CN111695819B - 一种坐席人员排班方法和装置 - Google Patents

一种坐席人员排班方法和装置 Download PDF

Info

Publication number
CN111695819B
CN111695819B CN202010547430.0A CN202010547430A CN111695819B CN 111695819 B CN111695819 B CN 111695819B CN 202010547430 A CN202010547430 A CN 202010547430A CN 111695819 B CN111695819 B CN 111695819B
Authority
CN
China
Prior art keywords
scheduling
customer satisfaction
weight parameter
module
value
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.)
Active
Application number
CN202010547430.0A
Other languages
English (en)
Other versions
CN111695819A (zh
Inventor
张瑾
张燕超
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202010547430.0A priority Critical patent/CN111695819B/zh
Publication of CN111695819A publication Critical patent/CN111695819A/zh
Application granted granted Critical
Publication of CN111695819B publication Critical patent/CN111695819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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：
Figure BDA0002541235300000021
其中，G为客户满意度；Z为特征变量的线性组合，且Z＝β1X1+β2X2+……+βnXn，n为正整数且n∈[1,N]，N为特征变量的个数；X1，X2，……，Xn为特征变量；β1，β2，……，βn为特征变量对应的权重参数，且β1+β2+……+βn＝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，……，Xn的线性组合Z，同时，由于多个特征变量X1，X2，……，Xn分别对客户满意度的影响程度不同，即多个特征变量X1，X2，……，Xn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+……+βnXn，n∈[1,N] (公式1)
其中，β1，β2，……，βn是与特征变量X1，X2，......，Xn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，......，Xn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：
Figure BDA0002541235300000061
其中，G为客户满意度；Z为特征变量的线性组合，且Z＝β1X1+β2X2+……+βnXn，n∈[1,N]，N为特征变量的个数；X1，X2，......，Xn为特征变量；β1，β2，......，βn为特征变量对应的权重参数，且β1+β2+……+βn＝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Xa1，Xa2，......，Xan、第一预设客户满意度为G1、权重参数的初始值为βa1，βa2，......，βan，则基于逻辑回归模型
Figure BDA0002541235300000071
G(Z)∈[0.5,1)可知：
Figure BDA0002541235300000072
由于特征变量的预测值Xa1，Xa2，……，Xan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βa1，βa2，……，βan。
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，……，Xn，n∈[1,N]}，特征变量对应的权重参数的集合为β＝{β1，β2，……，βn，n∈[1,N]}，权重参数的初始值的集合为βa＝{βa1，βa2，……，βan，n∈[1,N]}，权重参数的优化值的集合为βc＝{βc1，βc2，……，βcn，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βb＝{βb1，βb2，……，βbn，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：
Figure BDA0002541235300000081
其中，G为客户满意度；X1，X2，……，Xn，n∈[1,N]为影响客户满意度的特征变量；βc1，βc2，……，βcn，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，……，Xn的线性组合Z，由于多个特征变量X1，X2，……，Xn分别对客户满意度的影响程度不同，即多个特征变量X1，X2，……，Xn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+……+βnXn，n∈[1,N] (公式5)
其中，β1，β2，……，βn是与特征变量X1，X2，……，Xn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，……，Xn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：
Figure BDA0002541235300000091
其中，G为客户满意度；Z为特征变量的线性组合，且Z＝β1X1+β2X2+……+βnXn，n∈[1,N]，N为特征变量的个数；X1，X2，……，Xn为特征变量；β1，β2，……，βn为特征变量对应的权重参数，且β1+β2+……+βn＝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，……，Xn，n∈[1,N]}，特征变量对应的权重参数的集合为β＝{β1，β2，……，βn，n∈[1,N]}，权重参数的初始值的集合为βa＝{βa1，βa2，……，βan，n∈[1,N]}，权重参数的优化值的集合为βc＝{βc1，βc2，……，βcn，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βb＝{βb1，βb2，……，βbn，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 (3)

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；
所述影响客户满意度的所述特征变量包括：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；
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；
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；
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；
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；
根据所述权重参数的优化值优化所述逻辑回归模型，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；
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。
2.根据权利要求1所述方法，其特征在于，所述逻辑回归模型的表达式为：
Figure FDA0004200963630000021
G(z)∈[0.5,1)；
其中，G为客户满意度；Z为特征变量的线性组合，且Z＝β1X1+β2X2+······+βnXn，n为正整数且n∈[1,N]，N为特征变量的个数；X1，X2，······，Xn为特征变量；β1，β2，······，βn为特征变量对应的权重参数，且β1+β2+······+βn＝1。
3.一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；所述影响客户满意度的所述特征变量包括：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，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；
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；
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；
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；
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；
所述排班模块包括：排班接收子模块、排班计算子模块和排班决策子模块；
所述排班接收子模块，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；
所述排班计算子模块，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；
所述排班决策子模块，用于根据所述特征变量对应的取值范围对坐席人员进行排班。
CN202010547430.0A 2020-06-16 2020-06-16 一种坐席人员排班方法和装置 Active CN111695819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010547430.0A CN111695819B (zh) 2020-06-16 2020-06-16 一种坐席人员排班方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010547430.0A CN111695819B (zh) 2020-06-16 2020-06-16 一种坐席人员排班方法和装置

Publications (2)

Publication Number Publication Date
CN111695819A CN111695819A (zh) 2020-09-22
CN111695819B true CN111695819B (zh) 2023-06-02

Family

ID=72481387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010547430.0A Active CN111695819B (zh) 2020-06-16 2020-06-16 一种坐席人员排班方法和装置

Country Status (1)

Country Link
CN (1) CN111695819B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010396A (zh) * 2021-03-03 2021-06-22 国网冀北电力有限公司信息通信分公司 云边协同网络能效的评估方法、装置、设备及存储介质

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014146161A (ja) * 2013-01-29 2014-08-14 Toshiba Corp モデル推定装置およびその方法
CN104504542A (zh) * 2015-01-16 2015-04-08 独角兽（北京）网络科技有限公司 一种满意度信息采集方法、装置、系统及数字采集器
CN104680428A (zh) * 2015-03-16 2015-06-03 朗新科技股份有限公司 一种电网客户满意度模型的构建方法
CN105894241A (zh) * 2016-03-12 2016-08-24 丽水学院 基于倒三角的弹性服务制的混合排班系统和方法
CN106022800A (zh) * 2016-05-16 2016-10-12 北京百分点信息科技有限公司 一种用户特征数据的处理方法和装置
CN106548274A (zh) * 2016-10-19 2017-03-29 平安科技（深圳）有限公司 一种人员排班方法和装置
CN106548357A (zh) * 2016-10-27 2017-03-29 南方电网科学研究院有限责任公司 客户满意度的测评方法及系统
CN107392479A (zh) * 2017-07-27 2017-11-24 国网河南省电力公司电力科学研究院 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法
CN107688925A (zh) * 2017-08-01 2018-02-13 平安科技（深圳）有限公司 坐席人员的排班方法、存储介质和服务器
CN107844915A (zh) * 2017-11-29 2018-03-27 信雅达系统工程股份有限公司 一种基于话务预测的呼叫中心的自动排班方法
CN107872593A (zh) * 2017-03-13 2018-04-03 平安科技（深圳）有限公司 坐席分配的方法及装置
CN108415885A (zh) * 2018-02-08 2018-08-17 武汉蓝泰源信息技术有限公司 基于近邻回归的实时公交客流预测方法
CN108665967A (zh) * 2018-05-16 2018-10-16 成都华唯科技股份有限公司 一种适用于康复医院的一键智能排班系统
CN108921483A (zh) * 2018-07-16 2018-11-30 深圳北斗应用技术研究院有限公司 一种物流路径规划方法、装置及司机排班调度方法、装置
CN109493959A (zh) * 2018-11-08 2019-03-19 泰康保险集团股份有限公司 医院排班方法及装置
CN109583848A (zh) * 2018-12-17 2019-04-05 广东电网有限责任公司 一种基于ssm框架的自动化排班管理系统
CN109978207A (zh) * 2017-12-28 2019-07-05 顺丰科技有限公司 一种选址方法、装置、设备及存储介质
CN110248031A (zh) * 2019-04-19 2019-09-17 中国联合网络通信集团有限公司 客服系统的排班管理方法、装置、设备和存储介质
CN110322121A (zh) * 2019-06-12 2019-10-11 国网天津市电力公司 一种供电企业客户满意度评估方法
CN110580494A (zh) * 2019-06-11 2019-12-17 深圳索信达数据技术有限公司 一种基于分位数逻辑回归的数据分析方法
CN110751358A (zh) * 2019-08-30 2020-02-04 中国南方航空股份有限公司 一种机场地面服务人员的排班方法、电子设备及存储介质
CN110807171A (zh) * 2019-09-30 2020-02-18 国家电网有限公司客户服务中心 基于权重划分的坐席人员擅长业务分析方法和装置
CN111062519A (zh) * 2019-11-27 2020-04-24 中国联合网络通信集团有限公司 感知客户满意度的方法及装置
CN111192379A (zh) * 2019-12-24 2020-05-22 泉州装备制造研究所 一种飞机整机的综合故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10217148B2 (en) * 2015-01-23 2019-02-26 Ebay Inc. Predicting a status of a transaction
US20170270546A1 (en) * 2016-03-21 2017-09-21 Tata Motors Limited Service churn model

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014146161A (ja) * 2013-01-29 2014-08-14 Toshiba Corp モデル推定装置およびその方法
CN104504542A (zh) * 2015-01-16 2015-04-08 独角兽（北京）网络科技有限公司 一种满意度信息采集方法、装置、系统及数字采集器
CN104680428A (zh) * 2015-03-16 2015-06-03 朗新科技股份有限公司 一种电网客户满意度模型的构建方法
CN105894241A (zh) * 2016-03-12 2016-08-24 丽水学院 基于倒三角的弹性服务制的混合排班系统和方法
CN106022800A (zh) * 2016-05-16 2016-10-12 北京百分点信息科技有限公司 一种用户特征数据的处理方法和装置
CN106548274A (zh) * 2016-10-19 2017-03-29 平安科技（深圳）有限公司 一种人员排班方法和装置
CN106548357A (zh) * 2016-10-27 2017-03-29 南方电网科学研究院有限责任公司 客户满意度的测评方法及系统
CN107872593A (zh) * 2017-03-13 2018-04-03 平安科技（深圳）有限公司 坐席分配的方法及装置
CN107392479A (zh) * 2017-07-27 2017-11-24 国网河南省电力公司电力科学研究院 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法
CN107688925A (zh) * 2017-08-01 2018-02-13 平安科技（深圳）有限公司 坐席人员的排班方法、存储介质和服务器
CN107844915A (zh) * 2017-11-29 2018-03-27 信雅达系统工程股份有限公司 一种基于话务预测的呼叫中心的自动排班方法
CN109978207A (zh) * 2017-12-28 2019-07-05 顺丰科技有限公司 一种选址方法、装置、设备及存储介质
CN108415885A (zh) * 2018-02-08 2018-08-17 武汉蓝泰源信息技术有限公司 基于近邻回归的实时公交客流预测方法
CN108665967A (zh) * 2018-05-16 2018-10-16 成都华唯科技股份有限公司 一种适用于康复医院的一键智能排班系统
CN108921483A (zh) * 2018-07-16 2018-11-30 深圳北斗应用技术研究院有限公司 一种物流路径规划方法、装置及司机排班调度方法、装置
CN109493959A (zh) * 2018-11-08 2019-03-19 泰康保险集团股份有限公司 医院排班方法及装置
CN109583848A (zh) * 2018-12-17 2019-04-05 广东电网有限责任公司 一种基于ssm框架的自动化排班管理系统
CN110248031A (zh) * 2019-04-19 2019-09-17 中国联合网络通信集团有限公司 客服系统的排班管理方法、装置、设备和存储介质
CN110580494A (zh) * 2019-06-11 2019-12-17 深圳索信达数据技术有限公司 一种基于分位数逻辑回归的数据分析方法
CN110322121A (zh) * 2019-06-12 2019-10-11 国网天津市电力公司 一种供电企业客户满意度评估方法
CN110751358A (zh) * 2019-08-30 2020-02-04 中国南方航空股份有限公司 一种机场地面服务人员的排班方法、电子设备及存储介质
CN110807171A (zh) * 2019-09-30 2020-02-18 国家电网有限公司客户服务中心 基于权重划分的坐席人员擅长业务分析方法和装置
CN111062519A (zh) * 2019-11-27 2020-04-24 中国联合网络通信集团有限公司 感知客户满意度的方法及装置
CN111192379A (zh) * 2019-12-24 2020-05-22 泉州装备制造研究所 一种飞机整机的综合故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于SSH呼叫中心排班系统的设计与实现;周文琼等;《软件导刊》(第04期);第53-55页 *
基于逻辑回归的客户稳定度建模;彭凯等;《计算机工程》(第09期);第12-15页 *

Also Published As

Publication number Publication date
CN111695819A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
Tritschler et al. A hybrid metaheuristic for resource-constrained project scheduling with flexible resource profiles
Prescott et al. Organization capital
US6606529B1 (en) Complex scheduling method and device
WO2002103488A9 (en) Compensation data prediction
Kautz Making sense of measurement for small organizations
Li et al. Simulation-based experimental design and statistical modeling for lead time quotation
CN111291895A (zh) 组合特征评估模型的样本生成和训练方法及装置
CN104680302A (zh) 一种体检导检方法及装置
CN111695819B (zh) 一种坐席人员排班方法和装置
Wilmsen et al. A context-model for adapting design processes and methods
CN111415027A (zh) 构建件量预测模型的方法和装置
Jeske et al. Opportunities of digitalization for productivity management
Niehaus et al. An occupational safety and health perspective on human in control and AI
Şahin Impacts of industrial robot usage on international labor markets and productivity: Evidences from 22 OECD countries
CN111132179A (zh) 一种小区调度方法、系统、装置和存储介质
CN109214695B (zh) 基于改进eda的高端装备研发制造协同调度方法及系统
CN110427234A (zh) 页面的展示方法及装置
JP2020057176A (ja) 作業スケジュール作成装置
Haroune et al. A hybrid heuristic for a two-agent multi-skill resource-constrained scheduling problem
CN114881370A (zh) 食堂菜品规划方法及装置
CN114037326A (zh) 基于e-cargo模型的云erp建模与演化方法及系统
Lastauskaite et al. Impact of digitalization factors on EU economic grow
Madsen The relationship between working life and individualisation: a study among Danish trade union members
Wood et al. Moderating role of organisational learning and firm size on risk management maturity in construction firms
CN109359855A (zh) 一种生产排程方法

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
GR01 Patent grant
GR01 Patent grant