CN111507573A - 业务员考核方法、系统、设备及存储介质 - Google Patents
业务员考核方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111507573A CN111507573A CN202010192628.1A CN202010192628A CN111507573A CN 111507573 A CN111507573 A CN 111507573A CN 202010192628 A CN202010192628 A CN 202010192628A CN 111507573 A CN111507573 A CN 111507573A
- Authority
- CN
- China
- Prior art keywords
- answered
- salesman
- questions
- auditor
- specified
- 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 68
- 238000012550 audit Methods 0.000 claims abstract description 93
- 239000013598 vector Substances 0.000 claims description 83
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000001737 promoting effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/06398—Performance of employee with respect to a job function
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种业务员考核方法、系统、设备及存储介质,所述方法包括:从题目数据库中提取业务员的指定待答题目,推送至业务员终端;根据指定待答题目的各个第一属性的第一属性值匹配审核人员,将指定待答题目和对应的作答数据推送至所对应的审核人员终端;从审核人员终端获取第一反馈数据,作为业务员的审核数据;根据审核数据和预设的考核等级评定条件,确定业务员的等级;将业务员的等级推送至业务员终端。通过采用本发明的方案,通过业务员回答虚拟客户问题的方式,基于技能考核实现业务员考核,无需依赖大量数据处理,并且根据题目和审核人员进行匹配,提高技能考核审核效率,通过审核人员的意见反馈,提高业务员的技能水平。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种业务员考核方法、系统、设备及存储介质。
背景技术
随着业务快速发展,业务员的数量也越来越多,如何对业务员进行更合理的考核也成为越来越关注的问题。在对业务员进行考核之后,可以对每个业务员进行评级,并且根据业务员评级分配客户资源。现有技术中的业务员考核,一般是基于对业务员业绩的统计来进行考核,对业务员进行等级评定。然而,这种方式存在很多缺陷。
一方面,这种考核方式的评价标准比较单一,只依靠业务员业绩来进行等级评定并不能很好地反映业务员的真实技能水平,在根据业务员等级分配重点客户时,可能会无法满足重点客户的特殊需求,而降低客户的服务体验。另一方面,每个业务员在不同时段中业绩数据可能会有比较大的波动,如果仅依赖一段时间内业绩数据的统计进行考核,业务员考核结果可能会因业绩数据的变化而有较大的波动,因此,这种考核方式需要依赖大量业绩数据的统计才能反映业务员的平均业绩水平,数据处理量很大,给考核系统带来了更大的负担。此外,再一方面,有一些订单可能是多个业务员相互配合而促成的,每个业务员的业绩计算方式十分负责,并且容易出现多个业务员之间的业绩混淆,导致最终的考核结果不准确。
发明内容
针对现有技术中的问题,本发明的目的在于提供一种业务员考核方法、系统、设备及存储介质,通过技能考核实现业务员考核,无需依赖大量数据处理,并且根据题目和审核人员进行匹配,提高技能考核审核效率。
本发明实施例提供一种业务员考核方法,所述方法包括如下步骤:
从题目数据库中提取业务员的指定待答题目,推送至业务员终端;
从所述业务员终端获取业务员的作答数据;
根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,将所述指定待答题目和对应的作答数据推送至所对应的审核人员终端;
从所述审核人员终端获取第一反馈数据,将第一反馈数据加入审核数据库,作为所述业务员的审核数据;
根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的等级;
将所述业务员的等级推送至所述业务员终端。
可选地,所述从题目数据库中提取业务员的指定待答题目,包括如下步骤:
获取所述题目数据库中各个题目的各个第一属性的第一属性值;
获取所述业务员的各个第二属性的第二属性值;
对于每个题目,根据第一属性和第二属性的对应关系,计算所述每个第一属性的第一属性值与所述业务员的对应第二属性的第二属性值的相似度,作为该第一属性的相似度,将各个第一属性的相似度加权求和,作为该题目与所述业务员的相似度;
根据各个题目与所述业务员的相似度,将所述题目数据库中的各个题目从高到低进行排序;
根据排序选择第一预设数量的题目,作为业务员的指定待答题目。
可选地,所述第一属性包括难度等级、题目类别和题目关键词,所述第二属性包括当前等级、业务范围和统计薄弱类别,所述难度等级与所述业务员当前等级相对应,所述题目类别分别与所述业务范围和所述统计薄弱类别相对应,所述题目关键词分别与所述业务范围和所述统计薄弱类别相对应;
所述计算所述每个第一属性的第一属性值与所述业务员的对应第二属性的第二属性值的相似度,包括如下步骤:
根据所述题目的难度等级m与所述业务员的当前等级n,计算所述题目的难度等级的相似度1/(m-n),如果m和n相等,则将所述题目的难度等级的相似度设定为预设最大值;
计算所述题目的题目类别的词向量x,计算所述业务员的业务范围的词向量y,计算所述词向量x和所述词向量y的相似度;
计算所述题目的统计薄弱类别的词向量z,计算所述词向量x和所述词向量z的相似度;
计算所述题目的题目关键词的词向量p,计算所述词向量p和所述词向量y的相似度,并计算所述词向量p与所述词向量z的相似度。
可选地,所述第二属性还包括所述业务员的当前客户资源类别,所述当前客户资源类别和所述题目类别相对应;
所述计算所述每个第一属性的第一属性值与所述业务员的对应第二属性的第二属性值的相似度,还包括如下步骤:
计算所述业务员的当前客户资源类别的词向量u,计算所述词向量x和所述词向量u的相似度,并所述词向量p和所述词向量u的相似度。
可选地,所述确定业务员的等级之后,还包括如下步骤:
采用新确定的业务员的等级更新所述业务员的当前等级n;
选择客户资源等级a等于或低于业务员的当前等级n的备选客户资源,计算备选客户资源的等级a与业务员的等级n的等级相似度1/(n-a),如果n和a相等,则将备选客户资源的等级相似度设定为预设最大值;
统计预设时间段内业务员已作答且对应的第一反馈数据为正向反馈的题目,作为正向题目,统计正向题目中各个类别的出现次数,将各个类别的出现次数作为各个类别的相似度;
确定所述备选客户资源所对应的类别,将所对应的类别的相似度作为所述备选客户资源的类别相似度;
根据所述备选客户资源的等级相似度和类别相似度计算所述备选客户资源与所述业务员的总相似度;
选择总相似度最高的第二预设数量的备选客户资源,将选择的备选客户资源的客户信息推送至所述业务员,并记录所述业务员与选择的备选客户资源的对应关系。
可选地,所述根据排序选择第一预设数量的题目,包括如下步骤:
统计预设时间段内业务员已作答且对应的第一反馈数据为正向反馈的题目,将统计的题目从排序后的题目中筛除;
在排序后的题目中选择相似度最高的第一预设数量的题目。
可选地,所述根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,包括如下步骤:
根据各个所述指定待答题目的各个第一属性的第一属性值组成各个题目的特征向量;
将各个所述指定待答题目的特征向量输入至训练好的审核组匹配模型,得到各个审核人员组与该指定待答题目的匹配度;
针对各个审核人员组,将其与各个指定待答题目的匹配度进行加和,得到各个审核人员组的匹配度;
从匹配度最高的审核人员组中选择一审核人员,作为待推送审核人员。
可选地,所述方法还包括训练审核匹配模型,所述训练审核匹配模型包括如下步骤:
采集多个题目,将采集的题目的各个第一属性的第一属性值组成各个题目的特征向量,加入训练样本;
为训练样本中每个题目分配审核人员组,在所述训练样本中标记每个题目分配到的审核人员组;
采用所述训练样本训练所述审核匹配模型,所述审核匹配模型的输入为题目的特征向量,输出为题目与各个审核人员组的匹配度。
可选地,所述针对各个审核人员组,将其与各个指定待答题目的匹配度进行加和,包括如下步骤:
根据各个指定待答题目的设定影响度值,确定各个指定待答题目的权重值;
针对各个审核人员组,将其与各个指定待答题目的匹配度进行加权求和,审核人员组与各个指定待答题目的匹配度的权重值对应于该指定待答题目的权重值。
可选地,根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,包括如下步骤:
根据所述第一属性的第一属性值选择与所述指定待答题目相匹配的备选审核人员;
采集各个备选审核人员的审核历史数据和业务历史数据;
根据各个备选审核人员的审核历史数据和业务历史数据对所述审核人员从高到低进行排名;
选择排名最靠前的备选审核人员作为所述指定待答题目的审核人员。
可选地,所述将所述指定待答题目和对应的作答数据推送至所对应的审核人员终端,还包括如下步骤:
统计业务员在预设时间段内各个类别的题目的第一反馈数据,根据所述第一反馈数据中的反馈评分生成各个类别的评分变化曲线;
将所述评分变化曲线、所述指定待答题目和对应的作答数据推送至所对应的审核人员终端。
可选地,所述作答数据包括业务员作答的视频、文字、图像和音频中的至少一种;
所述根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的考核等级之前,还包括如下步骤:
在所述作答数据包括业务员作答的视频或图像时,对所述视频或图像进行人脸识别和表情识别,根据预设的人脸评分标准,自动生成人脸评分;
在所述作答数据包括业务员作答的文字或语音时,对所述语音进行文本识别,得到所述语音中作答的文字,根据预设的语法规则对所述作答的文字进行语法检查,得到语法检查结果,自动生成文字评分;
在所述作答数据包括业务员作答的视频或语音时,对所述视频或语音进行音频识别,根据预设的音频评分标准,自动生成语音评分;
将所述人脸评分、文字评分和语音评分进行求和,作为所述指定作答题目的第二反馈数据;
将所述第二反馈数据加入所述审核数据库,作为所述业务员的审核数据。
可选地,所述将所述人脸评分、文字评分和语音评分进行求和,包括如下步骤:
根据所述指定待答题目的类别查找所述类别所对应的人脸评分、文字评分和语音评分的权重值;
将所述人脸评分、文字评分和语音评分进行加权求和。
可选地,所述根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的考核等级,包括如下步骤:
获取所述业务员的当前等级;
判断所述审核数据库中审核数据是否满足预设的等级提升条件或预设的等级降低条件;
如果满足预设的等级提升条件,则提升所述业务员的等级;
如果满足预设的等级降低条件,则降低所述业务员的等级。
本发明实施例还提供一种业务员考核系统,应用于所述的业务员考核方法,所述系统包括:
题目提取模块,用于从题目数据库中提取业务员的指定待答题目;
审核匹配模块,用于根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员;
终端交互模块,用于在所述题目提取模块提取到指定待答题目后,将所述指定待答题目推送至业务终端,并从所述业务员终端获取业务员的作答数据;以及在所述审核匹配模块匹配到审核人员后,将所述指定待答题目和对应的作答数据推送至所对应的审核人员终端,并从所述审核人员终端获取第一反馈数据;以及将确定的业务员的等级推送至所述业务员终端;
等级评定模块,用于将第一反馈数据加入审核数据库,作为所述业务员的审核数据,并根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的等级。
本发明实施例还提供一种业务员考核设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行所述的业务员考核方法的步骤。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被执行时实现所述的业务员考核方法的步骤。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
本发明所提供的业务员考核方法、系统、设备及存储介质具有下列优点:
本发明解决了现有技术中的问题,为业务员推送预先设置好的题目,题目可以是虚拟客户问题,通过业务员回答虚拟客户问题的方式,基于技能考核而非业绩考核来实现业务员考核,相比于现有技术中业绩考核来说,考核更为客观,更能反映业务员的真实水平,并且无需依赖大量数据处理,提高了业务员考核效率,降低了业务员考核系统的负担;此外,本发明在业务员进行考核时自动根据题目和审核人员进行匹配,可以分配到最合适的审核官,并且提高技能考核审核效率,通过审核人员对业务员的有针对性的意见反馈和指导意见,快速提高业务员的技能水平和业务能力;业务员和审核官都可以在移动终端上利用碎片时间完成,简单快捷,符合当前主流办公人群的使用习惯,企业的业务负责人,可以通过业务员考核系统的后台对业务员的答题结果和审核人员的参与审核积极度进行宏观上的掌控和了解。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1是本发明第一实施例的业务员考核方法的流程图;
图2是本发明第一实施例的提取指定待答题目的流程图;
图3是本发明第一实施例的匹配审核人员的流程图;
图4是本发明第一实施例的业务员考核系统的结构示意图;
图5是本发明第一实施例的自动生成第二反馈数据的流程图;
图6是本发明第二实施例的匹配审核人员的流程图;
图7是本发明第二实施例的业务员考核系统的结构示意图;
图8是本发明第三实施例的匹配客户资源的流程图;
图9是本发明一实施例的业务员考核设备的示意图;
图10是本发明一实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
如图1所示,为了解决上述技术问题,本发明的第一实施例提供一种业务员考核方法,所述方法包括如下步骤:
S100:从题目数据库中提取业务员的指定待答题目,推送至业务员终端,题目数据库中存储有很多不同类别的题目,并且可以随着业务发展需要不断更新题目数据库,将不再需要考核的题目删除,或者新增考核题目;
业务员终端可以是业务员的手机、平板电脑、笔记本电脑等终端;
其中,题目可以是虚拟客户问题,业务员回答问题即模拟回答虚拟客户问题,通过该种方式,可以有效地锻炼业务员的话术水平并了解自己的话术弱点项;
S200:从所述业务员终端获取业务员的作答数据,作答数据可以包括业务员录制的作答题目的视频或音频,也可以包括业务员输入的文字数据,也可以包括对业务员拍摄的图像等,具体采集何种类型的数据可以根据需要设定为由业务员选择或者由题目本身性质决定;
S300:根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,将所述指定待答题目和对应的作答数据推送至所对应的审核人员终端;此处审核人员终端可以指的是审核人员的手机、平板电脑、笔记本电脑等终端;
S400:从所述审核人员终端获取审核人员反馈的第一反馈数据,将第一反馈数据加入审核数据库,作为所述业务员的审核数据,所述第一反馈数据可以包括审核人员对作答数据的评分,也可以包括审核人员对作答数据的评语或建议,也可以进一步包括审核人员对业务员是否升级或降级的意见;
在这个过程中,审核人员和答题的业务员互相不知晓对方身份,审核人员能看到的是题目和作答数据,业务员能看到的是评语、评分或建议,确保了审核结果公平公正;
进一步地,在收到审核人员的反馈数据后,可以将审核人员的评语或建议发送给业务员终端,业务员能够根据审核人员给出的有针对性的指导意见,在业务能力上有快速显著的提升;
S500:根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的等级,并用新确定的业务员的等级更新业务员的当前等级;
所述审核数据库中业务员的审核数据可以根据等级评定周期来进行更新。例如设定每周对业务员的等级进行评定更新一次,那么每次评定时,审核数据库中存储的是近一周内业务员的所有审核数据,在对业务员进行一次等级评定之后,将审核数据库中该业务员的审核数据删除。
S600:将所述业务员的等级推送至所述业务员终端,业务员可以在自己的终端上及时查看到自己的最新评定的技能等级。
因此,本发明的业务员考核方法通过技能考核而非业绩考核来实现业务员考核,相比于现有技术中业绩考核来说,考核更为客观,更能反映业务员的真实水平,并且无需依赖大量数据处理,提高了业务员考核效率,降低了业务员考核系统的负担,在业绩考核时通过步骤S500根据业务员作答题目的审核数据来进行技能考核,并且自动匹配考核等级评定条件,等级评定速度更高;此外,本发明在业务员进行考核时通过步骤S300自动根据题目和审核人员进行匹配,可以分配到最合适的审核官,并且提高技能考核审核效率。在业务员答题过程中和审核人员审核过程中,业务员和审核人员都可以在移动终端上利用碎片时间完成,简单快捷,符合当前主流办公人群的使用习惯;企业的业务负责人可以通过业务员考核系统的后台对业务员的答题结果和审核人员的参与审核积极度进行宏观上的掌控和了解。
如图2所示,在该实施例中,所述S100:从题目数据库中提取业务员的指定待答题目,包括如下步骤:
S110:获取所述题目数据库中各个题目的各个第一属性的第一属性值;
S120:获取所述业务员的各个第二属性的第二属性值;
S130:对于每个题目,根据第一属性和第二属性的对应关系,计算所述每个第一属性的第一属性值与所述业务员的对应第二属性的第二属性值的相似度,作为该第一属性的相似度,将各个第一属性的相似度加权求和,作为该题目与所述业务员的相似度;
S140:根据各个题目与所述业务员的相似度,将所述题目数据库中的各个题目从高到低进行排序;
S150:根据排序选择第一预设数量的题目,作为业务员的指定待答题目。
因此,本发明根据业务员的第二属性的第二属性值对业务员进行画像,根据业务员画像和题目的属性值进行匹配,为业务员选择与其匹配的指定待答题目,可以避免随机选择题目时导致的考核方向错误,而使得技能考核失效的问题。此外,通过自动根据业务员画像进行题目匹配,无需再通过人工进行题目选择,也可以提高题目选择的效率。
在该实施例中,所述第一属性可以包括难度等级、题目类别和题目关键词。例如,对于教育行业来说,题目的难度等级可能会分为高级、中级、初级等,题目类别可以分为多个维度,例如学科维度类别可能会分为英语、数学、语文、围棋,年龄维度类别可能会分为青少年、成人、幼儿等,题目关键词可以是题目中重复次数较多且不是常用的“的、呢、是”等辅助词的词语,或者是由出题人选择的关键词。
所述第二属性可以包括当前等级、业务范围和统计薄弱类别,所述难度等级与所述业务员当前等级相对应,对应地,业务员的当前等级也可以分为高级、中级、初级,或者难度等级和业务员当前等级都分为一级、二级、三级、四级等等。所述题目类别分别与所述业务范围和所述统计薄弱类别相对应,所述题目关键词分别与所述业务范围和所述统计薄弱类别相对应。所述业务范围可以包括多个,例如可以包括一个业务员的业务范围包括语文、数学、英语、青少年。
此处统计薄弱类别是在此之前统计的,一个预设长度的时间段内,业务员得到的第一反馈数据为负向反馈的次数比较多的类别。例如,统计业务员在预设长度的时间段内得到的第一反馈数据为负向反馈的负向题目,统计负向题目中各个类别的出现次数,将出现次数大于预设阈值的类别作为统计薄弱类别。
其中,对于第一反馈数据来说,如果包括评分,则评分大于一预设评分阈值的为正向反馈,评分小于一预设评分阈值的为负向反馈。如果第一反馈数据只包括评价文字,在评价文字中提取关键词,如果出现正向反馈所对应的正向关键词,则为正向反馈,如果出现负向反馈所对应的负向关键词,则为负向反馈。
具体地,在该实施例中,所述步骤S130:计算所述每个第一属性的第一属性值与所述业务员的对应第二属性的第二属性值的相似度,包括如下步骤:
S131:根据所述题目的难度等级m与所述业务员的当前等级n,计算所述题目的难度等级的相似度1/(m-n),如果m和n相等,则将所述题目的难度等级的相似度设定为预设最大值;
S132:计算所述题目的题目类别的词向量x,计算所述业务员的业务范围的词向量y,计算所述词向量x和所述词向量y的相似度;
词向量(Word Embedding),表示来自词汇表的单词或短语被映射到实数的向量。词向量涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入。在本发明中,词向量的生成可以采用预先训练好的神经网络模型等方式。
此处相似度可以是词向量x和词向量y之间的欧氏距离、余弦相似度等表示方法。下文中词向量之间的相似度的计算均可以是采用欧式距离、余弦相似度等计算方式。
此处,对于题目类别有多个、业务范围有多个的情况,可以分别计算每个题目类别和每个业务范围的相似度,然后全部加和,也可以将题目类别全部整合为一个词向量,将业务范围全部整合为一个词向量,然后计算两个整合得到的词向量之间的相似度。
S133:计算所述题目的统计薄弱类别的词向量z,计算所述词向量x和所述词向量z的相似度;
同样地,对于题目类别有多个、统计薄弱类别有多个的情况,可以根据计算每个题目类别和每个统计薄弱类别的相似度,然后全部加和,也可以将题目类别全部整合为一个词向量,将统计薄弱类别全部整合为一个词向量,然后计算两个整合得到的词向量之间的相似度。
S134:计算所述题目的题目关键词的词向量p,计算所述词向量p和所述词向量y的相似度,并计算所述词向量p与所述词向量z的相似度。
此处各个相似度的计算顺序仅为示例,在实际应用中,上述各个计算相似度的步骤之间的顺序可以调换,均属于本发明的保护范围之内。
同样地,对于关键词有多个的情况,也可以如上所述分别计算每个关键词的相似度,然后加和,或者将多个关键词整合为一个统一的词向量。
进一步地,所述步骤S150:根据排序选择第一预设数量的题目,包括如下步骤:
S151:统计预设时间段内业务员已作答且对应的第一反馈数据为正向反馈的题目,因为这些题目业务员已经完成得很好了,如果重复出现就失去考核意义了,也会浪费业务员和审核人员的时间,造成题目重复审核,降低业务员考核效率,因此,将统计的题目从排序后的题目中筛除;
S152:在排序后的题目中选择相似度最高的第一预设数量的题目。第一预设数量的值可以根据需要选择,每次可以选择多道指定待答题目来一并推送给业务员进行考核。
如图3所示,在该实施例中,所述步骤S300:根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,包括如下步骤:
S310:根据各个所述指定待答题目的各个第一属性的第一属性值组成各个题目的特征向量;
S320:将各个所述指定待答题目的特征向量输入至训练好的审核组匹配模型,得到各个审核人员组与该指定待答题目的匹配度;
此处审核组匹配模型为训练好的神经网络模型,例如可以选择卷积神经网络模型等。考虑到审核人员可能会发生人员变动,如果直接以具体的审核人员来进行模型训练势必导致模型需要不断地重复训练。因此,在该实施例中,将审核人员进行了分组,每个分组中的审核人员具有一定的共同特性,在新加入审核人员时,根据其特性加入其中一个分组即可,在删除一个审核人员时也不会对审核组匹配模型造成影响;
S330:从匹配度最高的审核人员组中选择一审核人员,作为该指定待答题目的待推送审核人员,将所述指定待答题目和对应的作答数据推送至所对应的待推送审核人员。
在从审核人员组中选择审核人员时,可以是根据各个审查人员的空闲状态进行选择,例如建立每个审核人员的工作任务队列,选择工作任务队列中待完成的审核任务最少的审核人员。在将所述指定待答题目和对应的作答数据推送至所对应的待推送审核人员,将所述指定待答题目所对应的审核任务添加到该审核人员的工作任务队列中,并且在接收到审核人员的第一反馈数据时,将所对应的审核任务从该审核人员的工作任务队列中删除。这样,在分配审核人员时,不仅可以充分考虑到审核人员与题目的匹配程度,还可以考虑审核人员的空闲程度,实现任务均衡分配,避免出现有的审核人员工作量很多而导致审核任务无法及时完成的情况。
此外,如果一个审核人员组中所有审核人员的待完成的审核任务都很多,超出一个任务阈值,则可以选择匹配度第二高的审核人员组中的审核人员。
在该实施例中,所述业务员考核方法还包括训练审核匹配模型,所述训练审核匹配模型包括如下步骤:
采集多个题目,将采集的题目的各个第一属性的第一属性值组成各个题目的特征向量,每个题目的第一属性值即组成了这个题目的“画像”,将每个题目的特征向量加入训练样本;
为训练样本中每个题目分配审核人员组,在所述训练样本中标记每个题目分配到的审核人员组;
采用所述训练样本训练所述审核匹配模型,所述审核匹配模型的输入为题目的特征向量,输出选择每个审核人员组的概率,即为题目与各个审核人员组的匹配度。
在另一种可替代的实施方式中,所述步骤S300:根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,可以不采用所述审核匹配模型,而采用审核人员排名选择的方式,具体地,包括如下步骤:
根据所述第一属性的第一属性值选择与所述指定待答题目相匹配的备选审核人员,此处匹配可以是备选审核人员过去审核过与该指定待答题目类似的题目或者业务范围与该指定待答题目相吻合;
采集各个备选审核人员的审核历史数据和业务历史数据,所述审核历史数据即为审核人员过去的审核表现,包括审核人员的审核反馈速度、评价是否公正、指导性建议是否具有高价值等,对于审核人员的审核表现的评价可以由之前被审核的业务员的反馈得到,也可以由企业的项目负责人进行评判,业务历史数据即审核人员个人或团队的业务KPI等数据;
根据各个备选审核人员的审核历史数据和业务历史数据对所述审核人员从高到低进行排名,排名越靠前的审核人员为过去审核表现越好、业务表现越好的人员;
选择排名最靠前的备选审核人员作为所述指定待答题目的审核人员。整个过程审核官和答题者互不知晓对方身份,确保了审核结果公平公正,并且可以为题目选择最合适的审核人员,提高审核效率,并且有助于提高业务员的技能水平。
如图4所示,本发明实施例还提供一种业务员考核系统,应用于所述的业务员考核方法,所述系统包括:
题目提取模块M100,用于从题目数据库中提取业务员的指定待答题目;其中,所述题目数据库中存储有备选的多个题目,可以随着业务发展需求不断更新;
审核匹配模块M200,用于根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,具体地,可以采用如上所述的审核组匹配模型来进行审核组匹配,然后从审核组中选择审核人员;
终端交互模块M300,用于与业务终端和审核人员终端进行通信,业务终端和审核人员终端可以是手机、平板电脑、笔记本、台式机等终端,具有网络通信能力,具体地,所述终端交互模块M300在所述题目提取模块提取到指定待答题目后,将所述指定待答题目推送至业务终端,并从所述业务员终端获取业务员的作答数据;以及在所述审核匹配模块匹配到审核人员后,将所述指定待答题目和对应的作答数据推送至所对应的审核人员终端,并从所述审核人员终端获取第一反馈数据;以及将确定的业务员的等级推送至所述业务员终端;
等级评定模块M400,用于将第一反馈数据加入审核数据库,作为所述业务员的审核数据,并根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的等级,如上所述,所述审核数据库中业务员的审核数据可以根据等级评定周期来进行更新。
本发明的业务员考核系统通过技能考核而非业绩考核来实现业务员考核,相比于现有技术中业绩考核来说,考核更为客观,更能反映业务员的真实水平,并且无需依赖大量数据处理,提高了业务员考核效率,降低了业务员考核系统的负担,在业绩考核时通过等级评定模块M400根据业务员作答题目的审核数据来进行技能考核,并且自动匹配考核等级评定条件,等级评定速度更高;此外,本发明在业务员进行考核时通过审核匹配模块M200自动根据题目和审核人员进行匹配,可以分配到最合适的审核官,并且提高技能考核审核效率。
在该实施例中,在对业务员的作答数据由审核人员进行人工审核的基础上,还进一步增加了计算机的自动审核,由此进行人机结合,结合人工审核结果和计算机审核结果,得到更加客观合理的审核结果。
如图4所示,所述业务员考核系统还可以包括自动评分模块M500,用于根据业务员的作答数据进行自动计算机分析,得到计算机自动评分的第二反馈数据。
如图5所示,所述步骤S200之后,所述步骤S400根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的考核等级之前,还包括根据业务员的作答数据进行自动计算机分析,得到计算机自动评分的第二反馈数据,所述第二反馈数据可以包括人脸评分、文字评分、语音评分等等。具体地,自动生成第二反馈数据包括如下步骤:
S210:判断所述作答数据是否包括业务员作答时的视频或图像,如果是,则继续步骤S220,否则,将人脸评分设定为默认值,以避免后期计算时值为空引起错误,然后继续步骤S230;
S220:在所述作答数据包括业务员作答的视频或图像时,对所述视频或图像进行人脸识别和表情识别,根据预设的人脸评分标准,自动生成人脸评分,然后继续步骤S230;人脸识别和表情识别可以采用神经网络模型进行,例如采用主动形状模型进行人脸识别,采用训练好的卷积神经网络进行表情分类,预设的人脸评分标准可以包括每个评分所对应的表情类型、人脸在屏幕中的位置范围、人脸尺寸与屏幕尺寸的比例范围等等,具体评分标准可以根据需要设定;
S230:判断所述作答数据是否包括业务员作答的文字或语音,如果是,则继续步骤S240,否则,将文字评分均设定为默认值,然后继续步骤S250;
S240:在所述作答数据包括业务员作答的文字或语音时,如果包括的是语音,则对所述语音进行文本识别,得到所述语音中作答的文字,如果包括的是文字,则直接得到作答的文字,根据预设的语法规则对所述作答的文字进行语法检查,得到语法检查结果,自动生成文字评分;
此处对语音的识别可以采用现有技术中的语音转文本技术,语法检查可以采用预设的检查条件,例如检查是否有连续重复词,检查主谓宾顺序等等。文字不同评分可以对应语法错误的数量或语法错误的类别等等,具体评分标准可以根据需要设定。
S250:判断所述作答数据是否包括业务员作答的视频或语音,如果是,则继续步骤S260,否则将语音评分设定为默认值,然后继续步骤S270;
S260:在所述作答数据包括业务员作答的视频或语音时,对所述视频或语音进行音频识别,根据预设的音频评分标准,自动生成语音评分;
此处对音频的评分可以包括结合音量、音频、断句时间长度等多种因素来进行评分,不同的语音评分分别对应不同的音量范围、音频范围、断句时间长度范围等,具体评分标准可以根据需要设定;
S270:将所述人脸评分、文字评分和语音评分进行求和,作为所述指定作答题目的第二反馈数据;上述生成人脸评分、文字评分和语音评分的顺序仅为示例,在实际应用中,人脸评分、文字评分和语音评分的生成顺序可以调换,例如先生成文字评分,或者先生成语音评分等等,均属于本发明的保护范围之内;
S280:将所述第二反馈数据加入所述审核数据库,作为所述业务员的审核数据。
在该实施例中,所述S270:将所述人脸评分、文字评分和语音评分进行求和,包括如下步骤:
S271:根据所述指定待答题目的类别查找所述类别所对应的人脸评分、文字评分和语音评分的权重值;
即对应于不同的题目类别,人脸评分、文字评分和语音评分的权重值是不同的,例如对于青少年类别来说,文字评分权重值可能较高,对于幼儿类别来说,人脸评分权重值可能更高;
S272:将所述人脸评分、文字评分和语音评分进行加权求和。
在实际应用中,针对不同的业务类型,对业务员的不同方面的要求可能是不同的。因此,本发明可以结合题目的类别来设定不同评价因素(人脸、文字、语音)的权重值,来实现更客观准确的计算机自动评分。
在该实施例中,所述步骤S500:根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的考核等级,包括如下步骤:
S510:获取所述业务员的当前等级;
S520:判断所述审核数据库中审核数据是否满足预设的等级提升条件或预设的等级降低条件;
S530:如果满足预设的等级提升条件,则提升所述业务员的等级;
S540:如果满足预设的等级降低条件,则降低所述业务员的等级。
预设的等级提升条件可以包括第一反馈数据中的评分值要求、第二反馈数据中的评分值要求、第一反馈数据中是否包括升级建议等等。预设的等级降低条件可以包括第一反馈数据中的评分值要求、第二反馈数据中的评分值要求、第一反馈数据中是否包括降级建议等等。
本发明的业务员考核系统中各个模块的功能可以采用上述业务员考核方法的各个步骤的具体实施方式实现,例如,题目提取模块M100可以采用步骤S110~S150来进行题目选择,审核匹配模块M200可以采用步骤S310~S330来进行审核人员匹配,等级评定模块M400可以采用步骤S510~S540来进行等级评定,此处不再予以赘述。
本发明还提供了第二实施例的业务员考核方法和系统,该实施例与第一实施例的区别在于,在一个业务员作答了多个需要审核的指定待答题目时,综合选择一位审查人员,将业务员在预设时间段内作答的所有题目的题目和作答数据都分配给同一个审核人员进行审核,方便第一审核数据统计。
如图6所示,具体地,在该实施例中,所述步骤S300:所述审核匹配模块根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,包括如下步骤:
S310:根据各个所述指定待答题目的各个第一属性的第一属性值组成各个题目的特征向量;
S320:将各个所述指定待答题目的特征向量输入至训练好的审核组匹配模型,得到各个审核人员组与该指定待答题目的匹配度;
S330:针对各个审核人员组,将其与各个指定待答题目的匹配度进行加和,得到各个审核人员组的匹配度;
例如,对于同一业务员,其待审核的指定待答题目的数量为10个,则将其10个指定待答题目与一审核人员组的匹配度进行加和,得到该匹配人员组与该10个指定待答题目的综合匹配度;
S340:从匹配度最高的审核人员组中选择一审核人员,作为所述指定待答题目的待推送审核人员,由所述终端交互模块将所述指定待答题目和对应的作答数据推送至所对应的待推送审核人员。
这样在将作答的题目进行分配时,可以选择能够审核的能力与作答题目的特性覆盖程度最高的审核人员,审核人员在对业务员的每道题目分别进行评分后,还可以对此次作答的多道指定待答题目的作答数据给出一个综合评分。并且,该实施例与前一实施例相比,作答数据分配不至于过于分散,更加便于作答数据和反馈数据的管理。
同样地,在采用计算机进行第二反馈数据的自动生成时,也可以结合多道指定待答题目的视频、音频、文字、图像等进行综合评定。
在该实施例中,所述步骤S330:针对各个审核人员组,将其与各个指定待答题目的匹配度进行加和,包括如下步骤:
S331:根据各个指定待答题目的设定影响度值,确定各个指定待答题目的权重值;此处指定待答题目的设定影响度值也就是设定的各个题目的重要程度,例如,一道题目专业性比较强,在实际应用中业务员遇到同类问题的可能性比较高,该题目的设定影响度值可以设定得比较高,反之可以设定得比较低;
S332:针对各个审核人员组,将其与各个指定待答题目的匹配度进行加权求和,审核人员组与各个指定待答题目的匹配度的权重值对应于该指定待答题目的权重值。
因此,本发明在分配审核人员组时,综合考虑各个题目的重要程度,保证比较重要的题目能够优先被更相关更专业的审核人员审核到,提高审核效率和效果。
在该实施例中,所述步骤S400中,将所述指定待答题目和对应的作答数据推送至所对应的审核人员终端,还包括如下步骤:
S410:统计业务员在预设时间段内各个类别的题目的第一反馈数据,根据所述第一反馈数据中的反馈评分生成各个类别的评分变化曲线;
S420:将所述评分变化曲线、所述指定待答题目和对应的作答数据推送至所对应的审核人员终端,给审核人员更加直观的可视化图形,通过图形相比于文字对审核人员更强的视觉刺激,审核人员可以更快速地了解到被审核的业务员当前的业务水平。
进一步地,本发明还提供了第三实施例的业务员考核方法和系统,该实施例与第一实施例和第二实施例的区别主要在于:在选择指定待答题目时,结合业务员当前已经有的客户资源类别来选择;并且在为业务员评定等级后,根据业务员的等级来选择客户资源,等级高的业务员可以优先匹配好的客户资源。
在该实施例中,所述第二属性还包括所述业务员的当前客户资源类别,所述当前客户资源类别和所述题目类别相对应。即预先对客户资源进行分类,将客户资源分为各个不同的类别,每个客户资源也可以有多个类别标签,例如,一批客户资源的类别为语文、数学、青少年,另一批客户资源的类别为英语、成人。划分类别可以是根据该批客户资源的潜在需求来进行划分的。例如,对于一些青少年的父母,其平时比较关注于青少年学习,则可以将其划分入青少年类别,对于一些职场人员,其需要比较多的英语学习,可以将其划分入英语的类别和成人的类别。一批客户资源可以包括多个相似程度较高、类别划分相同、优质程度相同的客户信息。
所述步骤S130:计算所述每个第一属性的第一属性值与所述业务员的对应第二属性的第二属性值的相似度,还包括如下步骤:
S135:计算所述业务员的当前客户资源类别的词向量u,计算所述词向量x和所述词向量u的相似度,并所述词向量p和所述词向量u的相似度。业务员的当前客户资源类别即为业务员当前已经被分配到的客户资源的类别,为了使得业务员更好地服务于当前的客户,优先选择一些相关度比较高的题目进行考核。
如图7所示,所述业务员考核系统还可以包括资源分配模块M600,所述资源分配模块M600用于根据业务员的根据业务员的等级来选择客户资源,等级高的业务员可以优先匹配好的客户资源。具体地,所述确定业务员的等级之后,还包括如下步骤:
S700:采用新确定的业务员的等级更新所述业务员的当前等级n,为业务员选择与客户资源等级a等于所述业务员的当前等级n的客户资源,将选择的客户资源的客户信息推送至所述业务员,并记录所述业务员与选择的客户资源的对应关系,选择的客户资源也就成为了业务员当前服务的客户资源。客户资源的客户信息可以包括客户的姓名、年龄、联系方式、潜在需求类别等信息,方便业务员与客户进行沟通和服务。
进一步地,在为业务员分配客户资源时,为了提高业务员对客户的服务质量,提高业务员的服务转化率和沟通效率,还进一步跟进客户潜在需求与业务员的能力进行匹配,为客户选择更合适的业务员。
具体地,如图8所示,在该实施例中,所述步骤S700包括如下步骤:
S710:采用新确定的业务员的等级更新所述业务员的当前等级n;
S720:选择客户资源等级a等于或低于业务员的当前等级n的备选客户资源,计算备选客户资源的等级a与业务员的等级n的等级相似度1/(n-a),如果n和a相等,则将备选客户资源的等级相似度设定为预设最大值;
S730:统计预设时间段内业务员已作答且对应的第一反馈数据为正向反馈的题目,作为正向题目,统计正向题目中各个类别的出现次数,将各个类别的出现次数作为各个类别的相似度;
S740:确定所述备选客户资源所对应的类别,将所对应的类别的相似度作为所述备选客户资源的类别相似度;
S750:根据所述备选客户资源的等级相似度和类别相似度计算所述备选客户资源与所述业务员的总相似度;
S760:选择总相似度最高的第二预设数量的备选客户资源,将选择的备选客户资源的客户信息推送至所述业务员,并记录所述业务员与选择的备选客户资源的对应关系。
本发明实施例还提供一种业务员考核设备,包括处理器;存储器,其中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行所述的业务员考核方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
下面参照图9来描述根据本发明的这种实施方式的电子设备600。图9显示的电子设备600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9所示,电子设备600以通用计算设备的形式表现。电子设备600的组合可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组合(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述业务员考核方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤。具体地,所述处理单元610在执行图1中各个步骤时,具体的步骤执行方式可以采用上述业务员考核方法的各个步骤的具体实施方式,再次不予赘述。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205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。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660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。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600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、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被执行时实现所述的业务员考核方法的步骤。在一些可能的实施方式中,本发明的各个方面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本说明书上述业务员考核方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图10所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
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操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,与现有技术相比,本发明所提供的业务员考核方法、系统、设备及存储介质具有下列优点:
本发明解决了现有技术中的问题,为业务员推送预先设置好的题目,题目可以是虚拟客户问题,通过业务员回答虚拟客户问题的方式,基于技能考核而非业绩考核来实现业务员考核,相比于现有技术中业绩考核来说,考核更为客观,更能反映业务员的真实水平,并且无需依赖大量数据处理,提高了业务员考核效率,降低了业务员考核系统的负担;此外,本发明在业务员进行考核时自动根据题目和审核人员进行匹配,可以分配到最合适的审核官,并且提高技能考核审核效率;在业务员答题过程中和审核人员审核过程中,业务员和审核人员都可以在移动终端上利用碎片时间完成,简单快捷,符合当前主流办公人群的使用习惯;企业的业务负责人可以通过业务员考核系统的后台对业务员的答题结果和审核人员的参与审核积极度进行宏观上的掌控和了解。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (17)
1.一种业务员考核方法,其特征在于,包括如下步骤:
从题目数据库中提取业务员的指定待答题目,推送至业务员终端;
从所述业务员终端获取业务员的作答数据;
根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,将所述指定待答题目和对应的作答数据推送至所对应的审核人员终端;
从所述审核人员终端获取第一反馈数据,将第一反馈数据加入审核数据库,作为所述业务员的审核数据;
根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的等级;
将所述业务员的等级推送至所述业务员终端。
2.根据权利要求1所述的业务员考核方法,其特征在于,所述从题目数据库中提取业务员的指定待答题目,包括如下步骤:
获取所述题目数据库中各个题目的各个第一属性的第一属性值;
获取所述业务员的各个第二属性的第二属性值;
对于每个题目,根据第一属性和第二属性的对应关系,计算所述每个第一属性的第一属性值与所述业务员的对应第二属性的第二属性值的相似度,作为该第一属性的相似度,将各个第一属性的相似度加权求和,作为该题目与所述业务员的相似度;
根据各个题目与所述业务员的相似度,将所述题目数据库中的各个题目从高到低进行排序;
根据排序选择第一预设数量的题目,作为业务员的指定待答题目。
3.根据权利要求2所述的业务员考核方法,其特征在于,所述第一属性包括难度等级、题目类别和题目关键词,所述第二属性包括当前等级、业务范围和统计薄弱类别,所述难度等级与所述业务员当前等级相对应,所述题目类别分别与所述业务范围和所述统计薄弱类别相对应,所述题目关键词分别与所述业务范围和所述统计薄弱类别相对应;
所述计算所述每个第一属性的第一属性值与所述业务员的对应第二属性的第二属性值的相似度,包括如下步骤:
根据所述题目的难度等级m与所述业务员的当前等级n,计算所述题目的难度等级的相似度1/(m-n),如果m和n相等,则将所述题目的难度等级的相似度设定为预设最大值;
计算所述题目的题目类别的词向量x,计算所述业务员的业务范围的词向量y,计算所述词向量x和所述词向量y的相似度;
计算所述题目的统计薄弱类别的词向量z,计算所述词向量x和所述词向量z的相似度;
计算所述题目的题目关键词的词向量p,计算所述词向量p和所述词向量y的相似度,并计算所述词向量p与所述词向量z的相似度。
4.根据权利要求3所述的业务员考核方法,其特征在于,所述第二属性还包括所述业务员的当前客户资源类别,所述当前客户资源类别和所述题目类别相对应;
所述计算所述每个第一属性的第一属性值与所述业务员的对应第二属性的第二属性值的相似度,还包括如下步骤:
计算所述业务员的当前客户资源类别的词向量u,计算所述词向量x和所述词向量u的相似度,并所述词向量p和所述词向量u的相似度。
5.根据权利要求4所述的业务员考核方法,其特征在于,所述确定业务员的等级之后,还包括如下步骤:
采用新确定的业务员的等级更新所述业务员的当前等级n;
选择客户资源等级a等于或低于业务员的当前等级n的备选客户资源,计算备选客户资源的等级a与业务员的等级n的等级相似度1/(n-a),如果n和a相等,则将备选客户资源的等级相似度设定为预设最大值;
统计预设时间段内业务员已作答且对应的第一反馈数据为正向反馈的题目,作为正向题目,统计正向题目中各个类别的出现次数,将各个类别的出现次数作为各个类别的相似度;
确定所述备选客户资源所对应的类别,将所对应的类别的相似度作为所述备选客户资源的类别相似度;
根据所述备选客户资源的等级相似度和类别相似度计算所述备选客户资源与所述业务员的总相似度;
选择总相似度最高的第二预设数量的备选客户资源,将选择的备选客户资源的客户信息推送至所述业务员,并记录所述业务员与选择的备选客户资源的对应关系。
6.根据权利要求2所述的业务员考核方法,其特征在于,所述根据排序选择第一预设数量的题目,包括如下步骤:
统计预设时间段内业务员已作答且对应的第一反馈数据为正向反馈的题目,将统计的题目从排序后的题目中筛除;
在排序后的题目中选择相似度最高的第一预设数量的题目。
7.根据权利要求1所述的业务员考核方法,其特征在于,所述根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,包括如下步骤:
根据各个所述指定待答题目的各个第一属性的第一属性值组成各个题目的特征向量;
将各个所述指定待答题目的特征向量输入至训练好的审核组匹配模型,得到各个审核人员组与该指定待答题目的匹配度;
针对各个审核人员组,将其与各个指定待答题目的匹配度进行加和,得到各个审核人员组的匹配度;
从匹配度最高的审核人员组中选择一审核人员,作为待推送审核人员。
8.根据权利要求7所述的业务员考核方法,其特征在于,所述方法还包括训练审核匹配模型,所述训练审核匹配模型包括如下步骤:
采集多个题目,将采集的题目的各个第一属性的第一属性值组成各个题目的特征向量,加入训练样本;
为训练样本中每个题目分配审核人员组,在所述训练样本中标记每个题目分配到的审核人员组;
采用所述训练样本训练所述审核匹配模型,所述审核匹配模型的输入为题目的特征向量,输出为题目与各个审核人员组的匹配度。
9.根据权利要求7所述的业务员考核方法,其特征在于,所述针对各个审核人员组,将其与各个指定待答题目的匹配度进行加和,包括如下步骤:
根据各个指定待答题目的设定影响度值,确定各个指定待答题目的权重值;
针对各个审核人员组,将其与各个指定待答题目的匹配度进行加权求和,审核人员组与各个指定待答题目的匹配度的权重值对应于该指定待答题目的权重值。
10.根据权利要求1所述的业务员考核方法,其特征在于,根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员,包括如下步骤:
根据所述第一属性的第一属性值选择与所述指定待答题目相匹配的备选审核人员;
采集各个备选审核人员的审核历史数据和业务历史数据;
根据各个备选审核人员的审核历史数据和业务历史数据对所述审核人员从高到低进行排名;
选择排名最靠前的备选审核人员作为所述指定待答题目的审核人员。
11.根据权利要求1所述的业务员考核方法,其特征在于,所述将所述指定待答题目和对应的作答数据推送至所对应的审核人员终端,还包括如下步骤:
统计业务员在预设时间段内各个类别的题目的第一反馈数据,根据所述第一反馈数据中的反馈评分生成各个类别的评分变化曲线;
将所述评分变化曲线、所述指定待答题目和对应的作答数据推送至所对应的审核人员终端。
12.根据权利要求1所述的业务员考核方法,其特征在于,所述作答数据包括业务员作答的视频、文字、图像和音频中的至少一种;
所述根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的考核等级之前,还包括如下步骤:
在所述作答数据包括业务员作答的视频或图像时,对所述视频或图像进行人脸识别和表情识别,根据预设的人脸评分标准,自动生成人脸评分;
在所述作答数据包括业务员作答的文字或语音时,对所述语音进行文本识别,得到所述语音中作答的文字,根据预设的语法规则对所述作答的文字进行语法检查,得到语法检查结果,自动生成文字评分;
在所述作答数据包括业务员作答的视频或语音时,对所述视频或语音进行音频识别,根据预设的音频评分标准,自动生成语音评分;
将所述人脸评分、文字评分和语音评分进行求和,作为所述指定作答题目的第二反馈数据;
将所述第二反馈数据加入所述审核数据库,作为所述业务员的审核数据。
13.根据权利要求12所述的业务员考核方法,其特征在于,所述将所述人脸评分、文字评分和语音评分进行求和,包括如下步骤:
根据所述指定待答题目的类别查找所述类别所对应的人脸评分、文字评分和语音评分的权重值;
将所述人脸评分、文字评分和语音评分进行加权求和。
14.根据权利要求1所述的业务员考核方法,其特征在于,所述根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的考核等级,包括如下步骤:
获取所述业务员的当前等级;
判断所述审核数据库中审核数据是否满足预设的等级提升条件或预设的等级降低条件;
如果满足预设的等级提升条件,则提升所述业务员的等级;
如果满足预设的等级降低条件,则降低所述业务员的等级。
15.一种业务员考核系统,其特征在于,应用于权利要求1至14中任一项所述的业务员考核方法,所述系统包括:
题目提取模块,用于从题目数据库中提取业务员的指定待答题目;
审核匹配模块,用于根据所述指定待答题目的各个第一属性的第一属性值匹配审核人员;
终端交互模块,用于在所述题目提取模块提取到指定待答题目后,将所述指定待答题目推送至业务终端,并从所述业务员终端获取业务员的作答数据;以及在所述审核匹配模块匹配到审核人员后,将所述指定待答题目和对应的作答数据推送至所对应的审核人员终端,并从所述审核人员终端获取第一反馈数据;以及将确定的业务员的等级推送至所述业务员终端;
等级评定模块,用于将第一反馈数据加入审核数据库,作为所述业务员的审核数据,并根据所述审核数据库中审核数据和预设的考核等级评定条件,确定业务员的等级。
16.一种业务员考核设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至14中任一项所述的业务员考核方法的步骤。
17.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时实现权利要求1至14中任一项所述的业务员考核方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192628.1A CN111507573A (zh) | 2020-03-18 | 2020-03-18 | 业务员考核方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192628.1A CN111507573A (zh) | 2020-03-18 | 2020-03-18 | 业务员考核方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507573A true CN111507573A (zh) | 2020-08-07 |
Family
ID=71875800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010192628.1A Pending CN111507573A (zh) | 2020-03-18 | 2020-03-18 | 业务员考核方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507573A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037099A (zh) * | 2020-09-23 | 2020-12-04 | 广东电网有限责任公司 | 培训考核的方法、装置、电子设备及可读存储介质 |
CN112259201A (zh) * | 2020-09-15 | 2021-01-22 | 中国医科大学附属盛京医院 | 基于双重加权的医疗机构新冠肺炎感染防控能力评估系统 |
CN112488851A (zh) * | 2020-11-20 | 2021-03-12 | 中国人寿保险股份有限公司 | 一种自动生成销售员等级的方法、装置及电子设备 |
CN113240323A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于机器学习的水平评测方法、装置及相关设备 |
CN113450006A (zh) * | 2021-07-02 | 2021-09-28 | 作业帮教育科技(北京)有限公司 | 一种自动分配题目生产任务的方法、装置及存储介质 |
CN113822566A (zh) * | 2021-09-17 | 2021-12-21 | 平安养老保险股份有限公司 | 业务考核处理方法、装置、计算机设备和存储介质 |
CN117350850A (zh) * | 2023-12-06 | 2024-01-05 | 四川享宇科技有限公司 | 一种基于位置和填空行为数据进行信用评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978630A (zh) * | 2015-06-19 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 一种智能测试方法和装置 |
CN108564255A (zh) * | 2018-03-22 | 2018-09-21 | 中国平安人寿保险股份有限公司 | 匹配模型构建方法、孤儿单分配方法、装置、介质及终端 |
CN109345417A (zh) * | 2018-08-14 | 2019-02-15 | 平安普惠企业管理有限公司 | 基于身份认证的业务人员的在线考核方法及终端设备 |
CN109685353A (zh) * | 2018-12-18 | 2019-04-26 | 口碑(上海)信息技术有限公司 | 数据审核任务处理方法及装置 |
CN110263132A (zh) * | 2019-04-17 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 项目案件推送方法以及装置 |
CN110288485A (zh) * | 2019-05-16 | 2019-09-27 | 阿里巴巴集团控股有限公司 | 基于位置的审核成员筛选方法以及装置 |
-
2020
- 2020-03-18 CN CN202010192628.1A patent/CN111507573A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978630A (zh) * | 2015-06-19 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 一种智能测试方法和装置 |
CN108564255A (zh) * | 2018-03-22 | 2018-09-21 | 中国平安人寿保险股份有限公司 | 匹配模型构建方法、孤儿单分配方法、装置、介质及终端 |
CN109345417A (zh) * | 2018-08-14 | 2019-02-15 | 平安普惠企业管理有限公司 | 基于身份认证的业务人员的在线考核方法及终端设备 |
CN109685353A (zh) * | 2018-12-18 | 2019-04-26 | 口碑(上海)信息技术有限公司 | 数据审核任务处理方法及装置 |
CN110263132A (zh) * | 2019-04-17 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 项目案件推送方法以及装置 |
CN110288485A (zh) * | 2019-05-16 | 2019-09-27 | 阿里巴巴集团控股有限公司 | 基于位置的审核成员筛选方法以及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112259201A (zh) * | 2020-09-15 | 2021-01-22 | 中国医科大学附属盛京医院 | 基于双重加权的医疗机构新冠肺炎感染防控能力评估系统 |
CN112037099A (zh) * | 2020-09-23 | 2020-12-04 | 广东电网有限责任公司 | 培训考核的方法、装置、电子设备及可读存储介质 |
CN112488851A (zh) * | 2020-11-20 | 2021-03-12 | 中国人寿保险股份有限公司 | 一种自动生成销售员等级的方法、装置及电子设备 |
CN113240323A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于机器学习的水平评测方法、装置及相关设备 |
CN113240323B (zh) * | 2021-06-01 | 2023-08-29 | 平安科技(深圳)有限公司 | 基于机器学习的水平评测方法、装置及相关设备 |
CN113450006A (zh) * | 2021-07-02 | 2021-09-28 | 作业帮教育科技(北京)有限公司 | 一种自动分配题目生产任务的方法、装置及存储介质 |
CN113822566A (zh) * | 2021-09-17 | 2021-12-21 | 平安养老保险股份有限公司 | 业务考核处理方法、装置、计算机设备和存储介质 |
CN117350850A (zh) * | 2023-12-06 | 2024-01-05 | 四川享宇科技有限公司 | 一种基于位置和填空行为数据进行信用评价方法 |
CN117350850B (zh) * | 2023-12-06 | 2024-02-23 | 四川享宇科技有限公司 | 一种基于位置和填空行为数据进行信用评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507573A (zh) | 业务员考核方法、系统、设备及存储介质 | |
CN107851097B (zh) | 数据分析系统、数据分析方法、数据分析程序及存储介质 | |
CN112733042B (zh) | 推荐信息的生成方法、相关装置及计算机程序产品 | |
US11709875B2 (en) | Prioritizing survey text responses | |
US11386354B2 (en) | Information processing apparatus, information processing method, and program | |
CN111080055A (zh) | 酒店评分方法、酒店推荐方法、电子装置和存储介质 | |
CN110795542A (zh) | 对话方法及相关装置、设备 | |
CN113407677B (zh) | 评估咨询对话质量的方法、装置、设备和存储介质 | |
CN111314566A (zh) | 一种语音质检方法、装置与系统 | |
CN112163081A (zh) | 标签确定方法、装置、介质及电子设备 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN113505606B (zh) | 一种培训信息获取方法、装置、电子设备及存储介质 | |
CN113870998A (zh) | 问诊方法、装置、电子设备和存储介质 | |
CN112330387A (zh) | 一种应用于看房软件的虚拟经纪人 | |
CN116402166A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN115080741A (zh) | 一种问卷调查分析方法、装置、存储介质及设备 | |
CN112800230B (zh) | 文本处理方法、装置、计算机可读存储介质及电子设备 | |
KR102309778B1 (ko) | 자연어 처리 기술을 이용한 자기소개서 평가 시스템 및 방법 | |
CN111178982B (zh) | 客户满意度的分析方法、存储介质和计算机设备 | |
CN114240250A (zh) | 一种职业评测的智能管理方法及系统 | |
CN111506827A (zh) | 业务员问答互动方法、平台、设备及存储介质 | |
CN111881287B (zh) | 一种分类模糊性分析方法及装置 | |
CN111046151A (zh) | 一种消息处理方法及装置 | |
CN117332066B (zh) | 一种基于大模型的智能坐席文本处理方法 | |
CN115098664B (zh) | 智能问答方法、装置、电子设备和计算机可读介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210105 Address after: 200030 unit 01, room 801, 166 Kaibin Road, Xuhui District, Shanghai Applicant after: Shanghai Ping An Education Technology Co.,Ltd. Address before: 152, 86 Tianshui Road, Hongkou District, Shanghai Applicant before: TUTORABC NETWORK TECHNOLOGY (SHANGHAI) Co.,Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200807 |