CN111507515A - 客服线路开通数量的预测方法、系统、设备及存储介质 - Google Patents

客服线路开通数量的预测方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN111507515A
CN111507515A CN202010284361.9A CN202010284361A CN111507515A CN 111507515 A CN111507515 A CN 111507515A CN 202010284361 A CN202010284361 A CN 202010284361A CN 111507515 A CN111507515 A CN 111507515A
Authority
CN
China
Prior art keywords
time period
customer service
lines
preset time
service lines
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
Application number
CN202010284361.9A
Other languages
English (en)
Inventor
张露瑶
马艳丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ctrip Computer Technology Shanghai Co Ltd
Original Assignee
Ctrip Computer Technology Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ctrip Computer Technology Shanghai Co Ltd filed Critical Ctrip Computer Technology Shanghai Co Ltd
Priority to CN202010284361.9A priority Critical patent/CN111507515A/zh
Publication of CN111507515A publication Critical patent/CN111507515A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开了一种客服线路开通数量的预测方法、系统、电子设备及存储介质。该方法包括以下步骤：获取与预设时段时长相同、早于预设时段、且与预设时段属于同一连续时间段的各当日时段内的接待线路的数量；统计各当日时段内每个接待线路的服务时长，计算平均服务时间；各当日时段内的接待线路的数量组成的时间序列作为自回归模型的输入，模型输出预设时段内的预计接待线路的数量；使用St＝xt/(T预/T服)计算预设时段内的预计客服线路开通数量；在预设时段内开通预计客服线路开通数量的客服线路。本发明通过统计当日各个时间段内的线路数量和服务时长，使用自回归模型实时预测计算出需要开通的客服线路数量，大大提高了工作效率。

Description

客服线路开通数量的预测方法、系统、设备及存储介质
技术领域
本发明涉及在线客服领域，特别涉及一种客服线路开通数量的预测方法、系统、电子设备及存储介质。
背景技术
现有的在线客服通常分为多个不同的小组，每个小组服务不同需求的客户。由于每天甚至每个时间段，需要服务的客户需求和数量不同，常常会出现进线客户多、客服来不及服务或者客服的数量过多导致人力浪费的情况。
在客服人员数量和客户数量不一致时，需要进行人员的重新分配，目前通常由主管人员随机安排，从而无法实现人员调度的科学性；或者按照以往的经验进行定期调配，这种方法虽然有一定的缓解作用，但是准确度仍然不高。
发明内容
本发明要解决的技术问题是为了克服现有技术中随机安排或者按经验进行定期调配，不能充分利用客服资源的缺陷，提供一种客服线路开通数量的预测方法、系统、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供一种客服线路开通数量的预测方法，所述预测方法用于对预设时段内的客服线路开通数量进行预测，所述客服线路开通数量的预测方法包括以下步骤：
获取当日与所述预设时段的时长相同、并且早于所述预设时段的各当日时段内的接待线路的数量；其中，所述各当日时段与所述预设时段属于同一连续时间段；
统计所述各当日时段内每个所述接待线路的服务时长，计算平均服务时间；
将所述各当日时段内的接待线路的数量组成的时间序列作为自回归模型的输入，所述自回归模型的输出结果为所述预设时段内的预计接待线路的数量；所述自回归模型的计算公式为
Figure BDA0002447361080000021
Figure BDA0002447361080000022
其中xt为所述预设时段内的预计接待线路的数量，p为所述自回归模型的阶数，[xt-1,xt-2,…,xt-p]为所述时间序列中所述各当日时段内的接待线路的数量，
Figure BDA0002447361080000023
为所述自回归模型的参数，εt为噪声系数；所述自回归模型的参数和所述噪声系数通过所述自回归模型的训练过程得到；
在所述预设时段内的预计客服线路开通数量使用下列公式进行计算：
St＝xt/(T预/T服)
其中St为所述预设时段内的预计客服线路开通数量，xt为所述预设时段内的预计接待线路的数量，T预为所述预设时段的时长，T服为所述平均服务时间；
在所述预设时段内，开通所述预计客服线路开通数量的客服线路。
较佳地，在计算出所述预计客服线路开通数量后，判断所述预计客服线路开通数量与当前客服线路开通数量的差值是否大于第一预设阈值，若是则发出警告。
较佳地，所述自回归模型经过若干训练样本数据训练而成，所述训练样本数据包括与所述预设时段时长相同的目标历史时段内接待线路的数量和所述目标历史时段之前的、与所述预设时段时长相同的、连续的若干个历史时段内的接待线路的数量组成的时间序列。
较佳地，在获取各当日时段内的接待线路的数量的步骤之前还包括：对客服线路进行分组；
获取各当日时段内的接待线路的数量的步骤具体包括：获取所述当日时段内的分组的客服接待线路的数量。
本发明还提供一种客服线路开通数量的预测系统，所述预测系统用于对预设时段内的客服线路开通数量进行预测，所述客服线路开通数量的预测系统包括线路监控单元、统计单元、预测单元、计算单元和开通单元；
所述线路监控单元用于获取当日与所述预设时段的时长相同、并且早于所述预设时段的各当日时段内的接待线路的数量；其中，所述各当日时段与所述预设时段属于同一连续时间段；
所述统计单元用于统计所述各当日时段内每个所述接待线路的服务时长，计算平均服务时间；
所述预测单元用于将所述各当日时段内的接待线路的数量组成的时间序列作为自回归模型的输入，所述自回归模型的输出结果为所述预设时段内的预计接待线路的数量；所述自回归模型的计算公式为
Figure BDA0002447361080000031
Figure BDA0002447361080000032
其中xt为所述预设时段内的预计接待线路的数量，p为所述自回归模型的阶数，[xt-1,xt-2,…,xt-p]为所述时间序列中所述各当日时段内的接待线路的数量，
Figure BDA0002447361080000033
为所述自回归模型的参数，εt为噪声系数；所述自回归模型的参数和所述噪声系数通过所述自回归模型的训练过程得到；
所述计算单元用于使用下列公式进行计算所述预设时段内的预计客服线路开通数量：
St＝xt/(T预/T服)
其中St为所述预设时段内的预计客服线路开通数量，xt为所述预设时段内的预计接待线路的数量，T预为所述预设时段的时长，T服为所述平均服务时间；
所述开通单元用于在所述预设时段内，开通所述预计客服线路开通数量的客服线路。
较佳地，所述客服线路开通数量的预测系统还包括判断单元和报警单元；
在计算出所述预计客服线路开通数量后，所述判断单元用于判断所述预计客服线路开通数量与当前客服线路开通数量的差值是否大于第一预设阈值，若是则所述报警单元用于发出警告。
较佳地，所述客服线路开通数量的预测系统还包括训练单元；
所述训练单元用于使用若干训练样本数据训练所述自回归模型，所述训练样本数据包括与所述预设时段时长相同的目标历史时段内接待线路的数量和所述目标历史时段之前的、与所述预设时段时长相同的、连续的若干个历史时段内的接待线路的数量组成的时间序列。
较佳地，所述客服线路开通数量的预测系统还包括分组单元；所述分组单元用于对客服线路进行分组。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现前述的客服线路开通数量的预测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述的客服线路开通数量的预测方法的步骤。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：通过统计当日各个时间段内的线路数量和服务时长，使用自回归模型实时预测下一时间段预计接待的线路数量，从而计算出需要开通的客服线路数量，方便主管人员调配人力，实现了人员调度的科学性，提高了人员调配的准确性，也提高了工作效率，解决了现有的进线量和客服线路开通数量不匹配的问题。
附图说明
图1为本发明实施例1的客服线路开通数量的预测方法的流程图。
图2为本发明实施例2的客服线路开通数量的预测方法的流程图。
图3为本发明实施例3的客服线路开通数量的预测方法的流程图。
图4为本发明实施例4的客服线路开通数量的预测系统的模块结构图。
图5为本发明实施例5的客服线路开通数量的预测系统的模块结构图。
图6为本发明实施例6的客服线路开通数量的预测系统的模块结构图。
图7为本发明实施例7的实现客服线路开通数据的预测方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种客服线路开通数量的预测方法，该预测方法用于对一个预设时段内的客服线路开通数量进行预测。如图1所示，本实施例的客服线路开通数量的预测方法包括以下步骤：
S11、获取当日与预设时段的时长相同、并且早于预设时段的各当日时段内的接待线路的数量。
设置一个进线计数器，时段开始时清零计数器，在每个客户进入服务时计数加1，这样可以统计出一个时段内的接待线路的数量。预设时段的时长可以根据需要进行设置，1个小时或者半个小时，更精细些可以15分钟等。预设时段内的接待线路的数量可以根据与预设时段的时长相同的、早于该预设时段的各当日时段内接待线路的数量进行预测，并且各当日时段与预设时段属于同一连续时间段。
S12、统计各当日时段内每个接待线路的服务时长，计算平均服务时间。
记录每个接待线路的开始时间和结束时间，即记录下每个接待线路的服务时长，然后统计各当日时段内的接待线路的总服务时长，结合步骤S11中各当日时段内的接待线路的数量，得到此时段内的平均服务时间。
S13、将各当日时段内的接待线路的数量组成的时间序列作为自回归模型的输入，自回归模型的输出结果为预设时段内的预计接待线路的数量。
短期预测是时间序列分析的主要目的，时间序列分析假设时间序列的任一元素xt与其前期元素(xt-1、xt-2、…xt-n等)之间存在着某种关联，则可以根据该时间序列的前期元素观测值来预测其在未来的取值。该思路的直接体现就是自回归模型。
自回归模型的计算公式为
Figure BDA0002447361080000061
其中xt为预设时段内的预计接待线路的数量，p为自回归模型的阶数，[xt-1,xt-2,…,xt-p]为时间序列中各当日时段内的接待线路的数量，
Figure BDA0002447361080000062
为自回归模型的参数，εt为噪声系数。
自回归模型的训练需要经过时间序列平稳化处理、对平稳的时间序列进行自回归模型识别确定阶数、利用算法对自回归模型进行适应性检验确定模型参数等步骤，由于自回归模型及其训练过程是成熟的技术，因此此处就不再赘述。
自回归模型的阶数、参数和噪声系数均通过自回归模型的训练过程得到。将与预设时段连续的p个当日时段内的接待线路的数量组成的时间序列作为训练好的自回归模型的输入，自回归模型的输出结果为预设时段内的预计接待线路的数量。
S14、预设时段内的预计客服线路开通数量使用下列公式进行计算：
St＝xt/(T预/T服)
其中St为预设时段内的预计客服线路开通数量，xt为步骤S13中得到的预设时段内的预计接待线路的数量，T预为预设时段的时长，T服为步骤S12中得到的平均服务时间。
S15、在预设时段内，开通预计客服线路开通数量的客服线路。
在到达预设时段时，开通步骤S14中计算得到的预计客服线路开通数量的客服线路，满足客服工作的需要。
本实施例通过统计当日各个时间段内的接待线路数量和服务时长，使用自回归模型实时预测下一时间段预计接待的线路数量，从而计算出需要开通的客服线路数量，方便主管人员调配人力，实现了人员调度的科学性，提高了人员调配的准确性，也提高了工作效率，解决了现有的进线量和客服线路开通数量不匹配的问题。
实施例2
如图2所示，本实施例的客服线路开通数量的预测方法是对实施例1的进一步改进，具体地：
在步骤S13的自回归模型的训练过程中，自回归模型经过若干训练样本数据训练而成，其中训练样本数据包括与预设时段时长相同的一个目标历史时段内接待线路的数量和目标历史时段之前的、与预设时段时长相同的、连续的若干个历史时段内的接待线路的数量组成的时间序列。通过大量的训练样本数据不断地训练修正，可以不断地完善自回归模型，使预测值更贴近实际值，预测越来越准确。
S16、判断预计客服线路开通数量与当前客服线路开通数量的差值是否大于第一预设阈值，若是则进入步骤S17，若否则流程结束。
在计算出预计客服线路开通数量后，判断该预计客服线路开通数量与当前客服线路开通数量的差值是否大于第一预设阈值，以决定后续操作。第一预设阈值可根据实际需求进行确定与调整。
S17、发出报警。
步骤S16判断为是时，则代表当前的客服线路开通数量不能满足预设时段的需求，需要进行干预，所以发出报警以便于相关主管人员进行处理。
步骤S16判断为否时，则说明当前的客服线路开通数量能满足预设时段的需求，流程结束。
本实施例在判断预计客服线路开通数量与当前客服线路开通数量的差值大于第一预设阈值时，发出报警，提示相关人员进行处理，可以进一步提高工作效率，以保证客户满意度。
实施例3
如图3所示，本实施例的客服线路开通数量的预测方法是对实施例2的进一步改进，具体地：
S110、对客服线路进行分组。
通常在线客服会进行分组，每个分组服务不同需求的客户，这样可以快速提高客服人员的业务能力，并且可以更好地服务客户。所以在客服线路开通数量的预测方法中首先对客服线路进行分组，分组进行客服线路开通数量的预测，实现更精细地管理。
步骤S11包括：
S111、获取当日与预设时段的时长相同、并且早于预设时段的各当日时段内的分组的客服接待线路的数量。
按照分组分别设置一个分组进线计数器，获取当日与预设时段的时长相同、并且早于预设时段的各当日时段内的分组的客服接待线路的数量，并且各当日时段与预设时段属于同一连续时间段。
步骤S12包括：
S121、统计各当日时段内每个分组的客服接待线路的服务时长，计算分组平均服务时间。
记录每个分组的客服接待线路的开始时间和结束时间，即记录下每个客服接待线路的服务时长，然后统计各当日时段内的分组的客服接待线路的总服务时长，结合步骤S111中各当日时段内的分组的客服接待线路的数量，得到此时段内的分组平均服务时间。
步骤S13包括：
S131、将各当日时段内的分组的客服接待线路的数量组成的时间序列作为自回归模型的输入，自回归模型的输出结果为预设时段内的预计分组的接待线路的数量。
自回归模型此处不再赘述。将与预设时段连续的p个当日时段内的分组的客服接待线路的数量组成的时间序列作为训练好的自回归模型的输入，自回归模型的输出结果即为预设时段内的预计分组的接待线路的数量。
步骤S14包括：
S141、预设时段内的预计分组的客服线路开通数量使用下列公式进行计算：
St＝xt/(T预/T服)
其中St为预设时段内的预计分组的客服线路开通数量，xt为步骤S131中得到的预设时段内的预计分组的接待线路的数量，T预为预设时段的时长，T服为步骤S121中得到的分组平均服务时间。
步骤S15包括：
S151、在预设时段内，开通预计分组的客服线路开通数量的分组客服线路。
在到达预设时段时，开通步骤S141中计算得到的预计分组的客服线路开通数量的分组客服线路，满足分组客服工作的需要。
步骤S16包括：
S161、判断预计分组的客服线路开通数量与当前分组的客服线路开通数量的差值是否大于第二预设阈值，若是则进入步骤S17，若否则流程结束。
在计算出预计分组的客服线路开通数量后，判断该预计分组的客服线路开通数量与当前分组的客服线路开通数量的差值是否大于第二预设阈值，以决定后续操作。第二预设阈值可根据实际需求进行确定与调整。
S17、发出报警。
步骤S161判断为是时，则代表当前分组的客服线路开通数量不能满足预设时段的客服线路需求，需要进行干预，所以发出报警以便于相关主管人员进行处理。
步骤S161判断为否时，则说明当前分组的客服线路开通数量能满足预设时段的需求，流程结束。
本实施例按照客服线路分组进行客服线路开通数量的预测，能更精细地管理客服线路，分组调配客服线路，更进一步提高工作效率，提升客户满意度。
实施例4
本实施例提供一种客服线路开通数量的预测系统，该预测系统用于对预设时段内的客服线路开通数量进行预测，如图4所示，本实施例的客服线路开通数量的预测系统包括线路监控单元1、统计单元2、预测单元3、计算单元4和开通单元5。
线路监控单元1用于获取当日与预设时段的时长相同、并且早于预设时段的各当日时段内的接待线路的数量。线路监控单元1设置一个进线计数器，时段开始时清零计数器，在每个客户进入服务时计数加1，这样可以统计出一个时段内的接待线路的数量。预设时段的时长可以根据需要进行设置，1个小时或者半个小时，更精细些可以15分钟等。预设时段内的接待线路的数量可以根据与预设时段的时长相同的、早于该预设时段的各当日时段内接待线路的数量进行预测，并且各当日时段与预设时段属于同一连续时间段。
统计单元2用于统计各当日时段内每个接待线路的服务时长，计算平均服务时间。统计单元2记录每个接待线路的开始时间和结束时间，即记录下每个接待线路的服务时长，然后统计单元2统计各当日时段内的接待线路的总服务时长，结合线路监控单元1获取的各当日时段内的接待线路的数量，得到此时段内的平均服务时间。
预测单元3用于将各当日时段内的接待线路的数量组成的时间序列作为自回归模型的输入，自回归模型的输出结果为预设时段内的预计接待线路的数量。
短期预测是时间序列分析的主要目的，时间序列分析假设时间序列的任一元素xt与其前期元素(xt-1、xt-2、…xt-n等)之间存在着某种关联，则可以根据该时间序列的前期元素观测值来预测其在未来的取值。该思路的直接体现就是自回归模型。
自回归模型的计算公式为
Figure BDA0002447361080000101
其中xt为预设时段内的预计接待线路的数量，p为自回归模型的阶数，[xt-1,xt-2,…,xt-p]为时间序列中各当日时段内的接待线路的数量，
Figure BDA0002447361080000102
为自回归模型的参数，εt为噪声系数。
自回归模型的训练需要经过时间序列平稳化处理、对平稳的时间序列进行自回归模型识别确定阶数、利用算法对自回归模型进行适应性检验确定模型参数等步骤，由于自回归模型及其训练过程是成熟的技术，此处不再赘述。
自回归模型的阶数、参数和噪声系数均通过自回归模型的训练过程得到。预测单元3将与预设时段连续的p个当日时段内的接待线路的数量组成的时间序列作为训练好的自回归模型的输入，自回归模型的输出结果为预设时段内的预计接待线路的数量。
计算单元4使用下列公式计算预设时段内的预计客服线路开通数量：
St＝xt/(T预/T服)
其中St为预设时段内的预计客服线路开通数量，xt为预设时段内的预计接待线路的数量，T预为预设时段的时长，T服为平均服务时间；
开通单元5用于在预设时段内，开通计算单元4计算出的预计客服线路开通数量的客服线路，满足客服工作的需要。
本实施例通过统计当日各个时间段内的接待线路数量和服务时长，使用自回归模型实时预测下一时间段预计接待的线路数量，从而计算出需要开通的客服线路数量，方便主管人员调配人力，实现了人员调度的科学性，提高了人员调配的准确性，也提高了工作效率，解决了现有的进线量和客服线路开通数量不匹配的问题。
实施例5
本实施例的客服线路开通数量的预测系统是对实施例4的进一步改进，具体地：
如图5所示，本实施例的客服线路开通数量的预测系统还包括判断单元6、报警单元7和训练单元8。
在计算单元4计算出所述预计客服线路开通数量后，判断单元6用于判断该预计客服线路开通数量与当前客服线路开通数量的差值是否大于第一预设阈值，以决定后续操作。第一预设阈值可根据实际需求进行确定与调整。
当判断单元6判断为是时，则代表当前的客服线路开通数量不能满足预设时段的需求，需要进行干预，此时报警单元7发出报警以便于相关主管人员进行处理。
预测单元3的自回归模型需要训练单元8使用若干训练样本数据对自回归模型进行训练，其中训练样本数据包括与预设时段时长相同的一个目标历史时段内接待线路的数量和目标历史时段之前的、与预设时段时长相同的、连续的若干个历史时段内的接待线路的数量组成的时间序列。通过训练单元8使用大量的训练样本数据不断地训练修正，可以不断地完善自回归模型，使预测值更贴近实际值，预测越来越准确。
本实施例在判断预计客服线路开通数量与当前客服线路开通数量的差值大于第一预设阈值时，发出报警，提示相关人员进行处理，可以进一步提高工作效率，以保证客户满意度。
实施例6
本实施例的客服线路开通数量的预测系统是对实施例5的进一步改进，具体地：
如图6所示，本实施例的客服线路开通数量的预测系统还包括分组单元9。
通常在线客服会进行分组，每个分组服务不同需求的客户，这样可以快速提高客服人员的业务能力。所以在客服线路开通数量的预测系统中，分组单元9用于对客服线路进行分组，分组进行客服线路开通数量的预测，实现更精细地管理。
分组单元9在线路监控单元1、统计单元2、预测单元3、计算单元4、开通单元5、判断单元6、报警单元7和训练单元8工作的时候，均对每个单元的工作分组进行操作，以便分组进行管理。
线路监控单元1用于获取当日与预设时段的时长相同、并且早于预设时段的各当日时段内的分组的客服接待线路的数量。线路监控单元1按照分组分别设置一个分组进线计数器，获取各当日时段内的分组的客服接待线路的数量，并且各当日时段与预设时段属于同一连续时间段。
统计单元2用于统计各当日时段内每个分组的客服接待线路的服务时长，计算平均服务时间。统计单元2记录每个客服接待线路的开始时间和结束时间，即记录下每个客服接待线路的服务时长，然后统计各当日时段内的分组的客服接待线路的总服务时长，结合线路监控单元1获取的各当日时段内的分组的客服接待线路的数量，得到此时段内的分组平均服务时间。
预测单元3用于将各当日时段内的分组的客服接待线路的数量组成的时间序列作为自回归模型的输入，自回归模型的输出结果为预设时段内的预计分组的接待线路的数量。
计算单元4使用下列公式计算预设时段内预计分组的客服线路开通数量：
St＝xt/(T预/T服)
其中St为预设时段内的预计分组的客服线路开通数量，xt为预设时段内的预计分组的接待线路的数量，T预为预设时段的时长，T服为分组平均服务时间。
开通单元5用于在预设时段内，开通计算单元4计算出的预计分组的客服线路开通数量的客服线路，满足分组客服工作的需要。
在计算单元4计算出预计分组的客服线路开通数量后，判断单元6用于判断预计分组的客服线路开通数量与当前分组的客服线路开通数量的差值是否大于第二预设阈值，以决定后续操作。第二预设阈值可根据实际需求进行确定与调整。
当判断单元6判断为是时，则代表当前的分组客服线路开通数量不能满足预设时段的需求，需要进行干预，此时报警单元7按照分组情况发出报警以便于相关主管人员进行处理。
训练单元8使用若干个分组的训练样本数据对自回归模型进行训练，其中分组的训练样本数据包括与预设时段时长相同的一个目标历史时段内分组的接待线路的数量和目标历史时段之前的、与预设时段时长相同的、连续的若干个历史时段内的分组的接待线路的数量组成的时间序列。通过训练单元8使用大量的分组的训练样本数据不断地训练修正，可以不断地完善自回归模型，使预测值更贴近实际值，预测越来越准确。
本实施例按照客服线路分组进行客服线路开通数量的预测，能更精细地管理客服线路，分组调配客服线路，更进一步提高工作效率，提升客户满意度。
实施例7
图7为本发明实施例7提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1至3中任意一个的客服线路开通数量的预测方法。图7显示的电子设备50仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备50可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备50的组件可以包括但不限于：上述至少一个处理器51、上述至少一个存储器52、连接不同系统组件(包括存储器52和处理器51)的总线53。
总线53包括数据总线、地址总线和控制总线。
存储器52可以包括易失性存储器，例如随机存取存储器(RAM)521和/或高速缓存存储器522，还可以进一步包括只读存储器(ROM)523。
存储器52还可以包括具有一组(至少一个)程序模块524的程序/实用工具525，这样的程序模块524包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器51通过运行存储在存储器52中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1至3中任意一个的客服线路开通数量的预测方法。
电子设备50也可以与一个或多个外部设备54(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口55进行。并且，模型生成的设备30还可以通过网络适配器56与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器56通过总线53与模型生成的设备50的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例8
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1至3中任意一个的客服线路开通数量的预测方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1至3中任意一个的客服线路开通数量的预测方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种客服线路开通数量的预测方法，其特征在于，所述客服线路开通数量的预测方法用于对预设时段内的客服线路开通数量进行预测，所述客服线路开通数量的预测方法包括以下步骤：
获取当日与所述预设时段的时长相同、并且早于所述预设时段的各当日时段内的接待线路的数量；其中，所述各当日时段与所述预设时段属于同一连续时间段；
统计所述各当日时段内每个所述接待线路的服务时长，计算平均服务时间；
将所述各当日时段内的接待线路的数量组成的时间序列作为自回归模型的输入，所述自回归模型的输出结果为所述预设时段内的预计接待线路的数量；所述自回归模型的计算公式为
Figure FDA0002447361070000011
Figure FDA0002447361070000012
其中xt为所述预设时段内的预计接待线路的数量，p为所述自回归模型的阶数，[xt-1,xt-2,…,xt-p]为所述时间序列中所述各当日时段内的接待线路的数量，
Figure FDA0002447361070000013
为所述自回归模型的参数，εt为噪声系数；所述自回归模型的参数和所述噪声系数通过所述自回归模型的训练过程得到；
在所述预设时段内的预计客服线路开通数量使用下列公式进行计算：
St＝xt/(T预/T服)
其中St为所述预设时段内的预计客服线路开通数量，xt为所述预设时段内的预计接待线路的数量，T预为所述预设时段的时长，T服为所述平均服务时间；
在所述预设时段内，开通所述预计客服线路开通数量的客服线路。
2.如权利要求1所述的客服线路开通数量的预测方法，其特征在于，在计算出所述预计客服线路开通数量后，判断所述预计客服线路开通数量与当前客服线路开通数量的差值是否大于第一预设阈值，若是则发出警告。
3.如权利要求1所述的客服线路开通数量的预测方法，其特征在于，所述自回归模型经过若干训练样本数据训练而成，所述训练样本数据包括与所述预设时段时长相同的目标历史时段内接待线路的数量和所述目标历史时段之前的、与所述预设时段时长相同的、连续的若干个历史时段内的接待线路的数量组成的时间序列。
4.如权利要求1所述的客服线路开通数量的预测方法，其特征在于，在获取各当日时段内的接待线路的数量的步骤之前还包括：对客服线路进行分组；
获取各当日时段内的接待线路的数量的步骤具体包括：获取所述当日时段内的分组的客服接待线路的数量。
5.一种客服线路开通数量的预测系统，其特征在于，所述客服线路开通数量的预测系统用于对预设时段内的客服线路开通数量进行预测，所述客服线路开通数量的预测系统包括线路监控单元、统计单元、预测单元、计算单元和开通单元；
所述线路监控单元用于获取当日与所述预设时段的时长相同、并且早于所述预设时段的各当日时段内的接待线路的数量；其中，所述各当日时段与所述预设时段属于同一连续时间段；
所述统计单元用于统计所述各当日时段内每个所述接待线路的服务时长，计算平均服务时间；
所述预测单元用于将所述各当日时段内的接待线路的数量组成的时间序列作为自回归模型的输入，所述自回归模型的输出结果为所述预设时段内的预计接待线路的数量；所述自回归模型的计算公式为
Figure FDA0002447361070000021
Figure FDA0002447361070000022
其中xt为所述预设时段内的预计接待线路的数量，p为所述自回归模型的阶数，[xt-1,xt-2,…,xt-p]为所述时间序列中所述各当日时段内的接待线路的数量，
Figure FDA0002447361070000023
为所述自回归模型的参数，εt为噪声系数；所述自回归模型的参数和所述噪声系数通过所述自回归模型的训练过程得到；
所述计算单元用于使用下列公式进行计算所述预设时段内的预计客服线路开通数量：
St＝xt/(T预/T服)
其中St为所述预设时段内的预计客服线路开通数量，xt为所述预设时段内的预计接待线路的数量，T预为所述预设时段的时长，T服为所述平均服务时间；
所述开通单元用于在所述预设时段内，开通所述预计客服线路开通数量的客服线路。
6.如权利要求5所述的客服线路开通数量的预测系统，其特征在于，所述客服线路开通数量的预测系统还包括判断单元和报警单元；
在计算出所述预计客服线路开通数量后，所述判断单元用于判断所述预计客服线路开通数量与当前客服线路开通数量的差值是否大于第一预设阈值，若是则所述报警单元用于发出警告。
7.如权利要求5所述的客服线路开通数量的预测系统，其特征在于，所述客服线路开通数量的预测系统还包括训练单元；
所述训练单元用于使用若干训练样本数据训练所述自回归模型，所述训练样本数据包括与所述预设时段时长相同的目标历史时段内接待线路的数量和所述目标历史时段之前的、与所述预设时段时长相同的、连续的若干个历史时段内的接待线路的数量组成的时间序列。
8.如权利要求5所述的客服线路开通数量的预测系统，其特征在于，所述客服线路开通数量的预测系统还包括分组单元；所述分组单元用于对客服线路进行分组。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1至4中任一项所述的客服线路开通数量的预测方法。
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，所述程序被处理器执行时实现权利要求1至4中任一项所述的客服线路开通数量的预测方法的步骤。
CN202010284361.9A 2020-04-08 2020-04-08 客服线路开通数量的预测方法、系统、设备及存储介质 Pending CN111507515A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010284361.9A CN111507515A (zh) 2020-04-08 2020-04-08 客服线路开通数量的预测方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010284361.9A CN111507515A (zh) 2020-04-08 2020-04-08 客服线路开通数量的预测方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111507515A true CN111507515A (zh) 2020-08-07

Family

ID=71864795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010284361.9A Pending CN111507515A (zh) 2020-04-08 2020-04-08 客服线路开通数量的预测方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111507515A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8681955B1 (en) * 2013-02-04 2014-03-25 Noble Systems Corporation Feedback control of a predictive dialer using telemarketing call abandonment rates
CN104023351A (zh) * 2014-05-15 2014-09-03 北京融信汇智科技有限公司 一种话务量预测方法
CN104318053A (zh) * 2014-09-22 2015-01-28 广东电网有限责任公司信息中心 基于单变量回归计算加权移动平均权重的话务量预测方法
CN108268967A (zh) * 2017-01-04 2018-07-10 北京京东尚科信息技术有限公司 一种话务量预测的方法和系统
CN110163621A (zh) * 2018-02-10 2019-08-23 广州供电局有限公司 一种电力客服大数据决策支持系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8681955B1 (en) * 2013-02-04 2014-03-25 Noble Systems Corporation Feedback control of a predictive dialer using telemarketing call abandonment rates
CN104023351A (zh) * 2014-05-15 2014-09-03 北京融信汇智科技有限公司 一种话务量预测方法
CN104318053A (zh) * 2014-09-22 2015-01-28 广东电网有限责任公司信息中心 基于单变量回归计算加权移动平均权重的话务量预测方法
CN108268967A (zh) * 2017-01-04 2018-07-10 北京京东尚科信息技术有限公司 一种话务量预测的方法和系统
CN110163621A (zh) * 2018-02-10 2019-08-23 广州供电局有限公司 一种电力客服大数据决策支持系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杜守国: "大型电话咨询中心来电量预测模型和分析" *
胡煜: "改进的自回归算法在电信话务量预测中的应用" *

Similar Documents

Publication Publication Date Title
US8676964B2 (en) Detecting outliers in network traffic time series
US11604991B2 (en) Multi-domain service assurance using real-time adaptive thresholds
US20180039895A1 (en) Data predicting method and apparatus
CN113297183B (zh) 一种时间窗口的告警分析方法及装置
CN112882889A (zh) 异常监控方法、系统、电子设备和存储介质
CN113986595A (zh) 一种异常定位方法及装置
CN109684320B (zh) 监测数据在线清洗的方法和设备
US12014297B2 (en) Methods for managing smart gas work order implementation and internet of things (IOT) systems thereof
CN111984495A (zh) 一种大数据监控方法、装置和存储介质
CN107742160B (zh) 一种机电设备维保周期自适应预测方法及装置
CN115915708A (zh) 制冷设备控制参数预测方法、装置、电子设备及存储介质
CN113673822B (zh) 一种弹性调度方法及系统
CN104809070B (zh) 基于数据库交易类中间件的性能分析方法
CN110781950B (zh) 一种报文处理方法及装置
CN113032239A (zh) 风险提示方法、装置、电子设备及存储介质
CN111507515A (zh) 客服线路开通数量的预测方法、系统、设备及存储介质
CN116757469A (zh) 一种针对灵活用工平台的即时风控管理系统
CN115701890B (zh) 调整告警规则的方法及相关设备
CN116107849B (zh) 一种基于人工智能的数据中台能耗管理系统
US10802943B2 (en) Performance management system, management device, and performance management method
CN111343345A (zh) 酒店订单的外呼电话的管理方法、系统、电子设备和介质
CN115225986B (zh) 一种osu带宽自适应调整的方法和装置
CN114389962B (zh) 宽带流失用户确定方法、装置、电子设备和存储介质
CN116633998B (zh) 一种配电网设备接入调度方法及装置
CN116562828B (zh) 一种社区人员信息智能管理方法、系统和介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200807