定答复”的概率值为0.6,“否定答复”的概率值为0.4,则由于“肯定答复”的概率值大于“否定答复”的概率值,因此,该二项逻辑回归模型输出的最终的分类结果为“肯定答复”。
步骤S30,若分类结果为否定答复,则发送提醒信息至所述待电话回访客户对应的业务员,提醒对应的业务员提前介入与所述待电话回访客户进行沟通,以避免坐席对所述待电话回访客户进行电话回访时产生沟通解释件。
在基于待电话回访客户的客户预设相关信息,并利用预先确定的分类模型获取到分类结果后,若分类结果为否定答复,则说明分类结果预测电话回访该待电话回访客户很有可能会产生沟通解释件,则发送提醒信息(如短信信息、微信消息、qq消息、邮件等)至所述待电话回访客户对应的业务员,以提醒相应的业务员提前介入与该待电话回访客户针对问题做一次沟通解释。这样,在后续坐席对该待电话回访客户进行电话回访时可有效避免沟通解释件的产生。
若分类结果为肯定答复,则说明分类结果预测电话回访该待电话回访客户不会产生沟通解释件,则发送通知信息至预设的坐席,通知预设的坐席可直接对所述待电话回访客户进行电话回访,不用担心会产生沟通解释件。
与现有技术相比,本实施例在坐席对待电话回访客户进行回访之前,利用预先确定的分类模型以及该待电话回访客户的客户预设相关信息,分析预测电话回访该客户时会产生肯定答复还是否定答复,若预测结果显示电话回访该客户时会产生否定答复即会产生沟通解释件,则发送提醒信息提醒相应的业务员,使业务员提前介入与该客户针对问题做沟通解释。这样,在后续坐席对该客户进行电话回访时可有效避免客户给出否定答复,以减少沟通解释件的产生,从而减少了坐席因沟通解释件同一客户产生多次外呼的情况,减少工作量;而且,客户不会接到多次回访电话,客户体验更好。
在一可选的实施例中,在上述实施例的基础上,所述客户预设相关信息包括所述待电话回访客户的客户信息、所述待电话回访客户购买的产品信息以及所述待电话回访客户对应的业务员信息;所述预先确定的分类模型的训练过程如下:
按预设第一比例采集预设数量的肯定答复样例以及否定答复样例作为训练数据集;其中,每一肯定答复样例以及否定答复样例中均包含有客户信息、产品信息以及业务员信息,所述肯定答复样例中客户在进行电话回访时的回答结果为肯定答复,所述否定答复样例中客户在进行电话回访时的回答结果为否定答复;
采用Spark MLlib逻辑回归算法对采集的训练数据集进行学习训练,建立分类模型;建立模型的公式如下:
y=WX+b
其中,W为客户信息、产品信息、业务员信息对应的权重参数,X为客户信息、产品信息、业务员信息对应的特征变量,b为偏置参数,y为最终输出值,将y与预设阈值进行大小比较,并根据比较结果输出分类结果,所述分类结果为肯定答复或否定答复。
按预设第二比例采集预设数量的肯定答复样例以及否定答复样例作为验证数据集;
利用所述验证数据集验证建立的分类模型的分类准确率,若分类准确率大于或者等于预设准确率,则训练结束,或者,若分类准确率小于预设准确率,则调整分类模型的权重参数、偏置参数和/或预设阈值,直至分类准确率大于或者等于预设准确率。
具体地,本实施例中,首先训练模型,选取若干特征变量x1,x2,x3...,xn,特征变量可以是连续的,也可以是分类的。本实施例中,可选取客户信息(客户年龄、性别、籍贯、年收入等)、产品信息(年缴费金额、保险期限等)、业务员信息(业务员学历、加入公司的时间等)作为特征变量x1,x2,x3,将对应的回访问题回答结果分类划分为肯定和否定两类。训练数据准备时,可从历史数据(例如2017年以前的数据)中按照正反样例1:1比例分层采样,各随机抽取50万个样例,即各随机抽取50万个回访问题回答结果为肯定的样例,以及50万个回访问题回答结果为否定的样例,作为训练数据。基于提取的训练数据进行学习训练建立模型。本实施例中在构建模型时采用spark的Mllib学习框架的逻辑回归算法,对提取的训练数据进行训练,获取各个特征权重参数及偏置参数。建立模型过程中的数学公式如下:
y=WX+b
其中,W为各特征权重参数即(w1,w2,w3...,wn),X为特征变量即(x1,x2,x3...,xn),b为偏置参数,y为最终得到的输出值。
此外,在采用spark的Mllib学习框架的逻辑回归算法建立模型时,有两种最优化算法可以求解逻辑回归问题并求出最优参数(如特征权重参数W、偏置参数b等):mini-batch gradient descent(梯度下降法)以及L-BFGS法。优选地,本实施例中可优先使用L-BFGS,因为它能更快聚合。
训练好模型后,可进一步地对训练的模型进行测试,针对历史数据(例如2017年以后的数据)根据特征进行分层采样,采样的正负比例按照实际正反样例的分布1:20进行采集测试数据。本实施例中正样例为回访问题回答结果为否定即会产生沟通解释件的案例,反样例为回访问题回答结果为肯定即不会产生沟通解释件的案例。用训练好的模型对提取的测试数据进行预测,根据预测结果(回访问题回答结果为肯定或否定)与实际结果的对比情况,计算得到训练好的模型对正样例预测的准确率及召回率。并通过调整训练好的模型的参数如各特征权重参数W、偏置参数b、阀值,调整准确率和召回率达到一个预期的目标。
训练并测试好模型后,可获取到一个满足预期目标下的各个特征权重参数W,偏置参数b及阀值。在线上应用时,每日新增的电话外呼数据在呼出之前例如在坐席对寿险新契约的客户进线电话进行回访之前,会提取相关的特征变量,如本次外呼数据中的客户信息、产品信息、业务员信息作为特征变量,然后每个特征变量值与特征权重参数W一一相乘,然后加上偏置参数b得到最终输出值y,将最终输出值y与阀值进行比较。当最终输出值y大于阀值时被预测为正样例即会产生沟通解释件,反之则预测为反样例即不会产生沟通解释件。对于被预测为会产生沟通解释件的样本会通知到业务员提前介入与客户针对该问题做一次沟通解释,这样在坐席对该客户回访时可避免沟通解释件的产生。
本实施例中能提前预测到沟通解释件的发生,减少了坐席因沟通解释件同一客户产生的多次外呼的情况,从而减少沟通解释件及工作量,提高电话回访的工作效率;同时,客户不会接到多次回访电话,能使得客户体验更好。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有电话外呼分析控制系统,所述电话外呼分析控制系统可被至少一个处理器执行,以使所述至少一个处理器执行如上述实施例中的电话外呼分析控制方法的步骤,该电话外呼分析控制方法的步骤S10、S20、S30等具体实施过程如上文所述,在此不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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上述实施例方法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来实现,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。另外,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质,可以有多种变型方案实现本发明,比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进,均应在本发明的权利范围之内。
Claims (10)
1.一种电子装置,其特征在于,所述电子装置包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的电话外呼分析控制系统,所述电话外呼分析控制系统被所述处理器执行时实现如下步骤:
A、获取待电话回访客户的客户预设相关信息;
B、基于所述客户预设相关信息,并利用预先确定的分类模型进行分类,输出分类结果;其中,所述分类结果为肯定答复或否定答复,所述预先确定的分类模型为预先通过对预设数量的肯定答复样例以及否定答复样例采用逻辑回归算法进行训练得到的分类模型;
C、若分类结果为否定答复,则发送提醒信息至所述待电话回访客户对应的业务员,提醒对应的业务员提前介入与所述待电话回访客户进行沟通,以避免坐席对所述待电话回访客户进行电话回访时产生沟通解释件。
2.如权利要求1所述的电子装置,其特征在于,所述客户预设相关信息包括所述待电话回访客户的客户信息、所述待电话回访客户购买的产品信息以及所述待电话回访客户对应的业务员信息;所述预先确定的分类模型的训练过程如下:
按预设第一比例采集预设数量的肯定答复样例以及否定答复样例作为训练数据集;其中,每一肯定答复样例以及否定答复样例中均包含有客户信息、产品信息以及业务员信息,所述肯定答复样例中客户在进行电话回访时的回答结果为肯定答复,所述否定答复样例中客户在进行电话回访时的回答结果为否定答复;
采用Spark MLlib逻辑回归算法对采集的训练数据集进行学习训练,建立分类模型;建立模型的公式如下:
y=WX+b
其中,W为客户信息、产品信息、业务员信息对应的权重参数,X为客户信息、产品信息、业务员信息对应的特征变量,b为偏置参数,y为最终输出值,将y与预设阈值进行大小比较,并根据比较结果输出分类结果,所述分类结果为肯定答复或否定答复。
3.如权利要求2所述的电子装置,其特征在于,所述预先确定的分类模型的训练过程还包括:
按预设第二比例采集预设数量的肯定答复样例以及否定答复样例作为验证数据集;
利用所述验证数据集验证建立的分类模型的分类准确率,若分类准确率大于或者等于预设准确率,则训练结束,或者,若分类准确率小于预设准确率,则调整分类模型的权重参数、偏置参数和/或预设阈值,直至分类准确率大于或者等于预设准确率。
4.如权利要求1-3任一项所述的电子装置,其特征在于,所述处理器还用于执行所述电话外呼分析控制系统,以实现以下步骤:
若分类结果为肯定答复,则发送通知信息至预设的坐席,通知预设的坐席直接对所述待电话回访客户进行电话回访。
5.一种电话外呼分析控制方法,其特征在于,所述电话外呼分析控制方法包括:
获取待电话回访客户的客户预设相关信息;
基于所述客户预设相关信息,并利用预先确定的分类模型进行分类,输出分类结果;其中,所述分类结果为肯定答复或否定答复,所述预先确定的分类模型为预先通过对预设数量的肯定答复样例以及否定答复样例采用逻辑回归算法进行训练得到的分类模型;
若分类结果为否定答复,则发送提醒信息至所述待电话回访客户对应的业务员,提醒对应的业务员提前介入与所述待电话回访客户进行沟通,以避免坐席对所述待电话回访客户进行电话回访时产生沟通解释件。
6.如权利要求5所述的电话外呼分析控制方法,其特征在于,所述客户预设相关信息包括所述待电话回访客户的客户信息、所述待电话回访客户购买的产品信息以及所述待电话回访客户对应的业务员信息;所述预先确定的分类模型的训练过程如下:
按预设第一比例采集预设数量的肯定答复样例以及否定答复样例作为训练数据集;其中,每一肯定答复样例以及否定答复样例中均包含有客户信息、产品信息以及业务员信息,所述肯定答复样例中客户在进行电话回访时的回答结果为肯定答复,所述否定答复样例中客户在进行电话回访时的回答结果为否定答复;
采用Spark MLlib逻辑回归算法对采集的训练数据集进行学习训练,建立分类模型;建立模型的公式如下:
y=WX+b
其中,W为客户信息、产品信息、业务员信息对应的权重参数,X为客户信息、产品信息、业务员信息对应的特征变量,b为偏置参数,y为最终输出值,将y与预设阈值进行大小比较,并根据比较结果输出分类结果,所述分类结果为肯定答复或否定答复。
7.如权利要求6所述的电话外呼分析控制方法,其特征在于,所述预先确定的分类模型的训练过程还包括:
按预设第二比例采集预设数量的肯定答复样例以及否定答复样例作为验证数据集;
利用所述验证数据集验证建立的分类模型的分类准确率,若分类准确率大于或者等于预设准确率,则训练结束,或者,若分类准确率小于预设准确率,则调整分类模型的权重参数、偏置参数和/或预设阈值,直至分类准确率大于或者等于预设准确率。
8.如权利要求7所述的电话外呼分析控制方法,其特征在于,所述基于所述客户预设相关信息,并利用预先确定的分类模型进行分类,输出分类结果的步骤包括:
基于所述待电话回访客户的客户信息、产品信息以及业务员信息,利用预先确定的分类模型计算得到最终输出值y,若最终输出值y大于预设阈值,则输出分类结果为会产生沟通解释件的否定答复;若最终输出值y小于或等于预设阈值,则输出分类结果为不会产生沟通解释件的肯定答复。
9.如权利要求5-8任一项所述的电话外呼分析控制方法,其特征在于,该方法还包括:
若分类结果为肯定答复,则发送通知信息至预设的坐席,通知预设的坐席直接对所述待电话回访客户进行电话回访。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有电话外呼分析控制系统,所述电话外呼分析控制系统被处理器执行时实现如权利要求5至9中任一项所述的电话外呼分析控制方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810215154.0A CN108492137A (zh) | 2018-03-15 | 2018-03-15 | 电话外呼分析控制方法、电子装置及可读存储介质 |
PCT/CN2018/102086 WO2019174184A1 (zh) | 2018-03-15 | 2018-08-24 | 电话外呼分析控制方法、电子装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810215154.0A CN108492137A (zh) | 2018-03-15 | 2018-03-15 | 电话外呼分析控制方法、电子装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108492137A true CN108492137A (zh) | 2018-09-04 |
Family
ID=63339630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810215154.0A Pending CN108492137A (zh) | 2018-03-15 | 2018-03-15 | 电话外呼分析控制方法、电子装置及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108492137A (zh) |
WO (1) | WO2019174184A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635962A (zh) * | 2018-12-17 | 2019-04-16 | 广州甘来信息科技有限公司 | 基于自贩机的检修时间预测方法、装置、设备及存储介质 |
CN110533110A (zh) * | 2019-09-03 | 2019-12-03 | 中国联合网络通信集团有限公司 | 基于电信客服的自动外呼方法及装置 |
CN111626753A (zh) * | 2020-05-28 | 2020-09-04 | 泰康保险集团股份有限公司 | 客户回访任务处理方法、装置、设备及存储介质 |
CN113766067A (zh) * | 2020-07-27 | 2021-12-07 | 北京京东尚科信息技术有限公司 | 外呼方法和装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113923308B (zh) * | 2021-10-15 | 2024-04-09 | 浙江工业大学 | 基于深度强化学习的预测式外呼任务分配方法及外呼系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680428A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 一种电网客户满意度模型的构建方法 |
CN105376433A (zh) * | 2015-09-24 | 2016-03-02 | 深圳市车音网科技有限公司 | 语音自动回访装置、系统及其方法 |
CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101677343A (zh) * | 2008-09-17 | 2010-03-24 | 北京正辰科技发展有限责任公司 | 电话回访系统的总体功能构架 |
CN104270536A (zh) * | 2014-10-10 | 2015-01-07 | 国家电网公司 | 一种电话回访方法及装置 |
-
2018
- 2018-03-15 CN CN201810215154.0A patent/CN108492137A/zh active Pending
- 2018-08-24 WO PCT/CN2018/102086 patent/WO2019174184A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680428A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 一种电网客户满意度模型的构建方法 |
CN105376433A (zh) * | 2015-09-24 | 2016-03-02 | 深圳市车音网科技有限公司 | 语音自动回访装置、系统及其方法 |
CN106875225A (zh) * | 2017-02-24 | 2017-06-20 | 泰康保险集团股份有限公司 | 用于客户服务的方法及装置 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635962A (zh) * | 2018-12-17 | 2019-04-16 | 广州甘来信息科技有限公司 | 基于自贩机的检修时间预测方法、装置、设备及存储介质 |
CN110533110A (zh) * | 2019-09-03 | 2019-12-03 | 中国联合网络通信集团有限公司 | 基于电信客服的自动外呼方法及装置 |
CN111626753A (zh) * | 2020-05-28 | 2020-09-04 | 泰康保险集团股份有限公司 | 客户回访任务处理方法、装置、设备及存储介质 |
CN111626753B (zh) * | 2020-05-28 | 2023-09-05 | 泰康保险集团股份有限公司 | 客户回访任务处理方法、装置、设备及存储介质 |
CN113766067A (zh) * | 2020-07-27 | 2021-12-07 | 北京京东尚科信息技术有限公司 | 外呼方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2019174184A1 (zh) | 2019-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492137A (zh) | 电话外呼分析控制方法、电子装置及可读存储介质 | |
US10977739B2 (en) | Risk identification model building and risk identification | |
CN109598434A (zh) | 异常预警方法、装置、计算机装置及存储介质 | |
CN110135942A (zh) | 产品推荐方法、装置及计算机可读存储介质 | |
CN110020002A (zh) | 事件处理方案的查询方法、装置、设备和计算机存储介质 | |
CN110399533A (zh) | 资金流向查询方法及装置 | |
CN107545315A (zh) | 订单处理方法及装置 | |
CN107479882A (zh) | 投保页面的生成方法、生成装置、介质及电子设备 | |
CN105630840B (zh) | 一种推送消息的排序方法及装置 | |
CN110134711A (zh) | 大数据的处理方法、装置、设备及计算机可读存储介质 | |
CN111341041B (zh) | 一种支付方式确定方法、装置、系统及设备 | |
CN106791068A (zh) | 一种待办事项的提醒方法和终端 | |
CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
CN110445939A (zh) | 容量资源的预测方法及装置 | |
CN112801145A (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
CN110532448B (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
CN112308590B (zh) | 一种参数处理方法、装置以及计算设备、存储介质 | |
CN109426983A (zh) | 闪购活动自动生成方法及装置、存储介质、电子设备 | |
CN113138847A (zh) | 基于联邦学习的计算机资源分配调度方法和装置 | |
CN110032731A (zh) | 企业经营范围判断方法、装置及计算机可读存储介质 | |
CN109903079A (zh) | 信息处理方法、设备及存储介质 | |
CN112669136A (zh) | 基于大数据的金融产品推荐方法、系统、设备及存储介质 | |
CN116893886A (zh) | 决策确认方法、装置、电子设备与计算机存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN116342161A (zh) | 针对客户流失的数据处理方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |