CN109598404A - 自动对下发销售任务单进行数据处理的方法和装置 - Google Patents

Abstract

本发明公开了一种自动对下发销售任务单进行数据处理的方法和装置，涉及机器学习领域，该方法包括：获取销售任务单；获取坐席的标签，所述标签是根据所述坐席历史上成交的销售任务单中客户的属性值确定出的；根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席；向确定的坐席的终端发送所述销售任务单。所述方法提高了销售的成功率，降低了下发销售任务单所消耗的时间。

Description

自动对下发销售任务单进行数据处理的方法和装置

技术领域

本公开涉及机器学习领域，具体涉及一种自动对下发销售任务单进行数据处理的方法和装置。

背景技术

现有的销售中的销售任务单的下发，都是由上级主管根据对于每个坐席的个人了解，将销售任务单分配给坐席去销售。由于上级主管主观认知的局限性，分配给各坐席的销售任务单可能并不适合部分坐席去完成，从而导致坐席整体销售成功率较低。

另外，这种分配方法由于在数据处理方面存在瓶颈，缺少自动化地节省销售任务单分配时间、提高分配准确率和执行效果的技术。

发明内容

本公开的一个目的在于从数据处理方面实现销售任务与坐席终端的精准配对，提高任务分配的准确度和效率。

根据本公开的第一方面，公开了一种自动对下发销售任务单进行数据处理的方法，包括：

获取销售任务单；

获取坐席的标签，所述标签是根据所述坐席历史上成交的销售任务单中客户的属性值确定出的；

根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席；

向确定的坐席的终端发送所述销售任务单。

根据本公开的一示例实施方法，所述标签通过以下方式确定出：

确定所述坐席历史上成交的所有销售任务单中带有各属性值的销售任务单的占比；

将所述占比超过占比阈值的属性值确定为所述坐席的标签。

根据本公开的一示例实施方法，所述占比阈值与属性值相对应，其中，与属性值对应的占比阈值按照如下方式确定出：

针对团队内每一坐席，确定历史上成交的所有销售任务单中带有所述属性值的销售任务单的占比；

将所述占比由小到大排序；

将排序中位于第M个占比，作为所述占比阈值，其中M为正整数，其等于团队内坐席数目乘以预定比例的积的向上取整。

根据本公开的一示例实施方法，所述根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席，包括：

获取所述销售任务单中客户的属性值；

根据所述销售任务单中客户的属性值、与坐席的标签的匹配结果，确定承担所述销售任务的坐席。

根据本公开的一示例实施方法，所述根据所述销售任务单中客户的属性、与坐席的标签的匹配结果，确定承担所述销售任务的坐席，包括：

确定坐席的标签中与所述销售任务单中客户的属性值之一一致的标签数；

将所述标签数除以所述坐席的标签总数，得到所述坐席的标签与所述销售任务单中客户的属性值的匹配度；

基于所述匹配度，确定承担所述销售任务的坐席。

根据本公开的一示例实施方法，将所述匹配度最高的坐席，确定为承担所述销售任务的坐席。

根据本公开的一示例实施方法，所述根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席，包括：

获取所述销售任务单中的销售任务描述；

将所述销售任务描述进行分词；

确定各词在所述描述中的出现次数；

基于所述出现次数，确定销售任务单的关键词；

基于所述关键词与所述标签的匹配结果，确定承担所述销售任务的坐席。

根据本公开的一示例实施方法，所述根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席，还包括：

在将所述销售任务的描述进行分词后，仅保留分成词中的动词和名词。

根据本公开的一示例实施方法，所述基于所述出现次数，确定销售任务单的关键词包括：

将所述出现次数大于预定阈值的词确定为销售任务单的关键词。

根据本公开的一示例实施方法，所述基于所述关键词与所述标签的匹配结果，确定承担所述销售任务的坐席，包括：

确定坐席的标签中与所述关键词之一一致的标签数；

将所述标签数除以所述坐席的标签总数，得到所述坐席的标签与所述关键词的匹配度；

基于所述匹配度，确定承担所述销售任务的坐席。

根据本公开的一示例实施方法，将所述匹配度最高的坐席，确定为承担所述销售任务的坐席。

根据本公开的一示例实施方法，所述根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席，包括：

将所述销售任务单输入机器学习模型，由所述机器学习模型根据机器学习模型中的销售任务描述，输出承担所述销售任务的坐席，所述机器学习模型预先存储有各坐席的标签，

所述机器学习模型预先按照以下方式训练：将销售任务描述样本集输入机器学习模型，由机器学习模型根据预先存储的各坐席的标签，输出为每个销售任务描述样本分配的坐席，销售任务描述样本集中的每个销售任务描述样本事先已分配坐席，如果机器学习模型输出的坐席与为输入的销售任务描述样本事先已分配的坐席不一致，调整所述机器学习模型，使机器学习模型输出的坐席与为输入的销售任务描述样本事先已分配的坐席一致。

根据本公开的一示例实施方法，所述向确定的坐席的终端发送所述销售任务单包括：

根据确定的坐席，查找坐席的终端的电子邮件地址或电话号码；

利用查找到的终端的电子邮件地址或电话号码，发送所述销售任务单。

根据本公开的第二方面，公开了一种自动对下发销售任务单进行数据处理的装置，包括：

存储器，配置为存储所述处理器的可执行指令；

处理器，配置为执行如上所述的方法；

发送器，配置为向坐席终端发送销售任务的任务单。

根据本公开的第三方面，公开了一种计算机可读存储介质，其存储有计算机程序指令，当所述计算机指令被计算机执行时，使计算机执行如上所述的方法。

与传统技术中销售任务单由上级主管根据其主观认知分配给各坐席相比，本公开的实施例通过给坐席按照历史成交的销售任务单的客户的属性值打标签，并在实际分配任务时按照销售任务单与标签的匹配，实现销售任务与坐席终端的精准配对，从数据处理方面提高任务分配的准确度和效率。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。

图1示出根据本公开一示例实施方式的自动对下发销售任务单进行数据处理的方法的流程图。

图2示出根据本公开一示例实施方式的自动对下发销售任务单进行数据处理的装置的方框图。

图3示出根据本公开一示例实施方式的获取坐席的标签的详细流程图。

图4示出根据本公开一示例实施方式的确定占比阈值的详细流程图。

图5示出根据本公开一示例实施方式的根据销售任务单与坐席的标签的匹配结果，确定承担所述销售任务的坐席的流程图。

图6示出根据本公开一示例实施方式的根据销售任务单与坐席的标签的匹配结果，确定承担所述销售任务的坐席的详细流程图。

图7示出根据本公开一示例实施方式的根据销售任务单与坐席的标签的匹配结果，确定承担所述销售任务的坐席的详细流程图。

图8示出根据本公开一示例实施方式的基于关键词与标签的匹配结果，确定承担所述销售任务的坐席的详细流程图。

图9示出根据本公开一示例实施方式的根据销售任务单与坐席的标签的匹配结果，确定承担所述销售任务的坐席的流程图。

图10示出根据本公开一示例实施方式的训练机器学习模型的详细流程图。

图11示出根据本公开一示例实施方式的向确定的坐席的终端发送销售任务单的流程图。

图12示出根据本公开一示例实施方式的自动对下发销售任务单进行数据处理的系统的架构框图。

图13示出根据本公开一示例实施方式的自动对下发销售任务单进行数据处理的硬件设备图。

图14示出根据本公开一示例实施方式的自动对下发销售任务单进行数据处理的计算机可读存储介质图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本公开的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的示例实施方式的充分理解。然而，本领域的技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。

附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本公开的一个目的在于提高销售的成功率，降低销售任务单分配的时间消耗。根据本公开一个实施例的自动对下发销售任务单进行数据处理的方法，包括：获取销售任务单；获取坐席的标签，所述标签是根据所述坐席历史上成交的销售任务单中客户的属性值确定出的；根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席；向确定的坐席的终端发送所述销售任务单。与传统技术中销售任务单由上级主管根据其主观认知分配给各坐席相比，通过给坐席按照历史成交的销售任务单的客户的属性值打标签，并在实际分配任务时按照销售任务单与标签的匹配，实现销售任务与坐席终端的精准配对，从数据处理方面提高任务分配的准确度和效率。

图1示出根据本公开一示例实施方式的一自动对下发销售任务单进行数据处理的方法的流程图。

在步骤S100，获取销售任务单。

销售任务单是指包含有目标客户的基本信息的电子信息单。

在一个实施例中，销售任务单将目标客户的基本信息以表格的形式展示出来。

在另一个实施例中，销售任务单将目标客户的基本信息以文字描述的形式展示出来。

在一个实施例中，获取销售任务单通过从销售任务单数据库提取得到。

在步骤S110，获取坐席的标签。

在一个实施例中，所述标签事先打好，例如事先通过图3的步骤S1101和S1102处理完毕，则直接获取事先打好的标签。

在另一个实施例中，所述标签未事先打好，而是在获取销售任务单后，再通过图3的步骤S1101和S1102获取。

S1101：确定所述坐席历史上成交的所有销售任务单中带有各属性值的销售任务单的占比；

S1102：将所述占比超过占比阈值的属性值确定为所述坐席的标签。

销售任务单含有事先定义的一些属性。其中，销售任务单中反应客户的性质或关系的即为属性例如：“客户性别”、“客户职业”、“客户收入群体”、“客户地区”。同时，反应出属性具体方面的表现即为属性值，例如：“客户性别”对应的属性值为“男”或“女”，“客户职业”对应的属性值为“医生”或“教师”或其他职业。

在一个实施例中，确定所述坐席历史上成交的所有销售任务单中带有各属性值的销售任务单的占比可以通过这样的方式进行：提取坐席所有成交的销售任务单，确定所有销售任务单中某一特定属性，例如“客户性别”所对应的属性值的数目分布。“客户性别”这一属性对应着“男”与“女”这两个属性值，确定这两个属性值分别在所有成交的销售任务单中存在多少，并分别除以销售任务单的总数，由此得到了“客户性别”这一属性对应的属性值占比。

由于在上述获取坐席的标签过程中，随着坐席历史上成交的销售任务单的数量的增加，带有各属性值的销售任务单的数量也随之增加。如果采用将超过数目阈值的销售任务单属性值作为坐席标签的准则就会导致坐席的标签过于繁杂，不能准确反应坐席的特长。因此采用将超过占比阈值的销售任务单属性值作为坐席标签的准则，通过这种方法精准反应坐席的特长。

在一个实施例中，如图4所示，确定属性值的占比阈值具体包括：

S11021：针对团队内每一坐席，确定历史上成交的所有销售任务单中带有所述属性值的销售任务单的占比；

S11022：将所述占比由小到大排序；

S11023：将排序中位于第M个占比，作为所述占比阈值，其中M为正整数，其等于团队内坐席数目乘以预定比例的积的向上取整。

对全部坐席成交的所有销售任务单中带有特定属性值的销售任务单的占比进行由小到大的排序，再由坐席数乘以预定比例确定对应的占比阈值。由这种方法确定的占比阈值保证了对坐席的选取处于整个坐席团队内预定比例的范围里。

在一个实施例中，所述预定比例为预先确定的，占比阈值随着预定比例的不同而变化。例如团队内有15个坐席，将他们按照成交的所有销售任务单的某一特定属性对应的特定属性值的占比从小到大进行排序。预定比例为60％，其与坐席数目的积为9，则占比阈值确定为第9位坐席的占比。之所以占比阈值的确定还有向上取整这一限定，是由于某些预定比例乘以坐席数目得到的不是正整数。例如预定比例为70％，其与坐席数目的积为10.5，则占比阈值确定为第11位坐席的占比。

在一个实施例中，将在某一特定属性值上超过占比阈值的所有坐席贴上此属性值的标签。

在步骤S120，根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席。

在一个实施例中，如图5所示，步骤120具体包括：

S1201:获取所述销售任务单中客户的属性值；

S1202:根据所述销售任务单中客户的属性值、与坐席的标签的匹配结果，确定承担所述销售任务的坐席。

在一个实施例中，所述销售任务单中客户的属性值是已经过整理的，以表格或条目的形式展现在销售任务单中，因此可以对属性值直接进行提取。这样做的好处在于，属性值易于提取，能够直接用于与坐席的标签的匹配。

在一个实施例中，如图6所示，S1202具体包括：

S12021：确定坐席的标签中与所述销售任务单中客户的属性值之一一致的标签数；

S12022：将所述标签数除以所述坐席的标签总数，得到所述坐席的标签与所述销售任务单中客户的属性值的匹配度；

S12023：基于所述匹配度，确定承担所述销售任务的坐席。

在一个实施例中，销售任务单中客户的属性值已经获取，将客户的属性值与坐席的标签进行比对，每出现相同的比对结果就在成功比对的数目上加一。比对结束后，将成功比对数除以坐席的标签总数，得到所述坐席的标签与销售任务单中客户的属性值的匹配度。然后基于所述匹配度，确定承担所述销售任务的坐席。在一个实施例中，选出匹配度最高的坐席去执行此销售任务。在另一个实施例中，也可以在匹配度排名的前N位坐席中随机选出一位执行此销售任务。N的数值事先确定。通过这样的方法，保证了能以更高的准确率确定执行销售任务的坐席。

在另一个实施例中，如图7所示，步骤S120具体包括：

S1201’:获取所述销售任务单中的销售任务描述；

S1202’:将所述销售任务描述进行分词；

S1203’:确定各词在所述描述中的出现次数；

S1204’:基于所述出现次数，确定销售任务单的关键词；

S1205’:基于所述关键词与所述标签的匹配结果，确定承担所述销售任务的坐席。

销售任务描述是指对销售任务单中目标客户的客观性描述。

分词是指将一个字序列切分成一个个单独的词，即将一个字序列按照一定的规范重新组合成词序列的过程。

关键词是指分词后保留下来的能够反应出目标客户属性的词。

通过对没有直接罗列出属性值的销售任务单进行分词，从而提取出同样能够反应出目标客户的属性的关键词，再将销售任务单的关键词与坐席的标签进行匹配从而确定出承担所述销售任务的坐席，实现了对于只有销售任务描述的销售任务单的坐席分配。

在一个实施例中，获取的销售任务单并未对客户的属性值直接列出，取而代之的是一系列对客户的行为、状态的描述。例如，客户每天都会去跑步；客户衣着打扮前卫等。在这种销售任务单中无法提取出客户的属性值，因此采用对销售任务单的关键词与坐席标签进行匹配，确定承担所述销售任务的坐席。

在一个实施例中，获取所述销售任务单中的销售任务描述，在步骤S1202’，将所述销售任务描述进行分词，包括：在将所述销售任务描述分词后，仅保留分成词中的动词和名词，从保留的动词和名词中选出销售任务单的关键词。在步骤S1203’，确定各词在所述描述中的出现次数。在步骤S1204’，基于所述出现次数，确定销售任务单的关键词，包括：将分词后出现次数大于预定阈值的保留的动词和名词确定为销售任务单的关键词，阈值事先确定。

在步骤S1205’，基于所述关键词与所述标签的匹配结果，确定承担所述销售任务的坐席。

在一个实施例中，如图8所示，步骤S1205’具体包括：

S12051’：确定坐席的标签中与所述关键词之一一致的标签数；

S12052’：将所述标签数除以所述坐席的标签总数，得到所述坐席的标签与所述关键词的匹配度；

S12053’：基于所述匹配度，确定承担所述销售任务的坐席。

通过这种方法，选取出执行所述销售任务成功率最高或排名靠前的坐席。

在一个实施例中，销售任务单的关键词确定之后，将关键词与坐席的标签进行比对，确定与坐席的标签相一致的关键词数目。将一致的关键词数目除以坐席的标签总数，得到的结果即为所述坐席的标签与关键词的匹配度。基于得出的匹配度，确定承担所述销售任务的坐席。在一个实施例中，确定匹配度最高的坐席执行所述销售任务。或者在另一个实施例中，在匹配度排名前P的坐席间随机选取一位执行所述销售任务。P的数值事先确定。

在另一个实施例中，如图9所示，步骤S120具体包括：

S1201”：训练机器学习模型；

S1202”：将所述销售任务单输入机器学习模型，由所述机器学习模型根据机器学习模型中的销售任务描述，输出承担所述销售任务的坐席，所述机器学习模型预先存储有各坐席的标签。

在一个实施例中，团队全部坐席的所有历史销售任务单基数巨大，且销售任务单中对于目标客户的描述无法被全部提取为能够被具体衡量、定性的属性，继续采用基于客户的属性值与坐席的标签的匹配度或者基于销售任务单的关键词与坐席的标签的匹配度对销售任务分配坐席的方法将会造成大量有着潜在信息的数据的浪费。通过机器学习模型输出承担销售任务的坐席的方法，最大程度地利用了销售任务单中的数据信息，更为精确地进行承担销售任务的坐席的分配。

在一个实施例中，如图10所示，步骤S1201”具体包括：

S12011”：将销售任务描述样本集输入机器学习模型；

S12012”：由机器学习模型根据预先存储的各坐席的标签，输出为每个销售任务描述样本分配的坐席；

S12013”：销售任务描述样本集中的每个销售任务描述样本事先已分配坐席，如果机器学习模型输出的坐席与为输入的销售任务描述样本事先已分配的坐席不一致，调整所述机器学习模型，使机器学习模型输出的坐席与为输入的销售任务描述样本事先已分配的坐席一致。

销售任务描述样本是指一个事先已分配好坐席的销售任务描述。

销售任务描述样本集是指由销售任务描述样本组成的集合。

由于销售任务描述样本集内的销售任务描述样本均已分配好坐席，将所述销售任务描述样本集输入机器学习模型，将机器学习模型输出的坐席分配结果与事先分配的坐席结果进行比对。不断调整机器学习模型的参数，使其最终能够输出正确的坐席分配结果，由此达到机器学习模型训练的目的。

在一个实施例中，每个销售任务描述样本事先已经分配坐席，由这些已分配坐席的销售任务描述样本组成销售任务描述样本集。机器学习模型预先存储了各坐席的标签，将销售任务描述样本集输入机器学习模型，使机器学习模型输出为每个销售任务描述样本分配的坐席。如果机器学习模型为销售任务描述样本分配的坐席与事先分配好的坐席不一致，则调整机器学习模型的参数，再次将销售任务描述样本集输入机器学习模型，如此迭代，直到机器学习模型输出的坐席与事先已分配好的坐席一致，机器学习模型训练结束。

在一个实施例中，步骤S1202”具体包括：将所述销售任务单输入已经训练完毕的机器学习模型，机器学习模型预先存储有团队内每个坐席的标签，由机器学习模型根据销售任务描述输出承担所述销售任务的坐席。

在一个实施例中，如图11所示，步骤S130具体包括：

S1301:根据确定的坐席，查找坐席的终端的电子邮件地址或电话号码；

S1302：利用查找到的终端的电子邮件地址或电话号码，发送所述销售任务单。

在一个实施例中，团队内每个坐席的终端的电子邮件地址或电话号码事先已经存储在通讯录中，当执行销售任务的坐席确定下来后，根据通讯录查找到所述坐席的电子邮件地址或电话号码，向所述坐席发送销售任务单。

本公开还提供了一种自动对下发销售任务单进行数据处理的装置。参考图2所示，所述自动下发销售任务单的装置可以包括：获取模块210、匹配模块220、分配模块230。其中：

获取模块210可以用于获取所述销售任务单，根据所述坐席的历史销售任务单获取坐席的标签。

匹配模块220可以用于将所述销售任务单与所述坐席的标签进行匹配。

分配模块230可以用于根据所述销售任务单与所述坐席的标签的匹配结果决定承担销售任务的坐席，并向所述坐席分配所述销售任务单。

上述自动对下发销售任务单进行数据处理的装置中各模块的具体细节已经在对应的方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照所述特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，所述软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

图12示出根据本公开一示例实施方式的自动对下发销售任务单进行数据处理的系统架构框图。所述系统架构包括：

在一个实施例中，数据库330中存储有销售任务单与坐席的通讯录，管理端340将生成的销售任务发送给服务器。服务器320收到从管理端340发来的销售任务后，从数据库330调出与销售任务对应的所述销售任务单，对所述销售任务单进行坐席的匹配。匹配完成后，服务器320从数据库中调出所述坐席的通讯录，依照所述坐席的通讯录向匹配的坐席终端310分配对应的销售任务。

在一个实施例中，坐席终端310从接收到服务器320发送的销售任务到完成销售任务的整个过程中，定期向服务器320反馈销售任务执行进度，同时服务器320将坐席终端的销售任务执行进度记录进行存储并发送给管理端340。

通过以上对系统架构的描述，本领域的技术人员易于理解，这里描述的系统架构能够实现图2所示的自动对下发销售任务单进行数据处理的装置中各个模块的功能。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图13来描述根据本发明的这种实施方式的电子设备400。图13显示的电子设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图13所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括处理单元410和存储单元420)的总线430。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元410执行，使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元410可以执行如图1中所示的步骤S100：获取销售任务单；步骤S110:获取坐席的标签；步骤S120：根据所述销售任务单与所述坐席标签的匹配，确定承担所述销售任务的坐席；步骤S130：向确定的坐席的终端发送所述销售任务单。

存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。

总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备400也可以与一个或多个外部终端500(例如坐席终端)通信，这种通信可以通过输入/输出(I/O)接口440进行。并且，电子设备400还可以通过网络适配器450与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器450通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图14所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C语言”或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种自动对下发销售任务单进行数据处理的方法，其特征在于，包括：

获取销售任务单；

获取坐席的标签，所述标签是根据所述坐席历史上成交的销售任务单中客户的属性值确定出的；

根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席；

向确定的坐席的终端发送所述销售任务单。

2.根据权利要求1所述的方法，其特征在于，所述根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席，包括：

获取所述销售任务单中客户的属性值；

根据所述销售任务单中客户的属性值、与坐席的标签的匹配结果，确定承担所述销售任务的坐席。

3.根据权利要求2所述的方法，其特征在于，所述根据所述销售任务单中客户的属性值、与坐席的标签的匹配结果，确定承担所述销售任务的坐席，包括：

确定坐席的标签中与所述销售任务单中客户的属性值之一一致的标签数；

将所述标签数除以所述坐席的标签总数，得到所述坐席的标签与所述销售任务单中客户的属性值的匹配度；

基于所述匹配度，确定承担所述销售任务的坐席。

4.根据权利要求1所述的方法，其特征在于，所述根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席，包括：

获取所述销售任务单中的销售任务描述；

将所述销售任务描述进行分词；

确定各词在所述描述中的出现次数；

基于所述出现次数，确定销售任务单的关键词；

基于所述关键词与所述标签的匹配结果，确定承担所述销售任务的坐席。

5.根据权利要求4所述的方法，其特征在于，所述基于所述关键词与所述标签的匹配结果，确定承担所述销售任务的坐席，包括：

确定坐席的标签中与所述关键词之一一致的标签数；

将所述标签数除以所述坐席的标签总数，得到所述坐席的标签与所述关键词的匹配度；

基于所述匹配度，确定承担所述销售任务的坐席。

6.根据权利要求1所述的方法，其特征在于，所述根据所述销售任务单与所述坐席标签的匹配结果，确定承担所述销售任务的坐席，包括：

将所述销售任务单输入机器学习模型，由所述机器学习模型根据机器学习模型中的销售任务描述，输出承担所述销售任务的坐席，所述机器学习模型预先存储有各坐席的标签，

所述机器学习模型预先按照以下方式训练：将销售任务描述样本集输入机器学习模型，由机器学习模型根据预先存储的各坐席的标签，输出为每个销售任务描述样本分配的坐席，销售任务描述样本集中的每个销售任务描述样本事先已分配坐席，如果机器学习模型输出的坐席与为输入的销售任务描述样本事先已分配的坐席不一致，调整所述机器学习模型，使机器学习模型输出的坐席与为输入的销售任务描述样本事先已分配的坐席一致。

7.根据权利要求1所述的方法，其特征在于，所述向确定的坐席的终端发送所述销售任务单包括：

根据确定的坐席，查找坐席的终端的电子邮件地址或电话号码；

利用查找到的终端的电子邮件地址或电话号码，发送所述销售任务单。

8.一种自动对下发销售任务单进行数据处理的装置，其特征在于，包括：

获取模块，用于获取所述销售任务单与所述坐席的标签；

匹配模块，用于将所述销售任务单与所述坐席的标签进行匹配；

分配模块，用于如果所述销售任务单与所述坐席的标签匹配成功，则向坐席终端分配与之匹配成功的销售任务单。

9.一种自动对下发销售任务单进行数据处理的电子设备，其特征在于，包括：

处理器，配置为执行根据权利要求1-7中任一个所述的方法；

存储器，配置为存储所述处理器的可执行指令；

发送器，配置为向坐席终端发送销售任务的任务单。

10.一种计算机可读存储介质，其特征在于，其存储有计算机程序指令，当所述计算机指令被计算机执行时，使计算机执行根据权利要求1-7中任一个所述的方法。