CN111435482A - 一种外呼模型的构建方法、外呼方法、装置和存储介质 - Google Patents

Abstract

本发明实施例公开了一种外呼模型的构建方法、外呼方法、装置和存储介质，本申请中的外呼模型的构建装置获取历史外呼客户的客户标识、历史外呼时间以及该历史外呼时间对应的历史外呼次数与历史接通次数；然后根据该历史外呼时间所处的时段将该历史外呼时间归类为预置的时段类型；根据该历史外呼次数与该历史接通次数确定该时段类型分别对应的时段接通率；根据该客户标识、该时段类型以及该时段接通率构建样本集；最后根据预置的模型以及该样本集构建智能外呼模型。该方案将历史外呼时间变为其所处时段的时段类型后才进行模型的构建，可以提高智能外呼模型预测的准确率，进而提高智能外呼的接通率。

Description

一种外呼模型的构建方法、外呼方法、装置和存储介质

技术领域

本发明涉及外呼领域，具体涉及一种外呼模型的构建方法、外呼方法、装置和存储介质。

背景技术

随着电子商务以及物流行业的发展，快件量迅速增长。物流公司需要应对随之而来的诸多快件异常情况。

为了减少人力成本，应用外呼系统成为了很多公司的选择。然而，现有的外呼系统只根据客户每个时间点的历史接通率对客户进行外呼，例如系统曾经在早上9点给客户外拨过电话失败了，在对外呼系统中的外呼模块进行训练时只会标记早上9点外拨失败，下次在早上10点进行外拨时不会考虑之前9点外拨失败的记录，依然会给该客户进行外拨，但是一般客户都有接电话的时段习惯，例如不想再早上接通这些电话，但晚上会接通这些电话，所以现有技术中外呼接的通率不高，物流公司希望能更加够准确地预测客户是否会接通外呼电话，进而减少拨打不会被接通的外呼，提升外呼接通率。

发明内容

本发明实施例提供一种外呼模型的构建方法、外呼方法、装置和存储介质，用于提高外呼的接通率。

一方面，本申请提供一种外呼模型的构建方法，所述方法包括：

获取历史外呼客户的客户标识、历史外呼时间以及所述历史外呼时间对应的历史外呼次数与历史接通次数；

根据所述历史外呼时间所处的时段将所述历史外呼时间归类为预置的时段类型；

根据所述历史外呼次数与所述历史接通次数确定所述时段类型分别对应的时段接通率；

根据所述客户标识、所述时段类型以及所述时段接通率构建样本集；

根据预置的模型以及所述样本集构建外呼模型。

可选的，在一些实施例中，在所述根据所述客户标识、所述时段类型以及所述时段接通率构建样本集之前，所述方法还包括：

获取所述历史外呼客户的个人特征信息和/或历史快递信息；

所述根据所述客户标识、所述时段类型以及所述时段接通率构建样本集包括：

根据所述客户标识、所述时段类型、所述时段接通率、所述个人特征信息以及所述历史快递信息构建样本集。

可选的，在一些实施例中，所述样本集包括训练样本集和验证样本集，所述根据预置的模型以及所述样本集构建外呼模型，包括：

根据所述训练样本集训练所述预置的模型，得到训练后的模型；

根据所述验证样本集对所述训练后的模型进行调参处理，得到所述外呼模型。

可选的，在一些实施例中，所述样本集还包括测试样本集，在所述根据所述验证样本集对所述训练后的模型进行调参处理，得到所述外呼模型之后，所述方法还包括：

根据所述测试样本集对所述外呼模型进行模型检验。

可选的，在一些实施例中，在所述根据预置的模型以及所述样本集构建外呼模型之后，所述方法还包括：

根据预置的时间间隔更新所述样本集，得到更新后的样本集；

根据所述更新后的样本集更新所述外呼模型。

可选的，在一些实施例中，所述外呼模型包括随机森林模型。

另一方面，本申请提供一种外呼方法，所述方法包括：

获取待外呼的客户标识；

将所述待外呼的客户标识输入外呼模型中，所述外呼模型根据历史外呼客户的客户标识、时段类型以及时段接通率构建而成，所述时段类型根据所述历史外呼客户的历史外呼时间所处的时段确定得到，所述时段接通率根据所述历史外呼客户的历史外呼次数以及历史接通次数确定得到；

判断所述外呼模型对应的数据库中是否包括所述待外呼的客户标识；

若包含，则根据所述外呼模型的输出结果以及预置的阈值确定是否要对所述待外呼的客户标识进行外呼。

可选的，在一些实施例中，所述根据所述外呼模型的输出结果以及预置的阈值确定是否要对所述待外呼的客户标识进行外呼，包括：

若所述输出结果大于所述阈值，则对所述待外呼的客户标识进行外呼；

若所述输出结果不大于所述阈值，则不对所述待外呼的客户进行外呼。

可选的，在一些实施例中，所述方法还包括：

接收阈值调整指令；

根据所述阈值调整指令调整所述阈值。

可选的，在一些实施例中，所述外呼模型包括随机森林模型。

相应的，本申请实施例还提供一种外呼模型的构建装置，包括：

第一获取单元，用于获取历史外呼客户的客户标识、历史外呼时间以及所述历史外呼时间对应的历史外呼次数与历史接通次数；

归类单元，用于根据所述历史外呼时间所处的时段将所述历史外呼时间归类为预置的时段类型；

第一确定单元，用于根据所述历史外呼次数与所述历史接通次数确定所述时段类型分别对应的时段接通率；

第一构建单元，用于根据所述客户标识、所述时段类型以及所述时段接通率构建样本集；

第二构建单元，用于根据预置的模型以及所述样本集构建外呼模型。

可选的，在一些实施例中，所述装置还包括：

第二获取单元，用于获取所述历史外呼客户的个人特征信息和/或历史快递信息；

其中，所述第一构建单元具体用于：

根据所述客户标识、所述时段类型、所述时段接通率、所述个人特征信息以及所述历史快递信息构建样本集。

可选的，在一些实施例中，所述样本集包括训练样本集和验证样本集，所述第二构建单元具体用于：

根据所述训练样本集训练所述预置的模型，得到训练后的模型；

根据所述验证样本集对所述训练后的模型进行调参处理，得到所述外呼模型。

可选的，在一些实施例中，所述样本集还包括测试样本集，所述装置还包括：

检验单元，用于根据所述测试样本集对所述外呼模型进行模型检验。

可选的，在一些实施例中，所述装置还包括：

第一更新单元，用于根据预置的时间间隔更新所述样本集，得到更新后的样本集；

第二更新单元，用于根据所述更新后的样本集更新所述外呼模型。

相应的，本申请实施例还提供一种外呼装置，包括：

获取单元，用于获取待外呼的客户标识；

输入单元，用于将所述待外呼的客户标识输入外呼模型中；

判断单元，用于判断所述外呼模型对应的数据库中是否包括所述待外呼的客户标识，所述外呼模型根据历史外呼客户的客户标识、时段类型以及时段接通率构建而成，所述时段类型根据所述历史外呼客户的历史外呼时间所处的时段确定得到，所述时段接通率根据所述历史外呼客户的历史外呼次数以及历史接通次数确定得到；

确定单元，用于当所述数据库包含所述待外呼的客户标识时，根据所述外呼模型的输出结果以及预置的阈值确定是否要对所述待外呼的客户标识进行外呼。

可选的，在一些实施例中，所述确定单元具体用于：

若所述输出结果大于所述阈值，则对所述待外呼的客户标识进行外呼；

若所述输出结果不大于所述阈值，则不对所述待外呼的客户进行外呼。

可选的，在一些实施例中，所述装置还包括：

接收单元，用于接收阈值调整指令；

调整单元，用于根据所述阈值调整指令调整所述阈值。

可选的，在一些实施例中，所述外呼模型包括随机森林模型。

此外，本申请实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例提供的任一种外呼模型的构建方法中的步骤。

此外，本申请实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例提供的任一种外呼方法中的步骤。

本发明实施例中，外呼模型的构建装置获取历史外呼客户的客户标识、历史外呼时间以及该历史外呼时间对应的历史外呼次数与历史接通次数；然后根据该历史外呼时间所处的时段将该历史外呼时间归类为预置的时段类型；根据该历史外呼次数与该历史接通次数确定该时段类型分别对应的时段接通率；根据该客户标识、该时段类型以及该时段接通率构建样本集；最后根据预置的模型以及该样本集构建外呼模型。该方案将历史外呼时间变为其所处的时段的时段类型后才进行模型的构建，可以提高外呼模型预测的准确率，进而提高外呼的接通率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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的附图。

图1a是本申请实施例提供的外呼模型的构建方法的一种流程示意图；

图1b是本申请实施例提供的外呼方法的一种流程示意图；

图2是本申请实施例提供的外呼模型的构建方法以及外呼方法的一种流程示意图；

图3a是本申请实施例提供的外呼模型的构建装置的一种结构示意图；

图3b是本申请实施例提供的外呼模型的构建装置的另一种结构示意图；

图3c是本申请实施例提供的外呼模型的构建装置的另一种结构示意图；

图3d是本申请实施例提供的外呼模型的构建装置的另一种结构示意图；

图4a是本申请实施例提供的外呼装置的一种结构示意图；

图4b是本申请实施例提供的外呼装置的另一种结构示意图；

图5是本申请实施例提供的服务器的结构示意图。

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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。

本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境，其中包括了任何的上述系统或装置。

本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。

本申请实施例提供了一种外呼模型的构建方法、外呼方法、装置和存储介质。

本申请实施例中构建好的外呼模型可以用在外呼系统中，在外呼系统应用中，首先外呼系统接到工单时，系统将访问工单接口并检查该工单将要外呼的客户标识是否在数据库中，如果数据库中包含该客户标识，则根据外呼模型的预测结果进行外呼，如果数据库中不包含该客户标识，则不应用规则进行正常外呼。

该外呼模型的构建装置可以集成在服务器中，利用本申请中的外呼模型进行外呼，可以提高外呼的接通率，其中，外呼模型的构建方法如下：

获取历史外呼客户的客户标识、历史外呼时间以及所述历史外呼时间对应的历史外呼次数与历史接通次数；根据该历史外呼时间所处的时段将该历史外呼时间归类为预置的时段类型；根据该客户标识、该历史接通率、该时段类型以及该历史快递信息构建样本集；根据预置的模型以及该样本集构建外呼模型。

需要说明的是，本申请实施例中的外呼模型可以为随机森林模型，也可以为其他模型，模型的具体类型本申请不做限定。

请参阅图1a，图1a为本申请实施例提供的外呼模型的构建方法的一个流程示意图。该方法的具体流程可以如下：

101、获取历史外呼客户的客户标识、历史外呼时间以及历史外呼时间对应的历史外呼次数与历史接通次数。

本实施例中，首先需要从数据库中采集历史外呼数据，包括每个历史外呼过的客户标识，以及该客户标识对应的外呼时间，该外呼时间对应的外呼次数与接通次数，其中，客户标识可以为外呼客户的座机号码或手机号码等信息。

其中，本实施例中将通话时长大于5秒的历史通话归为外呼接通类，其他通话归为外呼失败类。

其中，本实施例中的历史外呼时间指外拨系统外拨给客户的时间，例如系统在中午12点05分向客户外拨了电话，则此时记录的历史外呼时间为12：05。

需要说明的是，在一些实施例中，还需要获取历史外呼客户的个人特征信息和/或历史快递信息，

其中，本实施例中的历史外呼客户的个人特征信息可以包括该历史外呼客户的性别、年龄等；历史快递信息包括该客户标识对应的收寄件行为(例如历史一个月发件量、历史一个月收件量和/或历史运费等信息)和/或客户标识的寄件偏好(客户倾向收件或寄件的信息)。

其中，当获取了历史外呼客户的个人特征信息，在后续构建外呼模型时，可以增加模型训练的样本元素，进一步提高外呼模型预测的准确率。

同理，当获取了历史外呼客户的历史快递信息，在后续构建外呼模型时，可以增加模型训练的样本元素，进一步提高外呼模型预测的准确率。

在一些实施例中，在获取到数据(客户标识、历史外呼时间以及历史外呼时间对应的历史外呼次数与历史接通次数等)之后，需要首先对数据进行数据清洗，对空值、含无实际意义的数据进行剔除，保证数据的整洁性。在假设检验的过程中，对于连续变量进行T检验，剔除置信区间在95％以外的不相关变量；对离散型变量进行卡方检验，剔除置信区间在95％以外的不相关变量。在相关性检验的过程中，对所有连续变量两两进行相关性检验，检查相关性过高的因变量。我们可以对相关系数在预设阈值以上，并通过了显著性检验的变量进行剔除，其中，相关系数的预设阈值可以为0.8，也可以为其他数值，具体此处不做限定。

102、根据该历史外呼时间所处的时段将该历史外呼时间归类为预置的时段类型。

本实施例中，当获取了历史外呼客户对应的历史外呼时间之后，将会对该历史外呼时间进行分类，具体可分为三个类别，这三个类别可以分别为“早”、“中”、“晚”这三类(即“早上”、“中午”和“晚上”)。

在一些实施例中，“早”、“中”、“晚”三个类别的时间可以由技术人员预先设置，例如，类别“早”对应的时间段为9:00-11：29，类别“中”对应的时间段为11:30-17:59，类别“晚”对应的时间段为18:00-21:00，其中，“早”、“中”、“晚”三个类别还可以对应其他时间段，具体此处不做限定。

例如，获取到的一个历史外呼时间为12:05，则此时经过检测可知，12:05属于11:30-17:59这个时段，而11:30-17:59这个时段对应的类别为“中”，则此时将12:05归为类别中。

需要说明的是，本实施例中将历史外呼时间分为“早”、“中”、“晚”三个类别，这样用时间段分类，而非用具体的时间投入模型中，可以一定程度上对客户群体进行划分，利用客观经验对决策树分支的作用，这种转化方式可以一定程度上的提高预测的准确率，进而提高外呼的接通率。例如，客户在10:00的时候拒接电话，那么在“早”这个类别所对应的时间段都很有可能拒接电话，则在下次拨打的时候尽量避免在“早”这个类别所对应的时间段向该客户外拨。

103、根据历史外呼次数与历史接通次数确定时段类型分别对应的时段接通率。

本实施例中，由于获取了每个历史外呼客户标识对应的历史外呼时间，以及与该历史外呼时间对应的历史外呼次数与历史接通次数，那么在对历史外呼时间进行归类成各个时段类型之后，则可以计算出该历史外呼客户在该时段类型中对应的历史外呼次数与历史接通次数(具体可以将该时段类型中的历史外呼时间的历史外呼次数与历史接通次数分别进行相加即可)，最后可以根据每个时段类型中对应的历史外呼次数与历史接通次数计算出每个历史外呼客户标识分别对应的每个时段类型分别的历史接通率。

例如，历史外呼客户A在“早”对应的历史接通率为10％，在“中”对应的历史接通率为20％，在“晚”对应的历史接通率为80％，那么系统通过外呼模型在“晚”这个时间段会预测客户A会接通外呼电话，此时系统向客户A拨打外呼电话，但在“早”这个时间段会预测客户A不会接通该外呼电话，此时，不向客户A拨打外拨电话。

104、根据客户标识、时段类型以及时段接通率构建样本集。

本实施例中，当获取的历史信息包括历史外呼客户的个人特征信息与历史快递信息时，应根据客户标识、时段类型、时段接通率、个人特征信息以及历史快递信息构建样本集，如果没有获取个人特征信息与历史快递信息时，则根据客户标识、时段类型以及时段接通率构建样本集。

需要说明的是，该样本集包括训练样本集、验证样本集以及测试样本集。

105、根据预置的模型以及该样本集构建外呼模型。

具体地，根据训练样本集训练预置的模型，得到训练后的模型；然后根据验证样本集对训练后的模型进行调参处理，得到外呼模型，其中，该预置的模型可以为随机森林模型，其中该随机森林中的决策树的节点个数次数不做限定。

其中，本实施例中的外呼模型包括随机森林模型，该随机森林模型采用针对特征的自助聚合算法构建，以此算法作为Bagging(装袋)算法的代表进行预测。

需要说明的是，采用随机森林模型相对于其它模型(例如逻辑回归模型、AdaBoost模型和支持向量机模型等)的性能更优，预测的准确率更高。

具体地，当通过训练集训练出多个模型后，使用各个模型对验证集数据进行预测，找出效果最佳的模型，并记录模型准确率。选出效果最佳的模型所对应的参数，即用来调整模型参数。

在调整模型参数时，从较小的学习速率开始迭代，选择500以上的迭代次数，以F1分数作为目标函数进行调参，此外，也可以用AUC等参数作为目标函数，目标函数的具体类型此处不做限定。

在一些实施例中，构建好的外呼模型中包括历史客户标识，以及该历史客户标识的外呼条件，例如，若外呼时间在“早”和“中”时不进行外呼，若在“晚”时则进行外呼。

其中，在构建该外呼模型还结合了该客户的个人特征信息和/或历史快递信息，例如，综合获取到的信息来看，性别“女”的接通概率比性别“男”的接通概率高，寄件比较多的客户比寄件比较少的客户的接通概率高，则可以在训练外呼模型时会结合这些信息，采用机器学习算法，建立一套科学、高效的外呼模型。

在一些实施例中，建立好外呼模型之后，还需要根据测试样本集对外呼模型进行模型检验。

在月内检验中，在确定模型参数后将测试样本集中的数据投入模型进行测试，检查各项结果指标如F1分数，查准率，查全率，AUC等与训练集相比是否有明显差别，若无明显差别，则可以在月内上线使用。

在跨月检验中，由于训练样本集、验证样本集以及测试样本集都取自同一月份，无法保证该外呼模型可以跨月使用，所以在跨月使用之前，需要进行使用跨月数据进行跨月检验，其中，跨月数据可以为上一个月的数据，检验过程与月内检验类似。

本发明实施例中，外呼模型的构建装置获取历史外呼客户的客户标识、历史外呼时间以及该历史外呼时间对应的历史外呼次数与历史接通次数；然后根据该历史外呼时间所处的时段将该历史外呼时间归类为预置的时段类型；根据该历史外呼次数与该历史接通次数确定该时段类型分别对应的时段接通率；根据该客户标识、该时段类型以及该时段接通率构建样本集；最后根据预置的模型以及该样本集构建外呼模型。该方案将历史外呼时间变为其所处时段的时段类型后才进行模型的构建，可以提高外呼模型预测的准确率，进而提高外呼的接通率。

请参阅图1b，图1b为本申请实施例提供的外呼方法的一个流程示意图。其中，该外呼方法应用于外呼装置上，该外呼装置中包含有外呼模型，该方法的具体流程可以如下：

S101、获取待外呼的客户标识。

本实施例中的外呼模型上线应用时，外呼模型所处的系统(即外呼装置)将接收需要处理的工单，其中，该工单中包含需要外拨的客户信息，该客户信息包括该客户的客户标识(待外呼的客户标识)。

S102、将待外呼的客户标识输入外呼模型中。

当外呼装置接收到待外呼的客户标识时，将会将该待外呼的客户标识输入到外呼模型中，其中，该外呼模型的构建方法与图1a对应的实施例类似，具体此处不做赘述。

S103、判断外呼模型对应的数据库中是否包括待外呼的客户标识。

外呼模型对应的数据库中包含之前参与过模型训练的客户的客户标识，当外呼模型接收到待外呼的客户标识之后，将会判断外呼模型对应的数据库中是否包括待外呼的客户标识，其中，外呼模型根据历史外呼客户的客户标识、时段类型以及时段接通率构建而成，时段类型根据历史外呼客户的历史外呼时间所处的时段确定得到，时段接通率根据历史外呼客户的历史外呼次数以及历史接通次数确定得到。

S104、若数据库中包含该待外呼的客户标识，则根据外呼模型的输出结果以及预置的阈值确定是否要对待外呼的客户标识进行外呼。

具体地，当外呼模型的输出结果大于阈值时，则对该待外呼的客户标识进行外呼，当外呼模型的输出结果不大于阈值时，则不对该带外呼的客户标识进行外呼。

例如，外呼模型的输出结果为0-1之间，0代表预测客户完全不会接电话，1代表预测客户非常有意愿接听电话，设置阈值，当输出结果大于阈值时进行外呼，低于阈值时不进行外呼。例如，阈值设置为0.4，则输出结果大于0.4则对待外呼的客户标识进行外呼，不大于0.4则不对对待外呼的客户标识进行外呼。

其中，如果数据库中不包含该待外呼的客户标识，则此时对该待外呼客户标识进行正常外呼。

在一些实施例中，在外呼模型上线应用时，还可以在线接收阈值调整指令；然后根据阈值调整指令调整阈值，以调整查准率与查全率。

其中，该阈值属于预测阈值，当项目负责人需要提高查全率时，此时可以降低阈值，当项目负责人需要提高查准率时，此时可以提高阈值。

如表1所示，在外呼系统中，如果提高查准率，则可以使得预测出的客户群体接通率得到提高；如果提高查全率，则可以尽可能多地囊括所有会接通外呼电话的客户，覆盖有意愿接听电话的群体。两种指标参数无法同时达到最优，因此需要根据业务实际场景从阈值表中选择适合项目的阈值，其中，该阈值表是在构建外呼模型时构建的，阈值与系统的查准率与查全率相关，可以输出查看，使得项目负责人根据实际情况调整阈值。

表1

其中，外呼模型在预测客户标识是否进行外呼时，需要按照外呼模型里的规则进行预测，在一些实施例中，除了结合外呼的时段进行外呼之外，还需要结合该外呼模型的个人特征信息以及历史快递信息进行外呼。

此外，该外呼模型还可以纳入新的客户信息，随着时间不断学习迭代，提高预测的覆盖范围，具体地，可以根据预置的时间间隔(例如一个月)更新样本集，即在样本集中纳入新的历史外呼客户，然后根据更新后的样本集更新该外呼模型的参数，利用数据更新对模型迭代，可以使模型随时间推移更加稳定可靠。

请参阅图2，图2为本申请实施例提供的外呼模型的构建方法以及外呼方法的一流程示意图。方法的具体流程可以如下：

201、获取历史外呼客户的客户标识、历史外呼时间、个人特征信息、历史快递信息以及历史外呼时间对应的历史外呼次数与历史接通次数。

本实施例中，首先外呼模型的构建装置需要从数据库中采集历史外呼数据，包括每个历史外呼过的客户标识，以及该客户标识对应的外呼时间、个人特征信息、历史快递信息、该外呼时间对应的外呼次数与接通次数，其中，客户标识可以为外呼客户的座机号码或手机号码等信息；历史外呼客户的个人特征信息可以包括该历史外呼客户的性别、年龄等；历史快递信息包括该客户标识对应的收寄件行为(例如历史一个月发件量、历史一个月收件量以及历史运费等信息)和客户标识的寄件偏好(客户倾向收件或寄件的信息)。

其中，本实施例中将通话时长大于5秒的历史通话归为外呼接通类，其他通话归为外呼失败类。

其中，本实施例中的历史外呼时间指外拨系统外拨给客户的时间，例如系统在中午12点05分向客户外拨了电话，则此时记录的历史外呼时间为12：05。

在一些实施例中，在获取到数据(客户标识、个人特征信息、历史快递信息、历史外呼时间以及历史外呼时间对应的历史外呼次数与历史接通次数等)之后，需要首先对数据进行数据清洗，对空值、含无实际意义的数据进行剔除，保证数据的整洁性。在假设检验的过程中，对于连续变量进行T检验，剔除置信区间在95％以外的不相关变量；对离散型变量进行卡方检验，剔除置信区间在95％以外的不相关变量。在相关性检验的过程中，对所有连续变量两两进行相关性检验，检查相关性过高的因变量。我们可以对相关系数在预设阈值以上，并通过了显著性检验的变量进行剔除，其中，相关系数的预设阈值可以为0.8，也可以为其他数值，具体此处不做限定。

202、根据历史外呼时间所处的时段将历史外呼时间归类为预置的时段类型。

本实施例中，当获取了历史外呼客户对应的历史外呼时间之后，将会对该历史外呼时间进行分类，具体可分为三个类别，这三个类别可以分别为“早”、“中”、“晚”这三类(即“早上”、“中午”和“晚上”)。

在一些实施例中，“早”、“中”、“晚”三个类别的时间可以由技术人员预先设置，例如，类别“早”对应的时间段为9:00-11：29，类别“中”对应的时间段为11:30-17:59，类别“晚”对应的时间段为18:00-21:00，其中，“早”、“中”、“晚”三个类别还可以对应其他时间段，具体此处不做限定。

例如，获取到的一个历史外呼时间为12:05，则此时经过检测可知，12:05属于11:30-17:59这个时段，而11:30-17:59这个时段对应的类别为“中”，则此时将12:05归为类别中。

需要说明的是，本实施例中将历史外呼时间分为“早”、“中”、“晚”三个类别，这样用时间段分类，而非用具体的时间投入模型中，可以一定程度上对客户群体进行划分，利用客观经验对决策树分支的作用，这种转化方式可以一定程度上的提高预测的准确率，进而提高外呼的接通率。例如，客户在10:00的时候拒接电话，那么在“早”这个类别所对应的时间段都很有可能拒接电话，则在下次拨打的时候尽量避免在“早”这个类别所对应的时间段向该客户外拨。

203、根据历史外呼次数与历史接通次数确定时段类型分别对应的时段接通率。

本实施例中，由于获取了每个历史外呼客户标识对应的历史外呼时间，以及与该历史外呼时间对应的历史外呼次数与历史接通次数，那么在对历史外呼时间进行归类成各个时段类型之后，则可以计算出该历史外呼客户在该时段类型中对应的历史外呼次数与历史接通次数(具体可以将该时段类型中的历史外呼时间的历史外呼次数与历史接通次数分别进行相加即可)，最后可以根据每个时段类型中对应的历史外呼次数与历史接通次数计算出每个历史外呼客户标识分别对应的每个时段类型分别的历史接通率。

例如，历史外呼客户A在“早”对应的历史接通率为10％，在“中”对应的历史接通率为20％，在“晚”对应的历史接通率为80％，那么系统通过外呼模型在“晚”这个时间段会预测客户A会接通外呼电话，此时系统向客户A拨打外呼电话，但在“早”这个时间段会预测客户A不会接通该外呼电话，此时，不向客户A拨打外拨电话。

204、根据客户标识、时段类型、时段接通率、个人特征信息以及历史快递信息构建样本集。

需要说明的是，该样本集包括训练样本集、验证样本集以及测试样本集。

205、根据训练样本集训练预置的模型，得到训练后的模型。

其中，该预置的模型可以为随机森林模型，其中该随机森林中的决策树的节点个数次数不做限定。

本实施例利用训练样本集中的各个特征(时段接通率、个人特征信息以及历史快递信息等特征)对该预置的模型进行训练，得到训练后的模型。

该训练后的模型采用针对特征的自助聚合算法构建，以此算法作为Bagging(装袋)算法的代表进行预测。

206、根据验证样本集对训练后的模型进行调参处理，得到外呼模型。

具体地，当通过训练集训练出多个模型后，使用各个模型对验证集数据进行预测，找出效果最佳的模型，并记录模型准确率。选出效果最佳的模型所对应的参数，即用来调整模型参数。

在调整模型参数时，从较小的学习速率开始迭代，选择500以上的迭代次数，以F1分数作为目标函数进行调参，此外，也可以用AUC等参数作为目标函数，目标函数的具体类型此处不做限定。

在一些实施例中，构建好的外呼模型中包括历史客户标识，以及该历史客户标识的外呼条件，例如，若外呼时间在“早”和“中”时不进行外呼，若在“晚”时则进行外呼。

其中，在构建该外呼模型还结合了该客户的个人特征信息和/或历史快递信息，例如，综合获取到的信息来看，性别“女”的接通概率比性别“男”的接通概率高，寄件比较多的客户比寄件比较少的客户的接通概率高，则可以在训练外呼模型时会结合这些信息，采用机器学习算法，建立一套科学、高效的外呼模型。

在一些实施例中，建立好外呼模型之后，还需要根据测试样本集对外呼模型进行模型检验。

在月内检验中，在确定模型参数后将测试样本集中的数据投入模型进行测试，检查各项结果指标如F1分数，查准率，查全率，AUC等与训练集相比是否有明显差别，若无明显差别，则可以在月内上线使用。

在跨月检验中，由于训练样本集、验证样本集以及测试样本集都取自同一月份，无法保证该外呼模型可以跨月使用，所以在跨月使用之前，需要进行使用跨月数据进行跨月检验，其中，跨月数据可以为上一个月的数据，检验过程与月内检验类似。

在一些实施例中，可以在线接收阈值调整指令；然后根据阈值调整指令调整外呼模型中与阈值调整指令对应的参数，以调整查准率与查全率。

如上面实施例中的表1所示，在外呼系统中，如果提高查准率，则可以使得预测出的客户群体接通率得到提高；如果提高查全率，则可以尽可能多地囊括所有会接通外呼电话的客户，覆盖有意愿接听电话的群体。两种指标参数无法同时达到最优，因此需要根据业务实际场景从阈值表中选择适合项目的阈值，其中，该阈值表是在构建外呼模型时构建的，阈值与系统的查准率与查全率相关，可以输出查看，使得项目负责人根据实际情况调整阈值。

207、获取待外呼的客户标识。

本实施例中的外呼模型上线应用时，外呼模型所处的系统(外呼设备)将接收需要处理的工单，其中，该工单中包含需要外拨的客户信息，该客户信息包括该客户的客户标识。

208、将待外呼的客户标识输入外呼模型中。

当外呼装置接收到待外呼的客户标识时，将会将该待外呼的客户标识输入到上述外呼模型中。

209、判断外呼模型对应的数据库中是否包括待外呼的客户标识。

其中，获取到了工单中的客户标识之后，将判断外呼模型对应的数据库中是否包括该客户标识，该客户标识为待外呼的客户标识，如果包括该客户标识，则说明该客户标识为参加了外呼模型训练的客户标识。

210、若数据库中包含待外呼的客户标识，则根据外呼模型的输出结果以及预置的阈值确定是否要对待外呼的客户标识进行外呼。

如果数据库中包含需要外呼的客户标识，则根据外呼模型的输出结果以及预置的阈值决定是否对该客户标识进行外呼，若该客户标识不存在该数据库中，则正常外呼。

具体地，当外呼模型的输出结果大于阈值时，则对该待外呼的客户标识进行外呼，当外呼模型的输出结果不大于阈值时，则不对该带外呼的客户标识进行外呼。

例如，外呼模型的输出结果为0-1之间，0代表预测客户完全不会接电话，1代表预测客户非常有意愿接听电话，设置阈值，当输出结果大于阈值时进行外呼，低于阈值时不进行外呼。例如，阈值设置为0.4，则输出结果大于0.4则对待外呼的客户标识进行外呼，不大于0.4则不对对待外呼的客户标识进行外呼。

此外，该外呼模型还可以纳入新的客户信息，随着时间不断学习迭代，提高预测的覆盖范围，具体地，可以根据预置的时间间隔(例如一个月)更新样本集，即在样本集中纳入新的历史外呼客户，然后根据更新后的样本集更新该外呼模型的参数，利用数据更新对模型迭代，可以使模型随时间推移更加稳定可靠。

此外，本发明除了可以减少不会被接通的外呼之后，还可以节约外呼成本，减少对客户不必要的骚扰，且本项目运用的随机森林模型是基于决策树的分类器，有很好的鲁棒性。。

其中，本发明实施例中提供的外呼模型可以应用在物流公司的外呼领域。

本发明实施例中，外呼模型的构建装置获取历史外呼客户的客户标识、历史外呼时间以及该历史外呼时间对应的历史外呼次数与历史接通次数；然后根据该历史外呼时间所处的时段将该历史外呼时间归类为预置的时段类型；根据该历史外呼次数与该历史接通次数确定该时段类型分别对应的时段接通率；根据该客户标识、该时段类型以及该时段接通率构建样本集；最后根据预置的模型以及该样本集构建外呼模型。该方案将历史外呼时间变为其所处时段的时段类型后才进行模型的构建，可以提高外呼模型预测的准确率，进而提高外呼的接通率。

为了更好地实施本申请实施例提供的外呼模型的构建方法，本申请实施例还提供一种外呼模型的构建装置，该外呼模型的构建装置具体可以集成在服务器中。其中名词的含义与上述外呼模型的构建方法中相同，具体实现细节可以参考方法实施例中的说明。

请参阅图3a，图3a为本申请实施例提供的外呼模型的构建装置的结构示意图，该外呼模型的构建装置300包括第一获取单元301、归类单元302、第一确定单元303、第一构建单元304和第二构建单元305，如下：

第一获取单元301，用于获取历史外呼客户的客户标识、历史外呼时间以及所述历史外呼时间对应的历史外呼次数与历史接通次数；

归类单元302，用于根据所述历史外呼时间所处的时段将所述历史外呼时间归类为预置的时段类型；

第一确定单元303，用于根据所述历史外呼次数与所述历史接通次数确定所述时段类型分别对应的时段接通率；

第一构建单元304，用于根据所述客户标识、所述时段类型以及所述时段接通率构建样本集；

第二构建单元305，用于根据预置的模型以及所述样本集构建外呼模型。

如图3b所示，在一些实施例中，所述装置300还包括：

第二获取单元306，用于获取所述历史外呼客户的个人特征信息和/或历史快递信息；

其中，所述第一构建单元304具体用于：

根据所述客户标识、所述时段类型、所述时段接通率、所述个人特征信息以及所述历史快递信息构建样本集。

在一些实施例中，所述样本集包括训练样本集和验证样本集，所述第二构建单元具体用于：

根据所述训练样本集训练所述预置的模型，得到训练后的模型；

根据所述验证样本集对所述训练后的模型进行调参处理，得到所述外呼模型。

如图3c所示，在一些实施例中，所述样本集还包括测试样本集，所述装置300还包括：

检验单元307，用于根据所述测试样本集对所述外呼模型进行模型检验。

如图3d所示，在一些实施例中，所述装置300还包括：

第一更新单元308，用于根据预置的时间间隔更新所述样本集，得到更新后的样本集；

第二更新单元309，用于根据所述更新后的样本集更新所述外呼模型。

请参阅图4a，图4a为本申请实施例提供的外呼装置的结构示意图，该外呼装置400包括获取单元401，输入单元402，判断单元403，确定单元404，如下：

获取单元401，用于获取待外呼的客户标识；

输入单元402，用于将所述待外呼的客户标识输入外呼模型中；

判断单元403，用于判断所述外呼模型对应的数据库中是否包括所述待外呼的客户标识，所述外呼模型根据历史外呼客户的客户标识、时段类型以及时段接通率构建而成，所述时段类型根据所述历史外呼客户的历史外呼时间所处的时段确定得到，所述时段接通率根据所述历史外呼客户的历史外呼次数以及历史接通次数确定得到；

确定单元404，用于当所述数据库包含所述待外呼的客户标识时，根据所述外呼模型的输出结果以及预置的阈值确定是否要对所述待外呼的客户标识进行外呼。

在一些实施例中，所述确定单元404具体用于：

若所述输出结果大于所述阈值，则对所述待外呼的客户标识进行外呼；

若所述输出结果不大于所述阈值，则不对所述待外呼的客户进行外呼。

如图4b所示，在一些实施例中，所述装置400还包括：

接收单元405，用于接收阈值调整指令；

调整单元406，用于根据所述阈值调整指令调整所述阈值。

在一些实施例中，所述外呼模型包括随机森林模型。

参考图5，本发明实施例提供了一种服务器500，可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储器502、射频(RadioFrequency，RF)电路503、电源504、输入单元505、以及显示单元506等部件。本领域技术人员可以理解，图5中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器501是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器501可包括一个或多个处理核心；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。

存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行各种功能应用以及数据处理。

RF电路503可用于收发信息过程中，信号的接收和发送。

服务器还包括给各个部件供电的电源504(比如电池)，优选的，电源可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

该服务器还可包括输入单元505，该输入单元505可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

该服务器还可包括显示单元506，该显示单元506可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。具体在本实施例中，服务器中的处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能，如下：

获取历史外呼客户的客户标识、历史外呼时间以及所述历史外呼时间对应的历史外呼次数与历史接通次数；根据所述历史外呼时间所处的时段将所述历史外呼时间归类为预置的时段类型；根据所述历史外呼次数与所述历史接通次数确定所述时段类型分别对应的时段接通率；根据所述客户标识、所述时段类型以及所述时段接通率构建样本集；根据预置的模型以及所述样本集构建外呼模型。

或，获取待外呼的客户标识；将所述待外呼的客户标识输入外呼模型中；判断所述外呼模型对应的数据库中是否包括所述待外呼的客户标识，所述外呼模型根据历史外呼客户的客户标识、时段类型以及时段接通率构建而成，所述时段类型根据所述历史外呼客户的历史外呼时间所处的时段确定得到，所述时段接通率根据所述历史外呼客户的历史外呼次数以及历史接通次数确定得到；若包含，则根据所述外呼模型的输出结果以及预置的阈值确定是否要对所述待外呼的客户标识进行外呼。

由上可知，本发明实施例获取历史外呼客户的客户标识、历史外呼时间以及该历史外呼时间对应的历史外呼次数与历史接通次数；然后根据该历史外呼时间所处的时段将该历史外呼时间归类为预置的时段类型；根据该历史外呼次数与该历史接通次数确定该时段类型分别对应的时段接通率；根据该客户标识、该时段类型以及该时段接通率构建样本集；最后根据预置的模型以及该样本集构建外呼模型。该方案将历史外呼时间变为其所处时段的时段类型后才进行模型的构建，可以提高外呼模型预测的准确率，进而提高外呼的接通率。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种外呼模型的构建方法或外呼方法中的步骤。例如，该指令可以执行如下步骤：

获取历史外呼客户的客户标识、历史外呼时间以及所述历史外呼时间对应的历史外呼次数与历史接通次数；根据所述历史外呼时间所处的时段将所述历史外呼时间归类为预置的时段类型；根据所述历史外呼次数与所述历史接通次数确定所述时段类型分别对应的时段接通率；根据所述客户标识、所述时段类型以及所述时段接通率构建样本集；根据预置的模型以及所述样本集构建外呼模型。

或，获取待外呼的客户标识；将所述待外呼的客户标识输入外呼模型中；判断所述外呼模型对应的数据库中是否包括所述待外呼的客户标识，所述外呼模型根据历史外呼客户的客户标识、时段类型以及时段接通率构建而成，所述时段类型根据所述历史外呼客户的历史外呼时间所处的时段确定得到，所述时段接通率根据所述历史外呼客户的历史外呼次数以及历史接通次数确定得到；若包含，则根据所述外呼模型的输出结果以及预置的阈值确定是否要对所述待外呼的客户标识进行外呼。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种外呼模型的构建方法中的步骤，因此，可以实现本发明实施例所提供的任一种外呼模型的构建方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本发明实施例所提供的一种外呼模型的构建方法、外呼方法、装置和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种外呼模型的构建方法，其特征在于，包括：

获取历史外呼客户的客户标识、历史外呼时间以及所述历史外呼时间对应的历史外呼次数与历史接通次数；

根据所述历史外呼时间所处的时段将所述历史外呼时间归类为预置的时段类型；

根据所述历史外呼次数与所述历史接通次数确定所述时段类型分别对应的时段接通率；

根据所述客户标识、所述时段类型以及所述时段接通率构建样本集；

根据预置的模型以及所述样本集构建外呼模型。

2.根据权利要求1所述的方法，其特征在于，在所述根据所述客户标识、所述时段类型以及所述时段接通率构建样本集之前，所述方法还包括：

获取所述历史外呼客户的个人特征信息和/或历史快递信息；

所述根据所述客户标识、所述时段类型以及所述时段接通率构建样本集包括：

根据所述客户标识、所述时段类型、所述时段接通率、所述个人特征信息以及所述历史快递信息构建样本集。

3.根据权利要求1所述的方法，其特征在于，所述样本集包括测试样本集，在根据预置的模型以及所述样本集构建外呼模型之后，所述方法还包括：

根据所述测试样本集对所述外呼模型进行模型检验。

4.根据权利要求1所述的方法，其特征在于，在所述根据预置的模型以及所述样本集构建外呼模型之后，所述方法还包括：

根据预置的时间间隔更新所述样本集，得到更新后的样本集；

根据所述更新后的样本集更新所述外呼模型。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述外呼模型包括随机森林模型。

6.一种外呼方法，其特征在于，包括：

获取待外呼的客户标识；

将所述待外呼的客户标识输入外呼模型中，所述外呼模型根据历史外呼客户的客户标识、时段类型以及时段接通率构建而成，所述时段类型根据所述历史外呼客户的历史外呼时间所处的时段确定得到，所述时段接通率根据所述历史外呼客户的历史外呼次数以及历史接通次数确定得到；

判断所述外呼模型对应的数据库中是否包括所述待外呼的客户标识；

若包含，则根据所述外呼模型的输出结果以及预置的阈值确定是否要对所述待外呼的客户标识进行外呼。

7.根据权利要求6所述的方法，其特征在于，所述根据所述外呼模型的输出结果以及预置的阈值确定是否要对所述待外呼的客户标识进行外呼，包括：

若所述输出结果大于所述阈值，则对所述待外呼的客户标识进行外呼；

若所述输出结果不大于所述阈值，则不对所述待外呼的客户进行外呼。

8.根据权利要求6或7所述的方法，其特征在于，所述方法还包括：

接收阈值调整指令；

根据所述阈值调整指令调整所述阈值。

9.一种外呼模型的构建装置，其特征在于，包括：

第一获取单元，用于获取历史外呼客户的客户标识、历史外呼时间以及所述历史外呼时间对应的历史外呼次数与历史接通次数；

归类单元，用于根据所述历史外呼时间所处的时段将所述历史外呼时间归类为预置的时段类型；

第一确定单元，用于根据所述历史外呼次数与所述历史接通次数确定所述时段类型分别对应的时段接通率；

第一构建单元，用于根据所述客户标识、所述时段类型以及所述时段接通率构建样本集；

第二构建单元，用于根据预置的模型以及所述样本集构建外呼模型。

10.一种外呼装置，其特征在于，包括：

获取单元，用于获取待外呼的客户标识；

输入单元，用于将所述待外呼的客户标识输入外呼模型中，所述外呼模型根据历史外呼客户的客户标识、时段类型以及时段接通率构建而成，所述时段类型根据所述历史外呼客户的历史外呼时间所处的时段确定得到，所述时段接通率根据所述历史外呼客户的历史外呼次数以及历史接通次数确定得到；

判断单元，用于判断所述外呼模型对应的数据库中是否包括所述待外呼的客户标识；

确定单元，用于当所述数据库包含所述待外呼的客户标识时，根据所述外呼模型的输出结果以及预置的阈值确定是否要对所述待外呼的客户标识进行外呼。

11.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至5任一项所述的外呼模型的构建方法中的步骤。

12.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求6至8任一项所述的外呼方法中的步骤。

Images