CN111246029A - 一种动态调整呼叫频率的外呼算法 - Google Patents

Abstract

本发明公开了一种动态调整呼叫频率的外呼算法，包括以下步骤：提取多个不同时间段的历史通话数据样本，并对数据是否接通进行数据标注；对标注的数据进行二次处理，计算接通数据单位时间内外呼接通率和呼损率，并作为期望输入值；构建一个三层神经网络，将历史通话数据样本和期望输入值输入神经网络，计算每分钟实际呼叫值；将实际呼叫值和期望输入值进行比较，反向调整优化接通率和呼损率，将调整优化后的接通率和呼损率作为新的期望输入值输入神经网络单元，计算得到每分钟最优呼叫值；预测外呼机获取每分钟最优呼叫值，根据当前在线坐席量和当前空闲坐席量，发起测式批量外呼，根据不同的项目模型，动态调整外呼频次。

Description

一种动态调整呼叫频率的外呼算法

技术领域

本发明属于呼叫中心技术领域，具体涉及一种动态调整呼叫频率的外呼算法。

背景技术

目前，针对大量外呼业务的项目，比较普遍的两种方法，一是使用硬件设备外呼：一个座席人员对应一个拨号器，拨号器检测到座席挂机，立即发起外呼，客户接通后转接到该座席；客户没有应答，则挂机外呼下一个电话，直到拨通客户应答，将电话转接到该座席。在该方法中拨号器锁定一个座席，如座席空闲则拨号帮座席呼叫客户，在这个过程中如果呼叫客户一直为接通，则座席一直处于等待状态，效率低下。

此外，现有技术中还提出通过预测算法来对预测外呼数量，并基于外呼数量进行拨号分配，但外呼成功率、通话时长均与用户主动行为有关联，无法准确预知，导致预测结果与实际情况有差距，从而无法贴近实际情况来进行外呼拨号及调度。并且市面上已存在对呼叫中心的预测外呼量进行计算的方法，但这些方法有的预测出的呼叫量不准确，有的不能根据实时呼叫情况动态调整，还有一些算法非常复杂。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种动态调整呼叫频率的外呼算法。

为实现上述技术目的，本发明采取的技术方案为：

一种动态调整呼叫频率的外呼算法，其中：包括以下步骤：

步骤S1：提取多个不同时间段的历史通话数据样本，并对样本数据是否接通进行数据标注；

步骤S2：对标注的数据进行二次处理，计算接通数据单位时间内外呼接通率和呼损率，并作为期望输入值；

步骤S3：构建一个由一层输入层和两层隐藏层组成的三层神经网络，将历史通话数据样本和期望输入值输入神经网络，计算每分钟实际呼叫值；

步骤S4：将实际呼叫值和期望输入值进行比较，反向调整优化接通率和呼损率，将调整优化后的接通率和呼损率作为新的期望输入值输入神经网络单元，计算得到每分钟最优呼叫值；

步骤S5：预测外呼机获取每分钟最优呼叫值，根据当前在线坐席量和当前空闲坐席量，发起测式批量外呼，根据不同的项目模型，动态调整外呼频次。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤S1具体为：提取八个小时的历史通话数据样本，包括坐席数、拨号时间、振铃时间、排队时间、通话时间、拨号到未接通时间，对接通和未接通数据进行标注。

上述的步骤S2中的接通率为坐席呼出接通量与坐席呼出总量之比，所述呼损率为接入排队后挂断电话量与接入排对电话总量之比。

上述的步骤S3具体为：

S31：设置神经网络第一层输入样本X以及期望输入值d，X＝(X₁,X₂,...,X_n-1,X_n)为n维向量，X_n表示第n分钟时话单信息值，所述话单信息值包括项目名称，分钟数，坐席数，拨号时间，振铃时间，排队时间，通话时间，拨号到未接通时间；

S32：设置相应神经元权值，并进行加权求和：

W＝(W₁,W₂,W₃,...,W_n-1,W_n)；

S33：再将得到的和作为参数输入激活函数，得到的激活函数的输出值Y即为每分钟实际呼叫值，

其中，f[Y]是可微分的sigmoid函数，

初始值：W_n+1(0)＝-θ，X_n+1(0)＝1。

上述的步骤S4具体为：

S41：根据实际呼叫值和期望输入值进行比较，计算得出误差值，如t时刻误差E＝d-Y(t)；

S42：根据误差值，用误差值E去修改权值系数，W_i(t+1)＝W_i(t)+η.E.X_i，0<η≤1

其中，η表示学习率；

S43：返回步骤S3，继续进行加权求和，重新计算，反复循环直到误差消失，最终得到最优的呼叫值。

本发明的有益效果：

本发明一种动态调整呼叫频率的外呼算法，针对目前主流预测式外呼算法的不足，动态调整预测外呼拨呼算法。算法通过神经网络不断的训练学习，提高了外呼算法模块的灵活性，避免了固定参数算法带来的瓶颈问题。神经元权值系数采用误差梯度去控制，加快了算法收敛进程，让神经网络算法效率得到了很大改善。从而提高了预测外呼的效率和外呼质量，从而大大降低了呼损率。

附图说明

图1是本发明的流程算法装置图；

图2是本发明的神经网络图；

图3是本发明的误差反相传播图；

图4是本发明的激励函数图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

如图1所示，本发明为一种动态调整呼叫频率的外呼算法，其中：包括以下步骤：

步骤S1：提取多个不同时间段的历史通话数据样本，并对样本数据是否接通进行数据标注；其中，提取八个小时的历史通话数据样本，包括坐席数、拨号时间、振铃时间、排队时间、通话时间、拨号到未接通时间，对接通和未接通数据进行标注。

步骤S2：对标注的数据进行二次处理，计算接通数据单位时间内外呼接通率和呼损率，并作为期望输入值；

其中，接通率为坐席呼出接通量与坐席呼出总量之比，所述呼损率为接入排队后挂断电话量与接入排对电话总量之比；

步骤S3：构建一个由一层输入层和两层隐藏层组成的三层神经网络，将历史通话数据样本和期望输入值输入神经网络，计算每分钟实际呼叫值；

S31：设置神经网络第一层输入样本X以及期望输入值d，X＝(X₁,X₂,...,X_n-1,X_n)为n维向量，X_n表示第n分钟时话单信息值，所述话单信息值包括项目名称，分钟数(8小时)，坐席数，拨号时间，振铃时间，排队时间，通话时间，拨号到未接通时间；

S32：设置相应神经元权值，并进行加权求和：

W＝(W₁,W₂,W₃,...,W_n-1,W_n)；

S33：再将得到的和作为参数输入激活函数，得到的激活函数的输出值Y即为每分钟实际呼叫值，

其中，f[Y]是可微分的sigmoid函数，

初始值：W_n+1(0)＝-θ，X_n+1(0)＝1。

步骤S4：将实际呼叫值和期望输入值进行比较，反向调整优化接通率和呼损率，将调整优化后的接通率和呼损率作为新的期望输入值输入神经网络单元，计算得到每分钟最优呼叫值；

S41：根据实际呼叫值和期望输入值进行比较，计算得出误差值，E＝d-Y(n)；

S42：根据误差值，用误差值E去修改权值系数，W_i(n+1)＝W_i(n)+η.e.X_i，0<η≤1

其中，η表示表示学习率；

S43：返回步骤S3，继续进行加权求和，重新计算，反复循环直到误差消失，最终得到最优的呼叫值。

步骤S5：预测外呼机获取每分钟最优呼叫值，根据当前在线坐席量和当前空闲坐席量，发起测式批量外呼，根据不同的项目模型，动态调整外呼频次。

例：如图2所示，设定两个神经元{X1，X2}，和偏执值b1，这也就是我们神经网络的第一层输入层；

第二层是隐含层，包含两个神经元{h1,h2}和偏执值b2；

第三层是输出层{o1,o2}，Xi->hi之间的加权值是wi，也就是层与层之间连接的权重，激活函数默认为sigmoid函数。

在神经元中，w和b可以理解为两个变量。模型每次的“学习”都是调整w和b以得到一个更合适的值b取(0，1)范围。

其中，输入数据X1＝0.05，X2＝0.10；

输出数据o1＝0.01,o2＝0.99；

初始权重w1＝0.15,w2＝0.20,w3＝0.25,w4＝0.30

w5＝0.40,w6＝0.45,w7＝0.50,w8＝0.55；

目标：给出输入数据X1,X2(0.05和0.10)，使输出尽可能与原始输出o1,o2(0.01和0.99)接近。

首先，利用输入值，前向传播计算输入层到隐含层输出oh，计算神经元h1的输入加权和oh1，神经元h1的输出o1，同理，可计算出神经元h1的输出o2；

其次，继续计算从隐藏层到输出层输出o，这样前向传播的过程就结束了，我们得到输出值为[0.75136079,0.772928465]。

现在我们对误差进行反向传播，更新权值，重新计算输出。

先计算总误差E我们这里得到的是[0.298371109]；

然后，对隐藏层到输出层的权值进行更新，以权重参数w5为例，如果我们想知道w5对整体误差产生了多少影响，可以用整体误差对w5求偏导求出：误差的反向传播可以参照图3；

这样我们就计算出整体误差E对w5的偏导值，最后我们来更新w5的值，同理，再继续计算w6、w7、w8；

现在，继续计算隐含层权值更新，计算得出w1、w2、w3、w4；这样通过如上一系列的计算，误差反向传播法就完成了。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (5)

1.一种动态调整呼叫频率的外呼算法，其特征在于：包括以下步骤：

步骤S1：提取多个不同时间段的历史通话数据样本，并对样本数据是否接通进行数据标注；

步骤S2：对标注的数据进行二次处理，计算接通数据单位时间内外呼接通率和呼损率，并作为期望输入值；

步骤S3：构建一个由一层输入层和两层隐藏层组成的三层神经网络，将历史通话数据样本和期望输入值输入神经网络，计算每分钟实际呼叫值；

步骤S4：将实际呼叫值和期望输入值进行比较，反向调整优化接通率和呼损率，将调整优化后的接通率和呼损率作为新的期望输入值输入神经网络单元，计算得到每分钟最优呼叫值；

步骤S5：预测外呼机获取每分钟最优呼叫值，根据当前在线坐席量和当前空闲坐席量，发起测式批量外呼，根据不同的项目模型，动态调整外呼频次。

2.根据权利要求1所述的一种动态调整呼叫频率的外呼算法，其特征在于：所述步骤S1具体为：提取八个小时的历史通话数据样本，包括坐席数、拨号时间、振铃时间、排队时间、通话时间、拨号到未接通时间，对接通和未接通数据进行标注。

3.根据权利要求1所述的一种动态调整呼叫频率的外呼算法，其特征在于：所述步骤S2中的接通率为坐席呼出接通量与坐席呼出总量之比，所述呼损率为接入排队后挂断电话量与接入排对电话总量之比。

4.根据权利要求1所述的一种动态调整呼叫频率的外呼算法，其特征在于：所述步骤S3具体为：

S31：设置神经网络第一层输入样本X以及期望输入值d，X＝(X₁,X₂,...,X_n-1,X_n)为n维向量，X_n表示第n分钟时话单信息值，所述话单信息值包含：项目名称，分钟数，坐席数，拨号时间，振铃时间，排队时间，通话时间，拨号到未接通时间；

S32：设置相应神经元权值，并进行加权求和：

W＝(W₁,W₂,W₃,...,W_n-1,W_n)；

S33：再将得到的和作为参数输入激活函数，得到的激活函数的输出值Y即为每分钟实际呼叫值，

其中，f[Y]是可微分的sigmoid函数，

初始值：W_n+1(0)＝-θ，X_n+1(0)＝1。

5.根据权利要求1所述的一种动态调整呼叫频率的外呼算法，其特征在于：所述步骤S4具体为：

S41：根据实际呼叫值和期望输入值进行比较，计算得出误差值，E＝d-Y(t)；

S42：根据误差值，用误差值e去修改权值系数，W_i(t+1)＝W_i(t)+η.E.X_i，0<η≤1

其中，η表示学习率；

S43：返回步骤S3，继续进行加权求和，重新计算，反复循环直到误差消失，最终得到最优的呼叫值。

Images