CN109871597B - 解决潜在投诉的方法、装置、计算机设备和存储介质 - Google Patents
解决潜在投诉的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109871597B CN109871597B CN201910082666.9A CN201910082666A CN109871597B CN 109871597 B CN109871597 B CN 109871597B CN 201910082666 A CN201910082666 A CN 201910082666A CN 109871597 B CN109871597 B CN 109871597B
- Authority
- CN
- China
- Prior art keywords
- complaint
- information
- text
- reason
- strategy
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出的基于大数据分析的解决潜在投诉的方法、装置、计算机设备和存储介质,其中方法包括:获取业务人员与客户的沟通文本;将沟通文本输入到预测投诉模型中进行运算得到预测结果,依据预测结果确定沟通文本为潜在投诉文本时,将该文本输入到分析原因模型中运算得到对应的第一投诉原因;依据第一投诉原因在预设的策略数据库中找到对应的解决策略;将沟通文本、第一投诉原因以及解决策略推送至业务人员的工作平台系统,获取业务人员执行解决策略后的客户反馈信息,在依据客户反馈信息判断业务人员不合格执行解决策略后,将业务人员执行解决策略不合格的事件推送至负责人的工作平台系统,整个过程无需人工参与,节省人力,效率较高。
Description
技术领域
本发明涉及到数据分析的技术领域,特别是涉及到一种解决潜在投诉的方法、装置、计算机设备和存储介质。
背景技术
对于一个企业来说销售环节至关重要,销售环节会影响到企业的盈利,而销售环节中业务人员与客户的沟通是重中之重,良好的沟通会促进客户的购买,而在沟通过程中出现问题,不但会降低销售额甚至影响企业声誉,通常,客户会通过投诉的方式来表达不满,获取需求,但是若客户投诉之前就能通过业务人员与客户的沟通得知客户的不满,这时则可以采取对应的策略来提高客户体验,避免客户投诉。
目前市面上的基于投诉分析的应用主要靠人工进行记录,常规的方式是由工作人员通过业务人员的沟通资料进行统计分析,不但人力花费巨大,且效率非常慢。另一方面现有技术中预测投诉之后,一般只是针对客户采取相应措施,应用单一。
发明内容
本发明的主要目的为提供一种节省人力和时间的解决潜在投诉的方法、装置、计算机设备和存储介质。
本发明提出一种解决潜在投诉的方法,包括:
获取业务人员与客户的沟通文本;
将所述沟通文本输入到预测投诉模型中进行运算得到预测结果,依据所述预测结果确定所述沟通文本是否为潜在投诉文本,所述预测投诉模型通过第一指定样本集训练而成,所述第一指定样本集包括已投诉的沟通文本数据以及非投诉的沟通文本数据;
若所述沟通文本为所述潜在投诉文本,则将所述沟通文本输入到分析原因模型中运算得到对应所述沟通文本的投诉原因,并将所述投诉原因记为第一投诉原因,所述分析原因模型通过第二指定样本集训练而成,所述第二样本集包括投诉文本以及对应的投诉原因;
依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略,所述策略数据库为存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略的数据库;
将所述沟通文本、所述第一投诉原因以及所述解决策略推送至所述业务人员的工作平台系统;
获取所述业务人员执行所述解决策略之后的客户反馈信息,所述客户反馈信息为正面信息或负面信息;
依据所述正面信息或所述负面信息判断所述业务人员是否合格执行所述解决策略;
若否,则将所述业务人员执行所述解决策略不合格的事件推送至所述业务人员的指定负责人的工作平台系统。
进一步地,所述获取所述业务人员执行所述解决策略之后的客户反馈信息的步骤之前,包括:
监听所述客户的投诉行为信息,所述投诉行为信息为投诉或者不投诉的信息,其中,所述投诉信息为所述负面信息,所述不投诉信息为所述正面信息;
依据在预设时期内的投诉行为信息生成所述客户反馈信息。
进一步地,所述获取所述业务人员执行所述解决策略之后的客户反馈信息的步骤之前,包括:
获取由客服咨询所述客户之后得到的对所述业务人员的评价信息,所述评价信息包括对所述业务人员满意的信息或者对所述业务人员不满意的信息,其中,所述对所述业务人员满意的信息为所述正面信息,所述对所述业务人员不满意的信息为所述负面信息;
依据所述评价信息生成所述客户反馈信息。
进一步地,所述将所述沟通文本数据输入到分析原因模型中运算得到对应所述沟通文本的第一投诉原因的步骤之后,包括:
依据所述第一投诉原因确定所述沟通文本的类型,其中,每种相同类型的投诉原因中包含有多个不同的投诉原因,每种投诉原因的类型分别对应一个所述沟通的类型;
将所述沟通文本贴上对应的所述类型的标签,以供用户通过所述标签来查询对应所述标签的沟通文本。
进一步地,所述依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略的步骤之前,包括:
计算在同一种所述类型中与所述第一投诉原因相同的投诉原因数量占该种类型中所有投诉原因数量的比值;
判断所述比值是否超过预设阀值;
若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
进一步地,所述依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略的步骤之前,包括:
依据预设规则确定所述沟通文本对应的业务类型;
判断所述沟通文本的业务类型是否属于预设的重要业务类型;
若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
进一步地,所述获取业务人员与客户的沟通文本的步骤之前,包括:
获取所述业务人员与所述客户的沟通语音;
通过语音识别技术将所述沟通语音转换成所述沟通文本。
本发明还提供一种解决潜在投诉的装置,包括:
获取文本单元,用于获取业务人员与客户的沟通文本;
预测文本单元,用于将所述沟通文本输入到预测投诉模型中进行运算得到预测结果,依据所述预测结果确定所述沟通文本是否为潜在投诉文本,所述预测投诉模型通过第一指定样本集训练而成,所述第一指定样本集包括已投诉的沟通文本数据以及非投诉的沟通文本数据;
预测原因单元,用于在所述沟通文本为所述潜在投诉文本时,将所述沟通文本输入到分析原因模型中运算得到对应所述沟通文本的投诉原因,并将所述投诉原因记为第一投诉原因,所述分析原因模型通过第二指定样本集训练而成,所述第二样本集包括投诉文本以及对应的投诉原因;
查找策略单元,用于依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略,所述策略数据库为存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略的数据库;
推送策略单元,用于将所述沟通文本、所述第一投诉原因以及所述解决策略推送至所述业务人员的工作平台系统;
获取反馈单元,用于获取所述业务人员执行所述解决策略之后的客户反馈信息,所述客户反馈信息为正面信息或负面信息;
判断执行单元,用于依据所述正面信息或所述负面信息判断所述业务人员是否合格执行所述解决策略;
推送事件单元,用于判断所述业务人员不合格执行所述解决策略时,将所述业务人员执行所述解决策略不合格的事件推送至所述业务人员的指定负责人的工作平台系统。
本发明还提供一种计算机设备,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上述方法的步骤。
本发明还提供了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上述方法的步骤。
本发明的有益效果为:通过模型预测投诉及分析出投诉原因,依据原因获取对应的解决策略,然后推送至业务人员的工作平台系统以让其执行,并根据业务人员执行所述解决策略之后的客户反馈信息判断业务人员是否合格,并推送至负责人工作平台以便进一步管理业务人员,整个过程无需人工参与,节省人力,效率较高,且通过预测投诉采取措施来进一步管理业务人员,提高了企业竞争力。
附图说明
图1为本发明一实施例中解决潜在投诉的方法的步骤示意图;
图2为本发明一实施例中解决潜在投诉的装置的结构示意框图;
图3为本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本实施例中的解决潜在投诉的方法,包括:
步骤S1:获取业务人员与客户的沟通文本;
步骤S2:将所述沟通文本输入到预测投诉模型中进行运算得到预测结果,依据所述预测结果确定所述沟通文本是否为潜在投诉文本,所述预测投诉模型通过第一指定样本集训练而成,所述第一指定样本集包括已投诉的沟通文本数据以及非投诉的沟通文本数据;
步骤S3:若所述沟通文本为所述潜在投诉文本,则将所述沟通文本输入到分析原因模型中运算得到对应所述沟通文本的投诉原因,并将所述投诉原因记为第一投诉原因,所述分析原因模型通过第二指定样本集训练而成,所述第二样本集包括投诉文本以及对应的投诉原因;
步骤S4:依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略,所述策略数据库存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略的数据库;
步骤S5:将所述沟通文本、所述第一投诉原因以及所述解决策略推送至指定的业务人员的工作平台系统;
步骤S6:获取所述业务人员执行所述解决策略之后的客户反馈信息,所述客户反馈信息为正面信息或负面信息;
步骤S7:依据所述正面信息或所述负面信息判断所述业务人员是否合格执行所述解决策略;
步骤S8:若否,则将所述业务人员执行所述解决策略不合格的事件推送至所述业务人员的指定负责人的工作平台系统。
如上述步骤S1所述,上述沟通文本可以为业务人员通过通讯工具与客户进行沟通、销售时而得到的文本,具体可通过从对应的业务通讯软件中导出上述沟通文本,或者业务人员整理与客户的沟通过程,并以文本形式输入到系统的存储器中,这些沟通文本中可以包括多个业务人员的与不同客户的沟通文本,也可以包括同一个业务人员与不同的客户的沟通文本,如从存储器可获取业务人员与某一个客户的沟通文本。
如上述步骤S2所述,将上述获取到的沟通文本输入到预测投诉模型中进行运算得到对应的预测结果,预测结果为潜在投诉文本的概率值,其中,得到的概率值大于0.5即判断为潜在投诉文本,概率值小于或等于0.5即判断为正常沟通文本,这样依据预测结果来确定该沟通文本是否为潜在投诉文本,上述潜在投诉文本即为根据业务人员和客户的沟通而发现客户有投诉意向的文本。其中,上述预测投诉模型基于神经网络训练而成,为有监督算法的模型,正负样本分别为第一指定样本集中的非投诉的沟通文本数据以及已投诉的沟通文本数据,对于已经训练完成的预测投诉模型,输入的数据为沟通文本,输出的为该沟通文本为潜在投诉文本的概率值,具体训练方法为现有方法,这里不再赘述。
如上述步骤S3所述,当确定上述沟通文本为潜在投诉文本之后,将该沟通文本,即潜在投诉文本输入到分析原因模型中运算得到对应的投诉原因,为了便于表述将该投诉原因记为第一投诉原因。其中分析原因模型通过第二样本集基于神经网络训练而成,其中,第二样本集包括指定数量的投诉文本以及对应每个投诉文本的投诉原因,对于已经训练完成的分析原因模型,输入的数据为潜在投诉文本,输出的数据为对应该潜在投诉文本的投诉原因,具体训练方法为现有方法,这里不再赘述。
如上述步骤S4及S5所述,得到第一投诉原因之后,可以根据第一投诉原因在预设的策略数据库中找到对应的解决策略,该解决策略根据业务人员已有的经验整理而得,可为针对各种客户的沟通技巧,或者对应实施步骤等等,上述策略数据库为预设的,且存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略。第一投诉原因为上述各种投诉原因中的一种,当在策略数据库中找到对应第一投诉原因的解决策略时,将上述沟通文本、第一投诉原因以及解决策略都推送至上述业务人员的工作平台系统,对应的业务人员即可查看,并实施上述解决策略。上述工作平台系统为一个用于管理公司内部员工的平台,每个员工都有自己的账号密码登录,在该工作平台中可查看自己的工作任务、状态、工作内容等等。
如上述步骤S6-S8所述,由于潜在投诉文本表明客户是有投诉意向的,即客户不满意当前业务人员的服务的,为了减少客户投诉,提高客户的服务体验,业务人员会按照上述解决策略去执行,然后通过客户的反馈信息来查询执行之后客户是否满意,例如执行之后,客户不再准备投诉,表明该解决策略发挥了效果,如果客户进行了投诉,即表明业务人员没有去执行策略或者执行不到位或者采用错误的方法等等,这时需要业务人员的的负责人进一步去监督或去管控,故而先根据客户的反馈信息来判断业务人员是否合格地执行了上述解决策略,上述客户反馈信息包括正面信息以及负面信息,如得到的是正面信息,即得到的反馈是客户满意、不投诉,说明业务人员执行合格,但是如果得到的是负面信息,那么反馈是客户不满意、投诉,即业务人员执行不合格,当判定业务人员不合格时,将这个事件推送至对应的负责人的工作平台,让负责人去管控。
在一实施例中,上述步骤S6之前,包括:
步骤S61:监听所述客户的投诉行为信息,所述投诉行为信息为投诉或者不投诉的信息,其中,所述投诉信息为所述负面信息,所述不投诉信息为所述正面信息;
步骤S62:依据在预设时期内的投诉行为信息生成所述客户反馈信息。
本实施例中,上述客户的反馈信息可通过系统生成,由于业务人员执行上述解决策略之后,会得到两种结果,一是客户投诉,一是客户不投诉,这时系统可通过监听客户的投诉行为信息,如得到投诉的信息或者不投诉的信息,然后将在预设时间内监听得到的投诉行为信息生成客户反馈信息,客户反馈信息中的负面信息即为上述投诉信息,正面信息为上述不投诉信息,如一个月内客户不投诉,即可依据这些信息生成客户反馈信息的正面信息,表明上述解决策略发挥了效果,如果一个月内客户还是投诉了,依据这些信息生成客户投诉的负面信息。
在另一个实施例中,上述步骤S6之前,包括:
步骤S63:获取由客服咨询所述客户之后得到的对所述业务人员的评价信息,所述评价信息包括对所述业务人员满意的信息或者对所述业务人员不满意的信息,其中,所述对所述业务人员满意的信息为所述正面信息,所述对所述业务人员不满意的信息为所述负面信息;
步骤S64:依据所述评价信息生成所述客户反馈信息。
本实施例中,上述客户反馈信息还可以通过客服回访咨询客户获取,客服可定期回访客户,让客户对业务人员进行评价,然后客服将得到评价进行整理得到上述客户反馈信息,如客户评价业务人员“这个业务人员态度太差了,我非常不满意”,这时客服将客户的话归纳整理成“客户不满意”的评价信息并上传到系统。例如业务人员执行上述解决策略之后,客户对其服务很满意,则在客服回访调查的时候会得到评价比较好的回复,这时由客服将客户的回复整理得到“客户满意”,并上传至系统,系统依据这些评价信息生成上述客户反馈信息中的正面信息,表明业务人员认真完成了工作。
在一个实施例中,上述步骤S3之后,包括:
步骤S30:依据所述第一投诉原因确定所述沟通文本的类型,其中,每种相同类型的投诉原因中包含有多个不同的投诉原因,每种投诉原因的类型分别对应一个所述潜在投诉文本的类型;
步骤S31:将所述沟通文本贴上对应的所述类型的标签,以供用户通过所述标签来查询对应所述标签的沟通文本。
本实施例中,本系统还可以提供一个查询窗口,用于查询沟通文本,具体的说,先将上述投诉原因按预设的类型分类,如客户认为业务人员态度不好、客户认为业务人员虚假销售,对应的类型分别为“态度不好”、“虚假销售”,而每种类型的投诉原因中包括有各种详细的投诉原因,例如上述“态度不好”这一类型中,包括有“客户说业务人员骂我,所以我准备投诉”、“客户说我问的问题不认真回答,业务人员太敷衍了”等等投诉原因。当得到第一投诉原因,即表明上述沟通文本为潜在投诉文本,这时可以根据该第一投诉原因来确定类型,且由于每种投诉原因的类型均对应一种潜在投诉文本的类型,当确定投诉原因的类型后,则可以确定潜在投诉文本的类型,即确定上述沟通文本的类型,然后将该沟通文本贴上对应的标签,如贴上标签“态度不好”、“虚假销售”等,这时用户可在查询窗口查询“态度不好”,即可搜索到对应该标签的所有沟通文本,这样用户在后续相应了解更多销售时的实际情况、销售对话,则可有针对性地在上述查询窗口中输入对应标签的关键词,从而搜索找出对应的沟通文本。
在一个实施例中,上述步骤S4之前,包括:
步骤S41:计算同一种所述类型中与所述第一投诉原因相同的投诉原因数量占该种类型中所有投诉原因数量的比值;
步骤S42:判断所述比值是否超过预设阀值;
步骤S43:若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
本实施例中,为了节省人力和资源,可将对应比较普遍的投诉原因的事件进行处理,而对于不普遍且极少的投诉原因的事件忽略,具体而言,计算在同一种类型中与第一投诉原因相同的投诉原因数量占该种类型中所有投诉原因数量的比值,比值越大说明越多客户的投诉原因与第一投诉原因是一致,即可能是销售时业务人员的普遍缺点而导致的,当上述比值超过预设阀值,即与第一投诉原因相同的投诉原因数量多到了一定程度,这时需要采取相应的措施,故而,若上述比值超过预设阀值,则生成查找解决策略的查找指令,按照该查找指令可依据第一投诉原因在策略数据库中找到对应的解决策略,并发送到业务人员的工作平台系统,让其执行;但若上述比值不超过预设阀值,说明预第一投诉原因相同的投诉原因不多,是一个小概率事件,为了减小系统运行量,则可以生成停止运行当前流程的终止指令,即上述步骤到此终止,不再执行步骤S4-S8,举例地,在“态度不好”这个投诉原因的类型中,有10钟不同的投诉原因,而第一投诉原因是业务人员太敷衍客户,在这个类型有7个投诉原因都是业务人员太敷衍,那么这个比值就是0.7,如果超过阀值说明第一投诉原因是很普遍存在的问题、业务人员经常犯的错误,则需要解决处理,因而生成查找指令,依据查找指令在策略数据库中找到对应的解决策略,再执行步骤S5-S8;而不超过阀值可能就是比较小概率的投诉原因,为了节约人力、系统资源可对其不进行处理,即生成停止运行当前流程的终止指令,依据该终止指令来停止运行这个流程。
在一个实施例中,上述步骤S4之前,包括:
步骤S44:依据预设规则确定所述沟通文本对应的业务类型;
步骤S45:判断所述沟通文本的业务类型是否属于预设的重要业务类型;
步骤S46:若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
本实施例中,当沟通文本为潜在投诉文本时,可通过业务的重要性来确定是否处理沟通文本,首先依据预设规则来确定该沟通文本对应的业务类型,上述预设规则可为查找对应的业务人员,依据业务人员所属业务类型得到沟通文本对应的业务类型,或者通过将沟通文本进行关键字词匹配得到对应的业务类型,不同的关键字词对应不同的业务类型等。在业务类型中有重要业务以及非重要业务,例如银行集团中的重要业务有贷款业务、证券业务等等,而非重要业务有办理信用卡业务等等。当获得对应的业务类型之后,即可判断是否属于重要业务类型,如果是则生成查找解决策略的查找指令,依据查找指令在策略数据库中找到与第一投诉原因对应的解决策略,然后按照上述步骤S5-S8处理,如果不属于重要业务,则可省略不处理,这时可以生成停止运行当前流程的终止指令,即上述步骤到此终止,这样有针对性处理,进一步节省运行资源。
在一个实施例中,上述步骤S1之前,包括:
步骤S01:获取所述业务人员与所述客户的沟通语音;
步骤S02:通过语音识别技术将所述沟通语音转换成所述沟通文本。
可以理解的是,业务人员并非只通过文字与客户沟通,还可以通过电话等与客户沟通,或者当面沟通,然后录音,这样通过电话录音或者当面录音得到业务人员与客户的沟通语音,这些沟通语音均存储在指定的位置,本实施例中,从指定的位置获取到上述沟通语音,然后通过语音识别技术将沟通语音转换成沟通文本,上述语音识别技术为现有的成熟的的技术,这里不再赘述。
参照图2,本实施例中解决潜在投诉的装置,包括:
获取文本单元100,用于获取业务人员与客户的沟通文本;
预测文本单元200,用于将所述沟通文本输入到预测投诉模型中进行运算得到预测结果,依据所述预测结果确定所述沟通文本是否为潜在投诉文本,所述预测投诉模型通过第一指定样本集训练而成,所述第一指定样本集包括已投诉的沟通文本数据以及非投诉的沟通文本数据;
预测原因单元300,用于在所述沟通文本为所述潜在投诉文本时,将所述沟通文本输入到分析原因模型中运算得到对应所述沟通文本的投诉原因,并将所述投诉原因记为第一投诉原因,所述分析原因模型通过第二指定样本集训练而成,所述第二样本集包括投诉文本以及对应的投诉原因;
查找策略单元400,用于依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略,所述策略数据库为存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略的数据库;
推送策略单元500,用于将所述沟通文本、所述第一投诉原因以及所述解决策略推送至所述业务人员的工作平台系统;
获取反馈单元600,用于获取所述业务人员执行所述解决策略之后的客户反馈信息,所述客户反馈信息为正面信息或负面信息;
判断执行单元700,用于依据所述正面信息或所述负面信息判断所述业务人员是否合格执行所述解决策略;
推送事件单元800,用于判断所述业务人员不合格执行所述解决策略时,将所述业务人员执行所述解决策略不合格的事件推送至所述业务人员的指定负责人的工作平台系统。
如上述获取文本单元100所述,上述沟通文本可以为业务人员通过通讯工具与客户进行沟通、销售时而得到的文本,具体可通过从对应的业务通讯软件中导出上述沟通文本,或者业务人员整理与客户的沟通过程,并以文本形式输入到系统的存储器中,这些沟通文本中可以包括多个业务人员的与不同客户的沟通文本,也可以包括同一个业务人员与不同的客户的沟通文本,如从存储器可获取业务人员与某一个客户的沟通文本。
如上述预测文本单元200所述,将上述获取到的沟通文本输入到预测投诉模型中进行运算得到对应的预测结果,预测结果为潜在投诉文本的概率值,其中,得到的概率值大于0.5即判断为潜在投诉文本,概率值小于或等于0.5即判断为正常沟通文本,这样依据预测结果来确定该沟通文本是否为潜在投诉文本,上述潜在投诉文本即为根据业务人员和客户的沟通而发现客户有投诉意向的文本。其中,上述预测投诉模型基于神经网络训练而成,为有监督算法的模型,正负样本分别为第一指定样本集中的非投诉的沟通文本数据以及已投诉的沟通文本数据,对于已经训练完成的预测投诉模型,输入的数据为沟通文本,输出的为该沟通文本为潜在投诉文本的概率值,具体训练方法为现有方法,这里不再赘述。
如上述预测原因单元300所述,当确定上述沟通文本为潜在投诉文本之后,将该沟通文本,即潜在投诉文本输入到分析原因模型中运算得到对应的投诉原因,为了便于表述将该投诉原因记为第一投诉原因。其中分析原因模型通过第二样本集基于神经网络训练而成,其中,第二样本集包括指定数量的投诉文本以及对应每个投诉文本的投诉原因,对于已经训练完成的分析原因模型,输入的数据为潜在投诉文本,输出的数据为对应该潜在投诉文本的投诉原因,具体训练方法为现有方法,这里不再赘述。
如上述查找策略单元400及推送策略单元500所述,得到第一投诉原因之后,可以根据第一投诉原因在预设的策略数据库中找到对应的解决策略,该解决策略根据业务人员已有的经验整理而得,可为针对各种客户的沟通技巧,或者对应实施步骤等等,上述策略数据库为预设的,且存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略。第一投诉原因为上述各种投诉原因中的一种,当在策略数据库中找到对应第一投诉原因的解决策略时,将上述沟通文本、第一投诉原因以及解决策略都推送至上述业务人员的工作平台系统,对应的业务人员即可查看,并实施上述解决策略。上述工作平台系统为一个用于管理公司内部员工的平台,每个员工都有自己的账号密码登录,在该工作平台中可查看自己的工作任务、状态、工作内容等等。
如上述获取反馈单元600、判断执行单元700及推送事件单元800所述,由于潜在投诉文本表明客户是有投诉意向的,即客户不满意当前业务人员的服务的,为了减少客户投诉,提供客户的服务体验,业务人员会按照上述解决策略去执行,可通过客户的反馈信息来查询执行之后客户是否满意,例如执行之后,客户不再准备投诉,表明该解决策略发挥了效果,如果客户进行了投诉,即表明业务人员没有去执行策略或者执行不到位或者采用错误的方法等等,这时需要业务人员的的负责人进一步去监督或去管控,故而先根据客户的反馈信息来判断业务人员是否合格地执行了上述解决策略,上述客户反馈信息包括正面信息以及负面信息,如得到的是正面信息,即得到的反馈是客户满意、不投诉,说明业务人员执行合格,但是如果得到是负面信息,那么的反馈是客户不满意、投诉,即业务人员执行不合格,当判定业务人员不合格时,将这个事件推送至对应的负责人的工作平台,让负责人去管控。
在一实施例中,上述解决潜在投诉的装置,包括:
监听信息单元,用于监听所述客户的投诉行为信息,所述投诉行为信息为投诉或者不投诉的信息,其中,所述投诉信息为所述负面信息,所述不投诉信息为所述正面信息;
生成反馈单元,用于依据在预设时期内的投诉行为信息生成所述客户反馈信息。
本实施例中,上述客户的反馈信息可通过生成反馈单元生成,由于业务人员执行上述解决策略之后,会得到两种结果,一是客户投诉,一是客户不投诉,这时监听信息单元可通过监听客户的投诉行为信息,如得到投诉的信息或者不投诉的信息,然后将在预设时间内监听得到的投诉行为信息生成客户反馈信息,客户反馈信息中的负面信息即为上述投诉信息,正面信息为上述不投诉信息,如一个月内客户不投诉,即可依据这些信息生成客户反馈信息的正面信息,表明上述解决策略发挥了效果,如果一个月内客户还是投诉了,依据这些信息生成客户投诉的负面信息。
在另一个实施例中,上述解决潜在投诉的装置,包括:
获取评价单元,用于获取由客服咨询所述客户之后得到的对所述业务人员的评价信息,所述评价信息包括对所述业务人员满意的信息或者对所述业务人员不满意的信息,其中,所述对所述业务人员满意的信息为所述正面信息,所述对所述业务人员不满意的信息为所述负面信息;
生成信息单元,用于依据所述评价信息生成所述客户反馈信息。
本实施例中,上述客户反馈信息还可以通过客服回访咨询客户获取,客服可定期回访客户,让客户对业务人员进行评价,然后客服将得到评价进行整理得到上述客户反馈信息,如客户评价业务人员“这个业务人员态度太差了,我非常不满意”,这时客服将客户的话归纳整理成“客户不满意”的评价信息并上传到系统。例如业务人员执行上述解决策略之后,客户对其服务很满意,则在客服回访调查的时候会得到评价比较好的回复,这时由客服将客户的回复整理得到客户满意”,并上传至系统,系统依据这些评价信息生成上述客户反馈信息中的正面信息,表明业务人员认真完成了工作。
在一个实施例中,上述解决潜在投诉的装置,包括:
分类原因单元,用于依据所述第一投诉原因确定所述沟通文本的类型,其中,每种相同类型的投诉原因中包含有多个不同的投诉原因,每种投诉原因的类型分别对应一个所述潜在投诉文本的类型;
查询标签单元,用于将所述沟通文本贴上对应的所述原因类型的标签,以供用户通过所述标签来查询对应所述标签的沟通文本。
本实施例中,本系统还可以提供一个查询窗口,用于查询沟通文本,具体的说,分类原因单元将上述投诉原因按预设的类型分类,如客户认为业务人员态度不好、客户认为业务人员虚假销售,对应的类型分别为“态度不好”、“虚假销售”,而每种类型的投诉原因中包括有各种详细的投诉原因,例如上述“态度不好”这一类型中,包括有“客户说业务人员骂我,所以我准备投诉”、“客户说我问的问题不认真回答,业务人员太敷衍了”等等投诉原因。当得到第一投诉原因,即表明上述沟通文本为潜在投诉文本,这时可以根据该第一投诉原因来确定类型,且由于每种投诉原因的类型均对应一种潜在投诉文本的类型,当确定投诉原因的类型后,则可以确定潜在投诉文本的类型,,即确定上述沟通文本的类型,然后将该沟通文本贴上对应的标签,如贴上标签“态度不好”、“虚假销售”等,这时用户可在查询窗口查询“态度不好”,即可搜索到对应该标签的所有沟通文本,这样用户在后续相应了解更多销售时的实际情况、销售对话,则可有针对性地在上述查询窗口中输入对应标签的关键词,从而搜索找出对应的沟通文本。
在一个实施例中,上述解决潜在投诉的装置,包括:
计算比值单元,用于计算同一种所述类型中与所述第一投诉原因相同的投诉原因数量占该种类型中所有投诉原因数量的比值;
判断比值单元,用于判断所述比值是否超过预设阀值;
生成指令单元,用于判断所述比值超过预设阀值时,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
本实施例中,为了节省人力和资源,可将对应比较普遍的投诉原因的事件进行处理,而对于不普遍且极少的投诉原因的事件忽略,具体而言,计算在同一种类型中与第一投诉原因相同的投诉原因数量占该种类型中所有投诉原因数量的比值,比值越大说明越多客户的投诉原因与第一投诉原因是一致,即可能是销售时业务人员的普遍缺点而导致的,当上述比值超过预设阀值,即与第一投诉原因相同的投诉原因数量多到了一定程度,这时需要采取相应的措施,故而,若上述比值超过预设阀值,则生成查找解决策略的查找指令,按照该查找指令可依据第一投诉原因在策略数据库中找到对应的解决策略,并发送到业务人员的工作平台系统,让其执行;但若上述比值不超过预设阀值,说明预第一投诉原因相同的投诉原因不多,是一个小概率事件,为了减小系统运行量,则可以生成停止运行当前流程的终止指令,从而使系统终止当前流程,举例地,在“态度不好”这个投诉原因的类型中,有10钟不同的投诉原因,而第一投诉原因是业务人员太敷衍客户,在这个类型有7个投诉原因都是业务人员太敷衍,那么这个比值就是0.7,如果超过阀值说明第一投诉原因是很普遍存在的问题、业务人员经常犯的错误,则需要解决处理,因而生成查找指令,依据查找指令在策略数据库中找到对应的解决策略;而不超过阀值可能就是比较小概率的投诉原因,为了节约人力、系统资源可对其不进行处理,即生成停止运行当前流程的终止指令,依据该终止指令来停止运行这个流程。
在一个实施例中,上述解决潜在投诉的装置,包括:
确定类型单元,用于依据预设规则确定所述沟通文本对应的业务类型;
判断类型单元,用于判断所述沟通文本的业务类型是否属于预设的重要业务类型;
生成终止单元,用于在判断所述沟通文本的业务类型属于预设的重要业务类型时,生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
本实施例中,当沟通文本为潜在投诉文本时,可通过业务的重要性来确定是否处理沟通文本,首先依据预设规则来确定该沟通文本对应的业务类型,上述预设规则可为查找对应的业务人员,依据业务人员所属业务类型得到沟通文本对应的业务类型,或者通过将沟通文本进行关键字词匹配得到对应的业务类型,不同的关键字词对应不同的业务类型等。在业务类型中有重要业务以及非重要业务,例如银行集团中的重要业务有贷款业务、证券业务等等,而非重要业务有办理信用卡业务等等。当获得对应的业务类型之后,即可判断是否属于重要业务类型,如果是则生成查找解决策略的查找指令,依据查找指令在策略数据库中找到与第一投诉原因对应的解决策略,如果不属于重要业务,则可省略不处理,这时可以生成停止运行当前流程的终止指令,这样有针对性处理,进一步节省运行资源。
在一个实施例中,上述解决潜在投诉的装置,包括:
获取语音单元,用于获取所述业务人员与所述客户的沟通语音;
识别语音单元,用于通过语音识别技术将所述沟通语音转换成所述沟通文本。
可以理解的是,业务人员并非只通过文字与客户沟通,还可以通过电话等与客户沟通,或者当面沟通,然后录音,这样通过电话录音或者当面录音得到业务人员与客户的沟通语音,这些沟通语音均存储在指定的位置,本实施例中,从指定的位置获取到上述沟通语音,然后通过语音识别技术将沟通语音转换成沟通文本,上述语音识别技术为现有的成熟的的技术,这里不再赘述。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3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,该计算机设计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解决潜在投诉所需的所有数据。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解决潜在投诉的方法。
上述处理器执行上述解决潜在投诉的方法的步骤:获取业务人员与客户的沟通文本;将所述沟通文本输入到预测投诉模型中进行运算得到预测结果,依据所述预测结果确定所述沟通文本是否为潜在投诉文本,所述预测投诉模型通过第一指定样本集训练而成,所述第一指定样本集包括已投诉的沟通文本数据以及非投诉的沟通文本数据;若所述沟通文本为所述潜在投诉文本,则将所述沟通文本输入到分析原因模型中运算得到对应所述沟通文本的投诉原因,并将所述投诉原因记为第一投诉原因,所述分析原因模型通过第二指定样本集训练而成,所述第二样本集包括投诉文本以及对应的投诉原因;依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略,所述策略数据库为存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略的数据库;将所述沟通文本、所述第一投诉原因以及所述解决策略推送至所述业务人员的工作平台系统;获取所述业务人员执行所述解决策略之后的客户反馈信息,所述客户反馈信息为正面信息或负面信息;依据所述正面信息或所述负面信息判断所述业务人员是否合格执行所述解决策略;若否,则将所述业务人员执行所述解决策略不合格的事件推送至所述业务人员的指定负责人的工作平台系统。
上述计算机设备,上述获取所述业务人员执行所述解决策略之后的客户反馈信息的步骤之前,包括:监听所述客户的投诉行为信息,所述投诉行为信息为投诉或者不投诉的信息,其中,所述投诉信息为所述负面信息,所述不投诉信息为所述正面信息;依据在预设时期内的投诉行为信息生成所述客户反馈信息。
在一个实施例中,上述获取所述业务人员执行所述解决策略之后的客户反馈信息的步骤之前,包括:获取由客服咨询所述客户之后得到的对所述业务人员的评价信息,所述评价信息包括对所述业务人员满意的信息或者对所述业务人员不满意的信息,其中,所述对所述业务人员满意的信息为所述正面信息,所述对所述业务人员不满意的信息为所述负面信息;依据所述评价信息生成所述客户反馈信息。
在一个实施例中,上述将所述沟通文本数据输入到分析原因模型中运算得到对应所述沟通文本的第一投诉原因的步骤之后,包括:依据所述第一投诉原因确定所述沟通文本的类型,其中,每种相同类型的投诉原因中包含有多个不同的投诉原因,每种投诉原因的类型分别对应一个所述潜在投诉文本的类型;将所述沟通文本贴上对应的所述类型的标签,以供用户通过所述标签来查询对应所述标签的沟通文本。
在一个实施例中,上述依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略的步骤之前,包括:计算在同一种所述类型中与所述第一投诉原因相同的投诉原因数量占该种类型中所有投诉原因数量的比值;判断所述比值是否超过预设阀值;若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
在一个实施例中,上述依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略的步骤之前,包括:依据预设规则确定所述沟通文本对应的业务类型;判断所述沟通文本的业务类型是否属于预设的重要业务类型;若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
在一个实施例中,上述获取业务人员与客户的沟通文本的步骤之前,包括:获取所述业务人员与所述客户的沟通语音;通过语音识别技术将所述沟通语音转换成所述沟通文本。
本领域技术人员可以理解,图3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。
本发明一实施例还提供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一种解决潜在投诉的方法,具体为:获取业务人员与客户的沟通文本;将所述沟通文本输入到预测投诉模型中进行运算得到预测结果,依据所述预测结果确定所述沟通文本是否为潜在投诉文本,所述预测投诉模型通过第一指定样本集训练而成,所述第一指定样本集包括已投诉的沟通文本数据以及非投诉的沟通文本数据;若所述沟通文本为所述潜在投诉文本,则将所述沟通文本输入到分析原因模型中运算得到对应所述沟通文本的投诉原因,并将所述投诉原因记为第一投诉原因,所述分析原因模型通过第二指定样本集训练而成,所述第二样本集包括投诉文本以及对应的投诉原因;依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略,所述策略数据库为存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略的数据库;将所述沟通文本、所述第一投诉原因以及所述解决策略推送至所述业务人员的工作平台系统;获取所述业务人员执行所述解决策略之后的客户反馈信息,所述客户反馈信息为正面信息或负面信息;依据所述正面信息或所述负面信息判断所述业务人员是否合格执行所述解决策略;若否,则将所述业务人员执行所述解决策略不合格的事件推送至所述业务人员的指定负责人的工作平台系统。
上述计算机可读存储介质,上述获取所述业务人员执行所述解决策略之后的客户反馈信息的步骤之前,包括:监听所述客户的投诉行为信息,所述投诉行为信息为投诉或者不投诉的信息,其中,所述投诉信息为所述负面信息,所述不投诉信息为所述正面信息;依据在预设时期内的投诉行为信息生成所述客户反馈信息。
在一个实施例中,上述获取所述业务人员执行所述解决策略之后的客户反馈信息的步骤之前,包括:获取由客服咨询所述客户之后得到的对所述业务人员的评价信息,所述评价信息包括对所述业务人员满意的信息或者对所述业务人员不满意的信息,其中,所述对所述业务人员满意的信息为所述正面信息,所述对所述业务人员不满意的信息为所述负面信息;依据所述评价信息生成所述客户反馈信息。
在一个实施例中,上述将所述沟通文本数据输入到分析原因模型中运算得到对应所述沟通文本的第一投诉原因的步骤之后,包括:依据所述第一投诉原因确定所述沟通文本的类型,其中,每种相同类型的投诉原因中包含有多个不同的投诉原因,每种投诉原因的类型分别对应一个所述潜在投诉文本的类型;将所述沟通文本贴上对应的所述类型的标签,以供用户通过所述标签来查询对应所述标签的沟通文本。
在一个实施例中,上述依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略的步骤之前,包括:计算在同一种所述类型中与所述第一投诉原因相同的投诉原因数量占该种类型中所有投诉原因数量的比值;判断所述比值是否超过预设阀值;若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
在一个实施例中,上述依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略的步骤之前,包括:依据预设规则确定所述沟通文本对应的业务类型;判断所述沟通文本的业务类型是否属于预设的重要业务类型;若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
在一个实施例中,上述获取业务人员与客户的沟通文本的步骤之前,包括:获取所述业务人员与所述客户的沟通语音;通过语音识别技术将所述沟通语音转换成所述沟通文本。
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,所述的计算机程序可存储与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,本申请所提供的和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。非易失性存储器可以包括只读存储器(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一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、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。
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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种解决潜在投诉的方法,其特征在于,包括:
获取业务人员与客户的沟通文本;
将所述沟通文本输入到预测投诉模型中进行运算得到预测结果,依据所述预测结果确定所述沟通文本是否为潜在投诉文本,所述预测投诉模型通过第一指定样本集训练而成,所述第一指定样本集包括已投诉的沟通文本数据以及非投诉的沟通文本数据;
若所述沟通文本为所述潜在投诉文本,则将所述沟通文本输入到分析原因模型中运算得到对应所述沟通文本的投诉原因,并将所述投诉原因记为第一投诉原因,所述分析原因模型通过第二指定样本集训练而成,所述第二样本集包括投诉文本以及对应的投诉原因;
依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略,所述策略数据库存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略;
将所述沟通文本、所述第一投诉原因以及所述解决策略推送至所述业务人员的工作平台系统;
获取所述业务人员执行所述解决策略之后的客户反馈信息,所述客户反馈信息为正面信息或负面信息;
依据所述正面信息或所述负面信息判断所述业务人员是否合格执行所述解决策略;
若否,则将所述业务人员执行所述解决策略不合格的事件推送至所述业务人员的指定负责人的工作平台系统;
所述将所述沟通文本数据输入到分析原因模型中运算得到对应所述沟通文本的第一投诉原因的步骤之后,包括:
依据所述第一投诉原因确定所述沟通文本的类型,其中,每种相同类型的投诉原因中包含有多个不同的投诉原因,每种投诉原因的类型分别对应一个所述潜在投诉文本的类型;
将所述沟通文本贴上对应的所述类型的标签,以供用户通过所述标签来查询对应所述标签的沟通文本;
所述依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略的步骤之前,包括:
计算在同一种所述类型中与所述第一投诉原因相同的投诉原因数量占该种类型中所有投诉原因数量的比值;
判断所述比值是否超过预设阀值;
若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
2.根据权利要求1所述的解决潜在投诉的方法,其特征在于,所述获取所述业务人员执行所述解决策略之后的客户反馈信息的步骤之前,包括:
监听所述客户的投诉行为信息,所述投诉行为信息为投诉或者不投诉的信息,其中,所述投诉信息为所述负面信息,所述不投诉信息为所述正面信息;
依据在预设时期内的投诉行为信息生成所述客户反馈信息。
3.根据权利要求1所述的解决潜在投诉的方法,其特征在于,所述获取所述业务人员执行所述解决策略之后的客户反馈信息的步骤之前,包括:
获取由客服咨询所述客户之后得到的对所述业务人员的评价信息,所述评价信息包括对所述业务人员满意的信息或者对所述业务人员不满意的信息,其中,所述对所述业务人员满意的信息为所述正面信息,所述对所述业务人员不满意的信息为所述负面信息;
依据所述评价信息生成所述客户反馈信息。
4.根据权利要求1所述的解决潜在投诉的方法,其特征在于,所述依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略的步骤之前,包括:
依据预设规则确定所述沟通文本对应的业务类型;
判断所述沟通的业务类型是否属于预设的重要业务类型;
若是,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
5.根据权利要求1所述的解决潜在投诉的方法,其特征在于,所述获取业务人员与客户的沟通文本的步骤之前,包括:
获取所述业务人员与所述客户的沟通语音;
通过语音识别技术将所述沟通语音转换成所述沟通文本。
6.一种解决潜在投诉的装置,其特征在于,包括:
获取文本单元,用于获取业务人员与客户的沟通文本;
预测文本单元,用于将所述沟通文本输入到预测投诉模型中进行运算得到预测结果,依据所述预测结果确定所述沟通文本是否为潜在投诉文本,所述预测投诉模型通过第一指定样本集训练而成,所述第一指定样本集包括已投诉的沟通文本数据以及非投诉的沟通文本数据;
预测原因单元,用于在所述沟通文本为所述潜在投诉文本时,将所述沟通文本输入到分析原因模型中运算得到对应所述沟通文本的投诉原因,并将所述投诉原因记为第一投诉原因,所述分析原因模型通过第二指定样本集训练而成,所述第二样本集包括投诉文本以及对应的投诉原因;
查找策略单元,用于依据所述第一投诉原因在预设的策略数据库中找到对应的解决策略,所述策略数据库为存储有各种投诉原因以及与各种投诉原因具有一一对应关系的解决策略的数据库;
推送策略单元,用于将所述沟通文本、所述第一投诉原因以及所述解决策略推送至所述业务人员的工作平台系统;
获取反馈单元,用于获取所述业务人员执行所述解决策略之后的客户反馈信息,所述客户反馈信息为正面信息或负面信息;
判断执行单元,用于依据所述正面信息或所述负面信息判断所述业务人员是否合格执行所述解决策略;
推送事件单元,用于判断所述业务人员不合格执行所述解决策略时,将所述业务人员执行所述解决策略不合格的事件推送至所述业务人员的指定负责人的工作平台系统;
分类原因单元,用于依据所述第一投诉原因确定所述沟通文本的类型,其中,每种相同类型的投诉原因中包含有多个不同的投诉原因,每种投诉原因的类型分别对应一个所述潜在投诉文本的类型;
查询标签单元,用于将所述沟通文本贴上对应的所述原因类型的标签,以供用户通过所述标签来查询对应所述标签的沟通文本;
计算比值单元,用于计算同一种所述类型中与所述第一投诉原因相同的投诉原因数量占该种类型中所有投诉原因数量的比值;
判断比值单元,用于判断所述比值是否超过预设阀值;
生成指令单元,用于判断所述比值超过预设阀值时,则生成依据所述第一投诉原因在所述策略数据库中查找所述解决策略的查找指令,否则,生成停止运行当前流程的终止指令。
7.一种计算机设备,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5中任一项所述方法的步骤。
8.一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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082666.9A CN109871597B (zh) | 2019-01-28 | 2019-01-28 | 解决潜在投诉的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082666.9A CN109871597B (zh) | 2019-01-28 | 2019-01-28 | 解决潜在投诉的方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871597A CN109871597A (zh) | 2019-06-11 |
CN109871597B true CN109871597B (zh) | 2023-08-18 |
Family
ID=66918144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910082666.9A Active CN109871597B (zh) | 2019-01-28 | 2019-01-28 | 解决潜在投诉的方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871597B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827040A (zh) * | 2019-10-31 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 一种消费者诉求解决方法和系统 |
CN111145881A (zh) * | 2019-11-13 | 2020-05-12 | 深圳市联影医疗数据服务有限公司 | 医疗机构投诉处理的方法、系统、装置及存储介质 |
CN111177352B (zh) * | 2019-12-25 | 2023-06-27 | 北京百度网讯科技有限公司 | 投诉信息的处理方法、装置、电子设备及可读存储介质 |
CN111429155A (zh) * | 2020-03-25 | 2020-07-17 | 中国银行股份有限公司 | 银行卡争议处理方法及装置 |
CN113537858A (zh) * | 2020-04-16 | 2021-10-22 | 顺丰科技有限公司 | 运单时效升级方法、相关装置及存储介质 |
CN113645051B (zh) * | 2020-04-23 | 2024-04-12 | 亚信科技(中国)有限公司 | 一种对客户投诉进行预警的方法及装置 |
CN113205392B (zh) * | 2021-05-25 | 2022-11-18 | 上海钧正网络科技有限公司 | 网约车判责方法、装置及计算机存储介质 |
CN113592297B (zh) * | 2021-07-30 | 2023-11-24 | 国家电网有限公司客户服务中心 | 一种电力系统专属式客户管理方法及系统 |
CN115118822A (zh) * | 2022-06-15 | 2022-09-27 | 马上消费金融股份有限公司 | 任务处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105848174A (zh) * | 2015-01-16 | 2016-08-10 | 中国移动通信集团浙江有限公司 | 一种检测用户上网感知的方法和装置 |
CN107220732A (zh) * | 2017-05-31 | 2017-09-29 | 福州大学 | 一种基于梯度提升树的停电投诉风险预测方法 |
CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
CN108874823A (zh) * | 2017-05-12 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 智能客服的实现方法和装置 |
-
2019
- 2019-01-28 CN CN201910082666.9A patent/CN109871597B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105848174A (zh) * | 2015-01-16 | 2016-08-10 | 中国移动通信集团浙江有限公司 | 一种检测用户上网感知的方法和装置 |
CN108874823A (zh) * | 2017-05-12 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 智能客服的实现方法和装置 |
CN107220732A (zh) * | 2017-05-31 | 2017-09-29 | 福州大学 | 一种基于梯度提升树的停电投诉风险预测方法 |
CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109871597A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871597B (zh) | 解决潜在投诉的方法、装置、计算机设备和存储介质 | |
CN109165840B (zh) | 风险预测处理方法、装置、计算机设备和介质 | |
Tenera et al. | A Lean Six Sigma (LSS) project management improvement model | |
CN109829629B (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
US9652745B2 (en) | Model-driven evaluator bias detection | |
CN110798502B (zh) | 基于微服务框架的灰度发布方法、装置和计算机设备 | |
CN109543925B (zh) | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 | |
CN109784654B (zh) | 任务生成方法、装置、计算机设备和存储介质 | |
WO2020073727A1 (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
US10671926B2 (en) | Method and system for generating predictive models for scoring and prioritizing opportunities | |
Kampf et al. | The identification and development of talents in the environment of logistics companies | |
CN112925888A (zh) | 一种问答响应及小样本文本匹配模型的训练方法和装置 | |
CN113656808A (zh) | 数据安全评估方法、装置、设备及存储介质 | |
CN111582488A (zh) | 一种事件推演方法及装置 | |
CN115641101A (zh) | 一种智能化招聘的方法、装置及计算机可读介质 | |
Christa et al. | Regression and decision tree approaches in predicting the effort in resolving incidents | |
WO2021061669A1 (en) | Analytics system for a competitive vulnerability and customer and employee retention | |
CN110866096A (zh) | 智能解答控制方法、装置、计算机设备及存储介质 | |
US20210097495A1 (en) | Method and system for assessment and negotiation of compensation | |
CN111754195A (zh) | 信息处理的方法及装置、电子设备及计算机可读存储介质 | |
Kurilenko et al. | Virtual Employee Implementation Using Temporal Case-based Reasoning | |
US20230101734A1 (en) | Machine learning model to fill gaps in adaptive rate shifting | |
CN115689779B (zh) | 一种基于云端信用决策的用户风险预测方法及系统 | |
Aprilia et al. | Evaluation of IT Governance on Core Banking System Development Project Using Framework COBIT 5: Case Study at PT Bank KEB Hana Indonesia | |
WO2024065776A1 (en) | Method for data processing, apparatus for data processing, electronic device, and storage medium |
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 |