CN109816220A - 基于智能决策的业务质量监控及处理方法和装置 - Google Patents

基于智能决策的业务质量监控及处理方法和装置 Download PDF

Info

Publication number
CN109816220A
CN109816220A CN201910012415.3A CN201910012415A CN109816220A CN 109816220 A CN109816220 A CN 109816220A CN 201910012415 A CN201910012415 A CN 201910012415A CN 109816220 A CN109816220 A CN 109816220A
Authority
CN
China
Prior art keywords
scoring
service
business personnel
client
vector
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
Application number
CN201910012415.3A
Other languages
English (en)
Inventor
刘建华
王晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910012415.3A priority Critical patent/CN109816220A/zh
Publication of CN109816220A publication Critical patent/CN109816220A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请涉及一种基于人工智能的基于智能决策的业务质量监控及处理方法和装置。该方法包括:监听业务终端与客户终端之间的通信信息;当监听到客户提问及对应的问题答复时,根据对应的问答时间差确定业务员标识对应的第一评分;计算客户提问对应的提问向量及问题答复对应的答复向量;将提问向量与多个参考问题分别对应的第一参考向量进行匹配,确定与客户提问匹配的参考问题对应的参考答复;将答复向量与参考答复对应的第二参考向量进行匹配,根据匹配结果确定业务员标识对应的第二评分;根据第一评分和第二评分,计算业务员标识对应的服务质量评分;根据服务质量评分对客户终端执行预设的业务员更替操作。采用本方法可提高监管及时性。

Description

基于智能决策的业务质量监控及处理方法和装置
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于智能决策的业务质量监控及处理方法和装置。
背景技术
随着企业规模增大,拥有的客户数量也越来越多。对于每个客户,企业分配对应的业务员进行跟进。业务员基于业务服务平台为客户解决业务前、业务中及业务后的各种问题。为了给予客户较好的业务体验,企业需要对业务员服务质量进行监控及管理。
传统的服务质量监管方式主要是依赖人工进行事后抽查及处理,这种方式不仅监管效率低,且难以保证监管及时性。为了提高监管及时性,目前也出现了在线实时监管的方式,但这种方式需要监管人员长期蹲守在监控终端前对业务员向客户提供业务服务的过程进行同步观察,再根据观察内容作出相应处理决定,这种方式不仅浪费大量的人力,监管效率依然不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高监管及时性及效率的基于智能决策的业务质量监控及处理方法和装置。
一种基于智能决策的业务质量监控及处理方法,所述方法包括:监听业务终端与客户终端之间的通信信息;所述通信信息包括业务员标识;在所述通信信息中监听到客户提问及对应的问题答复时,计算对应的问答时间差;根据所述问答时间差确定所述业务员标识对应的第一评分;计算所述客户提问对应的提问向量,以及所述问题答复对应的答复向量;获取预设的多个参考问题及每个所述参考问题对应的第一参考向量,将所述提问向量与所述第一参考向量进行匹配,获取与所述客户提问匹配的参考问题对应的参考答复;获取所述参考答复对应的第二参考向量,将所述答复向量与所述第二参考向量进行匹配,根据匹配结果确定所述业务员标识对应的第二评分;根据所述第一评分和所述第二评分,计算所述业务员标识对应的服务质量评分;根据所述服务质量评分对所述客户终端执行预设的业务员更替操作。
在其中一个实施例中,所述监听业务终端与客户终端之间的通信信息,包括:接收业务终端发送的业务服务链接;所述业务服务链接包括客户标识;将所述业务服务链接转发至所述客户标识对应的客户终端;监听所述业务终端与所述客户终端基于所述业务服务链接的通信信息;所述根据服务质量评分对所述客户终端执行预设的业务员更替操作,包括:比较所述服务质量评分是否低于阈值;若是,将所述业务终端已推送的业务服务链接控制失效。
在其中一个实施例中,所述计算所述客户提问对应的提问向量,包括:对所述客户提问进行预处理,得到当前时段的预处理后的文本;调用神经网络模型,所述神经网络模型包括LSTM以及全连接层;所述LSTM包括遗忘门、输入门和输出门;通过所述遗忘门对前一时段的预处理后的文本进行遗忘处理,通过所述输入门对当前时段输入的预处理后的文本进行更新;通过所述输出门对遗忘处理后得到的文本以及更新得到的文本进行运算,得到与客户提问对应的表征向量;通过所述全连接层对所述表征向量进行转换,得到对应的提问向量。
在其中一个实施例中,所述计算所述客户提问对应的提问向量,包括:若在所述通信信息中监听到的客户提问有多个,根据多个客户提问生成客户提问列表,将所述客户提问列表发送至所述业务终端;监听所述业务终端对所述客户提问列表中客户提问的选定操作;计算被选定的客户提问对应的提问向量。
在其中一个实施例中,该方法还包括:识别所述通信信息是否包含预设的敏感词;当包含敏感词时,获取所述敏感词对应的敏感度;对监控时段内包含敏感词的通信信息的数量以及每条包含敏感词的通信信息的敏感度进行统计,得到所述业务员标识对应的第三评分;所述根据第一评分和第二评分计算业务员标识对应的服务质量评分,包括:根据所述第一评分、所述第二评分及所述第三评分,计算所述业务员标识对应的服务质量评分。
在其中一个实施例中,该方法还包括:获取所述业务员标识对应的业务群组信息;基于所述业务群组信息,统计所述业务员标识对应的业务群组内群组成员的活跃度及新增速度;根据所述活跃度及新增速度,得到对应的人气指数;获取所述业务员标识对应的评价信息;对所述评价信息进行解析,得到对应的舆情指数;根据所述人气指数及所述舆情指数,计算所述业务员标识对应的第四评分;所述根据第一评分和第二评分计算业务员标识对应的服务质量评分,包括:根据所述第一评分、所述第二评分及所述第四评分,计算所述业务员标识对应的服务质量评分。
在其中一个实施例中,所述根据服务质量评分对所述客户终端执行预设的业务员更替操作,包括:比较所述服务质量评分是否低于阈值;若是,根据所述通信信息获取所述客户标识对应的客户信息;将所述客户信息对所述业务员标识对应的业务终端进行屏蔽;根据所述客户信息,确定所述客户标识对应的更替业务员标识;将所述通信信息及所述客户信息发送至更替业务员标识对应的业务终端。
一种基于智能决策的业务质量监控及处理装置,所述装置包括:信息监听模块,用于监听业务终端与客户终端之间的通信信息;所述通信信息包括业务员标识;质量监控模块,用于在所述通信信息中监听到客户提问及对应的问题答复时,计算对应的问答时间差;根据所述问答时间差确定所述业务员标识对应的第一评分;计算所述客户提问对应的提问向量,以及所述问题答复对应的答复向量;获取预设的多个参考问题及每个所述参考问题对应的第一参考向量,将所述提问向量与所述第一参考向量进行匹配,获取与所述客户提问匹配的参考问题对应的参考答复;获取所述参考答复对应的第二参考向量,将所述答复向量与所述第二参考向量进行匹配,根据匹配结果确定所述业务员标识对应的第二评分;根据所述第一评分和所述第二评分,计算业务员标识对应的服务质量评分;质量处理模块,用于根据所述服务质量评分对所述客户终端执行预设的业务员更替操作。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的基于智能决策的业务质量监控及处理方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的基于智能决策的业务质量监控及处理方法的步骤。
上述基于智能决策的业务质量监控及处理方法和装置,通过监听业务终端与客户终端之间的通信信息,可以在监听到客户提问及对应的问题答复时计算对应的问答时间差;根据问答时间差,可以确定业务员标识对应的第一评分;通过计算客户提问对应的提问向量以及预设的多个参考问题对应的第一参考向量,并将提问向量与第一参考向量进行匹配,可以确定与客户提问匹配的参考问题对应的参考答复;通过计算问题答复对应的答复向量以及获取到的参考答复对应的第二参考向量,并将答复向量与第二参考向量进行匹配,可以确定业务员标识对应的第二评分;根据第一评分和第二评分,可以计算业务员标识对应的服务质量评分;根据服务质量评分,可以对客户终端执行预设的业务员更替操作;由于在业务员与客户在线沟通过程中,对产生的通信信息实时监听,并实时检测业务员对于客户提问的答复及时性和针对性,可以及时判断业务员的服务质量;此外,根据服务质量监控结果,自动对业务员进行相应处理,可以提高服务质量监管效率和及时性。
附图说明
图1为一个实施例中基于智能决策的业务质量监控及处理方法的应用场景图;
图2为一个实施例中基于智能决策的业务质量监控及处理方法的流程示意图;
图3为一个实施例中第三评分计算的步骤的流程示意图;
图4为一个实施例中第四评分计算的步骤的流程示意图;
图5为一个实施例中基于智能决策的业务质量监控及处理装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于智能决策的业务质量监控及处理方法,可以应用于如图1所示的应用环境中。其中,业务终端102与服务器104通过网络进行通信。客户终端106与服务器104通过网络进行通信。其中,业务终端102与客户终端106分别可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
服务器102对业务员对应的业务终端与客户对应的客户终端之间的通信信息进行监听。通信信息包括业务员标识。当在通信信息中监听到客户提问及对应的问题答复时,服务器104计算该问题答复对应的问答时间差,根据问答时间差确定相应问题答复对应的及时性评分。服务器104根据业务员在监控时段内发送的多个问题答复分别对应的及时性评分,计算业务员标识对应的第一评分。当在通信信息中监听到客户提问及对应的问题答复时,服务器104计算客户提问对应的提问向量以及问题答复对应的答复向量。服务器104预存储了多个参考问题及每个参考问题对应的参考答复。每个参考问题具有对应的第一参考向量,每个参考答复具有对应的第二参考向量。服务器104将提问向量与第一参考向量进行匹配,筛选与客户提问匹配的参考问题对应的参考答复。服务器104将答复向量与筛选得到的参考问题的第二参考向量进行匹配,根据匹配结果确定相应问题答复对应的针对性性评分。服务器104根据业务员在监控时段内发送的多个问题答复分别对应的针对性评分,计算业务员标识对应的第二评分。服务器104根据第一评分和第二评分,计算业务员标识对应的服务质量评分。服务器104比较服务质量评分是否低于阈值,若是,则对客户终端执行预设的业务员更替操作。由于在业务员与客户在线沟通过程中,对产生的通信信息实时监听,并实时检测业务员对于客户提问的答复及时性和针对性,可以及时判断业务员的服务质量;此外,根据服务质量监控结果,自动对业务员进行相应处理,可以提高服务质量监管效率和及时性。
在一个实施例中,如图2所示,提供了一种基于智能决策的业务质量监控及处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,监听业务终端与客户终端之间的通信信息;通信信息包括业务员标识。
业务终端与客户终端上分别运行了业务服务平台。业务服务平台可以是在线咨询平台或产品交易平台等。业务服务平台可以是APP(Application,应用程序),也可以是基于母程序的子程序。母程序可以是微信平台,子程序可以是运行在微信平台的小程序。业务员与客户可以基于业务服务平台进行业务沟通,相互发送通信信息。通信信息可以是文本、图片或链接等。
在一个实施例中,监听业务终端与客户终端之间的通信信息,包括:接收业务终端发送的业务服务链接;业务服务链接包括客户标识;将业务服务链接转发至客户标识对应的客户终端;监听业务终端与客户终端基于业务服务链接的通信信息。
当需要向客户提供业务服务时,业务员可以基于业务服务平台向客户推送业务服务链接。基于业务服务平台可以推送多种业务服务链接,如产品交易链接、交易协助链接等。当业务员需要向客户推荐产品时,可以基于业务服务平台向客户推送产品交易链接。当业务员认为需要对客户进行交易协助时,可以基于业务服务平台向客户推送交易协助链接。
业务终端将业务服务链接发送至服务器。业务服务链接包括业务员标识和客户标识。服务器将业务服务链接推送至客户标识对应的客户终端。通过触按业务服务链接,客户便可在业务服务平台与业务员进行业务沟通,可以免去对对业务服务平台的安装繁琐。
值得注意的是,除了由业务员主动跟进客户,客户也可以自行搜索到业务服务平台,并基于业务服务平台发起业务服务请求。客户自行搜索到的业务服务平台并不包含业务员标识。服务器根据业务服务请求对该客户分配对应的业务员,将业务服务请求发送至已分配的业务员对应的业务终端,使业务员按照上述方式向客户推送包含业务员标识的业务服务链接,以对该客户跟进。
步骤204,在通信信息中监听到客户提问及对应的问题答复时,计算对应的问答时间差;根据问答时间差确定业务员标识对应的第一评分。
服务器对业务终端与客户终端基于业务服务平台相互发送的通信信息进行监听。来自客户终端的通信信息中携带了客户标识或客户终端标识。来自业务终端的通信信息中携带了业务员标识或业务终端标识。服务器根据预设字符或字符串对监听到的通信信息进行匹配。预设字符或字符串可以是“?”“吗”“怎么”、“如何”等。若在监听到的通信信息中识别出存在预设字符或字符串,且该通信信息来自客户终端,则服务器将该条通信信息标记为客户提问。服务器记录客户提问对应的提问时间。
在通信信息中监听到问题答复时,服务器将该问题答复与客户提问进行匹配,即识别当前问题答复所针对的客户提问。服务器记录问题答复的答复时间。服务器根据每个客户提问的提问时间以及对应问题答复的答复时间,计算每个客户提问对应的问答时间差。
服务器预设了多种答复时限区间及每种区间对应的及时性评分。服务器根据问答时间差所属的答复时限区间,确定当前问题答复对应的及时性评分。服务器获取业务员在监控时段内发送的多个问题答复分别对应的及时性评分,计算多个及时性评分的平均值,将该平均值记作业务员标识对应的第一评分。
步骤206,计算客户提问对应的提问向量,以及问题答复对应的答复向量。
服务器调用预设的神经网络模型计算客户提问对应的文本向量,记作提问向量。该提问向量中包含了产品需求或问题类别等维度。服务器调用预设的神经网络模型计算问题答复对应的文本向量,记作答复向量。
步骤208,获取预设的多个参考问题及每个参考问题对应的第一参考向量,将提问向量与第一参考向量进行匹配,获取与客户提问匹配的参考问题对应的参考答复。
服务器部署了对应的知识库,并在知识库中预存储了多个参考问题及每个参考问题对应的参考答复。知识库中还存储了每个参考问题对应的文本向量(记作第一参考向量)以及每个参考答复具有对应的文本向量(记作第二参考向量)。服务器计算当前客户提问对应提问向量分别与多个第一参考向量之间的相似度。服务器筛选相似度大于预设值的参考问题对应的参考答复。
步骤210,获取参考答复对应的第二参考向量,将答复向量与第二参考向量进行匹配,根据匹配结果确定业务员标识对应的第二评分。
服务器计算相应问题答复对应答复向量分别与筛选得到的一个或多个参考答复对应的第二参考向量之间的相似度。服务器根据答复向量与第二参考向量的相似度,确定当前问题答复对应的针对性评分。服务器获取业务员在监控时段内发送的多个问题答复分别对应的针对性评分,计算多个针对性评分的平均值,将该平均值记作业务员标识对应的第二评分。
在某些实施方式中,服务器识别业务员返回的问题答复是否属于产品推荐类信息。若是,服务器还对产品推荐针对性进行监控。具体的,服务器根据业务员与客户的历史通信信息获取客户信息,并客户信息进行解析,得到客户对应的多个第一标签以及每个第一标签对应的标签权重。服务器获取客户在业务服务平台的操作行为数据,对操作行为数据进行解析,得到多种访问操作分别对应的第二标签以及每个第二标签对应的标签权重。服务器根据标签权重,筛选预设数量的第一标签和第二标签作为客户标签。服务器获取多种产品分别对应的产品标签,通过对客户标签与产品标签进行匹配,得到推荐产品。服务器将推荐产品的信息与当前问题答复进行匹配,根据匹配结果确定产品推荐针对性,进而确定该问题答复对应的针对性评分。
步骤212,根据第一评分和第二评分,计算业务员标识对应的服务质量评分。
服务器对业务员在监控时段对应的第一评分和第二评分进行预设逻辑运算,将运算结果记作该业务员标识对应的服务质量评分。预设逻辑运算可以是求和运算,取平均运算或者基于预设权重的叠加运算等。
步骤214,根据服务质量评分对客户终端执行预设的业务员更替操作。
服务器比较服务质量评分是否低于阈值。在某些实施方式中,阈值包括第一阈值和第二阈值。若服务质量评分低于第一阈值,则服务器取消业务员标识对应的全部销售权限。若服务质量评分达到第一阈值但低于第二阈值,则服务器取消业务员标识对应的部分销售权限,如仅取消该业务员针对当前客户的销售权限。
若取消全部销售权限,服务器控制该业务员基于业务服务平台已推送的全部业务服务链接失效,或删除已推送链接中的业务员标识。业务服务链接每次在打开时,在展示前端页面之前会有“业务员权限判断”的步骤,当业务员不具有销售权限时,服务器将该业务员分享出去的全部链接设置为无效,即不再展示前端页面和/或展示无效提示。具体的,当监听到客户基于客户终端对业务服务链接的触按操作时,服务器是否业务服务链接中业务员标识是否具有对应的销售权限。若否,向客户终端返回无效提示,且不再展示业务服务链接对应的前端页面。
若取消部分销售权限,服务器仅将业务员推送给当前客户的业务服务链接控制失效。此外,服务器向当前客户推荐新业务员,将当前客户的客户信息对原业务员进行屏蔽,并实现原业务员与新业务员之间的业务数据对接。
本实施例中,通过监听业务终端与客户终端之间的通信信息,可以在监听到客户提问及对应的问题答复时计算对应的问答时间差;根据问答时间差,可以确定业务员标识对应的第一评分;通过计算客户提问对应的提问向量以及预设的多个参考问题对应的第一参考向量,并将提问向量与第一参考向量进行匹配,可以确定与客户提问匹配的参考问题对应的参考答复;通过计算问题答复对应的答复向量以及获取到的参考答复对应的第二参考向量,并将答复向量与第二参考向量进行匹配,可以确定业务员标识对应的第二评分;根据第一评分和第二评分,可以计算业务员标识对应的服务质量评分;根据服务质量评分,可以对客户终端执行预设的业务员更替操作;由于在业务员与客户在线沟通过程中,对产生的通信信息实时监听,并实时检测业务员对于客户提问的答复及时性和针对性,可以及时判断业务员的服务质量;此外,根据服务质量监控结果,自动对业务员进行相应处理,可以提高服务质量监管效率和及时性。
在一个实施例中,计算客户提问对应的提问向量,包括:对客户提问进行预处理,得到当前时段的预处理后的文本;调用神经网络模型,神经网络模型包括LSTM以及全连接层;LSTM包括遗忘门、输入门和输出门;通过遗忘门对前一时段的预处理后的文本进行遗忘处理,通过输入门对当前时段输入的预处理后的文本进行更新;通过输出门对遗忘处理后得到的文本以及更新得到的文本进行运算,得到与客户提问对应的表征向量;通过全连接层对表征向量进行转换,得到对应的提问向量。
服务器对客户提问进行预处理。预处理包括:分词、去停用词、繁转简等。其中,分词是指对一个句子分割成分词。去停用词是指去掉“恩”“啊”之类对语义理解无意义的词语。繁转简是指如果是香港、澳门、台湾地区的用户采用了繁体中文输入,则将其输入的通信信息转换为简体中文。
服务器预先建立了神经网络模型。神经网络模型可以是预先基于问题库经过深度学习得到的。在预处理完成之后,服务器调用神经网络模型,通过神经网络模型对预处理之后的客户提问进行向量化处理。客户提问的内容可能与之前的时间距离很长的内容相关。换言之,客户提问时,提问的内容需要结合上下文进行识别。基于此,神经网络模型采用LSTM(Long Short-Term Memory,长短期记忆网络)以及全连接层来搭建。
LSTM用于识别客户终端输入的两个语句是否在语义上相关。LSTM包括遗忘门、输入门和输出门。其中,遗忘门可以对客户终端输入的上下文之间不相关的信息以及冗余信息进行丢弃,也就决定了前一时段的客户提问有多少可以保留到当前时段。这里的时段是指业务员与客户进行业务问答的时间周期,例如,假设时间周期为1小时,且当前时段为8:00~9:00,则前一时段为7:00~8:00。输入门可以对客户提问的内容进行更新,也就是决定了当前时段输入的客户提问有多少可以保存。输出门可以控制有多少客户提问可以输出到LSTM的当前输出值。
传统的LSTM首先通过遗忘门决定哪些客户提问被丢弃,即被遗忘。在遗忘之后,再通过输入门对客户提问的内容进行更新。接着再通过输出门进行输出。但这种方式得到的输出结果通常准确率低。为了有效提高输出结果准确率,本实施例对LSTM进行了优化。具体的,当获取到当前时段的预处理后的文本时,通过遗忘门对前一时段的预处理后的文本进行遗忘处理;在遗忘门进行遗忘处理时,通过输入门对当前时段输入的预处理后的文本进行更新;通过输出门对遗忘处理后得到的文本以及更新得到的文本进行运算,得到与用户提问对应的表征向量。换言之,相比传统LSTM,在输入当前时段的提问内容时,可以同时对前一时段的客户提问进行遗忘以及对当前时段的客户提问进行更新。由此能够对遗忘门的遗忘处理以及输入门的更新处理进行综合考虑,有效提高了输出结果的准确率。
当大量的客户同时在业务服务平台进行业务咨询时,LSTM面临的运算量是巨大的。为了有效简化运算量,提高处理速度,本实施例对LSTM作了进一步优化。具体的,LSTM中配置了多项参数,如遗忘门的权重矩阵和偏置项、输入门的权重矩阵和偏置项、输出门的权重矩阵和偏置项等。本实施例为遗忘门与输出门设置相同的参数。即遗忘门的权重矩阵与输出门的权重矩阵相同,遗忘门的偏置项与输出门的偏置项相同,可以使得遗忘门与输出门可以采用同样的公式进行运算,由此能够有效简化运算量,提高处理速度。
LSTM计算多个时段的输出平均值,将计算结果作为客户提问的表征向量。通过神经网络模型中的全连接层对表征向量进行转换,从而得到与客户提问对应的文本向量。
在一个实施例中,计算客户提问对应的提问向量,包括:若在通信信息中监听到的客户提问有多个,根据多个客户提问生成客户提问列表,将客户提问列表发送至业务终端;监听业务终端对客户提问列表中客户提问的选定操作;计算被选定的客户提问对应的提问向量。
实际操作中,常存在客户一连串发送多个问题的情况。若在通信信息中监听到多个客户提问时,服务器针对该客户提问添加对应的信息标签。信息标签包括信息类别和信息编号。信息类别包括客户提问或问题答复。服务器记录每个客户提问对应的提问时间。
服务器根据多个客户提问生成客户提问列表,并将客户提问列表发送至业务终端。客户提问列表中多个客户提问可以根据提问时间先后排列。客户提问列表中可以仅显示多个客户提问对应的提问摘要,根据客户的选定操作显示相应客户提问对应的提问详情。业务员从客户提问列表中选定一个客户提问进行答复。换言之,业务员在答复客户提问之前,需要指定是针对哪一客户提问的答复。容易理解,每个客户提问可以具有多个对应的问题答复。当客户提问具有多个对应的问题答复时,服务器可以根据第一条问题答复的答复时间,计算该客户提问对应的问答时间差。
在某些实施方式中,服务器对业务员在业务终端对客户提问列表中客户提问的选定操作进行监听。当监听到对某个客户提问的选定操作时,服务器按照上述方式计算被选定的客户提问对应的提问向量,并调用知识库中多个参考问题对应的第一参考向量。通过将提问向量与第一参考向量进行匹配,服务器从多个参考问题中筛选与被选定的客户提问匹配的参考问题对应的参考答复,并将筛选得到的一个或多个参考答复发送至业务终端。由此业务员无需针对客户提问进行思考以及手动输入答复信息,可以直接从参考答复中选择与客户提问最接近的参考答复,将相应的参考答复发送至客户终端。容易理解,业务员也可以在选定的参考答复基础进行修正编辑,将修正后的问题答复发送至服务器。
当接收到业务终端根据业务员对客户提问列表中客户提问的选定操作返回的问题答复时,服务器获取选定操作对应客户提问的信息编号,根据获取到的信息标号生成当前问题答复对应的信息标签。换言之,客户提问与对应的问题答复具有相同的信息编号。如此,服务器可以根据信息标签对客户提问与问题答复进行匹配,即识别每个问题答复所针对的客户提问。对于答复完成的客户提问,业务员可以将其从客户提问列表中删除。
本实施例中,当监听到多个客户提问时,向业务终端返回客户提问列表,可以提高客户提问与问题答复之间的匹配效率与精度;基于预设的神经网络模型针对客户提问提供参考答复,可以提高答复及时性及针对性。
在一个实施例中,如图3所示,该方法还包括第三评分计算的步骤,包括:
步骤302,识别通信信息是否包含预设的敏感词。
服务器识别通信信息是否属于来自业务终端的信息,记作业务信息。业务信息为业务员发送的全部通信信息,包括问题答复。若通信信息属于业务信息,服务器基于预设的敏感词库识别业务信息是否包含预设的敏感词。敏感词库记录了多种敏感词以及每个敏感词对应的敏感度。敏感词是指不符合业务要求的词语,例如,必定涨停、稳赚等过度承诺性用语或诱导性用语。敏感词还可以包括其他词语,如不文明用语等,对此不做限制。敏感度是指用于表征相应敏感词对业务服务质量影响程度的数值。
在另一些实施方式中,服务器对敏感词库动态更新。具体的,服务器在目标网站爬取相关的业务规范信息,对业务规范信息进行解析,得到多个敏感词及分别对应敏感度,将其添加至敏感词库。目标网站可以是企业用于发布制度信息的平台,也可以第三方平台,如公安局或证监会等用于发布业务规范信息的平台。业务规范信息可以是企业制度、法律法规等。
步骤304,当包含敏感词时,获取敏感词对应的敏感度。
步骤306,对监控时段内包含敏感词的通信信息的数量以及每条包含敏感词的通信信息的敏感度进行统计,得到业务员标识对应的第三评分。
当包含敏感词时,服务器获取该敏感词对应的敏感度。服务器对监控时段业务员发送包含敏感词的通信信息的数量以及每条包含敏感词的通信信息的敏感度进行统计,计算对应的敏感度平均值,将敏感度平均值记作业务员标识对应的第三评分。
服务器对业务员对应的第一评分、第二评分及第三评分进行预设逻辑运算,将运算结果记作业务员标识对应的服务质量评分。
在又一些实施方式中,业务服务平台集成了信息采集插件。该插件对终端本地基于业务服务平台产生的通信信息进行采集,并按照预设时间频率将采集的通信信息上传至服务器,以对通信信息留痕。除了业务服务平台自身对业务员向客户提供业务服务的质量进行监控,监管人员也可以随时通过监控终端对业务员发起监控请求,将监控请求发送至服务器。监控请求携带了业务员标识。服务器根据业务员标识获取相应业务员与一个或多个客户的通信信息,将获取到的通信信息返回至监控终端。
本实施例中,从多个维度监控业务员对客户的服务质量,提高服务质量监控结果可靠性。
在一个实施例中,如图4所示,该方法还包括第四评分计算的步骤,包括:
步骤402,获取业务员标识对应的业务群组信息。
业务服务链接包括业务员名片。业务员名片包括业务员的姓名、联系电话、母程序标识、群组标识、资历简介等。其中,母程序标识可以是业务员基于母程序的账号,如微信账号等。群组标识可以是业务员对应业务群组的标识信息。业务群组可以是由业务员及其负责管理的多个客户组成的母程序群组,如微信群等。对应的群组标识可以是微信账号等。业务群组可以是业务员基于母程序预先创建的,也可以是母程序根据业务员基于子程序触发的群组构建请求自动创建的。
步骤404,基于业务群组信息,统计业务员标识对应业务群组内群组成员的活跃度及新增速度。
步骤406,根据活跃度及新增速度,得到对应的人气指数。
服务器根据业务员名片中群组标识,获取对应的业务群组信息。业务群组信息包括业务群组内的消息记录数量、成员新增信息等。服务器根据消息记录数量计算业务群组的活跃度,并根据成员新增信息计算业务群组内成员数量和成员新增速度。服务器根据业务群组在监控时段的活跃度、成员数量和成员新增速度,计算业务员标识对应的人气指数。
步骤408,获取业务员标识对应的评价信息。
服务器获取多个客户在监控时段对业务员的评价信息。评价信息是指客户对业务员的服务态度、专业水平等方面做出的评判,可以是从业务服务平台提取得到的,也可以是通过其他途径获取得到,如通过电话回访等方式,对此不做限制。评价信息为包括多个拆分标识符的长文本。服务器将每个拆分标识符所在位置确定为拆分位置,在长文本的每个拆分位置进行拆分,得到多个短文本。拆分标识符可以语句结束符,如句号、感叹号等。
步骤410,对评价信息进行解析,得到对应的舆情指数。
服务器利用预设的舆情分析模型计算每个短文本对应的情感指数。具体的,服务器对每个短文本进行去停用词、同义词替换、命名实体替换等预处理,得到预处理后的短文本。根据预设的多种舆情因子,服务器将预处理后的短文本中一个或多个分词确定为中间关键词。舆情因子是指评价信息中可能表征客户情感态度的因素。服务器将提取到的中间关键词输入舆情分析模型,计算得到相应短文本的情感指数。其中,舆情分析模型可以是将利用word2vec模型对多个中间关键词分别进行转化得到的词向量以及每个词向量对应的分类标签作为训练集,对GBDT模型或XGBOOST模型等机器学习分类模型进行训练得到。
服务器预设了多个关键词以及每个关键词对应的影响力权重。服务器计算每个短文本中包含的中间关键词对应影响力权重之和,将计算结果作为该短文本对应的影响力权重。服务器计算与该业务员标识关联的全部短文本的情感指数的加权和,将计算结果作为业务员标识对应的舆情指数。
步骤412,根据人气指数及舆情指数,计算业务员标识对应的第四评分。
服务器根据人气指数及舆情指数,计算业务员标识对应的第四评分。服务器对业务员对应的第一评分、第二评分及第四评分进行预设逻辑运算,将运算结果记作业务员标识对应的服务质量评分。
本实施例中,从多个维度监控业务员对客户的服务质量,提高服务质量监控结果可靠性。
在一个实施例中,根据服务质量评分对客户终端执行预设的业务员更替操作,包括:比较服务质量评分是否低于阈值;若是,根据通信信息获取客户标识对应的客户信息;将客户信息对业务员标识对应的业务终端进行屏蔽;根据客户信息,确定客户标识对应的更替业务员标识;将通信信息及客户信息发送至更替业务员标识对应的业务终端。
服务器部署了数据库,并在数据库中预先存储了客户管理表。客户管理表用于记录需要跟进的客户的相关信息。需要跟进的客户是指当前时间无业务员为其提供服务的客户。相关信息包括客户标识。相关信息还可以包括客户标识对应的业务员白名单和/或业务员黑名单等。其中,业务员白名单包括为该客户提供过业务服务且服务质量较好的至少一个业务员的业务员标识;业务员黑名单包括为该客户提供过业务服务但因服务质量差而被更替,或者被取消全部销售权限的至少一个业务员的业务员标识。对于业务员黑名单中的业务员,服务器取消其对相应客户信息的查询权限。
如以上,阈值包括第一阈值和第二阈值。若服务质量评分达到第一阈值但低于第二阈值,则服务器取消该业务员针对当前客户的销售权限。具体的,服务器将当前业务员标识添加至该客户对应的业务员黑名单。
当为该客户推荐新业务员时,服务器优先检测是否存在该客户对应的业务员白名单。若存在,则从业务员白名单中筛选一名业务员作为当前客户的新业务员。反之,从除业务员黑名单之外的业务员中筛选一名业务员作为当前客户的新业务员。具体的,服务器对当前客户与原业务员之间的通信信息进行解析,得到当前客户对应的多种标签信息,如年龄、性别等。服务器将标签信息输入预设的客户品质分析模型,计算得到当前客户的客户等级,记作目标等级。服务器收集多个业务员的历史服务数据。历史服务数据是指业务员在历史时间内为客户提供在线业务咨询和业务办理的在线消息记录。在线消息记录可以是即时通讯记录,也可以是通话记录等。服务器将收集的每个业务员的历史服务数据按照服务的不同客户等级进行分类统计,计算每个业务员对应不同客户等级的业务技能值。服务器筛选目标等级对应的处于空闲状态的业务技能值最高的业务员作为新业务员。
服务器将筛选得到的新业务员对应的业务员标识标记为当前客户对应的更替业务员标识。服务器获取留痕的当前客户与原业务员之间的通信信息,将通信信息及客户信息发送至更替业务员标识对应的业务终端,以实现原业务员与新业务员之间的客户信息对接。容易理解,除根据服务质量监控结果进行业务员自动更替,也可以根据业务员在职状态进行业务员自动更替,还可以基于客户请求进行业务员自动更替,对此不做限制。
本实施例中,根据服务质量监控结果自动对业务员进行不同权限控制,如取消全部或部分销售权限,相比传统的人工根据监控结果做出处理决定,可以提高服务质量监管效率;在取消业务员权限后为相应客户自动分配新业务员,或进行业务员自动更替,相对客户而言在业务员更替时能够保证业务服务无缝对接,具有较好的服务质量监管效果。
应该理解的是,虽然图2~4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2~4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于智能决策的业务质量监控及处理装置,包括:信息监听模块502、质量监控模块504和质量处理模块506,其中:
信息监听模块502,用于监听业务终端与客户终端之间的通信信息;通信信息包括业务员标识。
质量监控模块504,用于在通信信息中监听到客户提问及对应的问题答复时,计算对应的问答时间差;根据问答时间差确定业务员标识对应的第一评分;计算客户提问对应的提问向量,以及问题答复对应的答复向量;获取预设的多个参考问题及每个参考问题对应的第一参考向量,将提问向量与第一参考向量进行匹配,获取与客户提问匹配的参考问题对应的参考答复;获取参考答复对应的第二参考向量,将答复向量与第二参考向量进行匹配,根据匹配结果确定业务员标识对应的第二评分;根据第一评分和第二评分,计算业务员标识对应的服务质量评分。
质量处理模块506,用于根据服务质量评分对客户终端执行预设的业务员更替操作。
在一个实施例中,信息监听模块502还用于接收业务终端发送的业务服务链接;业务服务链接包括客户标识;将业务服务链接转发至客户标识对应的客户终端;监听业务终端与客户终端基于业务服务链接的通信信息;质量处理模块506还用于比较服务质量评分是否低于阈值;若是,将业务终端已推送的业务服务链接控制失效。
在一个实施例中,质量监控模块504还用于对客户提问进行预处理,得到当前时段的预处理后的文本;调用神经网络模型,神经网络模型包括LSTM以及全连接层;LSTM包括遗忘门、输入门和输出门;通过遗忘门对前一时段的预处理后的文本进行遗忘处理,通过输入门对当前时段输入的预处理后的文本进行更新;通过输出门对遗忘处理后得到的文本以及更新得到的文本进行运算,得到与客户提问对应的表征向量;通过全连接层对表征向量进行转换,得到对应的提问向量。
在一个实施例中,该装置还包括参考答复模块508,用于若在通信信息中监听到的客户提问有多个,根据多个客户提问生成客户提问列表,将客户提问列表发送至业务终端;监听业务终端对客户提问列表中客户提问的选定操作;计算被选定的客户提问对应的提问向量。
在一个实施例中,该装置还包括辅助监控模块510,用于识别通信信息是否包含预设的敏感词;当包含敏感词时,获取敏感词对应的敏感度;对监控时段内包含敏感词的通信信息的数量以及每条包含敏感词的通信信息的敏感度进行统计,得到业务员标识对应的第三评分;根据第一评分和第二评分计算业务员标识对应的服务质量评分,包括:根据第一评分、第二评分及第三评分,计算业务员标识对应的服务质量评分。
在一个实施例中,辅助监控模块510还用于获取业务员标识对应的业务群组信息;基于业务群组信息,统计业务员标识对应业务群组内群组成员的活跃度及新增速度;根据活跃度及新增速度,得到对应的人气指数;获取业务员标识对应的评价信息;对评价信息进行解析,得到对应的舆情指数;根据人气指数及舆情指数,计算业务员标识对应的第四评分;根据第一评分和第二评分计算业务员标识对应的服务质量评分,包括:根据第一评分、第二评分及第四评分,计算业务员标识对应的服务质量评分。
在一个实施例中,质量处理模块506还用于比较服务质量评分是否低于阈值;若是,根据通信信息获取客户标识对应的客户信息;将客户信息对业务员标识对应的业务终端进行屏蔽;根据客户信息,确定客户标识对应的更替业务员标识;将通信信息及客户信息发送至更替业务员标识对应的业务终端。
关于基于智能决策的业务质量监控及处理装置的具体限定可以参见上文中对于基于智能决策的业务质量监控及处理方法的限定,在此不再赘述。上述基于智能决策的业务质量监控及处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储客户管理表等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于智能决策的业务质量监控及处理方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例中提供的基于智能决策的业务质量监控及处理方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于智能决策的业务质量监控及处理方法,所述方法包括:
监听业务终端与客户终端之间的通信信息;所述通信信息包括业务员标识;
在所述通信信息中监听到客户提问及对应的问题答复时,计算对应的问答时间差;根据所述问答时间差确定所述业务员标识对应的第一评分;
计算所述客户提问对应的提问向量,以及所述问题答复对应的答复向量;
获取预设的多个参考问题及每个所述参考问题对应的第一参考向量,将所述提问向量与所述第一参考向量进行匹配,获取与所述客户提问匹配的参考问题对应的参考答复;
获取所述参考答复对应的第二参考向量,将所述答复向量与所述第二参考向量进行匹配,根据匹配结果确定所述业务员标识对应的第二评分;
根据所述第一评分和所述第二评分,计算所述业务员标识对应的服务质量评分;
根据所述服务质量评分对所述客户终端执行预设的业务员更替操作。
2.根据权利要求1所述的方法,其特征在于,所述监听业务终端与客户终端之间的通信信息,包括:
接收业务终端发送的业务服务链接;所述业务服务链接包括客户标识;
将所述业务服务链接转发至所述客户标识对应的客户终端;
监听所述业务终端与所述客户终端基于所述业务服务链接的通信信息;
所述根据服务质量评分对所述客户终端执行预设的业务员更替操作,包括:
比较所述服务质量评分是否低于阈值;
若是,将所述业务终端已推送的业务服务链接控制失效。
3.根据权利要求1所述的方法,其特征在于,所述计算所述客户提问对应的提问向量,包括:
对所述客户提问进行预处理,得到当前时段的预处理后的文本;
调用神经网络模型,所述神经网络模型包括LSTM以及全连接层;所述LSTM包括遗忘门、输入门和输出门;
通过所述遗忘门对前一时段的预处理后的文本进行遗忘处理,通过所述输入门对当前时段输入的预处理后的文本进行更新;通过所述输出门对遗忘处理后得到的文本以及更新得到的文本进行运算,得到与客户提问对应的表征向量;
通过所述全连接层对所述表征向量进行转换,得到对应的提问向量。
4.根据权利要求1所述的方法,其特征在于,所述计算所述客户提问对应的提问向量,包括:
若在所述通信信息中监听到的客户提问有多个,根据多个客户提问生成客户提问列表,将所述客户提问列表发送至所述业务终端;
监听所述业务终端对所述客户提问列表中客户提问的选定操作;
计算被选定的客户提问对应的提问向量。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
识别所述通信信息是否包含预设的敏感词;
当包含敏感词时,获取所述敏感词对应的敏感度;
对监控时段内包含敏感词的通信信息的数量以及每条包含敏感词的通信信息的敏感度进行统计,得到所述业务员标识对应的第三评分;
所述根据第一评分和第二评分计算业务员标识对应的服务质量评分,包括:
根据所述第一评分、所述第二评分及所述第三评分,计算所述业务员标识对应的服务质量评分。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述业务员标识对应的业务群组信息;基于所述业务群组信息,统计所述业务员标识对应的业务群组内群组成员的活跃度及新增速度;根据所述活跃度及新增速度,得到对应的人气指数;
获取所述业务员标识对应的评价信息;对所述评价信息进行解析,得到对应的舆情指数;
根据所述人气指数及所述舆情指数,计算所述业务员标识对应的第四评分;
所述根据第一评分和第二评分计算业务员标识对应的服务质量评分,包括:
根据所述第一评分、所述第二评分及所述第四评分,计算所述业务员标识对应的服务质量评分。
7.根据权利要求1所述的方法,其特征在于,所述根据服务质量评分对所述客户终端执行预设的业务员更替操作,包括:
比较所述服务质量评分是否低于阈值;
若是,根据所述通信信息获取所述客户标识对应的客户信息;
将所述客户信息对所述业务员标识对应的业务终端进行屏蔽;
根据所述客户信息,确定所述客户标识对应的更替业务员标识;
将所述通信信息及所述客户信息发送至更替业务员标识对应的业务终端。
8.一种基于智能决策的业务质量监控及处理装置,其特征在于,所述装置包括:
信息监听模块,用于监听业务终端与客户终端之间的通信信息;所述通信信息包括业务员标识;
质量监控模块,用于在所述通信信息中监听到客户提问及对应的问题答复时,计算对应的问答时间差;根据所述问答时间差确定所述业务员标识对应的第一评分;计算所述客户提问对应的提问向量,以及所述问题答复对应的答复向量;获取预设的多个参考问题及每个所述参考问题对应的第一参考向量,将所述提问向量与所述第一参考向量进行匹配,获取与所述客户提问匹配的参考问题对应的参考答复;获取所述参考答复对应的第二参考向量,将所述答复向量与所述第二参考向量进行匹配,根据匹配结果确定所述业务员标识对应的第二评分;根据所述第一评分和所述第二评分,计算业务员标识对应的服务质量评分;
质量处理模块,用于根据所述服务质量评分对所述客户终端执行预设的业务员更替操作。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201910012415.3A 2019-01-07 2019-01-07 基于智能决策的业务质量监控及处理方法和装置 Pending CN109816220A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910012415.3A CN109816220A (zh) 2019-01-07 2019-01-07 基于智能决策的业务质量监控及处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910012415.3A CN109816220A (zh) 2019-01-07 2019-01-07 基于智能决策的业务质量监控及处理方法和装置

Publications (1)

Publication Number Publication Date
CN109816220A true CN109816220A (zh) 2019-05-28

Family

ID=66604049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910012415.3A Pending CN109816220A (zh) 2019-01-07 2019-01-07 基于智能决策的业务质量监控及处理方法和装置

Country Status (1)

Country Link
CN (1) CN109816220A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163528A (zh) * 2019-05-31 2019-08-23 重庆先特服务外包产业有限公司 用于呼叫中心的代理服务质量管理系统及方法
CN112183053A (zh) * 2020-10-10 2021-01-05 湖南快乐阳光互动娱乐传媒有限公司 一种数据处理方法及装置
US20210081770A1 (en) * 2019-09-17 2021-03-18 GOWN Semiconductor Corporation System architecture based on soc fpga for edge artificial intelligence computing
CN112669003A (zh) * 2020-12-25 2021-04-16 中国平安人寿保险股份有限公司 基于人工智能的业务辅导方法、装置、计算机设备
CN113506483A (zh) * 2021-06-24 2021-10-15 上海禾万企业发展有限公司 一种基于线上教育一体化培训系统
CN113723767A (zh) * 2021-08-10 2021-11-30 上海浦东发展银行股份有限公司 一种基于语音交互数据的业务流程质检方法和装置
CN113822566A (zh) * 2021-09-17 2021-12-21 平安养老保险股份有限公司 业务考核处理方法、装置、计算机设备和存储介质
CN115604135A (zh) * 2022-11-28 2023-01-13 广州市千钧网络科技有限公司(Cn) 一种业务监控方法及装置
CN117350850A (zh) * 2023-12-06 2024-01-05 四川享宇科技有限公司 一种基于位置和填空行为数据进行信用评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818798A (zh) * 2017-10-20 2018-03-20 百度在线网络技术(北京)有限公司 客服服务质量评价方法、装置、设备及存储介质
CN108399234A (zh) * 2018-02-26 2018-08-14 圆通速递有限公司 一种信息监控方法及系统
CN108418981A (zh) * 2018-03-16 2018-08-17 苏州思必驰信息科技有限公司 为客户提供对话服务的方法及装置
CN108763499A (zh) * 2018-05-30 2018-11-06 平安科技(深圳)有限公司 基于智能语音的呼叫质检方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818798A (zh) * 2017-10-20 2018-03-20 百度在线网络技术(北京)有限公司 客服服务质量评价方法、装置、设备及存储介质
CN108399234A (zh) * 2018-02-26 2018-08-14 圆通速递有限公司 一种信息监控方法及系统
CN108418981A (zh) * 2018-03-16 2018-08-17 苏州思必驰信息科技有限公司 为客户提供对话服务的方法及装置
CN108763499A (zh) * 2018-05-30 2018-11-06 平安科技(深圳)有限公司 基于智能语音的呼叫质检方法、装置、设备及存储介质

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163528B (zh) * 2019-05-31 2021-12-07 重庆先特服务外包产业有限公司 用于呼叫中心的代理服务质量管理系统及方法
CN110163528A (zh) * 2019-05-31 2019-08-23 重庆先特服务外包产业有限公司 用于呼叫中心的代理服务质量管理系统及方法
US20210081770A1 (en) * 2019-09-17 2021-03-18 GOWN Semiconductor Corporation System architecture based on soc fpga for edge artificial intelligence computing
US11544544B2 (en) * 2019-09-17 2023-01-03 Gowin Semiconductor Corporation System architecture based on SoC FPGA for edge artificial intelligence computing
CN112183053A (zh) * 2020-10-10 2021-01-05 湖南快乐阳光互动娱乐传媒有限公司 一种数据处理方法及装置
CN112669003A (zh) * 2020-12-25 2021-04-16 中国平安人寿保险股份有限公司 基于人工智能的业务辅导方法、装置、计算机设备
CN112669003B (zh) * 2020-12-25 2023-09-29 中国平安人寿保险股份有限公司 基于人工智能的业务辅导方法、装置、计算机设备
CN113506483A (zh) * 2021-06-24 2021-10-15 上海禾万企业发展有限公司 一种基于线上教育一体化培训系统
CN113723767A (zh) * 2021-08-10 2021-11-30 上海浦东发展银行股份有限公司 一种基于语音交互数据的业务流程质检方法和装置
CN113822566A (zh) * 2021-09-17 2021-12-21 平安养老保险股份有限公司 业务考核处理方法、装置、计算机设备和存储介质
CN115604135A (zh) * 2022-11-28 2023-01-13 广州市千钧网络科技有限公司(Cn) 一种业务监控方法及装置
CN115604135B (zh) * 2022-11-28 2023-03-31 广州市千钧网络科技有限公司 一种业务监控方法及装置
CN117350850A (zh) * 2023-12-06 2024-01-05 四川享宇科技有限公司 一种基于位置和填空行为数据进行信用评价方法
CN117350850B (zh) * 2023-12-06 2024-02-23 四川享宇科技有限公司 一种基于位置和填空行为数据进行信用评价方法

Similar Documents

Publication Publication Date Title
CN109816220A (zh) 基于智能决策的业务质量监控及处理方法和装置
CN109493166B (zh) 一种针对电子商务导购场景任务型对话系统的构建方法
CN110765244B (zh) 获取应答话术的方法、装置、计算机设备及存储介质
CN110175227B (zh) 一种基于组队学习和层级推理的对话辅助系统
CN110197672B (zh) 一种语音通话质量检测方法、服务器、存储介质
WO2020147428A1 (zh) 交互内容生成方法、装置、计算机设备及存储介质
CN109617781A (zh) 即时通讯消息监控方法、装置、计算机设备和存储介质
CN108376151A (zh) 问题分类方法、装置、计算机设备和存储介质
CN111125525B (zh) 一种面向服刑人员的个性化改造矫正策略推荐系统及其运行方法
CN108874783A (zh) 电力信息运维知识模型构建方法
Graells-Garrido et al. Every colour you are: Stance prediction and turnaround in controversial issues
CN113468317B (zh) 一种简历筛选方法、系统、设备和存储介质
CN109492097B (zh) 一种企业新闻数据风险分类方法
CN110019733A (zh) 一种面向社区的智能问答方法及装置
CN112036842A (zh) 一种科技服务智能匹配平台
CN116010581A (zh) 一种基于电网隐患排查场景的知识图谱问答方法及系统
CN114186041A (zh) 一种答案输出方法
Richetti et al. Analysis of knowledge-intensive processes focused on the communication perspective
Purevdagva et al. A machine-learning based framework for detection of fake political speech
Leung et al. Counting protests in news articles: A dataset and semi-automated data collection pipeline
Vysotska et al. Sentiment Analysis of Information Space as Feedback of Target Audience for Regional E-Business Support in Ukraine.
Chen et al. The fourth industrial revolution and the development of artificial intelligence
Puente et al. Summarizing information by means of causal sentences through causal graphs
US11636269B2 (en) Content creation and prioritization
Nishiwaki et al. A consideration of evaluation method of sentiment analysis on social listening

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