CN109902937A - 任务数据的质检方法、装置、计算机设备及存储介质 - Google Patents
任务数据的质检方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109902937A CN109902937A CN201910100456.8A CN201910100456A CN109902937A CN 109902937 A CN109902937 A CN 109902937A CN 201910100456 A CN201910100456 A CN 201910100456A CN 109902937 A CN109902937 A CN 109902937A
- Authority
- CN
- China
- Prior art keywords
- violation
- point
- task data
- quality inspection
- task
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007689 inspection Methods 0.000 claims abstract description 156
- 235000021167 banquet Nutrition 0.000 claims abstract description 40
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 79
- 238000012216 screening Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 8
- 238000012790 confirmation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Telephonic Communication Services (AREA)
Abstract
本申请揭示了任务数据的质检方法、装置、计算机设备及存储介质,其中,任务数据的质检方法,包括:获取指定任务号在第一质检时间对应的第一任务数据,其中所述第一任务数据包括从建立所述指定任务号的对应时刻至所述第一质检时间的任务数据;通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点;筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点,其中所述第二任务数据为所述指定任务号对应的,与所述第一质检时间相邻的前一质检时间的任务数据;将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果。实现相同的指定任务号不会出现针对相同的违规点对坐席或客服进行重复判罚的现象。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到任务数据的质检方法、装置、计算机设备及存储介质。
背景技术
现有坐席服务多以通话的方式进行在线服务,为实现管理坐席的服务过程多通过质检管理的后续分析进行事后管理,目前市面上的基于坐席通话数据的质检技术还不够成熟,往往出现针对重复的任务号的处理时质检内部机制会出现异常,比如针对电销类业务,如果是质检每天的通话数据,会产生重复任务号,因为同一个销售业务可能会持续几天才会完结,并且针对重复任务号的质检结果也是重复的,常会出现重复任务号的坐席出现重复判罚的问题,不利于管理坐席人员。
发明内容
本申请的主要目的为提供任务数据的质检方法,旨在解决现有重复任务号的坐席出现重复判罚的技术问题。
本申请提出一种任务数据的质检方法,包括:
获取指定任务号在第一质检时间对应的第一任务数据,其中所述第一任务数据包括从建立所述指定任务号的对应时刻至所述第一质检时间的任务数据;
通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点;
筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点,其中所述第二任务数据为所述指定任务号对应的,与所述第一质检时间相邻的前一质检时间的任务数据,所述第一任务数据中包括所述第二任务数据;
将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果。
优选地,所述第一任务数据由多通语音通话数据组成,所述筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点的步骤,包括:
分别获取各所述第一违规点分别对应的第一违规信息,以及各所述第二违规点分别对应的第二违规信息,其中所述第一违规信息和所述第二违规信息的数据结构相同,均包括违规内容、违规发生时间以及对应的所述语音通话的编号;
根据所述数据结构分别对应比较所述第一违规信息与所述第二违规信息,以获取所述第一违规信息与所述第二违规信息之间的差异信息;
根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点。
优选地,所述差异信息至少包括违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项,所述根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点的步骤,包括:
判断是否存在所述违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项;
若存在,则判定存在所述指定违规点,并标记所述指定差异;
根据所述指定差异筛选出所述指定违规点。
优选地,所述第一任务数据由多通语音通话数据组成,每通语音通话数据对应每次拨通指定号码后产生的通话记录,且每通语音通话数据通过语音通话数据编码进行区分,所述通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点的步骤,包括:
按照所述语音通话数据编码,将所述第一任务数据内所有的所述通语音通话数据转换成对应的文本文件;
将所述文本文件分别输入到预先训练好的所述违规点识别模型中;
接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点。
优选地,所述接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点的步骤,包括:
识别第一文本文件中是否包括预设关键字,其中,所述第一文本文件为各所述文本文件中的任何一个,所述预设关键字根据业务类型要求进行设定;
若是,根据所述预设关键字确定所述第一文本文件中的违规点,其中所述违规点与所述预设关键字具有一一对应关系;
根据所述第一文本文件中的违规点的确定过程,得到所述第一任务数据对应的所述文本文件中的所有所述第一违规点。
优选地,所述预设关键字至少包括服务态度类关键字、业务推荐内容关键字和业务推荐方式关键字中的至少一种,所述将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤,包括:
根据各所述指定违规点分别对应的关键字类型,分类标识各所述指定违规点,其中所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点中的至少一种;
将各所述指定违规点分别按照对应的分类标识,对应填充于所述指定任务号对应的数据表内形成所述质检表。
优选地,所述指定任务号分别与指定客户电话号码以及指定坐席电话号码一一对应,所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点,所述将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤之后,包括:
调用服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点分别对应的预设评分;
根据公式:服务态度类违规点*第一数量*第一评分+业务推荐内容类违规点*第二数量*第二评分+业务推荐方式类违规点*第三数量*第三评分=总评分,计算所述指定坐席电话号码对应坐席的服务总评价。
本申请还提供一种任务数据的质检装置,包括:
第一获取模块,用于获取指定任务号在第一质检时间对应的第一任务数据,其中所述第一任务数据包括从建立所述指定任务号的对应时刻至所述第一质检时间的任务数据;
第二获取模块,用于通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点;
筛选模块,用于筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点,其中所述第二任务数据为所述指定任务号对应的,与所述第一质检时间相邻的前一质检时间的任务数据,所述第一任务数据中包括所述第二任务数据;
纳入模块,用于将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果。
本申请还提供了一种计算机设备,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。
本申请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的方法的步骤。
本申请通过将第一任务数据覆盖第二任务数据进行保存,始终保存最新最全的任务数据,以便确保得到每一次质检时间对应的新任务数据最全的违规点且保证无重复,通过将各新任务数据对应的违规点依次纳入到质检表内直至结束,形成指定任务号的质检结果,从而保证质检结果内的违规点是全面且无重复的,实现相同的指定任务号不会出现针对相同的违规点对坐席或客服进行重复判罚的现象。本申请通过逐一比较违规信息的数据结构中包括的各项信息,各项信息根据类别一一对应比较,比如第一违规点的违规内容与第二违规点的违规内容相比较,以判断两个违规点对应的违规信息是否相同,两个违规点对应的违规信息内任何一项信息不同,则存在差异信息,对应的两个违规点的违规信息就不同,两个违规点就不同。本申请通过违规点识别模型获取所述第一任务数据内的所有第一违规点时,需要先将语音通话数据一一对应转换成文本文件,以便通过文本关键字与违规点识别模型中的预设识别规则中的预设关键字进行匹配,实现有效确认。
附图说明
图1本申请一实施例的任务数据的质检方法流程示意图;
图2本申请一实施例的任务数据的质检装置结构示意图;
图3本申请一实施例的计算机设备内部结构示意图。
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。
参照图1,本申请一实施例的任务数据的质检方法,包括:
S1:获取指定任务号在第一质检时间对应的第一任务数据,其中所述第一任务数据包括从建立所述指定任务号的对应时刻至所述第一质检时间的任务数据。
本实施例的指定任务号根据客户号进行区分,一个客户号对应一个指定任务号,上述客户号包括客户通讯号码或与客户通讯号码一一对应的业务编号。本实施例通过每次对截止到指定质检时间的整体数据进行分析,以便发生数据遗漏。本实施例的第一任务数据为区分各不同质检时间对应的整体数据而进行定义,“第一”仅用于区分不用于限定,本申请其他处的类似用语作用相同,不赘述。
S2:通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点。
本实施例通过违规点识别模型识别第一任务数据中的违规点,上述违规点识别模型通过将经过标签化的违规数据输入到特定组成结构的卷积神经网络训练形成,通过带有标签的违规数据训练得到的违规点识别模型,根据标签的相似性进行违规点识别。
S3:筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点,其中所述第二任务数据为所述指定任务号对应的,与所述第一质检时间相邻的前一质检时间的任务数据,所述第一任务数据中包括所述第二任务数据。
本实施例的第二任务数据为截止到第二质检时间的整体数据,第二质检时间为第一质检时间相邻的前一质检时间,第一任务数据为截止到第一质检时间的整体数据,所以第一任务数据中包括第二任务数据和第二质检时间至第一质检时间之间产生的新任务数据。本实施例通过将第一任务数据覆盖第二任务数据进行保存,始终保存最新最全的任务数据,以便确保得到每一次质检时间对应的新任务数据最全的违规点且保证无重复,以解决同一指定任务号容易出现重复违规点重复判罚的技术问题。本实施例的质检时间为周期设定的固定时刻,比如将每天的24点设定为预设质检时间。上述第一质检时间、第二质检时间均为指定任务号有新数据产生,且触发了质检行为对应的质检时间。比如第二质检时间为10月2号的24点,10月3号至10月5号指定任务号均未产生新数据,10月6号产生了新数据,则第一质检时间为10月6号的24点。
S4:将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果。
本实施例通过将各新任务数据对应的违规点,依次纳入到质检表内直至结束,形成指定任务号的质检结果,从而保证质检结果内的违规点是全面且无重复的,实现相同的指定任务号不会出现针对相同的违规点对坐席或客服进行重复判罚的现象。
进一步地,所述第一任务数据由多通语音通话数据组成,所述筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点的步骤S3,包括:
S31:分别获取各所述第一违规点分别对应的第一违规信息,以及各所述第二违规点分别对应的第二违规信息,其中所述第一违规信息和所述第二违规信息的数据结构相同,均包括违规内容、违规发生时间以及对应的所述语音通话的编号。
本实施例通过比较违规信息,判断两个违规点是否相同,只要违规信息不同则违规点不同,上述违规信息包括违规内容、违规发生时间以及对应的所述语音通话的编号等各项信息,违规内容指具体的通话内容,违规发生时间为讲出违规内容的具体时间,对应的所述语音通话的编号指第几通通话记录,每一次拨号接通至挂断为一通通话。
S32:根据所述数据结构分别对应比较所述第一违规信息与所述第二违规信息,以获取所述第一违规信息与所述第二违规信息之间的差异信息。
本实施例通过逐一比较违规信息的数据结构中包括的各项信息,各项信息根据类别一一对应比较,比如第一违规点的违规内容与第二违规点的违规内容相比较,以判断两个违规点对应的违规信息是否相同。
S33:根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点。
本实施例以第二违规点为基础,将第一违规点与第二违规点相比较,根据上述比较过程筛选出差异信息对应的违规点为指定违规点,上述指定违规点为第二质检时间至第一质检时间之间产生的新任务数据对应的违规点。
进一步地,所述差异信息至少包括违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项,所述根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点的步骤S33,包括:
S331:判断是否存在所述违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项。
两个违规点对应的违规信息内任何一项信息不同,则存在差异信息,对应的两个违规点的违规信息就不同,两个违规点就不同。
S332:若存在所述违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项,则判定存在所述指定违规点,并标记所述指定差异。
S333:根据所述指定差异筛选出所述指定违规点。
本实施例通过标记与第二违规点存在任一项差异信息的指定第一违规点为指定违规点,以便更全面且无重复地确定指定违规点。比如第一违规点A与指定第二违规点相比,违规内容不同,则标记第一违规点A;第一违规点B与指定第二违规点相比,违规内容相同,但违规时间以及对应的语音通话的编号不同,则标记第一违规点B。本申请另一实施例在比较违规点的违规信息之后,通过语义识别确定各违规点前后的通话文本的语义关联度,且是对违规点内容的补救,即消除违规点的不良后果,则判定存在预设关联,则撤销对后标记违规点的标记,后标记违规点为伪违规点。比如通过违规点比较已标记第一违规点B,但通过语义识别,判定第一违规点B与指定第二违规点存在语义关联,则认为第一违规点B与指定第二违规点相同,则撤销标记第一违规点B。举例地,指定第二违规点为“10月1号第三通通话中的虚假承诺”,第一违规点B为坐席撤回虚假承诺的解释比如为“10月2号第四通通话中的虚假承诺作废”,则两者具有语义关联性且为对违规点内容的补救,则判定存在预设关联,则撤销标记第一违规点B。
进一步地,所述第一任务数据由多通语音通话数据组成,每通语音通话数据对应每次拨通指定号码后产生的通话记录,且每通语音通话数据通过语音通话数据编码进行区分,所述通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点的步骤S2,包括:
S21:按照所述语音通话数据编码,将所述第一任务数据内所有的所述通语音通话数据转换成对应的文本文件。
本实施例在通过违规点识别模型获取所述第一任务数据内的所有第一违规点时,需要先将语音通话数据对应转换成文本文件,以便通过文本关键字与违规点识别模型中的预设识别规则中的预设关键字进行匹配,实现有效确认。
S22:将所述文本文件分别输入到预先训练好的所述违规点识别模型中。
本实施例通过带有违规标签的训练数据,训练违规点识别模型,使训练好的违规点识别模型具有精准的关键字匹配方式,以便通过关键字匹配方式识别文本文件中的指定关键字。
S23:接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点。
本实施例的预设识别规则即为关键字匹配方式,通过关键字匹配确定各违规点。上述各文本文件一一对应各语音通话数据,通过对各文本逐一识别以精准统计第一任务数据对应的所有违规点。
进一步地,所述接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点的步骤S23,包括:
S231:识别第一文本文件中是否包括预设关键字,其中,所述第一文本文件为各所述文本文件中的任何一个,所述预设关键字根据业务类型要求进行设定。
本实施例的预设关键字根据业务类型进行设定,比如电话营销服务和电话售后服务所分别对应的预设关键字不同,以便预设关键字更加贴合业务需求。
S232:若第一文本文件中包括预设关键字,根据所述预设关键字确定所述第一文本文件中的违规点,其中所述违规点与所述预设关键字具有一一对应关系。
本实施例通过预设关键字与违规点进行关联对应,不同的预设关键字对应不同的违规点,比如预设关键字“不负责”对应违规点M,预设关键字“去你的”对应违规点N。上述不同预设关键字指关键字的类型不同,根据作用区分,两个预设关键字词语不同但语义相同或相近,则认定为同一预设关键字,比如“不处理”、“不管”等属于同一预设关键字。
S233:根据所述第一文本文件中的违规点的确定过程,得到所述第一任务数据对应的所述文本文件中的所有所述第一违规点。
本实施例通过逐一处理第一任务数据中各语音通话数据对应的文本文件,以精准统计第一任务数据对应的所有违规点。
进一步地,所述预设关键字至少包括服务态度类关键字、业务推荐内容关键字和业务推荐方式关键字中的至少一种,所述将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤S4,包括:
S41:根据各所述指定违规点分别对应的关键字类型分类标识各所述指定违规点,其中所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点中的至少一种。
本实施例的预设关键字根据作用可分为服务态度类关键字、业务推荐内容关键字或业务推荐方式关键字等不同类型,比如服务态度类关键字用于标识服务态度,比如服务态度好不好,服务态度类关键字一般为语气词等;业务推荐内容关键字用于判断是否合理推荐预设业务,比如是否推荐了必须要推荐的业务内容等,跟具体的业务协议要求相关;业务推荐方式用于评价推荐方式是否符合预设规定,是否违规推荐等,比如虚假承诺的推荐方式为违规推荐。本实施例通过将各违规点进行分类以便进行精准的违规点数据分析。本实施例通过预设关键字的类型在识别过程中进行分类区分,且通过不同的线程通道进行数据输出,以便对违规点进行精准区分。
S42:将各所述指定违规点分别按照对应的分类标识,对应填充于所述指定任务号对应的数据表内形成所述质检表。
本实施例通过将分类后的违规点按照分类标识分别集中填充,形成质检表,以便质检表数据更清晰有条理,方便数据管理与统计。
进一步地,所述指定任务号分别与指定客户电话号码以及指定坐席电话号码一一对应,所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点,所述将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤S4之后,包括:
S5:调用服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点分别对应的预设评分。
本实施例通过分析质检表内的违规点,以便根据各违规点分别对应的预设评分得到对应坐席的总评分,进而形成管理坐席的有效数据依据。
S6:根据公式:服务态度类违规点*第一数量*第一评分+业务推荐内容类违规点*第二数量*第二评分+业务推荐方式类违规点*第三数量*第三评分=总评分,计算所述指定坐席电话号码对应坐席的服务总评价。
本实施例的坐席的总评分不仅与违规点分别对应的预设评分相关,且与各违规点分别对应的预设权重相关,以便管理者根据需要得到对应的坐席的总评分。上述预设权重由管理者预先根据业务需要进行设定,或根据管理者的管理偏重点进行设定。
本实施例通过将第一任务数据覆盖第二任务数据进行保存,始终保存最新最全的任务数据,以便确保得到每一次质检时间对应的新任务数据最全的违规点且保证无重复,通过将各新任务数据对应的违规点依次纳入到质检表内直至结束,形成指定任务号的质检结果,从而保证质检结果内的违规点是全面且无重复的,实现相同的指定任务号不会出现针对相同的违规点对坐席或客服进行重复判罚的现象。本实施例通过逐一比较违规信息的数据结构中包括的各项信息,各项信息根据类别一一对应比较,比如第一违规点的违规内容与第二违规点的违规内容相比较,以判断两个违规点对应的违规信息是否相同,两个违规点对应的违规信息内任何一项信息不同,则存在差异信息,对应的两个违规点的违规信息就不同,两个违规点就不同。本实施例通过违规点识别模型获取所述第一任务数据内的所有第一违规点时,需要先将语音通话数据一一对应转换成文本文件,以便通过文本关键字与违规点识别模型中的预设识别规则中的预设关键字进行匹配,实现有效确认。
参照图2,本申请一实施例的任务数据的质检装置,包括:
第一获取模块1,用于获取指定任务号在第一质检时间对应的第一任务数据,其中所述第一任务数据包括从建立所述指定任务号的对应时刻至所述第一质检时间的任务数据。
本实施例的指定任务号根据客户号进行区分,一个客户号对应一个指定任务号,上述客户号包括客户通讯号码或与客户通讯号码一一对应的业务编号。本实施例通过每次对截止到指定质检时间的整体数据进行分析,以便发生数据遗漏。本实施例的第一任务数据为区分各不同质检时间对应的整体数据而进行定义,“第一”仅用于区分不用于限定,本申请其他处的类似用语作用相同,不赘述。
第二获取模块2,用于通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点。
本实施例通过违规点识别模型识别第一任务数据中的违规点,上述违规点识别模型通过将经过标签化的违规数据输入到特定组成结构的卷积神经网络训练形成,通过带有标签的违规数据训练得到的违规点识别模型,根据标签的相似性进行违规点识别。
筛选模块3,用于筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点,其中所述第二任务数据为所述指定任务号对应的,与所述第一质检时间相邻的前一质检时间的任务数据,所述第一任务数据中包括所述第二任务数据。
本实施例的第二任务数据为截止到第二质检时间的整体数据,第二质检时间为第一质检时间相邻的前一质检时间,第一任务数据为截止到第一质检时间的整体数据,所以第一任务数据中包括第二任务数据和第二质检时间至第一质检时间之间产生的新任务数据。本实施例通过将第一任务数据覆盖第二任务数据进行保存,始终保存最新最全的任务数据,以便确保得到每一次质检时间对应的新任务数据最全的违规点且保证无重复,以解决同一指定任务号容易出现重复违规点重复判罚的技术问题。本实施例的质检时间为周期设定的固定时刻,比如将每天的24点设定为预设质检时间。上述第一质检时间、第二质检时间均为指定任务号有新数据产生,且触发了质检行为对应的质检时间。比如第二质检时间为10月2号的24点,10月3号至10月5号指定任务号均未产生新数据,10月6号产生了新数据,则第一质检时间为10月6号的24点。
纳入模块4,用于将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果。
本实施例通过将各新任务数据对应的违规点,依次纳入到质检表内直至结束,形成指定任务号的质检结果,从而保证质检结果内的违规点是全面且无重复的,实现相同的指定任务号不会出现针对相同的违规点对坐席或客服进行重复判罚的现象。
进一步地,所述第一任务数据由多通语音通话数据组成,所述筛选模块3,包括:
获取单元,用于分别获取各所述第一违规点分别对应的第一违规信息,以及各所述第二违规点分别对应的第二违规信息,其中所述第一违规信息和所述第二违规信息的数据结构相同,均包括违规内容、违规发生时间以及对应的所述语音通话的编号。
本实施例通过比较违规信息,判断两个违规点是否相同,只要违规信息不同则违规点不同,上述违规信息包括违规内容、违规发生时间以及对应的所述语音通话的编号等各项信息,违规内容指具体的通话内容,违规发生时间为讲出违规内容的具体时间,对应的所述语音通话的编号指第几通通话记录,每一次拨号接通至挂断为一通通话。
比较单元,用于根据所述数据结构分别对应比较所述第一违规信息与所述第二违规信息,以获取所述第一违规信息与所述第二违规信息之间的差异信息。
本实施例通过逐一比较违规信息的数据结构中包括的各项信息,各项信息根据类别一一对应比较,比如第一违规点的违规内容与第二违规点的违规内容相比较,以判断两个违规点对应的违规信息是否相同。
筛选单元,用于根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点。
本实施例以第二违规点为基础,将第一违规点与第二违规点相比较,根据上述比较过程筛选出差异信息对应的违规点为指定违规点,上述指定违规点为第二质检时间至第一质检时间之间产生的新任务数据对应的违规点。
进一步地,所述差异信息至少包括违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项,所述筛选单元,包括:
判断子单元,用于判断是否存在所述违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项。
两个违规点对应的违规信息内任何一项信息不同,则存在差异信息,对应的两个违规点的违规信息就不同,两个违规点就不同。
判定子单元,用于若存在所述违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项,则判定存在所述指定违规点,并标记所述指定差异。
筛选子单元,用于根据所述指定差异筛选出所述指定违规点。
本实施例通过标记与第二违规点存在任一项差异信息的指定第一违规点为指定违规点,以便更全面且无重复地确定指定违规点。比如第一违规点A与指定第二违规点相比,违规内容不同,则标记第一违规点A;第一违规点B与指定第二违规点相比,违规内容相同,但违规时间以及对应的语音通话的编号不同,则标记第一违规点B。本申请另一实施例在比较违规点的违规信息之后,通过语义识别确定各违规点前后的通话文本的语义关联度,且是对违规点内容的补救,即消除违规点的不良后果,则判定存在预设关联,则撤销对后标记违规点的标记,后标记违规点为伪违规点。比如通过违规点比较已标记第一违规点B,但通过语义识别,判定第一违规点B与指定第二违规点存在语义关联,则认为第一违规点B与指定第二违规点相同,则撤销标记第一违规点B。举例地,指定第二违规点为“10月1号第三通通话中的虚假承诺”,第一违规点B为坐席撤回虚假承诺的解释比如为“10月2号第四通通话中的虚假承诺作废”,则两者具有语义关联性且为对违规点内容的补救,则判定存在预设关联,则撤销标记第一违规点B。
进一步地,所述第一任务数据由多通语音通话数据组成,每通语音通话数据对应每次拨通指定号码后产生的通话记录,且每通语音通话数据通过语音通话数据编码进行区分,所述第二获取模块2,包括:
转换单元,用于按照所述语音通话数据编码,将所述第一任务数据内所有的所述通语音通话数据转换成对应的文本文件。
本实施例在通过违规点识别模型获取所述第一任务数据内的所有第一违规点时,需要先将语音通话数据对应转换成文本文件,以便通过文本关键字与违规点识别模型中的预设识别规则中的预设关键字进行匹配,实现有效确认。
输入单元,用于将所述文本文件分别输入到预先训练好的所述违规点识别模型中。
本实施例通过带有违规标签的训练数据,训练违规点识别模型,使训练好的违规点识别模型具有精准的关键字匹配方式,以便通过关键字匹配方式识别文本文件中的指定关键字。
接收单元,用于接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点。
本实施例的预设识别规则即为关键字匹配方式,通过关键字匹配确定各违规点。上述各文本文件一一对应各语音通话数据,通过对各文本逐一识别以精准统计第一任务数据对应的所有违规点。
进一步地,所述接收单元,包括:
识别子单元,用于识别第一文本文件中是否包括预设关键字,其中,所述第一文本文件为各所述文本文件中的任何一个,所述预设关键字根据业务类型要求进行设定。
本实施例的预设关键字根据业务类型进行设定,比如电话营销服务和电话售后服务所分别对应的预设关键字不同,以便预设关键字更加贴合业务需求。
确定子单元,用于若第一文本文件中包括预设关键字,根据所述预设关键字确定所述第一文本文件中的违规点,其中所述违规点与所述预设关键字具有一一对应关系。
本实施例通过预设关键字与违规点进行关联对应,不同的预设关键字对应不同的违规点,比如预设关键字“不负责”对应违规点M,预设关键字“去你的”对应违规点N。上述不同预设关键字指关键字的类型不同,根据作用区分,两个预设关键字词语不同但语义相同或相近,则认定为同一预设关键字,比如“不处理”、“不管”等属于同一预设关键字。
得到子单元,用于根据所述第一文本文件中的违规点的确定过程,得到所述第一任务数据对应的所述文本文件中的所有所述第一违规点。
本实施例通过逐一处理第一任务数据中各语音通话数据对应的文本文件,以精准统计第一任务数据对应的所有违规点。
进一步地,所述预设关键字至少包括服务态度类关键字、业务推荐内容关键字和业务推荐方式关键字中的至少一种,所述纳入模块4,包括:
标识单元,用于根据各所述指定违规点分别对应的关键字类型分类标识各所述指定违规点,其中所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点中的至少一种。
本实施例的预设关键字根据作用可分为服务态度类关键字、业务推荐内容关键字或业务推荐方式关键字等不同类型,比如服务态度类关键字用于标识服务态度,比如服务态度好不好,服务态度类关键字一般为语气词等;业务推荐内容关键字用于判断是否合理推荐预设业务,比如是否推荐了必须要推荐的业务内容等,跟具体的业务协议要求相关;业务推荐方式用于评价推荐方式是否符合预设规定,是否违规推荐等,比如虚假承诺的推荐方式为违规推荐。本实施例通过将各违规点进行分类以便进行精准的违规点数据分析。本实施例通过预设关键字的类型在识别过程中进行分类区分,且通过不同的线程通道进行数据输出,以便对违规点进行精准区分。
填充单元,用于将各所述指定违规点分别按照对应的分类标识,对应填充于所述指定任务号对应的数据表内形成所述质检表。
本实施例通过将分类后的违规点按照分类标识分别集中填充,形成质检表,以便质检表数据更清晰有条理,方便数据管理与统计。
进一步地,所述指定任务号分别与指定客户电话号码以及指定坐席电话号码一一对应,所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点,本申请另一实施例的任务数据的质检装置,包括:
调用模块,用于调用服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点分别对应的预设评分。
本实施例通过分析质检表内的违规点,以便根据各违规点分别对应的预设评分得到对应坐席的总评分,进而形成管理坐席的有效数据依据。
计算模块,用于根据公式:服务态度类违规点*第一数量*第一评分+业务推荐内容类违规点*第二数量*第二评分+业务推荐方式类违规点*第三数量*第三评分=总评分,计算所述指定坐席电话号码对应坐席的服务总评价。
本实施例的坐席的总评分不仅与违规点分别对应的预设评分相关,且与各违规点分别对应的预设权重相关,以便管理者根据需要得到对应的坐席的总评分。上述预设权重由管理者预先根据业务需要进行设定,或根据管理者的管理偏重点进行设定。
参照图3,本申请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任务数据的质检的过程需要的所有数据。该计算机设备的网络接口用于与外部的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任务数据的质检方法。
上述处理器执行上述任务数据的质检方法,包括:获取指定任务号在第一质检时间对应的第一任务数据,其中所述第一任务数据包括从建立所述指定任务号的对应时刻至所述第一质检时间的任务数据;通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点;筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点,其中所述第二任务数据为所述指定任务号对应的,与所述第一质检时间相邻的前一质检时间的任务数据,所述第一任务数据中包括所述第二任务数据;将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果。
上述计算机设备,通过将第一任务数据覆盖第二任务数据进行保存,始终保存最新最全的任务数据,以便确保得到每一次质检时间对应的新任务数据最全的违规点且保证无重复,通过将各新任务数据对应的违规点依次纳入到质检表内直至结束,形成指定任务号的质检结果,从而保证质检结果内的违规点是全面且无重复的,实现相同的指定任务号不会出现针对相同的违规点对坐席或客服进行重复判罚的现象。通过逐一比较违规信息的数据结构中包括的各项信息,各项信息根据类别一一对应比较,比如第一违规点的违规内容与第二违规点的违规内容相比较,以判断两个违规点对应的违规信息是否相同,两个违规点对应的违规信息内任何一项信息不同,则存在差异信息,对应的两个违规点的违规信息就不同,两个违规点就不同。通过违规点识别模型获取所述第一任务数据内的所有第一违规点时,需要先将语音通话数据一一对应转换成文本文件,以便通过文本关键字与违规点识别模型中的预设识别规则中的预设关键字进行匹配,实现有效确认。
在一个实施例中,所述第一任务数据由多通语音通话数据组成,上述处理器筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点的步骤,包括:分别获取各所述第一违规点分别对应的第一违规信息,以及各所述第二违规点分别对应的第二违规信息,其中所述第一违规信息和所述第二违规信息的数据结构相同,均包括违规内容、违规发生时间以及对应的所述语音通话的编号;根据所述数据结构分别对应比较所述第一违规信息与所述第二违规信息,以获取所述第一违规信息与所述第二违规信息之间的差异信息;根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点。
在一个实施例中,所述差异信息至少包括违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项,上述处理器根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点的步骤,包括:判断是否存在所述违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项;若存在,则判定存在所述指定违规点,并标记所述指定差异;根据所述指定差异筛选出所述指定违规点。
在一个实施例中,所述第一任务数据由多通语音通话数据组成,每通语音通话数据对应每次拨通指定号码后产生的通话记录,且每通语音通话数据通过语音通话数据编码进行区分,上述处理器通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点的步骤,包括:按照所述语音通话数据编码,将所述第一任务数据内所有的所述通语音通话数据转换成对应的文本文件;将所述文本文件分别输入到预先训练好的所述违规点识别模型中;接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点。
在一个实施例中,上述处理器接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点的步骤,包括:识别第一文本文件中是否包括预设关键字,其中,所述第一文本文件为各所述文本文件中的任何一个,所述预设关键字根据业务类型要求进行设定;若是,根据所述预设关键字确定所述第一文本文件中的违规点,其中所述违规点与所述预设关键字具有一一对应关系;根据所述第一文本文件中的违规点的确定过程,得到所述第一任务数据对应的所述文本文件中的所有所述第一违规点。
在一个实施例中,所述预设关键字至少包括服务态度类关键字、业务推荐内容关键字和业务推荐方式关键字中的至少一种,上述处理器将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤,包括:根据各所述指定违规点分别对应的关键字类型,分类标识各所述指定违规点,其中所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点中的至少一种;将各所述指定违规点分别按照对应的分类标识,对应填充于所述指定任务号对应的数据表内形成所述质检表。
在一个实施例中,所述指定任务号分别与指定客户电话号码以及指定坐席电话号码一一对应,所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点,上述处理器将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤之后,包括:调用服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点分别对应的预设评分;根据公式:服务态度类违规点*第一数量*第一评分+业务推荐内容类违规点*第二数量*第二评分+业务推荐方式类违规点*第三数量*第三评分=总评分,计算所述指定坐席电话号码对应坐席的服务总评价。
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。
本申请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任务数据的质检的方法,包括:获取指定任务号在第一质检时间对应的第一任务数据,其中所述第一任务数据包括从建立所述指定任务号的对应时刻至所述第一质检时间的任务数据;通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点;筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点,其中所述第二任务数据为所述指定任务号对应的,与所述第一质检时间相邻的前一质检时间的任务数据,所述第一任务数据中包括所述第二任务数据;将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果。
上述计算机可读存储介质,通过将第一任务数据覆盖第二任务数据进行保存,始终保存最新最全的任务数据,以便确保得到每一次质检时间对应的新任务数据最全的违规点且保证无重复,通过将各新任务数据对应的违规点依次纳入到质检表内直至结束,形成指定任务号的质检结果,从而保证质检结果内的违规点是全面且无重复的,实现相同的指定任务号不会出现针对相同的违规点对坐席或客服进行重复判罚的现象。通过逐一比较违规信息的数据结构中包括的各项信息,各项信息根据类别一一对应比较,比如第一违规点的违规内容与第二违规点的违规内容相比较,以判断两个违规点对应的违规信息是否相同,两个违规点对应的违规信息内任何一项信息不同,则存在差异信息,对应的两个违规点的违规信息就不同,两个违规点就不同。通过违规点识别模型获取所述第一任务数据内的所有第一违规点时,需要先将语音通话数据一一对应转换成文本文件,以便通过文本关键字与违规点识别模型中的预设识别规则中的预设关键字进行匹配,实现有效确认。
在一个实施例中,所述第一任务数据由多通语音通话数据组成,上述处理器筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点的步骤,包括:分别获取各所述第一违规点分别对应的第一违规信息,以及各所述第二违规点分别对应的第二违规信息,其中所述第一违规信息和所述第二违规信息的数据结构相同,均包括违规内容、违规发生时间以及对应的所述语音通话的编号;根据所述数据结构分别对应比较所述第一违规信息与所述第二违规信息,以获取所述第一违规信息与所述第二违规信息之间的差异信息;根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点。
在一个实施例中,所述差异信息至少包括违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项,上述处理器根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点的步骤,包括:判断是否存在所述违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项;若存在,则判定存在所述指定违规点,并标记所述指定差异;根据所述指定差异筛选出所述指定违规点。
在一个实施例中,所述第一任务数据由多通语音通话数据组成,每通语音通话数据对应每次拨通指定号码后产生的通话记录,且每通语音通话数据通过语音通话数据编码进行区分,上述处理器通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点的步骤,包括:按照所述语音通话数据编码,将所述第一任务数据内所有的所述通语音通话数据转换成对应的文本文件;将所述文本文件分别输入到预先训练好的所述违规点识别模型中;接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点。
在一个实施例中,上述处理器接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点的步骤,包括:识别第一文本文件中是否包括预设关键字,其中,所述第一文本文件为各所述文本文件中的任何一个,所述预设关键字根据业务类型要求进行设定;若是,根据所述预设关键字确定所述第一文本文件中的违规点,其中所述违规点与所述预设关键字具有一一对应关系;根据所述第一文本文件中的违规点的确定过程,得到所述第一任务数据对应的所述文本文件中的所有所述第一违规点。
在一个实施例中,所述预设关键字至少包括服务态度类关键字、业务推荐内容关键字和业务推荐方式关键字中的至少一种,上述处理器将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤,包括:根据各所述指定违规点分别对应的关键字类型,分类标识各所述指定违规点,其中所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点中的至少一种;将各所述指定违规点分别按照对应的分类标识,对应填充于所述指定任务号对应的数据表内形成所述质检表。
在一个实施例中,所述指定任务号分别与指定客户电话号码以及指定坐席电话号码一一对应,所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点,上述处理器将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤之后,包括:调用服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点分别对应的预设评分;根据公式:服务态度类违规点*第一数量*第一评分+业务推荐内容类违规点*第二数量*第二评分+业务推荐方式类违规点*第三数量*第三评分=总评分,计算所述指定坐席电话号码对应坐席的服务总评价。
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,上述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以多种形式可得,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。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种任务数据的质检方法,其特征在于,包括:
获取指定任务号在第一质检时间对应的第一任务数据,其中所述第一任务数据包括从建立所述指定任务号的对应时刻至所述第一质检时间的任务数据;
通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点;
筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点,其中所述第二任务数据为所述指定任务号对应的,与所述第一质检时间相邻的前一质检时间的任务数据,所述第一任务数据中包括所述第二任务数据;
将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果。
2.根据权利要求1所述的任务数据的质检方法,其特征在于,所述第一任务数据由多通语音通话数据组成,所述筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点的步骤,包括:
分别获取各所述第一违规点分别对应的第一违规信息,以及各所述第二违规点分别对应的第二违规信息,其中所述第一违规信息和所述第二违规信息的数据结构相同,均包括违规内容、违规发生时间以及对应的所述语音通话的编号;
根据所述数据结构分别对应比较所述第一违规信息与所述第二违规信息,以获取所述第一违规信息与所述第二违规信息之间的差异信息;
根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点。
3.根据权利要求2所述的任务数据的质检方法,其特征在于,所述差异信息至少包括违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项,所述根据所述差异信息筛选出所有所述第一违规点与所述第二违规点对应的所述指定违规点的步骤,包括:
判断是否存在所述违规内容差异、违规发生时间差异和语音通话的编号差异中的至少一项;
若存在,则判定存在所述指定违规点,并标记所述指定差异;
根据所述指定差异筛选出所述指定违规点。
4.根据权利要求1所述的任务数据的质检方法,其特征在于,所述第一任务数据由多通语音通话数据组成,每通语音通话数据对应每次拨通指定号码后产生的通话记录,且每通语音通话数据通过语音通话数据编码进行区分,所述通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点的步骤,包括:
按照所述语音通话数据编码,将所述第一任务数据内所有的所述通语音通话数据转换成对应的文本文件;
将所述文本文件分别输入到预先训练好的所述违规点识别模型中;
接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点。
5.根据权利要求4所述的任务数据的质检方法,其特征在于,所述接收所述违规点识别模型根据预设识别规则,从所述文本文件中确定的所有所述第一违规点的步骤,包括:
识别第一文本文件中是否包括预设关键字,其中,所述第一文本文件为各所述文本文件中的任何一个,所述预设关键字根据业务类型要求进行设定;
若是,根据所述预设关键字确定所述第一文本文件中的违规点,其中所述违规点与所述预设关键字具有一一对应关系;
根据所述第一文本文件中的违规点的确定过程,得到所述第一任务数据对应的所述文本文件中的所有所述第一违规点。
6.根据权利要求5所述的任务数据的质检方法,其特征在于,所述预设关键字至少包括服务态度类关键字、业务推荐内容关键字和业务推荐方式关键字中的至少一种,所述将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤,包括:
根据各所述指定违规点分别对应的关键字类型,分类标识各所述指定违规点,其中所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点中的至少一种;
将各所述指定违规点分别按照对应的分类标识,对应填充于所述指定任务号对应的数据表内形成所述质检表。
7.根据权利要求6所述的任务数据的质检方法,其特征在于,所述指定任务号分别与指定客户电话号码以及指定坐席电话号码一一对应,所述指定违规点包括服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点,所述将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果的步骤之后,包括:
调用服务态度类违规点、业务推荐内容类违规点和业务推荐方式类违规点分别对应的预设评分;
根据公式:服务态度类违规点*第一数量*第一评分+业务推荐内容类违规点*第二数量*第二评分+业务推荐方式类违规点*第三数量*第三评分=总评分,计算所述指定坐席电话号码对应坐席的服务总评价。
8.一种任务数据的质检装置,其特征在于,包括:
第一获取模块,用于获取指定任务号在第一质检时间对应的第一任务数据,其中所述第一任务数据包括从建立所述指定任务号的对应时刻至所述第一质检时间的任务数据;
第二获取模块,用于通过预先训练好的违规点识别模型获取所述第一任务数据内的所有第一违规点;
筛选模块,用于筛选所有所述第一违规点中与第二任务数据内的第二违规点存在差异的指定违规点,其中所述第二任务数据为所述指定任务号对应的,与所述第一质检时间相邻的前一质检时间的任务数据,所述第一任务数据中包括所述第二任务数据;
纳入模块,用于将所述指定违规点纳入所述指定任务号对应的质检表内形成质检结果。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910100456.8A CN109902937A (zh) | 2019-01-31 | 2019-01-31 | 任务数据的质检方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910100456.8A CN109902937A (zh) | 2019-01-31 | 2019-01-31 | 任务数据的质检方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109902937A true CN109902937A (zh) | 2019-06-18 |
Family
ID=66944665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910100456.8A Pending CN109902937A (zh) | 2019-01-31 | 2019-01-31 | 任务数据的质检方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902937A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383150A (zh) * | 2020-03-04 | 2020-07-07 | 青岛海信网络科技股份有限公司 | 一种用于交通警务违规行为的识别监管方法和装置 |
CN115396549A (zh) * | 2021-05-25 | 2022-11-25 | 中国联合网络通信集团有限公司 | 通话违规业务处理方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101287045A (zh) * | 2008-05-20 | 2008-10-15 | 深圳市友邻通讯设备有限公司 | 分布式呼叫中心集中管理方案及其集中管理系统 |
CN105187674A (zh) * | 2015-08-14 | 2015-12-23 | 上海银天下科技有限公司 | 服务录音的合规检查方法及装置 |
CN105975514A (zh) * | 2016-04-28 | 2016-09-28 | 朱宇光 | 一种自动质检方法及系统 |
CN107154257A (zh) * | 2017-04-18 | 2017-09-12 | 苏州工业职业技术学院 | 基于客户语音情感的客服服务质量评价方法及系统 |
CN107204195A (zh) * | 2017-05-19 | 2017-09-26 | 四川新网银行股份有限公司 | 一种基于情绪分析的智能质检方法 |
CN108737667A (zh) * | 2018-05-03 | 2018-11-02 | 平安科技(深圳)有限公司 | 语音质检方法、装置、计算机设备及存储介质 |
CN108962282A (zh) * | 2018-06-19 | 2018-12-07 | 京北方信息技术股份有限公司 | 语音检测分析方法、装置、计算机设备及存储介质 |
-
2019
- 2019-01-31 CN CN201910100456.8A patent/CN109902937A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101287045A (zh) * | 2008-05-20 | 2008-10-15 | 深圳市友邻通讯设备有限公司 | 分布式呼叫中心集中管理方案及其集中管理系统 |
CN105187674A (zh) * | 2015-08-14 | 2015-12-23 | 上海银天下科技有限公司 | 服务录音的合规检查方法及装置 |
CN105975514A (zh) * | 2016-04-28 | 2016-09-28 | 朱宇光 | 一种自动质检方法及系统 |
CN107154257A (zh) * | 2017-04-18 | 2017-09-12 | 苏州工业职业技术学院 | 基于客户语音情感的客服服务质量评价方法及系统 |
CN107204195A (zh) * | 2017-05-19 | 2017-09-26 | 四川新网银行股份有限公司 | 一种基于情绪分析的智能质检方法 |
CN108737667A (zh) * | 2018-05-03 | 2018-11-02 | 平安科技(深圳)有限公司 | 语音质检方法、装置、计算机设备及存储介质 |
CN108962282A (zh) * | 2018-06-19 | 2018-12-07 | 京北方信息技术股份有限公司 | 语音检测分析方法、装置、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383150A (zh) * | 2020-03-04 | 2020-07-07 | 青岛海信网络科技股份有限公司 | 一种用于交通警务违规行为的识别监管方法和装置 |
CN115396549A (zh) * | 2021-05-25 | 2022-11-25 | 中国联合网络通信集团有限公司 | 通话违规业务处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baron et al. | Technology standards and standard setting organizations: Introduction to the searle center database | |
US20210105147A1 (en) | Data analysis system and method for predicting meeting invitees | |
CN109102145B (zh) | 流程编排 | |
US20130317886A1 (en) | Customer Experience Management System Using Dynamic Three Dimensional Customer Mapping and Engagement Modeling | |
CN106682096A (zh) | 一种日志数据的管理方法和装置 | |
CN107784067A (zh) | 监察信息处理方法、装置、服务器和存储介质 | |
CN106021479A (zh) | 一种项目关键指标的自动关联方法及系统 | |
CN109508825A (zh) | 员工行为风险预警方法及相关装置 | |
CN106681808A (zh) | 一种任务调度方法和装置 | |
US20060235709A1 (en) | Dynamic distributed customer issue analysis | |
CN109902937A (zh) | 任务数据的质检方法、装置、计算机设备及存储介质 | |
CN110084503A (zh) | 作业考核装置及其作业考核方法、可读存储介质 | |
CN110096418A (zh) | 业务日志分析方法、装置、计算机设备和存储介质 | |
US8839449B1 (en) | Assessing risk of information leakage | |
CN110533379B (zh) | 一种基于互联网的保险双录剧本生成系统 | |
Sillaber et al. | Experience: Data and information quality challenges in governance, risk, and compliance management | |
Felicetti et al. | Total quality management and corporate social responsibility: a systematic review of the literature and implications of the COVID-19 pandemics | |
Blevi et al. | Process mining on the loan application process of a Dutch Financial Institute | |
CN114116801A (zh) | 数据清单核查方法及装置 | |
CN115660607B (zh) | 一种审批链自动生成方法、装置以及计算机存储介质 | |
KR101892671B1 (ko) | 손익계산서에 작성되는 비용의 계정과목을 자동으로 분류하는 계정과목 분류시스템 | |
CN109034834A (zh) | 商事主体经营范围登记方法、装置、终端设备及存储介质 | |
US20210256435A1 (en) | System and Method for Sales Multi-threading Recommendations | |
Lundberg et al. | A pragmatic approach to uncover blind spots in accident investigation in ultra-safe organizations-a Case Study from Air Traffic Management | |
Yuyang et al. | Establishing information valuing characteristics for engineering design information |
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 |