CN111741176B - 坐席转接方法及装置 - Google Patents
坐席转接方法及装置 Download PDFInfo
- Publication number
- CN111741176B CN111741176B CN202010572652.8A CN202010572652A CN111741176B CN 111741176 B CN111741176 B CN 111741176B CN 202010572652 A CN202010572652 A CN 202010572652A CN 111741176 B CN111741176 B CN 111741176B
- Authority
- CN
- China
- Prior art keywords
- agent
- seat
- neural network
- network model
- identifier
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
- H04M3/5232—Call distribution algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供一种坐席转接方法及装置,其中方法应用于坐席集中处理器,所述方法包括:接收一坐席终端发送的转接指令;从优质坐席标识集中筛选满足接待条件的一个坐席标识;发送所述转接指令至所述坐席标识对应的坐席终端。本发明的坐席集中处理器在接收到转接指令后,可以从优质坐席标识集中筛选满足接待条件的一个坐席标识,然后发送所述转接指令至所述坐席标识对应的坐席终端。本发明可以自动化进行坐席转接操作,以便提升转接速率和准确性。
Description
技术领域
本申请涉及通信技术领域,尤其涉及坐席转接方法及装置。
背景技术
在客服领域中,用户与坐席沟通过程中可能会产生矛盾情况,甚至会有不满情绪,在此情况下通常会进行电话转接。
为了提高用户满意度,在转接时通常会推荐较为优质的坐席进行转接。目前通常会由坐席经理人为地确定某个优质坐席并进行转接操作。
人工转接速率和准确性较低,所以现在需要一种方案,可以自动化进行坐席转接操作。
发明内容
鉴于此,本申请提供一种坐席转接方法及装置,可以自动化进行坐席转接操作,以便提升转接速率和准确性。
为了实现上述目的,本发明提供了下述技术特征:
一种坐席转接方法,应用于坐席集中处理器,所述方法包括:
接收一坐席终端发送的转接指令;
从优质坐席标识集中筛选满足接待条件的一个坐席标识;
发送所述转接指令至所述坐席标识对应的坐席终端。
可选的,所述从优质坐席标识集中筛选满足接待条件的一个坐席标识包括:
从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识;
验证坐席标识对应的坐席状态是否满足接待条件;
若满足接待条件,则确定为待转接的坐席标识;
若不满足接待条件,则进入步骤从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识。
可选的,所述接待条件包括:
处于空闲状态,且,接待量小于最高接待量。
可选的,还包括:
收集各个坐席终端的历史数据;
输入各个坐席终端的历史数据至预先训练好的神经网络模型,获得神经网络模型输出的各个坐席终端的客户满意度;
确定客户满意度大于预设阈值的多个坐席终端;
将所述多个坐席终端对应的坐席标识组成优质坐席标识集。
可选的,还包括定期更新优质坐席标识集。
一种坐席转接装置,应用于坐席集中处理器,所述装置包括:
接收单元,用于接收一坐席终端发送的转接指令;
筛选单元,用于从优质坐席标识集中筛选满足接待条件的一个坐席标识;
发送单元,用于发送所述转接指令至所述坐席标识对应的坐席终端。
可选的,所述筛选单元,具体包括从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识;验证坐席标识对应的坐席状态是否满足接待条件;若满足接待条件,则确定为待转接的坐席标识;若不满足接待条件,则进入步骤从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识。
可选的,所述接待条件包括:
处于空闲状态,且,接待量小于最高接待量。
可选的,还包括:
收集单元,用于收集各个坐席终端的历史数据;
输入单元,输入各个坐席终端的历史数据至预先训练好的神经网络模型,获得神经网络模型输出的各个坐席终端的客户满意度;
确定单元,用于确定客户满意度大于预设阈值的多个坐席终端;
组成单元,用于将所述多个坐席终端对应的坐席标识组成优质坐席标识集。
可选的,还包括:
更新单元,用于定期更新优质坐席标识集。
通过以上技术手段,可以实现以下有益效果:
本发明的坐席集中处理器在接收到转接指令后,可以从优质坐席标识集中筛选满足接待条件的一个坐席标识,然后发送所述转接指令至所述坐席标识对应的坐席终端。本发明可以自动化进行坐席转接操作,以便提升转接速率和准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,对于本领域普通技术人员来讲,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1为本申请实施例公开的一种坐席转接系统的结构示意图;
图2为本申请实施例公开的一种神经网络模型训练方法的流程图;
图3为本申请实施例公开的一种确定优质坐席标识集的方法流程图;
图4为本申请实施例公开的一种坐席转接方法的流程图;
图5为本申请实施例公开的一种坐席转接装置的结构示意图。
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,本领域普通技术人员在没有做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。
为了便于本领域技术人员理解,参见图1,本发明提供一种坐席转接系统,包括多个坐席终端100和坐席集中处理器200。
参见图2,本发明提供一种神经网络模型训练方法,包括以下步骤:
步骤S201:获取训练样本集并构建神经网络模型。
在各个坐席终端与用户进行沟通过程中,记录坐席终端的历史数据,例如用户提供的满意度、服务状态、服务次数等数据。
建立一个三层神经网络,根据kolmogorov原理,一个三层神经网络足以完成任意的n维到m维的映射。
步骤S202:基于训练样本集对神经网络模型进行有监督训练。
通过遗传算法输出的最优训练样本作为神经网络初始权值和阈值,然后基于训练样本集继续神经网络训练。
步骤S203:在达到训练结束条件后获得训练好的神经网络模型。
训练好的神经网络模型,以坐席终端的历史数据为输入,以客户满意度为输出。
参见图3,本发明提供确定优质坐席标识集的方法,包括以下步骤:
步骤S301:收集各个坐席终端的历史数据。
由于各个坐席终端每天均在执行电话接听服务,所以各个坐席终端的历史数据不断更新,因此可以收集各个坐席最新的历史数据。
步骤S302:输入各个坐席终端的历史数据至预先训练好的神经网络模型,获得神经网络模型输出的各个坐席终端的客户满意度。
输入各个坐席终端的历史数据至预先训练好的神经网络模型,经神经网络模型计算后,输出各个坐席终端的客户满意度。
步骤S303:确定客户满意度大于预设阈值的多个坐席终端。
步骤S304:将所述多个坐席终端对应的坐席标识组成优质坐席标识集。
对各个坐席终端的客户满意度执行判断操作,将客户满意度大于预设阈值的多个坐席标识组成优质坐席标识集。
可选的,可以定期执行图3所示的步骤,以便更新优质坐席标识集,保证优质坐席标识集为优质坐席标识。
参见图4,本发明提供一种坐席转接方法,应用于图1所示的坐席集中处理器,坐席集中处理器存储有最新的优质坐席标识集,所述方法包括:
步骤S401:坐席集中处理器接收一坐席终端发送的转接指令。
在一个坐席终端遇到问题的情况下,可以发送转接指令至坐席集中处理器。
步骤S402:坐席集中处理器从优质坐席标识集中筛选处于接待条件的一个坐席标识。
坐席集中处理器可以实时获取每个坐席终端的坐席状态,若与用户进行电话服务,则表示处于忙碌状态;若未与用户进行电话服务,则表示处于空闲状态。
本实施提供了两种情况:
第一情况:空闲状态和客户满意度。
从优质坐席标识集中选择处于空闲状态的一个坐席标识,或者,按照客户满意度由高至低的顺序选择处于空闲状态的一个坐席标识。
第二情况:接待条件。
从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识;
验证坐席标识对应的坐席状态是否满足接待条件;其中所述接待条件包括:处于空闲状态,且,接待量小于最高接待量。
若满足接待条件,则确定为待转接的坐席标识;
若不满足接待条件,则进入步骤从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识。
步骤S403:坐席集中处理器发送所述转接指令至所述坐席标识对应的坐席终端。
坐席集中处理器在确定一坐席标识后,可以发送转接指令至该坐席标识对应的坐席终端,从而实现自动化的转接操作。
通过以上技术手段,可以实现以下有益效果:
本实施例中坐席集中处理器在接收到转接指令后,可以从优质坐席标识集中筛选满足接待条件的一个坐席标识,然后发送所述转接指令至所述坐席标识对应的坐席终端。本发明可以自动化进行坐席转接操作,以便提升转接速率和准确性。
参见图5,本发明提供一种坐席转接装置,应用于坐席集中处理器,所述方法包括:
接收单元51,用于接收一坐席终端发送的转接指令;
筛选单元52,用于从优质坐席标识集中筛选满足接待条件的一个坐席标识;
发送单元53,用于发送所述转接指令至所述坐席标识对应的坐席终端。
其中所述筛选单元52,具体包括从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识;验证坐席标识对应的坐席状态是否满足接待条件;若满足接待条件,则确定为待转接的坐席标识;若不满足接待条件,则进入步骤从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识。
其中所述接待条件包括:处于空闲状态,且,接待量小于最高接待量。
坐席转接装置还包括:
收集单元54,用于收集各个坐席终端的历史数据;
输入单元55,输入各个坐席终端的历史数据至预先训练好的神经网络模型,获得神经网络模型输出的各个坐席终端的客户满意度;
确定单元56,用于确定客户满意度大于预设阈值的多个坐席终端;
组成单元57,用于将所述多个坐席终端对应的坐席标识组成优质坐席标识集。
更新单元58,用于定期更新优质坐席标识集。
关于坐席转接装置的详细实现,可以参见图2所示的实施例,在此不再赘述。
通过以上技术手段,可以实现以下有益效果:
本实施例中坐席集中处理器在接收到转接指令后,可以从优质坐席标识集中筛选满足接待条件的一个坐席标识,然后发送所述转接指令至所述坐席标识对应的坐席终端。本发明可以自动化进行坐席转接操作,以便提升转接速率和准确性。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种坐席转接方法,其特征在于,应用于坐席集中处理器,所述方法包括:
接收一坐席终端发送的转接指令;
从优质坐席标识集中筛选满足接待条件的一个坐席标识;
发送所述转接指令至所述坐席标识对应的坐席终端;
其中,所述优质坐席标识集是基于预先训练好的神经网络模型所输出的各个坐席终端的客户满意度确定的标识集合;
所述神经 网络模型的训练方法包括:
获取训练样本集,并构建一个包含三层神经网络的神经网络模型;
通过遗传算法确定最优训练样本,基于所述最优训练样本确定各层神经网络的初始权值和阈值;并基于所述训练样本集对所述神经网络模型进行有监督训练;
将达到训练结束条件后所获的神经网络模型作为所述预先训练好的神经网络模型;其中,所述预先训练好的神经网络模型以任一坐席的历史数据为输入,以客户满意度为输出。
2.如权利要求1所述的方法,其特征在于,所述从优质坐席标识集中筛选满足接待条件的一个坐席标识包括:
从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识;
验证坐席标识对应的坐席状态是否满足接待条件;
若满足接待条件,则确定为待转接的坐席标识;
若不满足接待条件,则进入步骤从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识。
3.如权利要求1或2所述的方法,其特征在于,所述接待条件包括:
处于空闲状态,且,接待量小于最高接待量。
4.如权利要求1所述的方法,其特征在于,还包括:
收集各个坐席终端的历史数据;
输入各个坐席终端的历史数据至预先训练好的神经网络模型,获得神经网络模型输出的各个坐席终端的客户满意度;
确定客户满意度大于预设阈值的多个坐席终端;
将所述多个坐席终端对应的坐席标识组成优质坐席标识集。
5.如权利要求3所述的方法,其特征在于,还包括定期更新优质坐席标识集。
6.一种坐席转接装置,其特征在于,应用于坐席集中处理器,所述装置包括:
接收单元,用于接收一坐席终端发送的转接指令;
筛选单元,用于从优质坐席标识集中筛选满足接待条件的一个坐席标识;
发送单元,用于发送所述转接指令至所述坐席标识对应的坐席终端;
其中,所述优质坐席标识集是基于预先训练好的神经网络模型所输出的各个坐席终端的客户满意度确定的标识集合;
所述神经 网络模型的训练方法包括:
获取训练样本集,并构建一个包含三层神经网络的神经网络模型;
通过遗传算法确定最优训练样本,基于所述最优训练样本确定各层神经网络的初始权值和阈值;并基于所述训练样本集对所述神经网络模型进行有监督训练;
将达到训练结束条件后所获的神经网络模型作为所述预先训练好的神经网络模型;其中,所述预先训练好的神经网络模型以任一坐席的历史数据为输入,以客户满意度为输出。
7.如权利要求6所述的装置,其特征在于,所述筛选单元,具体包括从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识;验证坐席标识对应的坐席状态是否满足接待条件;若满足接待条件,则确定为待转接的坐席标识;若不满足接待条件,则进入步骤从优质坐席标识集中按客户满意度由高至低的顺序确定一坐席标识。
8.如权利要求6或7所述的装置,其特征在于,所述接待条件包括:
处于空闲状态,且,接待量小于最高接待量。
9.如权利要求6所述的装置,其特征在于,还包括:
收集单元,用于收集各个坐席终端的历史数据;
输入单元,输入各个坐席终端的历史数据至预先训练好的神经网络模型,获得神经网络模型输出的各个坐席终端的客户满意度;
确定单元,用于确定客户满意度大于预设阈值的多个坐席终端;
组成单元,用于将所述多个坐席终端对应的坐席标识组成优质坐席标识集。
10.如权利要求9所述的装置,其特征在于,还包括:
更新单元,用于定期更新优质坐席标识集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572652.8A CN111741176B (zh) | 2020-06-22 | 2020-06-22 | 坐席转接方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572652.8A CN111741176B (zh) | 2020-06-22 | 2020-06-22 | 坐席转接方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111741176A CN111741176A (zh) | 2020-10-02 |
CN111741176B true CN111741176B (zh) | 2021-10-26 |
Family
ID=72650241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010572652.8A Active CN111741176B (zh) | 2020-06-22 | 2020-06-22 | 坐席转接方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111741176B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106302333A (zh) * | 2015-05-22 | 2017-01-04 | 华为技术有限公司 | 媒体会话的处理方法、装置和系统 |
CN110536032A (zh) * | 2019-07-09 | 2019-12-03 | 中国平安财产保险股份有限公司 | 消息发送方法、装置、电子设备及存储介质 |
CN110826857A (zh) * | 2019-10-09 | 2020-02-21 | 榕知科技(武汉)有限公司 | 一种客户应答分配系统、方法、服务器及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228286A (zh) * | 2016-07-15 | 2016-12-14 | 西安美林数据技术股份有限公司 | 一种针对人工客服工作质量评估的数据分析方法 |
CN108122102A (zh) * | 2018-01-24 | 2018-06-05 | 平安科技(深圳)有限公司 | 自助网银转账方法、设备、存储介质及远程视频柜员机 |
CN110942326A (zh) * | 2018-09-25 | 2020-03-31 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法及装置、服务器 |
-
2020
- 2020-06-22 CN CN202010572652.8A patent/CN111741176B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106302333A (zh) * | 2015-05-22 | 2017-01-04 | 华为技术有限公司 | 媒体会话的处理方法、装置和系统 |
CN110536032A (zh) * | 2019-07-09 | 2019-12-03 | 中国平安财产保险股份有限公司 | 消息发送方法、装置、电子设备及存储介质 |
CN110826857A (zh) * | 2019-10-09 | 2020-02-21 | 榕知科技(武汉)有限公司 | 一种客户应答分配系统、方法、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111741176A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598870A (zh) | 一种联邦学习方法及装置 | |
CN104125559B (zh) | 一种数据传输的方法、装置及系统 | |
CN107306429B (zh) | 网络接入点的连接方法及装置 | |
CN103444232A (zh) | 智能连接管理器 | |
JP2009212707A (ja) | 管理装置、管理方法及びコンピュータプログラム | |
CN111611351B (zh) | 在线客服会话的控制方法、装置和电子设备 | |
CN108541368A (zh) | 用于通话的自动重新连接的系统和方法 | |
CN103248561A (zh) | 一种跨平台跨终端的通信方法及消息系统 | |
CN1996860A (zh) | 策略控制的方法、装置及系统 | |
CN106171019B (zh) | 确定终端漫游状态的方法、装置、终端及服务器 | |
CN103533189A (zh) | 移动座席呼叫的分配方法和装置 | |
CN111107229B (zh) | 用于智能客服的外呼预测方法及装置 | |
CN109962893A (zh) | 一种智能呼叫方法及其相关设备 | |
CN105791112A (zh) | 用于自动的意图评估和通信路由的系统和方法 | |
CN105164993A (zh) | 将本地呼叫保持状态传达给接收方装置的方法及设备 | |
CN102457610B (zh) | 一卡多号业务联系人的匹配装置及方法 | |
CN102892107A (zh) | 电子通讯录自动更新方法 | |
CN109309942B (zh) | 网络切换方法及装置 | |
CN116506953A (zh) | 应用于智能通信系统的多信道切换方法、系统及介质 | |
US20070274459A1 (en) | Method, system, and article for informing a telecommunication customer of a future performance estimate for a telecommunication feature | |
CN109936861A (zh) | 通信方法及接入网设备、终端设备、核心网设备 | |
CN111741176B (zh) | 坐席转接方法及装置 | |
CN116843016A (zh) | 一种移动边缘计算网络下基于强化学习的联邦学习方法、系统及介质 | |
CN110224861A (zh) | 基于学习的自适应动态异构网络选择策略的实现方法 | |
CN102868771A (zh) | 基于融合地址簿同步联系人的方法、装置和系统 |
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 |