CN111695819A - 一种坐席人员排班方法和装置 - Google Patents

Abstract

本发明公开了一种坐席人员排班方法和装置。该方法包括：根据历史排班数据选取影响客户满意度的特征变量；基于影响客户满意度的所述特征变量获得权重参数的初始值；所述权重参数是表示与其对应的所述特征变量的重要程度的参数；对所述权重参数的初始值进行优化，获得所述权重参数的优化值；根据所述权重参数的优化值优化逻辑回归模型，获得排班优化模型；利用所述排班优化模型对坐席人员进行排班。该方法能够在保障客户满意度的前提下对坐席人员进行灵活排班，提高排班成效。

Description

一种坐席人员排班方法和装置

技术领域

本发明涉及信息处理技术领域，具体涉及一种坐席人员排班方法和装置。

背景技术

排班指的是公司根据实际业务发展需要对各个时间段内上班人力的安排。服务于不同行业的公司对排班有不同的要求，合理的排班既能满足公司业务需求、提升客户满意度，又不引起人力资源的浪费。

当前进行排班的方法大多数是基于历史业务数据的排班方法，这种排班方法通过参考统计时间段内每个坐席处理的业务数据量和总历史业务数据量来生成排班坐席名单。但是，该排班方法仅能设计某个时间段内的排班坐席名单，难以灵活的设计出满足不同要求的排班，尤其是对客户满意度要求高的排班。

发明内容

为此，本发明提供一种坐席人员排班方法和装置，以解决现有技术中由于排班难以考虑客户满意度要求而导致的排班成效低的问题。

为了实现上述目的，本发明第一方面提供一种坐席人员排班方法，该方法包括：

根据历史排班数据选取影响客户满意度的特征变量；

基于影响客户满意度的所述特征变量获得权重参数的初始值；

所述权重参数是表示与其对应的所述特征变量的重要程度的参数；

对所述权重参数的初始值进行优化，获得所述权重参数的优化值；

根据所述权重参数的优化值优化逻辑回归模型，获得排班优化模型；

利用所述排班优化模型对坐席人员进行排班。

优选地，上述基于影响客户满意度的所述特征变量获得权重参数的初始值的步骤，包括：

基于客户满意度和影响客户满意度的所述特征变量构建逻辑回归模型；

接收所述特征变量的预测值；其中，所述特征变量的预测值是用户基于所述特征变量确定的固定值；

基于所述特征变量的预测值、第一预设客户满意度和所述逻辑回归模型，获取所述特征变量对应的权重参数的初始值；所述第一预设客户满意度是所述客户满意度中的最大值。

优选地，上述对所述权重参数的初始值进行优化，获得所述权重参数的优化值的步骤，包括：

获取所述权重参数的训练样本；

基于贝叶斯模型、所述训练样本和所述权重参数，获得权重参数的优化值。

优选地，上述逻辑回归模型的表达式为：

其中，G为客户满意度；Z为特征变量的线性组合，且Z＝β₁X₁+β₂X₂+……+β_nX_n，n为正整数且n∈[1,N]，N为特征变量的个数；X₁，X₂，……，X_n为特征变量；β₁，β₂，……，β_n为特征变量对应的权重参数，且β₁+β₂+……+β_n＝1。

优选地，上述影响客户满意度的特征变量包括：坐席人员数量等级、业务熟练度等级、人工成本等级、坐席人员历史满意度评价等级、排班周期天数、一天轮班时间段数中的一种或多种。

优选地，上述利用所述排班优化模型对坐席人员进行排班的步骤包括：

接收第二预设客户满意度；所述第二预设客户满意度是用户预设的客户满意度；

基于所述第二预设客户满意度和所述排班优化模型，获取所述特征变量对应的取值范围；

根据所述特征变量对应的取值范围对坐席人员进行排班。

本发明第二方面提供一种坐席人员排班装置，该装置包括：

选取模块，用于根据历史排班数据选取影响客户满意度的特征变量；

第一获取模块，用于基于影响客户满意度的所述特征变量获得权重参数的初始值；所述权重参数是表示与其对应的所述特征变量的重要程度的参数；

第一优化模块，用于对所述权重参数的初始值进行优化，获得所述权重参数的优化值；

第二优化模块，用于根据所述权重参数的优化值优化逻辑回归模型，获得排班优化模型；

排班模块，用于利用所述排班优化模型对坐席人员进行排班。

优选地，上述装置还包括：

信息处理模块，用于基于客户满意度和影响客户满意度的所述特征变量构建逻辑回归模型；

第一接收模块，用于接收所述特征变量的预测值；其中，所述特征变量的预测值是用户基于所述特征变量确定的固定值；

所述第一获取模块，还用于基于所述特征变量的预测值、第一预设客户满意度和所述逻辑回归模型，获取所述特征变量对应的权重参数的初始值；所述第一预设客户满意度是所述客户满意度中的最大值。

优选地，上述第一优化模块包括：

优化获取子模块，用于获取训练权重参数样本；

优化分析子模块，用于基于贝叶斯模型、所述训练权重参数样本和所述权重参数，获得优化权重参数。

优选地，上述排班模块包括：

排班接收子模块，用于接收第二预设客户满意度；所述第二预设客户满意度是用户预设的客户满意度；

排班计算子模块，用于基于所述第二预设客户满意度和所述排班优化模型，获取所述特征变量对应的取值范围；

排班决策子模块，根据所述特征变量对应的取值范围对坐席人员进行排班。

本发明具有如下优点：

本发明提供一种坐席人员排班方法，该方法首先根据历史排班数据选取影响客户满意度的特征变量并基于影响客户满意度的特征变量获得权重参数的初始值，其中，权重参数是表示与其对应的特征变量的重要程度的参数；然后，对权重参数的初始值进行优化，获得权重参数的优化值，并根据权重参数的优化值优化逻辑回归模型，获得排班优化模型；最后，利用排班优化模型对坐席人员进行排班，需要说明的是，该排班优化模型是排班装置基于权重参数的优化值优化得到的，而该权重参数是影响客户满意度的特征变量对应的权重参数，因此，利用该排班优化模型对坐席人员进行排班能够在保障客户满意度的前提下对坐席人员进行灵活排班，提高排班成效。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。

图1为本发明实施例提供的一种坐席人员排班方法的流程图；

图2为本发明实施例提供的一种获得权重参数的初始值方法的流程图；

图3为本发明实施例提供的一种坐席人员排班装置的结构示意图；

图4为本发明实施例提供的一种排班模块的结构示意图。

在附图中：

31：选取模块 32：第一获取模块

33：第一优化模块 34：第二优化模块

35：排班模块 41：排班接收子模块

42：排班计算子模块 43：排班决策子模块

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

排班指的是公司根据实际业务发展需要对各个时间段内上班人力的安排。服务于不同行业的公司对排班有不同的要求，合理的排班既能满足公司业务需求、提升客户满意度，又不引起人力资源的浪费。

当前进行排班的方法大多数是基于历史业务数据的排班方法，这种排班方法通过参考统计时间段内每个坐席处理的业务数据量和总历史业务数据量来生成排班坐席名单。但是，该排班方法仅能设计某个时间段内的排班坐席名单，难以灵活的设计出满足不同要求的排班，尤其是对客户满意度要求高的排班。

为解决上述难题，本实施例提供一种坐席人员排班方法，如图1所示，该方法包括以下步骤：

步骤S101，根据历史排班数据选取影响客户满意度的特征变量。

其中，历史排班数据是存储在排班装置中的历史数据，该历史排班数据中包含影响客户满意度的因素。在一个实施方式中，排班装置根据历史排班数据选取影响客户满意度的因素作为影响客户满意度的特征变量，该特征变量包括坐席人员数量等级、业务熟练度等级、人工成本等级、坐席人员历史满意度评价等级、排班周期天数、一天轮班时间段数中的一种或多种。

其中，坐席人员数量等级指的是实际参与排班的坐席人员人数的等级，参与排班的坐席人员人数越大，对应的坐席人员数量等级越高；业务熟练度等级指是实际参与排班的坐席人员对业务的熟练程度的等级，当实际参与排班的坐席人员对业务的熟练程度越高，对应的业务熟练度等级高，例如，当业务熟练度等级分为五级时，第五级业务熟练度代表实际参与排班的坐席人员对业务的熟练程度为非常熟练；人工成本等级指的是坐席中心雇佣坐席人员所付出的成本的等级，坐席中心雇佣坐席人员所付出的成本越高，对应人工成本等级越高；坐席人员历史满意度评价等级指的是参与排班的坐席人员在之前工作中获得的客户满意度评价的等级，坐席人员在之前工作中获得的客户满意度评价越高，对应的坐席人员历史满意度评价等级越高；排班周期天数指的是排班循环一次的天数；一天轮班时间段数指的是坐席中心将一天内全部工作时间分为的时间段数，例如，工作时间为全天(24小时)时，一天轮班时间段数可分为三段或者四段。

步骤S102，基于影响客户满意度的特征变量获得权重参数的初始值。

其中，权重参数是表示与其对应的特征变量的重要程度的参数。

在一个实施方式中，如图2所示，基于影响客户满意度的特征变量获得权重参数的初始值的步骤包括：

步骤S201，排班装置基于客户满意度和影响客户满意度的特征变量构建逻辑回归模型。需要说明的是，在实际应用情况中，影响客户满意度G的特征变量X一般为多个，所以排班装置在基于客户满意度G和影响客户满意度的特征变量X构建逻辑回归模型时，首先生成多个特征变量X₁，X₂，……，X_n的线性组合Z，同时，由于多个特征变量X₁，X₂，……，X_n分别对客户满意度的影响程度不同，即多个特征变量X₁，X₂，……，X_n的重要程度不同，因此，线性组合Z利用权重参数β体现特征变量X的重要程度。当特征变量的个数为N时，该线性组合Z的表达式为：

Z＝β₁X₁+β₂X₂+……+β_nX_n，n∈[1,N] (公式1)

其中，β₁，β₂，……，β_n是与特征变量X₁，X₂，......，X_n分别对应的权重参数。

排班装置在生成多个不同的特征变量X₁，X₂，......，X_n的线性组合Z之后，基于客户满意度G和线性组合Z构建逻辑回归模型G(Z)，该逻辑回归模型G(Z)的表达式为：

其中，G为客户满意度；Z为特征变量的线性组合，且Z＝β₁X₁+β₂X₂+……+β_nX_n，n∈[1,N]，N为特征变量的个数；X₁，X₂，......，X_n为特征变量；β₁，β₂，......，β_n为特征变量对应的权重参数，且β₁+β₂+……+β_n＝1。

步骤S202，接收特征变量的预测值，该特征变量的预测值是用户基于特征变量确定的固定值。在一个实施方式中，用户根据实际经验并基于特征变量确定固定值。

步骤S203，排班装置基于特征变量的预测值、第一预设客户满意度和逻辑回归模型，获取特征变量对应的权重参数的初始值。其中，第一预设客户满意度是客户满意度中的最大值。

在一个实施方式中，特征变量的预测值为X_a1，X_a2，......，X_an、第一预设客户满意度为G₁、权重参数的初始值为β_a1，β_a2，......，β_an，则基于逻辑回归模型

G(Z)∈[0.5,1)可知：

由于特征变量的预测值X_a1，X_a2，……，X_an为固定值，第一预设客户满意度G₁是客户满意度中的最大值，因此，通过上述公式3可计算确定权重参数的初始值β_a1，β_a2，……，β_an。

步骤S103，对权重参数的初始值进行优化，获得权重参数的优化值。

在一个实施方式中，排班装置可以利用贝叶斯模型对权重参数的初始值进行优化，以快速便捷地获得权重参数的优化值。需要说明的是，本实施方式中，特征变量的集合为D＝{X₁，X₂，……，X_n，n∈[1,N]}，特征变量对应的权重参数的集合为β＝{β₁，β₂，……，β_n，n∈[1,N]}，权重参数的初始值的集合为β_a＝{β_a1，β_a2，……，β_an，n∈[1,N]}，权重参数的优化值的集合为β_c＝{β_c1，β_c2，……，β_cn，n∈[1,N]}，N为特征变量的个数。具体地，利用贝叶斯模型对权重参数的初始值进行优化，获得权重参数的优化值的步骤包括：首先，获取权重参数的训练样本，其中，训练样本的集合为β_b＝{β_b1，β_b2，……，β_bn，n∈[1,N]}；然后，基于贝叶斯模型、训练样本和权重参数的初始值，获得权重参数的优化值。

步骤S104，根据权重参数的优化值优化逻辑回归模型，获得排班优化模型。

在一个实施方式中，排班优化模型的表达式为：

其中，G为客户满意度；X₁，X₂，……，X_n，n∈[1,N]为影响客户满意度的特征变量；β_c1，β_c2，……，β_cn，n∈[1,N]为特征变量对应的权重参数的优化值；N为特征变量的个数。

步骤S105，利用排班优化模型对坐席人员进行排班。

在一个实施方式中，排班装置利用排班优化模型进行排班的步骤包括：首先，接收第二预设客户满意度，其中，第二预设客户满意度是用户预设的客户满意度，需要说明的是，该第二预设客户满意度的取值范围为(0.5,1)。然后，基于第二预设客户满意度和排班优化模型，获取特征变量对应的取值范围。最后，根据特征变量对应的取值范围对坐席人员进行排班。需要说明的是，该排班优化模型是排班装置基于权重参数的优化值优化得到的，而该权重参数是影响客户满意度的特征变量对应的权重参数，因此，利用该排班优化模型进行排班能够在保障客户满意度的前提下对坐席人员进行灵活排班，提高排班成效。

本实施例提供一种坐席人员排班方法，该方法首先根据历史排班数据选取影响客户满意度的特征变量并基于影响客户满意度的特征变量获得权重参数的初始值，其中，权重参数是表示与其对应的特征变量的重要程度的参数；然后，对权重参数的初始值进行优化，获得权重参数的优化值，并根据权重参数的优化值优化逻辑回归模型，获得排班优化模型；最后，利用排班优化模型对坐席人员进行排班，需要说明的是，该排班优化模型是排班装置基于权重参数的优化值优化得到的，而该权重参数是影响客户满意度的特征变量对应的权重参数，因此，利用该排班优化模型对坐席人员进行排班能够在保障客户满意度的前提下对坐席人员进行灵活排班，提高排班成效。

本实施例还提供一种坐席人员排班装置，如图3所示，该装置包括：选取模块31、第一获取模块32、第一优化模块33、第二优化模块34和排班模块35。

其中，选取模块31用于根据历史排班数据选取影响客户满意度的特征变量。其中，历史排班数据是存储在排班装置中的历史数据，该历史排班数据中包含影响客户满意度的因素。在一个实施方式中，选取模块31根据历史排班数据选取影响客户满意度的因素作为影响客户满意度的特征变量，该特征变量包括坐席人员数量等级、业务熟练度等级、人工成本等级、坐席人员历史满意度评价等级、排班周期天数、一天轮班时间段数中的一种或多种。

第一获取模块32，用于基于影响客户满意度的特征变量获得权重参数的初始值。其中，权重参数是表示与其对应的特征变量的重要程度的参数。

在一个实施方式中，排班装置还包括信息处理模块和第一接收模块。在第一获取模块32基于影响客户满意度的特征变量获得权重参数的初始值之前，信息处理模块首先基于客户满意度和影响客户满意度的特征变量构建逻辑回归模型，具体地，信息处理模块首先生成多个特征变量X₁，X₂，……，X_n的线性组合Z，由于多个特征变量X₁，X₂，……，X_n分别对客户满意度的影响程度不同，即多个特征变量X₁，X₂，……，X_n的重要程度不同，因此，线性组合Z中以权重参数β体现特征变量X的重要程度。当特征变量的个数为N时，该线性组合Z的表达式为：

Z＝β₁X₁+β₂X₂+……+β_nX_n，n∈[1,N] (公式5)

其中，β₁，β₂，……，β_n是与特征变量X₁，X₂，……，X_n分别对应的权重参数。

信息处理模块在生成多个不同的特征变量X₁，X₂，……，X_n的线性组合Z之后，基于客户满意度G和线性组合Z构建逻辑回归模型G(Z)，该逻辑回归模型G(Z)的表达式为：

其中，G为客户满意度；Z为特征变量的线性组合，且Z＝β₁X₁+β₂X₂+……+β_nX_n，n∈[1,N]，N为特征变量的个数；X₁，X₂，……，X_n为特征变量；β₁，β₂，……，β_n为特征变量对应的权重参数，且β₁+β₂+……+β_n＝1。

信息处理模块基于客户满意度和影响客户满意度的特征变量构建逻辑回归模型后,第一接收模块接收特征变量的预测值，该特征变量的预测值是用户基于特征变量确定的固定值。

最后，第一获取模块32基于特征变量的预测值、第一预设客户满意度和逻辑回归模型，获取特征变量对应的权重参数的初始值，其中，第一预设客户满意度是客户满意度中的最大值。

第一优化模块33，用于对权重参数的初始值进行优化，获得所述权重参数的优化值。在一个实施方式中，第一优化模块33可以利用贝叶斯模型对权重参数的初始值进行优化，以快速便捷地获得权重参数的优化值。需要说明的是，本实施方式中，特征变量的集合为D＝{X₁，X₂，……，X_n，n∈[1,N]}，特征变量对应的权重参数的集合为β＝{β₁，β₂，……，β_n，n∈[1,N]}，权重参数的初始值的集合为β_a＝{β_a1，β_a2，……，β_an，n∈[1,N]}，权重参数的优化值的集合为β_c＝{β_c1，β_c2，……，β_cn，n∈[1,N]}，N为特征变量的个数。具体地，第一优化模块33还包括优化获取子模块和优化分析子模块，首先，优化获取子模块获取权重参数的训练样本，其中，训练样本的集合为β_b＝{β_b1，β_b2，……，β_bn，n∈[1,N]}；然后，优化分析子模块基于贝叶斯模型、训练样本和权重参数的初始值，获得权重参数的优化值。

第二优化模块34，用于根据权重参数的优化值优化逻辑回归模型，获得排班优化模型。

排班模块35，用于利用排班优化模型对坐席人员进行排班。

在一个实施方式中，如图4所示，排班装置中排班模块35还包括排班接收子模块41、排班计算子模块42和排班决策子模块43。其中，排班接收子模块41用于接收第二预设客户满意度。其中，第二预设客户满意度是用户预设的客户满意度。需要说明的是，该第二预设客户满意度的取值范围为(0.5,1)。排班计算子模块42用于基于第二预设客户满意度和排班优化模型，获取特征变量对应的取值范围。排班决策子模块43用于根据特征变量对应的取值范围对坐席人员进行排班。

需要说明的是，该排班优化模型是第二优化模块34基于权重参数的优化值优化得到的，而该权重参数是影响客户满意度的特征变量对应的权重参数，因此，排班模块35利用该排班优化模型进行排班能够在保障客户满意度的前提下对坐席人员进行灵活排班，提高排班成效。

本实施例提供的坐席人员排班装置中各模块的工作方式与坐席人员排班方法中各步骤对应，因此，坐席人员排班装置中各模块的详细工作方式可参见本实施例提供的坐席人员排班方法。

本实施例还提供一种坐席人员排班装置，该装置首先通过选取模块31根据历史排班数据选取影响客户满意度的特征变量并由第一获取模块32基于影响客户满意度的特征变量获得权重参数的初始值，其中，权重参数是表示与其对应的特征变量的重要程度的参数；其次，由第一优化模块33对权重参数的初始值进行优化，获得权重参数的优化值；然后，由第二优化模块34根据权重参数的优化值优化逻辑回归模型，获得排班优化模型；最后，通过排班模块35利用排班优化模型对坐席人员进行排班，需要说明的是，该排班优化模型是第二优化模块34基于权重参数的优化值优化得到的，而该权重参数是影响客户满意度的特征变量对应的权重参数，因此，排班模块35利用该排班优化模型进行排班能够在保障客户满意度的前提下对坐席人员进行灵活排班，提高排班成效。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种坐席人员排班方法，其特征在于，所述方法包括：

根据历史排班数据选取影响客户满意度的特征变量；

基于影响客户满意度的所述特征变量获得权重参数的初始值；所述权重参数是表示与其对应的所述特征变量的重要程度的参数；

对所述权重参数的初始值进行优化，获得所述权重参数的优化值；

根据所述权重参数的优化值优化逻辑回归模型，获得排班优化模型；

利用所述排班优化模型对坐席人员进行排班。

2.根据权利要求1所述方法，其特征在于，所述基于影响客户满意度的所述特征变量获得权重参数的初始值的步骤，包括：

基于客户满意度和影响客户满意度的所述特征变量构建逻辑回归模型；

接收所述特征变量的预测值；其中，所述特征变量的预测值是用户基于所述特征变量确定的固定值；

基于所述特征变量的预测值、第一预设客户满意度和所述逻辑回归模型，获取所述特征变量对应的权重参数的初始值；所述第一预设客户满意度是所述客户满意度中的最大值。

3.根据权利要求1所述方法，其特征在于，所述对所述权重参数的初始值进行优化，获得所述权重参数的优化值的步骤，包括：

获取所述权重参数的训练样本；

基于贝叶斯模型、所述训练样本和所述权重参数，获得权重参数的优化值。

4.根据权利要求2所述方法，其特征在于，所述逻辑回归模型的表达式为：

其中，G为客户满意度；Z为特征变量的线性组合，且Z＝β₁X₁+β₂X₂+……+β_nX_n，n为正整数且n∈[1,N]，N为特征变量的个数；X₁，X₂，……，X_n为特征变量；β₁，β₂，……，β_n为特征变量对应的权重参数，且β₁+β₂+……+β_n＝1。

5.根据权利要求1所述方法，其特征在于，所述影响客户满意度的特征变量包括：坐席人员数量等级、业务熟练度等级、人工成本等级、坐席人员历史满意度评价等级、排班周期天数、一天轮班时间段数中的一种或多种。

6.根据权利要求1所述方法，其特征在于，所述利用所述排班优化模型对坐席人员进行排班的步骤包括：

接收第二预设客户满意度；所述第二预设客户满意度是用户预设的客户满意度；

基于所述第二预设客户满意度和所述排班优化模型，获取所述特征变量对应的取值范围；

根据所述特征变量对应的取值范围对坐席人员进行排班。

7.一种坐席人员排班装置，其特征在于，所述装置包括：

选取模块，用于根据历史排班数据选取影响客户满意度的特征变量；

第一获取模块，用于基于影响客户满意度的所述特征变量获得权重参数的初始值；所述权重参数是表示与其对应的所述特征变量的重要程度的参数；

第一优化模块，用于对所述权重参数的初始值进行优化，获得所述权重参数的优化值；

第二优化模块，用于根据所述权重参数的优化值优化逻辑回归模型，获得排班优化模型；

排班模块，用于利用所述排班优化模型对坐席人员进行排班。

8.根据权利要求7所述装置，其特征在于，所述装置还包括：

信息处理模块，用于基于客户满意度和影响客户满意度的所述特征变量构建逻辑回归模型；

第一接收模块，用于接收所述特征变量的预测值；其中，所述特征变量的预测值是用户基于所述特征变量确定的固定值；

所述第一获取模块，还用于基于所述特征变量的预测值、第一预设客户满意度和所述逻辑回归模型，获取所述特征变量对应的权重参数的初始值；所述第一预设客户满意度是所述客户满意度中的最大值。

9.根据权利要求7所述装置，其特征在于，所述第一优化模块包括：

优化获取子模块，用于获取训练权重参数样本；

优化分析子模块，用于基于贝叶斯模型、所述训练权重参数样本和所述权重参数，获得优化权重参数。

10.根据权利要求7所述装置，其特征在于，所述排班模块包括：

排班接收子模块，用于接收第二预设客户满意度；所述第二预设客户满意度是用户预设的客户满意度；

排班计算子模块，用于基于所述第二预设客户满意度和所述排班优化模型，获取所述特征变量对应的取值范围；

排班决策子模块，根据所述特征变量对应的取值范围对坐席人员进行排班。

Images