CN110942229A - 一种服务质量评价方法、装置、电子设备及存储介质 - Google Patents
一种服务质量评价方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110942229A CN110942229A CN201911027416.1A CN201911027416A CN110942229A CN 110942229 A CN110942229 A CN 110942229A CN 201911027416 A CN201911027416 A CN 201911027416A CN 110942229 A CN110942229 A CN 110942229A
- Authority
- CN
- China
- Prior art keywords
- index
- employee
- emotion
- voice
- time period
- 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 97
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 7
- 230000008451 emotion Effects 0.000 claims abstract description 179
- 238000007689 inspection Methods 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003908 quality control method Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000002996 emotional effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 208000027534 Emotional disease Diseases 0.000 description 1
- 235000012601 Euterpe oleracea Nutrition 0.000 description 1
- 244000207620 Euterpe oleracea Species 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 235000003650 acai Nutrition 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
- G10L15/144—Training of HMMs
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Child & Adolescent Psychology (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请提供一种服务质量评价方法、装置、电子设备及存储介质。方法包括获取员工在预设时间段内的与客户通话的至少一段语音数据;利用预设质检规则对每段语音数据进行质检分析获得每段语音数据对应的质检结果;质检结果包括单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标中至少一项;统计员工在预设时间段内的通话数量和工作时长,并根据通话数量、工作时长和每段语音数据对应的质检结果进行分析获得员工的能力指标;能力指标包括通话数量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标中的至少一项。本申请从多个维度且有针对性地展示了员工的业务能力。
Description
技术领域
本申请涉及信息处理技术领域,具体而言,涉及一种服务质量评价方法、装置、电子设备及存储介质。
背景技术
2018年,人工客服行业从业人员的数量级高达500万。这样一个庞大的业务场景仍然在持续壮大,人工客服依旧是大部分公司用于营销、客服等与客户直接沟通的方式,每天这些坐席都会通过电话与客户进行一对一交流,来完成自己的工作目标。
对于人工客服的业务能力评价,现有技术中是定期对客服的服务能力进行抽查,以及根据客户对客服人员的投诉和满意度评价来综合为客服人员打分,获得综合得分,但是这种考核方式对客服人员的服务质量来说没有针对性。
发明内容
本申请实施例的目的在于提供一种服务质量评价方法、装置、电子设备及存储介质,用以解决现有技术中对客服人员的服务质量考核的没有针对性的问题。
单段语音的方面,本申请实施例提供了一种服务质量评价方法,包括:获取员工在预设时间段内的与客户通话的至少一段语音数据;利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得每段语音数据对应的质检结果;其中,所述质检结果包括单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标中的至少一项;统计所述员工在所述预设时间段内的通话数量和工作时长,并根据所述通话数量、工作时长、所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标;其中,所述能力指标包括通话数量指标、工作时长指标、所述预设时间段内的通话质量指标、所述预设时间段内的客户情绪指标和所述预设时间段内的员工情绪指标中的至少一项。
本申请实施例通过对采集到的语音数据进行分析,获得员工的通话数量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标,从多个维度且有针对性地展示了员工的业务能力,可以使员工获知哪些地方需要提升。
进一步地,所述利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得对应的质检结果,包括:对所述语音数据进行文本转换及语音片段划分,获得对应的文本信息、客户语音和员工语音;将所述文本信息与预设违规词库和标准词库进行匹配,获得所述单段语音的通话质量指标;其中,所述预设违规词库中包括所述员工不能提到的关键词,所述标准词库中包括所述员工在与客户通话过程中需要提到的关键词;利用情绪分析模型分别对所述客户语音和所述员工语音进行分析,获得单段语音的客户情绪指标和单段语音的员工情绪指标。
本申请实施例通过将语音数据进行文本转换,并利用情绪分析模型分析客户情绪和员工情绪,从而能够客观的获得用户的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标。
进一步地,所述情绪分析模型通过以下方式获得:从语料库中获取多个样本数据;其中,所述语料库中包括多种情绪类型的音频样本,所述情绪类型包括快乐、悲伤、愤怒、惊讶和中性;分别对每个样本数据中的音频样本进行特征提取,获得多个音频特征;利用所述音频特征和对应的情绪类型对预先构建的隐马尔可夫模型进行训练;在训练完成后获得所述情绪分析模型。
本申请实施例通过对情绪分析模型进行训练,提高了情绪分析的准确性。
进一步地,所述对所述语音数据进行文本转换,获得对应的文本信息,包括:对所述语音数据进行特征提取,获得多个语音特征信息;利用预设的声纹识别模型对所述语音特征信息进行声纹识别,在所述声纹识别模型中获取所述语音特征信息对应的最佳路径,根据所述最佳路径获得所述文本信息。
本申请实施例通过预设声纹识别模型对语音数据进行识别,从而获得准确的文本信息。
进一步地,所述根据所述通话数量、工作时长、和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标,包括:根据标准通话数量确定所述通话数量对应的通话数量指标;根据标准工作时长确定所述工作时长对应的工作时长指标;分别计算预设时间段内的多段语音数据对应的通话质量指标的平均值,客户情绪指标的平均值和员工情绪指标的平均值,获得所述预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标。
本申请实施例通过对计算获得员工的通话数量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标,从而更加细致地对员工的工作情况进行评价,使得员工能够知道哪方面有待提高。
进一步地,所述方法还包括:计算所述通话质量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标的加权平均值,获得所述综合指标。
本申请实施例通过多个维度的指标综合计算员工的综合指标,可以使得员工获知综合能力情况。
进一步地,所述方法还包括:获取所有员工的综合指标,并计算所述员工综合指标排名情况。
本申请实施例通过计算员工的综合指标排名情况,使员工能够获知自身所处在什么位置,与第一名的同事差距有多大。
进一步地,所述方法还包括:根据所述能力指标生成能力图;将所述员工对应的综合指标和所述能力图、排名情况发送给所述员工对应的终端。
本申请实施例通过根据能力指标生成对应的能力图,从而更加直观的描述了员工在各个维度的能力表现,使得员工能够实时掌握自身的工作情况。
第二方面,本申请实施例提供一种服务质量评价装置,包括:
数据获取模块,用于获取员工在预设时间段内的与客户通话的至少一段语音数据;
质检模块,用于利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得每段语音数据对应的质检结果;其中,所述质检结果包括单段语音的通话质量、单段语音的客户情绪和单段语音的员工情绪中的至少一项;
评价模块,用于统计所述员工在所述预设时间段内的通话数量和工作时长,并根据所述单段语音的通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标;其中,所述能力指标包括通话数量指标、工作时长指标、所述预设时间段内的通话质量指标、所述预设时间段内的客户情绪指标和所述预设时间段内的员工情绪指标中的至少一项。
第三方面,本申请实施例提供一种电子设备,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面的方法。
第四方面,本申请实施例提供一种非暂态计算机可读存储介质,包括:
所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的服务质量评价方法流程示意图;
图2为本申请实施例提供的情绪模型构建方法流程示意图;
图3为本申请实施例提供的文本转换方法流程示意图;
图4为本申请实施例提供的子帧、状态与音素的关系示意图;
图5为本申请实施例提供的能力图;
图6为本申请实施例提供的指标信息显示示意图;
图7为本申请实施例提供的评价装置结构示意图;
图8为本申请实施例提供的电子设备实体结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
客户服务人员在公司中扮演着重要的角色,当客户有疑问或遇到困难时,大多数情况可以通过拨打客服电话解决。客服人员的业务能力直接影响了客户对公司的认识,因此,有必要对客服人员的业务能力进行评估。一般的,只是按照一定的周期对客服人员进行考查,或者根据客户的满意度调查、客户投诉来进行综合评估,给客服人员一个综合得分。但是当客服人员获知自己的综合得分后,只能够知道自己做的好与不好,并不能知道自己哪里做的好,哪里做的不好。因此,这种评估方式只是为了评估而评估,并不能使员工通过对其评估而获知自身的短板及优势。
基于此,本申请实施例提供了一种服务质量评价方法,如图1所示,该方法包括:
步骤101:获取员工在预设时间段内的与客户通话的至少一段语音数据。
在具体的实施过程中,员工是指从事客户服务的人员,员工与客户之间的通话被录音,从而评价装置能够获取到员工与客户通话的语音数据。应当说明的是,预设时间段可以是最近的一周、一个月、一个季度,还可以根据实际情况进行预先设置,本申请实施例对此不作具体限定。评价装置可以实时获得员工的语音数据,也可以是员工与客户之间通话的语音数据先存储在数据库中,每个员工都有对应的唯一标识,在对语音数据进行存储时,将语音数据与唯一标识对应存储,当需要对员工的服务质量进行评价时,从数据库中获取该员工对应的语音数据。当然,也可以是由专门的录音设备对员工与客户的通话进行录音并存储,当评价装置需要对员工的服务质量进行评估时,可以从录音设备中获取语音数据。评价装置可以是台式电脑、笔记本,平板电脑、智能穿戴设备等智能设备。
步骤102:利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得每段语音数据对应的质检结果;其中,所述质检结果包括单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标中的至少一项。
在具体的实施过程中,由于不同的公司对员工的要求不同,因此,可以根据每个公司的具体情况来预先设定质检规则。例如:质检规则中可以包括不允许出现的关键词,以及必须要说的关键词、员工在跟客户沟通时的情绪要求、客户的情绪反应等。如果员工在与客户通话过程中说了不能说的关键词,则会影响单段语音的通话质量指标,在沟通过程中,员工的情绪会影响单段语音的员工情绪指标,客户的情绪,会影响单段语音的客户情绪指标。
其中,单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标都可以通过得分来表示,通话质量越好,情绪越积极,得分越高,相反则得分越低。可以理解的是,单段语音的通话质量指标并不只是用来表示通话信号的好坏,而是用来对员工在与客户通话过程中有没有用禁用语、有没有为客户解决问题、在通话过程中回答客户的问题所需时长、员工情绪和客户情绪等。
步骤103:统计所述员工在所述预设时间段内的通话数量和工作时长,并根据所述通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标;其中,所述能力指标包括通话数量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标中的至少一项。
在具体的实施过程中,由于员工在预设时间段内的接单数量以及有效的工作时长也是反映该员工业务能力的一个因素,例如:在同样的时间段内,业务熟练的员工要比业务不熟练的员工接单数量少。有些员工会请假,导致工作时长较短,工作时长也可以评价员工的服务质量。因此,在对员工的每条语音数据都进行质检分析之后,统计该员工在预设时间段内的通话数量和工作时长。
通过通话数量、工作时长、单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标进行分析,可以获得到该员工的能力指标,其中,可以根据员工在预设时间段内的通话数量计算获得通话数量指标;根据员工在预设时间段内的工作时间计算获得工作时长指标;根据员工在预设时间段内的语音数据的单段语音的通话质量指标计算获得预设时间段内的通话质量指标;根据员工在预设时间段内产生的语音数据对应的单段语音的客户情绪指标计算获得预设时间段内的客户情绪指标;根据员工在预设时间段内产生的语音数据对应的单段语音的员工情绪指标计算获得预设时间段内的员工情绪指标。
本申请实施例通过对采集到的语音数据进行分析,获得员工的通话数量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标,从多个维度且有针对性地展示了员工的业务能力,可以使员工获知哪些地方需要提升。
在上述实施例的基础上,所述利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得对应的质检结果,包括:
对所述语音数据进行文本转换及语音片段划分,获得对应的文本信息、客户语音和员工语音;
将所述文本信息与预设违规词库和标准词库进行匹配,获得所述单段语音的通话质量指标;其中,所述预设违规词库中包括所述员工不能提到的关键词,所述标准词库中包括所述员工在与客户通话过程中需要提到的关键词;
利用情绪分析模型分别对所述客户语音和所述员工语音进行分析,获得单段语音的客户情绪指标和单段语音的员工情绪指标。
在具体的实施过程中,评估装置根据获取到的语音数据进行文本转换,获得对应的文本信息,并且,可以对语音数据进行语音片段划分,从语音数据中截取出客户语音和员工语音。
预设违规词库中包含了员工不能对客户说的关键词,例如:不知道、不清楚,以及一些不文明用语。标准词库中包含了员工在与客户沟通时需要向客户说的关键词,例如:“您好,请问有什么可以帮您的吗”、“再见、祝您生活愉快”等。预设违规词库和标准词库中的关键词可以根据实际情况进行设定,还可以进行更新。
在将文本信息与预设违规词库和标准词库进行匹配时,可以将文本信息进行分词处理,获得多个文本词,然后逐个将文本词语预设违规词库和标准词库中的关键词进行匹配。
可以理解的是,分词处理就是将一个汉字序列分成一个个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。分词方法可以分为:基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。其中:
一、基于字符串匹配的分词方法又称机械分词方法,它是按照一定的策略将待分析的汉字串与一个“充分大的”机器词典中的词条进行配,若在词典中找到某个字符串,则匹配成功(识别出一个词)。
按照扫描方向的不同,字符串匹配分词方法可以分为正向匹配和逆向匹配;按照不同长度优先匹配的情况,可以分为最大(最长)匹配和最小(最短)匹配;按照是否与词性标注过程相结合,可以分为单纯分词方法和分词与词性标注相结合的一体化方法。常用的字符串匹配方法有如下几种:
(1)正向最大匹配法(从左到右的方向);
(2)逆向最大匹配法(从右到左的方向);
(3)最小切分(每一句中切出的词数最小);
(4)双向最大匹配(进行从左到右、从右到左两次扫描)。
二、基于理解的分词方法是通过让计算机模拟人对句子的理解,达到识别词的效果。其基本思想就是在分词的同时进行句法、语义分析,利用句法信息和语义信息来处理歧义现象。它通常包括三个部分:分词子系统、句法语义子系统、总控部分。在总控部分的协调下,分词子系统可以获得有关词、句子等的句法和语义信息来对分词歧义进行判断,即它模拟了人对句子的理解过程。
三、基于统计的分词方法是在给定大量已经分词的文本的前提下,利用统计机器学习模型学习词语切分的规律(称为训练),从而实现对未知文本的切分。例如最大概率分词方法和最大熵分词方法等。随着大规模语料库的建立,统计机器学习方法的研究和发展,基于统计的中文分词方法渐渐成为了主流方法。
主要的统计模型有:N元文法模型(N-gram),隐马尔可夫模型(Hidden MarkovModel,HMM),最大熵模型(ME),条件随机场模型(Conditional Random Fields,CRF)等。
对于客户情绪和员工情绪的分析,可以采用预先构建的情绪分析模型,即将客户语音输入到情绪分析模型中,获得该客户对应的单段语音的客户情绪指标;将员工语音输入到情绪分析模型中,获得该员工对应的单段语音的员工情绪指标。
在上述实施例的基础上,图2为本申请实施例提供的情绪模型构建方法流程示意图,如图2所示,所述情绪分析模型通过以下方式获得:
步骤201:从语料库中获取多个样本数据;其中,所述语料库中包括多种情绪类型的音频样本,所述情绪类型包括快乐、悲伤、愤怒、惊讶和中性。
在具体的实施过程中,语料库的质量高低,直接影响了由其训练的情绪分析模型的性能。因此,设计语料库时,情绪的自然度是关键。
所述情绪的自然度就是表现出来的情绪的日常交流中自然产生的情绪之间的相似度。因此,可以将从自然生活中采集的、经过人工筛选的语料作为语料库中的样本。也可以邀请一些专业的播音员或者善于表达情绪的人进行情绪模仿录制语料。另外,对于每种类型的情绪,都收集一些相关的语料。
在构建完成语料库之后,语料库中包括多种情绪类型的音频数据,从语料库中获取多个样本数据,可以理解的是,为了使情绪分析模型能够识别多种情绪类型,获取到的多个样本数据中包括情绪类型为快乐、悲伤、愤怒、惊讶和中性的音频样本。另外,还可以对语料的情绪类型进行更细致的划分。
步骤202:分别对每个样本数据中的音频样本进行特征提取,获得多个音频特征。
在具体的实施过程中,在对情绪进行分析过程中,提取出合适且有效的音频特征也是比较关键的。因此,从音频样本中可以提取韵律特征、基于频谱的相关特征和I-vetor特征。韵律是指语音中凌驾于语义符号之上的音高、音长、快慢和轻重等方面的变化,是对语音流表达方式的一种结构性安排。韵律特征可以包括时长、基频和能量等。基因频谱的相关特征被认为是声道形状变化和发声运动之间相关性的体现。语音中的情绪内容对频谱能量在各个频谱区间的分布有着明显的影响。例如:表达高兴情绪的语音在高频段表现出高能量,而表达悲伤的语音在听杨的频段却表现出差别明显的低能量。在情绪分析中使用的线性谱特征主要有线性预测系数(linear predictor coefficient,LPC)、对数频率功率系数(log-frequency power coefficient,LFPC)等。
步骤203:利用所述音频特征和对应的情绪类型对预先构建的隐马尔可夫模型进行训练,在训练完成后获得所述情绪分析模型。
在具体的实施过程中,构建隐马尔可夫模型,将音频特征输入到隐马尔克夫模型中,隐马尔可夫模型对音频特征进行处理,输出预测值,利用损失函数计算预测值和情绪类型的差异,并利用差异调整隐马尔可夫模型内部参数。利用多个音频特征循环训练,直到损失函数的损失值小于预设值,或者训练次数达到预设次数为止,获得情绪分析模型。
应当说明的是,在员工与客户的沟通过程中,可能会出现情绪的变化,例如:客户最初的情绪比较糟糕,待员工为其解决问题之后,客户的情绪可能会由生气转变为中性或高兴。情绪分析模型在进行情绪分析时,可以将语音数据分成多段,分别对每段语音数据进行情绪分析,从而可以判断客户的情绪在整个通话过程中是否发生了转变。同样的,员工的情绪也可以进行分析。
本申请实施例通过将语音数据进行文本转换,并利用情绪分析模型分析客户情绪和员工情绪,从而能够客观的获得用户的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标。
在上述实施例的基础上,本申请实施例提供一种文本转换方法流程示意图,如图3所示,包括:
步骤301:对所述语音数据进行特征提取,获得多个语音特征信息。
在具体的实施过程中,将语音数据进行分帧处理,即通过预设的移动窗函数将声音切成一段一段的,每小段称为一帧。其中,移动窗函数可以将语音数据切成每段为25毫秒的子帧。分帧后,对每一子帧进行声学特征提取,获得语义特征信息。该语音特征信息中包含了子帧的内容信息。
步骤302:利用预设的声纹识别模型对所述语音特征信息进行声纹识别,在所述声纹识别模型中获取所述语音特征信息对应的最佳路径,根据所述最佳路径获得所述文本信息。
在具体的实施过程中,音素:单词的发音由音素构成。对英语来说,一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集,汉语一般直接用全部声母和韵母作为音素集,另外汉语识别还分有调无调。状态:这里理解成比音素更细致的语音单位就行啦。通常把一个音素划分成3个状态。图4为本申请实施例提供的子帧、状态与音素的关系示意图,如图4所示,图中,每个小竖条代表一帧,若干帧语音对应一个状态,每三个状态组合成一个音素,若干个音素组合成一个单词。因此,可以利用声学模型,判断每个子帧对应的状态。
将每个子帧对应的状态输入到预设的声纹识别模型中,进行声纹识别。其中,声纹识别模型通过隐马尔可夫模型构成,在声纹识别模型中包括一个状态网络,从该状态网络中寻找与声音最匹配的路径。搭建状态网络,是由单词级网络展开成音素网络,再展开成状态网络。语音识别过程其实就是在状态网络中搜索一条最佳路径,语音对应这条路径的概率最大,通过这条最佳路径便能够获得到该语音数据对应的文本信息。应当说明的是,路径搜索的算法是一种动态规划剪枝的算法,称之为Viterbi算法,用于寻找全局最优路径。
本申请实施例通过预设声纹识别模型对语音数据进行识别,从而获得准确的文本信息。
在上述实施例的基础上,所述根据所述通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标,包括:
根据标准通话数量确定所述通话数量对应的通话数量指标;
例如,可以预先设定标准通话数量,例如:一天每个人标准通话数量为10通,如果员工在一天内打了5通电话,则说明其服务客户过少,相应的通话数量指标较低。如果员工在一天内打了12通电话,则高于标准通话数量,相应的通话数量指标较高。另外,还可以设定多个通话数量区间,以及每个区间对应相应的通话数量指标。
根据标准工作时长确定所述工作时长对应的工作时长指标。
与通话数量指标的确定方式类似,预先设定标准工作时间,例如:一周的标准工作时长为40个小时,如果某个员工的工作时长为30个小时,则工作时长指标较低,如果某个员工的工作时长为50个小时,则说明该员工有加班,其工作时长指标较高。同样的,也可以设定多个工作时长区间,每个工作时长区间对应相应的工作时长指标。
分别计算预设时间段内的多段语音数据对应的通话质量指标的平均值,客户情绪指标的平均值和员工情绪指标的平均值,获得所述预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标。
在具体的实施过程中,获取该员工在预设时间段内与客户沟通的多段语音数据中每段语音数据对应的通话质量指标,然后将其相加再求平均,该平均值就是预设时间段内的通话质量指标。同样的,将多个单段语音的客户情绪指标的平均值作为预设时间段内的客户情绪指标,将多个单段语音的员工情绪指标的平均值作为预设时间段内的客户情绪指标。
本申请实施例通过对计算获得员工的通话数量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标,从而更加细致地对员工的工作情况进行评价,使得员工能够知道哪方面有待提高。
在上述实施例的基础上,在计算获得员工的通话质量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标,可以计算获得该员工的综合指标,其计算公式如下:
其中,W为综合指标,A为预设时间段内的通话质量指标;λ1为预设时间段内的通话质量指标对应的权重;B为工作时长指标;λ2为工作时长指标对应的权重;C为预设时间段内的通话质量指标;λ3为预设时间段内的通话质量指标对应的权重;D为预设时间段内的客户情绪指标;λ4为预设时间段内的客户情绪指标对应的权重;E为预设时间段内的员工情绪指标;λ5为预设时间段内的员工情绪指标对应的权重。应当说明的是,各个指标对应的权重为预先设定的。
本申请实施例通过多个维度的指标综合计算员工的综合指标,可以使得员工获知综合能力情况。
在上述实施例的基础上,在获得员工的预设时间段内的通话质量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标之后,可以根据上述指标生成对应的能力图,如图5所示,图5中包括合规性、业务量、用户满意度、亲和度、情绪稳定性和工作时长。其中,合规性是指该员工的预设时间段内的通话质量指标,业务量是指该员工的预设时间段内的通话数量指标,用户满意度是指在预设时间段内,对该员工的用户满意度调查情况。亲和度是指该员工的预设时间段内的员工情绪指标;情绪稳定性是指预设时间段内的客户情绪指标。工作时长是该员工的工作时长指标。
在计算获得综合指标之后,可以对所有的员工的综合指标进行排名,获得每个员工的排名情况。
因此,为了能够让员工获知自身的工作情况,可以将综合指标、能力图以及排名情况进行存储的同时,还可以发送给员工对应的终端上,如图6所示。管理者可以通过登录系统查看对应员工的指标信息,员工可以通过终端查看自己的能力图、综合得分及排名,帮助员工查漏补缺,早日实现职业晋升。
在一实施过程中,客户可以有多种等级,例如:VIP客户与普通客户,或者可以将客户分为一级客户、二级客户、三次客户等等。VIP客户相对来说对公司较为重要,因此,当有客户来电时,可以获取该客户的等级,若是VIP客户来电,则可以从空闲的员工中优先分配综合得分高的员工为其进行服务。
再有,评价装置可以实时对员工的服务质量进行评价,例如:每当员工服务了一个客户,就获取本次服务器的语音数据,然后对该语音数据进行质检分析,获得单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标。如果本次服务中,单段语音的员工情绪指标较低,则说明该员工情绪不好,此时可以向该员工对应的终端上发送提示语句,提醒其注意情绪,或鼓励该员工。如果在质检分析中,获知该员工在与客户沟通过程中,说了禁用语,则可以向该员工对应的终端发出警告信息。
在另一实施过程中,在对语音数据进行质检分析后,判断得知该质检结果中的至少一个指标低于预设值,则可以通过人工介入对该语音数据进行复查,并将复查结果发送给评价装置。
图7为本申请实施例提供的评价装置结构示意图,该评价装置可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该评价装置包括:数据获取模块701、质检模块702和评价模块703,其中:
数据获取模块701用于获取员工在预设时间段内的与客户通话的至少一段语音数据;质检模块702用于利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得每段语音数据对应的质检结果;其中,所述质检结果包括单段语音的通话质量、单段语音的客户情绪和单段语音的员工情绪;评价模块703用于统计所述员工在所述预设时间段内的通话数量和工作时长,并根据所述单段语音的通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标;其中,所述能力指标包括通话数量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标中的至少一项。
在上述实施例的基础上,质检模块702具体用于:
对所述语音数据进行文本转换及语音片段划分,获得对应的文本信息、客户语音和员工语音;
将所述文本信息与预设违规词库和标准词库进行匹配,获得所述单段语音的通话质量指标;其中,所述预设违规词库中包括所述员工不能提到的关键词,所述标准词库中包括所述员工在与客户通话过程中需要提到的关键词;
利用情绪分析模型分别对所述客户语音和所述员工语音进行分析,获得单段语音的客户情绪指标和单段语音的员工情绪指标。
在上述实施例的基础上,所述情绪分析模型通过以下方式获得:
从语料库中获取多个样本数据;其中,所述语料库中包括多种情绪类型的音频样本,所述情绪类型包括快乐、悲伤、愤怒、惊讶和中性;
分别对每个样本数据中的音频样本进行特征提取,获得多个音频特征;
利用所述音频特征和对应的情绪类型对预先构建的隐马尔可夫模型进行训练;
在训练完成后获得所述情绪分析模型。
在上述实施例的基础上,质检模块702具体用于:
对所述语音数据进行特征提取,获得多个语音特征信息;
利用预设的声纹识别模型对所述语音特征信息进行声纹识别,在所述声纹识别模型中获取所述语音特征信息对应的最佳路径,根据所述最佳路径获得所述文本信息。
在上述实施例的基础上,评价模块703具体用于:
根据标准通话数量确定所述通话数量对应的通话数量指标;
根据标准工作时长确定所述工作时长对应的工作时长指标;
分别计算预设时间段内的多段语音数据对应的通话质量指标的平均值,客户情绪指标的平均值和员工情绪指标的平均值,获得所述预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标。
在上述实施例的基础上,该评价装置还包括综合指标获得模块,用于:
计算所述通话质量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标的加权平均值,获得所述综合指标。
在上述实施例的基础上,该评价装置还包括排名计算模块,用于:
获取所有员工的综合指标,并计算所述员工综合指标排名情况。
在上述实施例的基础上,该评价装置还包括发送模块,用于:
根据所述能力指标生成能力图;
将所述员工对应的综合指标和所述能力图、排名情况发送给所述员工对应的终端。
综上所述,本申请实施例通过对采集到的语音数据进行分析,获得员工的通话数量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标,从多个维度展示了员工的业务能力,可以使员工获知哪些地方需要提升。
图8为本申请实施例提供的电子设备实体结构示意图,如图8所示,所述电子设备,包括:处理器(processor)801、存储器(memory)802和总线803;其中,
所述处理器801和存储器802通过所述总线803完成相互间的通信;
所述处理器801用于调用所述存储器802中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取员工在预设时间段内的与客户通话的至少一段语音数据;利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得每段语音数据对应的质检结果;其中,所述质检结果包括单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标中的至少一项;统计所述员工在所述预设时间段内的通话数量和工作时长,并根据所述通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标;其中,所述能力指标包括通话数量指标、工作时长指标、所述预设时间段内的通话质量指标、所述预设时间段内的客户情绪指标和所述预设时间段内的员工情绪指标中的至少一项。
处理器801可以是一种集成电路芯片,具有信号处理能力。上述处理器801可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器802可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取员工在预设时间段内的与客户通话的至少一段语音数据;利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得每段语音数据对应的质检结果;其中,所述质检结果包括单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标中的至少一项;统计所述员工在所述预设时间段内的通话数量和工作时长,并根据所述通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标;其中,所述能力指标包括通话数量指标、工作时长指标、所述预设时间段内的通话质量指标、所述预设时间段内的客户情绪指标和所述预设时间段内的员工情绪指标中的至少一项。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
获取员工在预设时间段内的与客户通话的至少一段语音数据;利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得每段语音数据对应的质检结果;其中,所述质检结果包括单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标中的至少一项;统计所述员工在所述预设时间段内的通话数量和工作时长,并根据所述通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标;其中,所述能力指标包括通话数量指标、工作时长指标、所述预设时间段内的通话质量指标、所述预设时间段内的客户情绪指标和所述预设时间段内的员工情绪指标中的至少一项。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种服务质量评价方法,其特征在于,包括:
获取员工在预设时间段内的与客户通话的至少一段语音数据;
利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得每段语音数据对应的质检结果;其中,所述质检结果包括单段语音的通话质量指标、单段语音的客户情绪指标和单段语音的员工情绪指标中的至少一项;
统计所述员工在所述预设时间段内的通话数量和工作时长,并根据所述通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标;其中,所述能力指标包括通话数量指标、工作时长指标、所述预设时间段内的通话质量指标、所述预设时间段内的客户情绪指标和所述预设时间段内的员工情绪指标中的至少一项。
2.根据权利要求1所述的方法,其特征在于,所述利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得对应的质检结果,包括:
对所述语音数据进行文本转换及语音片段划分,获得对应的文本信息、客户语音和员工语音;
将所述文本信息与预设违规词库和标准词库进行匹配,获得所述单段语音的通话质量指标;其中,所述预设违规词库中包括所述员工不能提到的关键词,所述标准词库中包括所述员工在与客户通话过程中需要提到的关键词;
利用情绪分析模型分别对所述客户语音和所述员工语音进行分析,获得单段语音的客户情绪指标和单段语音的员工情绪指标。
3.根据权利要求2所述的方法,其特征在于,所述情绪分析模型通过以下方式获得:
从语料库中获取多个样本数据;其中,所述语料库中包括多种情绪类型的音频样本,所述情绪类型包括快乐、悲伤、愤怒、惊讶和中性;
分别对每个样本数据中的音频样本进行特征提取,获得多个音频特征;
利用所述音频特征和对应的情绪类型对预先构建的隐马尔可夫模型进行训练,在训练完成后获得所述情绪分析模型。
4.根据权利要求2所述的方法,其特征在于,所述对所述语音数据进行文本转换,获得对应的文本信息,包括:
对所述语音数据进行特征提取,获得多个语音特征信息;
利用预设的声纹识别模型对所述语音特征信息进行声纹识别,在所述声纹识别模型中获取所述语音特征信息对应的最佳路径,根据所述最佳路径获得所述文本信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标,包括:
根据标准通话数量确定所述通话数量对应的通话数量指标;
根据标准工作时长确定所述工作时长对应的工作时长指标;
分别计算预设时间段内的多段语音数据对应的通话质量指标的平均值,客户情绪指标的平均值和员工情绪指标的平均值,获得所述预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标。
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:
计算所述通话质量指标、工作时长指标、预设时间段内的通话质量指标、预设时间段内的客户情绪指标和预设时间段内的员工情绪指标的加权平均值,获得综合指标。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取所有员工的综合指标,并计算所述员工综合指标排名情况。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据所述能力指标生成能力图;
将所述员工对应的综合指标和所述能力图、排名情况发送给所述员工对应的终端。
9.一种服务质量评价装置,其特征在于,包括:
数据获取模块,用于获取员工在预设时间段内的与客户通话的至少一段语音数据;
质检模块,用于利用预设质检规则对所述至少一段语音数据中每段语音数据进行质检分析,获得每段语音数据对应的质检结果;其中,所述质检结果包括单段语音的通话质量、单段语音的客户情绪和单段语音的员工情绪中的至少一项;
评价模块,用于统计所述员工在所述预设时间段内的通话数量和工作时长,并根据所述通话数量、工作时长和所述每段语音数据对应的质检结果进行分析,获得所述员工对应的能力指标;其中,所述能力指标包括通话数量指标、工作时长指标、所述预设时间段内的通话质量指标、所述预设时间段内的客户情绪指标和所述预设时间段内的员工情绪指标中的至少一项。
10.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-8任一项所述的方法。
11.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令被计算机运行时,使所述计算机执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911027416.1A CN110942229A (zh) | 2019-10-24 | 2019-10-24 | 一种服务质量评价方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911027416.1A CN110942229A (zh) | 2019-10-24 | 2019-10-24 | 一种服务质量评价方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110942229A true CN110942229A (zh) | 2020-03-31 |
Family
ID=69906450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911027416.1A Pending CN110942229A (zh) | 2019-10-24 | 2019-10-24 | 一种服务质量评价方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942229A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597818A (zh) * | 2020-04-09 | 2020-08-28 | 深圳追一科技有限公司 | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 |
CN111816161A (zh) * | 2020-07-28 | 2020-10-23 | 深圳大学 | 一种基于nlp的客服对话质量检测方法以及系统 |
CN112116165A (zh) * | 2020-09-28 | 2020-12-22 | 中国银行股份有限公司 | 一种业务绩效确定方法和装置 |
CN112309398A (zh) * | 2020-09-30 | 2021-02-02 | 音数汇元(上海)智能科技有限公司 | 工作时长监控方法、装置、电子设备和存储介质 |
CN112668617A (zh) * | 2020-12-21 | 2021-04-16 | 广东电网有限责任公司电力科学研究院 | 一种电网员工工作满意度评估方法及装置 |
CN112948691A (zh) * | 2021-03-29 | 2021-06-11 | 建信金融科技有限责任公司 | 实体场所的体验指标计算方法和装置 |
CN112966932A (zh) * | 2021-03-04 | 2021-06-15 | 上海明略人工智能(集团)有限公司 | 导游服务质量评价方法及系统 |
CN113240347A (zh) * | 2021-06-17 | 2021-08-10 | 恩亿科(北京)数据科技有限公司 | 服务行为数据的分析方法、系统、存储介质及电子设备 |
CN113240436A (zh) * | 2021-04-22 | 2021-08-10 | 北京沃东天骏信息技术有限公司 | 在线客服话术质检的方法和装置 |
CN113554334A (zh) * | 2021-08-02 | 2021-10-26 | 上海明略人工智能(集团)有限公司 | 用于评价用户录音行为的方法及系统、装置、服务器、存储介质 |
CN113850490A (zh) * | 2021-09-17 | 2021-12-28 | 深圳追一科技有限公司 | 客服消息定时质检方法、装置、电子设备及存储介质 |
CN114372700A (zh) * | 2022-01-07 | 2022-04-19 | 京东科技信息技术有限公司 | 数据抽样检测方法及装置 |
CN114462896A (zh) * | 2022-04-12 | 2022-05-10 | 北京明略软件系统有限公司 | 一种工作数据的评估方法、装置、电子设备及存储介质 |
CN115063016A (zh) * | 2022-07-04 | 2022-09-16 | 武汉云之端广告传媒有限公司 | 一种基于智慧办公的数据分析方法、系统及存储介质 |
CN115499545A (zh) * | 2022-09-13 | 2022-12-20 | 上海浦东发展银行股份有限公司 | 一种电话客服绩效评分方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110282662A1 (en) * | 2010-05-11 | 2011-11-17 | Seiko Epson Corporation | Customer Service Data Recording Device, Customer Service Data Recording Method, and Recording Medium |
CN109448730A (zh) * | 2018-11-27 | 2019-03-08 | 广州广电运通金融电子股份有限公司 | 一种自动语音质检方法、系统、装置及存储介质 |
CN109639914A (zh) * | 2019-01-08 | 2019-04-16 | 深圳市沃特沃德股份有限公司 | 智能考评方法、系统及计算机可读存储介质 |
CN110085262A (zh) * | 2018-01-26 | 2019-08-02 | 上海智臻智能网络科技股份有限公司 | 语音情绪交互方法、计算机设备和计算机可读存储介质 |
-
2019
- 2019-10-24 CN CN201911027416.1A patent/CN110942229A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110282662A1 (en) * | 2010-05-11 | 2011-11-17 | Seiko Epson Corporation | Customer Service Data Recording Device, Customer Service Data Recording Method, and Recording Medium |
CN110085262A (zh) * | 2018-01-26 | 2019-08-02 | 上海智臻智能网络科技股份有限公司 | 语音情绪交互方法、计算机设备和计算机可读存储介质 |
CN109448730A (zh) * | 2018-11-27 | 2019-03-08 | 广州广电运通金融电子股份有限公司 | 一种自动语音质检方法、系统、装置及存储介质 |
CN109639914A (zh) * | 2019-01-08 | 2019-04-16 | 深圳市沃特沃德股份有限公司 | 智能考评方法、系统及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
徐洁磐: "《人工智能导论》", 中国铁道出版社 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597818B (zh) * | 2020-04-09 | 2023-10-24 | 深圳追一科技有限公司 | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 |
CN111597818A (zh) * | 2020-04-09 | 2020-08-28 | 深圳追一科技有限公司 | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 |
CN111816161A (zh) * | 2020-07-28 | 2020-10-23 | 深圳大学 | 一种基于nlp的客服对话质量检测方法以及系统 |
CN112116165A (zh) * | 2020-09-28 | 2020-12-22 | 中国银行股份有限公司 | 一种业务绩效确定方法和装置 |
CN112116165B (zh) * | 2020-09-28 | 2023-09-26 | 中国银行股份有限公司 | 一种业务绩效确定方法和装置 |
CN112309398A (zh) * | 2020-09-30 | 2021-02-02 | 音数汇元(上海)智能科技有限公司 | 工作时长监控方法、装置、电子设备和存储介质 |
CN112668617A (zh) * | 2020-12-21 | 2021-04-16 | 广东电网有限责任公司电力科学研究院 | 一种电网员工工作满意度评估方法及装置 |
CN112966932A (zh) * | 2021-03-04 | 2021-06-15 | 上海明略人工智能(集团)有限公司 | 导游服务质量评价方法及系统 |
CN112948691B (zh) * | 2021-03-29 | 2022-12-13 | 建信金融科技有限责任公司 | 实体场所的体验指标计算方法和装置 |
CN112948691A (zh) * | 2021-03-29 | 2021-06-11 | 建信金融科技有限责任公司 | 实体场所的体验指标计算方法和装置 |
CN113240436A (zh) * | 2021-04-22 | 2021-08-10 | 北京沃东天骏信息技术有限公司 | 在线客服话术质检的方法和装置 |
CN113240347A (zh) * | 2021-06-17 | 2021-08-10 | 恩亿科(北京)数据科技有限公司 | 服务行为数据的分析方法、系统、存储介质及电子设备 |
CN113554334A (zh) * | 2021-08-02 | 2021-10-26 | 上海明略人工智能(集团)有限公司 | 用于评价用户录音行为的方法及系统、装置、服务器、存储介质 |
CN113850490A (zh) * | 2021-09-17 | 2021-12-28 | 深圳追一科技有限公司 | 客服消息定时质检方法、装置、电子设备及存储介质 |
CN114372700A (zh) * | 2022-01-07 | 2022-04-19 | 京东科技信息技术有限公司 | 数据抽样检测方法及装置 |
CN114462896A (zh) * | 2022-04-12 | 2022-05-10 | 北京明略软件系统有限公司 | 一种工作数据的评估方法、装置、电子设备及存储介质 |
CN115063016A (zh) * | 2022-07-04 | 2022-09-16 | 武汉云之端广告传媒有限公司 | 一种基于智慧办公的数据分析方法、系统及存储介质 |
CN115499545A (zh) * | 2022-09-13 | 2022-12-20 | 上海浦东发展银行股份有限公司 | 一种电话客服绩效评分方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942229A (zh) | 一种服务质量评价方法、装置、电子设备及存储介质 | |
US11455475B2 (en) | Human-to-human conversation analysis | |
CN108737667B (zh) | 语音质检方法、装置、计算机设备及存储介质 | |
US8676586B2 (en) | Method and apparatus for interaction or discourse analytics | |
Brown et al. | Sound correspondences in the world's languages | |
Wassink et al. | Uneven success: automatic speech recognition and ethnicity-related dialects | |
Jacob | Modelling speech emotion recognition using logistic regression and decision trees | |
US20110144990A1 (en) | Rating speech naturalness of speech utterances based on a plurality of human testers | |
Levitan et al. | Combining Acoustic-Prosodic, Lexical, and Phonotactic Features for Automatic Deception Detection. | |
Tóth et al. | Speech emotion perception by human and machine | |
US11735208B2 (en) | Systems and methods for classification and rating of calls based on voice and text analysis | |
CN110852075B (zh) | 自动添加标点符号的语音转写方法、装置及可读存储介质 | |
KR20210071713A (ko) | 스피치 스킬 피드백 시스템 | |
CN110675292A (zh) | 一种基于人工智能的儿童语言能力评测方法 | |
Brown | Y-ACCDIST: An automatic accent recognition system for forensic applications | |
Lindh | Forensic comparison of voices, speech and speakers–Tools and Methods in Forensic Phonetics | |
Jauk et al. | Expressive speech synthesis using sentiment embeddings | |
Drugman et al. | Prediction of creaky voice from contextual factors | |
CN114241835A (zh) | 一种学生口语质量评测方法和设备 | |
CN112767940A (zh) | 一种语音培训识别方法、系统、设备及存储介质 | |
Mielke | Segment inventories | |
KR102278190B1 (ko) | 공방 운영 플랫폼 서비스 방법 및 시스템 | |
Tanner | Structured phonetic variation across dialects and speakers of English and Japanese | |
CN113345419B (zh) | 基于方言口音的语音转译方法、系统和可读存储介质 | |
Lindh | Forensic Comparison of Voices, Speech and Speakers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |
|
RJ01 | Rejection of invention patent application after publication |