CN111787164B - 来电提示方法、装置、电子设备和计算机可读介质 - Google Patents

来电提示方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN111787164B
CN111787164B CN202010689509.7A CN202010689509A CN111787164B CN 111787164 B CN111787164 B CN 111787164B CN 202010689509 A CN202010689509 A CN 202010689509A CN 111787164 B CN111787164 B CN 111787164B
Authority
CN
China
Prior art keywords
information
client
incoming call
prompt
work order
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
CN202010689509.7A
Other languages
English (en)
Other versions
CN111787164A (zh
Inventor
李树海
陈浩
孙兴华
韩涛
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.)
Sunshine Insurance Group Co Ltd
Original Assignee
Sunshine Insurance 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 Sunshine Insurance Group Co Ltd filed Critical Sunshine Insurance Group Co Ltd
Priority to CN202010689509.7A priority Critical patent/CN111787164B/zh
Publication of CN111787164A publication Critical patent/CN111787164A/zh
Application granted granted Critical
Publication of CN111787164B publication Critical patent/CN111787164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04M3/42136—Administration or customisation of services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • 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
    • H04M3/42221—Conversation recording systems
    • 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
    • H04M3/5166—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing in combination with interactive voice response systems or voice portals, e.g. as front-ends

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明提供了一种来电提示方法、装置、电子设备和计算机可读介质，涉及客服电话信息处理的技术领域，包括获取客户来电信息；根据所述客户来电信息获取客户历史信息；对所述客户历史信息进行预处理，得到特征变量；采用预先部署的预判规则对所述特征变量进行计算，得到第一计算结果，根据所述第一计算结果得到第一提示信息；其中，所述预判规则根据预先训练的决策树模型确定；将所述第一提示信息发送至语音播报端，以使语音播报端根据所述第一提示信息调整语音播报顺序；本发明能够根据客户来电信息确定IVR菜单播报顺序，为客户提供个性化的、动态的IVR菜单导航服务。

Description

来电提示方法、装置、电子设备和计算机可读介质
技术领域
本发明涉及客服电话信息处理技术领域，尤其是涉及一种来电提示方法、装置、电子设备和计算机可读介质。
背景技术
目前，95510电话服务模式为客户拨通95510电话后，客户首先收听事先设置好的、固定顺序的IVR菜单按键播报，直到收听到想办理业务对应的IVR菜单按键播报后，客户再做出按键选择，进入相应服务队列，坐席听取客户诉求并明确业务类型后进行相关服务。这种电话服务模式不仅占用较长等待时间，造成通话成本、硬件资源的浪费；而且由于IVR菜单播报是固定的，不能根据客户来电信息提供个性化的、动态的IVR菜单导航服务。
发明内容
本发明的目的在于提供一种来电提示方法、装置、电子设备和计算机可读介质，能够根据客户来电信息确定语音播报顺序，为客户提供个性化的、动态的语音播报服务。
第一方面，本实施例提供的一种来电提示方法，包括：
获取客户来电信息；
根据所述客户来电信息获取客户历史信息；对所述客户历史信息进行预处理，得到特征变量；
采用预先部署的预判规则对所述特征变量进行计算，得到第一计算结果，根据所述第一计算结果得到第一提示信息；其中，所述预判规则根据预先训练的决策树模型确定；
将所述第一提示信息发送至语音播报端，以使语音播报端根据所述第一提示信息调整语音播报顺序。
在可选的实施方式中，将所述第一提示信息发送至语音播报端，以使语音播报端根据所述第一提示信息调整语音播报顺序之后还包括：
获取客户按键信息；
根据所述客户按键信息和预先建立的来电提示预判模型确定第二提示信息；
将所述第二提示信息发送至客户画像信息展示端进行展示。
在可选的实施方式中，所述客户来电信息至少包括客户电话号码；所述方法还包括：
确定训练样本；
根据所述训练样本训练所述决策树模型；所述决策树模型为基于ID3的决策树模型；所述决策树模型包括特征提取运算、特征选择运算和分类运算；
所述特征提取运算，用于从训练样本中提取客户历史信息和接触环节编码信息，根据所述客户历史信息确定按键埋点信息；根据所述客户历史信息和所述按键埋点信息计算特征变量衍生信息；根据所述客户历史信息和所述特征变量衍生信息得到特征变量；
所述特征选择运算，用于计算每个所述特征变量的信息增益以对所述特征变量进行筛选，将满足预设特征变量信息增益阈值的特征变量作为筛选出的特征变量；
所述分类运算，用于采用根据按键映射表和客户历史信息建立的宽表构建基于ID3的决策树模型，将筛选出的特征变量输入所述决策树模型进行训练，得到训练好的决策树模型；其中，按键映射表为按键所与接触环节编码信息的映射关系。
在可选的实施方式中，还包括：
根据所述接触环节编码信息和所述按键埋点信息建立按键映射表；
根据所述第一计算结果和按键映射表得到第一提示信息。
在可选的实施方式中，所述来电提示预判模型为基于概率信息矩阵的模型；根据所述客户按键信息和预先建立的来电提示预判模型确定第二提示信息，包括：
根据所述客户按键信息确定当前客户的当前业务场景；
根据当前业务场景确定当前客户对应的具有相同业务场景的上一次联络记录的工单类型和来电时间；
根据上次联络记录的来电时间计算当前时间间隔；
从预先建立的概率信息矩阵中查找当前时间间隔对应的至少一个工单类型；
将当前时间间隔对应的至少一个工单类型按在概率信息矩阵中的概率大小进行排序；
将排序后的至少一个工单类型作为第二提示信息进行显示。
在可选的实施方式中，采用如下方法建立概率信息矩阵：
通过客户来电信息确定与客户来电信息关联的多个工单类型信息，所述工单类型信息至少包括工单类型和时间信息；
根据时间信息确定相邻两个工单类型信息的时间间隔；
根据所述时间间隔计算时间间隔置信区间；
计算时间间隔重叠区域所对应的每一种工单类型的概率；
根据所述时间间隔、业务类型和时间间隔重叠区域所对应的每一种工单类型的概率建立概率信息矩阵。
在可选的实施方式中，语音播报端为IVR菜单导航端。
第二方面，本实施例提供的一种来电提示装置，包括：
第一获取模块，用于获取客户来电信息；
预处理模块，用于根据所述客户来电信息获取客户历史信息；对所述客户历史信息进行预处理，得到特征变量；
第一计算模块，用于采用预先部署的预判规则对所述特征变量进行计算，得到第一计算结果，根据所述第一计算结果得到第一提示信息；其中，所述预判规则根据预先训练的决策树模型确定；
第一提示模块，用于将所述第一提示信息发送至语音播报端，以使语音播报端根据所述第一提示信息调整语音播报顺序。
第三方面，本实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述前述实施方式任一项所述的方法的步骤。
第四方面，本实施例提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述前述实施方式任一项所述方法。
本发明提供的一种来电提示方法、装置、电子设备和计算机可读介质，由于根据获取的客户来电信息获取客户历史信息，对客户历史信息进行预处理得到特征变量；根据预先训练的决策树模型对特征变量进行计算得到第一计算结果，根据第一计算结果得到第一提示信息；从而根据第一提示信息对客户进行语音播报；本发明能够根据客户来电信息确定IVR菜单播报顺序，为客户提供个性化的、动态的IVR菜单导航服务。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的来电提示方法的流程图；
图2为本发明实施例提供的来电提示方法的判别模型构建原理示意图；
图3为本发明实施例提供的来电提示方法中概率信息矩阵的构建流程图；
图4为本发明实施例提供的来电提示方法的另一个流程图；
图5为本发明实施例提供的来电提示方法的数据集划分原理示意图；
图6为本发明实施例提供的来电提示装置的原理图；
图7为本发明实施例提供的电子设备的原理图。
图标：51-第一获取模块；52-第一计算模块；53-第一提示模块；400-电子设备；401-通信接口；402-处理器；403-存储器；404-总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
目前，现有的客服电话服务模式是，客户拨通客服电话后，客户收听事先设置好的、固定顺序的IVR菜单按键播报，直到收听到想办理业务对应的IVR菜单按键导航后，客户再根据播报做出按键选择，进入相应服务队列，坐席听取用户诉求并明确客户来电所需办理的工单类型后进行相关服务。
现有技术客观上存在以下缺点：
(1)现有的IVR菜单播报占用较长的等待时间，会造成通话成本、硬件资源上的浪费。
(2)现有的IVR菜单播报是固定的，不能根据客户来电信息提供个性化的、动态的IVR菜单导航服务。
(3)客户接通电话后，坐席人员需要与客户沟通后才能明确本次客户所需办理的工单类型，也进一步增加了通话成本和人工成本。
基于此，本发明提供一种来电提示方法、装置、电子设备和计算机可读介质，旨在解决目前IVR菜单播报长、客户等待久、坐席明确客户来电目的长的问题。利用大数据和有监督的机器学习模型手段来明确客户所需办理的工单类型，并动态调整IVR菜单导航播报顺序——将当前客户最可能办理业务对应的IVR菜单优先播报，客户在最先收听、快速选择按键后，进入相应的服务队列；同时根据客户的IVR菜单按键，在客户画像端向座席人员进一步展示当前客户本次最可能办理的业务类型，帮助坐席提高沟通效率，从而实现节约成本、提升客户满意度、提升智能客服服务水平的目的。
下面通过实施例对本发明进行详细介绍，本实施例以95510客服电话为例进行介绍。
参照图1，本实施例提供的一种来电提示方法，包括如下步骤：
S110，获取客户来电信息；
在本步骤中，本实施例中客户来电信息指客户的电话号码。
S120，根据客户来电信息获取客户历史信息；对客户历史信息进行预处理，得到特征变量；
在本步骤中，以客户的电话号码为关联字段，确定该电话号码下的客户历史信息。本实施例中，客户历史信息包括客户在本公司的全渠道联络记录、客户保单信息、IVR按键埋点信息、客户画像信息。其中，客户画像信息为记录在数据库中的，客户历次拨打95510客服电话所判别出的客户画像信息。
其中，IVR埋点信息为预先对每个IVR菜单按键建立埋点，客户上一次拨打客服电话时按下的IVR菜单按键对应的埋点信息。
对上述多个客户历史信息进行计算后，得到与客户关联度最高的特征变量。
S130，采用预先部署的预判规则对特征变量进行计算，得到第一计算结果，根据第一计算结果得到第一提示信息；其中，预判规则根据预先训练的决策树模型确定；
具体地，预先训练决策树模型，并进行测试，当满足测试要求后，将决策树模型对应的预判规则部署在服务器；再将与客户关联度最高的特征变量输入预判规则，得到第一计算结果；第一计算结果为客户办理各个业务场景的可能性大小，其中每一种业务场景对应一个IVR菜单按键。从而得到第一提示信息。第一提示信息为IVR菜单按键对应的业务场景。
S140，将第一提示信息发送至语音播报端，以使语音播报端根据第一提示信息调整语音播报顺序。
在本步骤中，第一提示信息为客户最有可能办理的几个业务场景，按照概率大小对这几个业务场景进行优先播报，从而使得IVR菜单能够根据客户来电信息确定IVR菜单播报顺序，为客户提供个性化的、动态的IVR菜单导航服务。
进一步地，上述实施例的步骤S140之后还包括如下步骤：
获取客户按键信息；
根据客户按键信息和预先建立的来电提示预判模型确定第二提示信息；
将第二提示信息发送至客户画像信息展示端进行展示。
具体地，客户在最新收听到最有可能的IVR菜单按键播报后，快速选择按键，进入相应的服务队列。
根据客户选择的菜单按键和预先建立的概率信息矩阵确定客户本次拨打可能办理的业务类型或者工单类型；其中此处的业务类型为上述业务场景的子集业务或者工单。
也就是说，客户来电时，首先预判客户会使用哪个IVR菜单，并进行优先播报；当客户选择了对应的IVR菜单按键后，以此为条件，再进行具体工单类型的预判，得到第二提示信息，将第二提示信息显示在客户画像信息展示端。坐席客服看到显示的第二信息后，能及时知道该客户所需办理的具体业务。
本实施例通过在客户画像端向座席人员进一步展示当前客户本次最可能办理的业务类型，帮助坐席提高沟通效率，从而实现节约成本、提升客户满意度、提升智能客服服务水平的目的。
可见，本实施例将来电提示分成两部分，分别部署在95510IVR菜单导航端、客户画像端。菜单导航端用于提示客户需要办理的大类业务，并通过优先播报办理业务的IVR菜单导航按键实现。客户画像端来是根据客户选择的IVR菜单按键，进一步提示当前客户最有可能办理的具体业务类型。
进一步地，客户来电信息至少包括客户电话号码；上述实施例的方法还包括如下步骤：
确定训练样本；
根据训练样本训练决策树模型；决策树模型为基于ID3的决策树模型；决策树模型包括特征提取运算、特征选择运算和分类运算；
特征提取运算，用于从训练样本中提取客户历史信息和接触环节编码信息，根据客户历史信息确定按键埋点信息；根据客户历史信息和按键埋点信息计算特征变量衍生信息；根据客户历史信息和特征变量衍生信息得到特征变量；
特征选择运算，用于计算每个特征变量的信息增益以对特征变量进行筛选，将满足预设特征变量信息增益阈值的特征变量作为筛选出的特征变量；
分类运算模块，用于采用根据按键映射表和客户历史信息建立的宽表构建基于ID3的决策树模型，将筛选出的特征变量输入决策树模型进行训练，得到训练好的决策树模型。
具体地，本实施例的步骤为决策树模型运行的方法步骤，在本实施例中将获取的样本划分为训练集、验证集和测试集。如图5所示，数据集划分原理如下：
训练集：T-20月至T-2月期间内随机抽取80％的数据作为模型的训练集，用以模型构建。
验证集：T-20月至T-2月期间内扣除训练集所用的数据后，剩余的数据作为验证集，用以训练模型的评估。
测试集：选取T-2月至T月期间的数据作为模型的测试集，用以最终模型效果的评估。
在构建决策树模型之前，首先进行数据预处理，参照图2，数据预处理的步骤包括数据整合(或称为数据准备)、目标变量标注、数据清洗、特征变量衍生，下面对上述步骤逐一进行介绍。
在数据整合阶段，对全部的IVR菜单按键建立埋点，并将最后的IVR菜单按键埋点信息上传至服务器。当客户电话中途断线后再次来电时，快速获取来电客户的IVR菜单按键信息。通过接口获取接触环节编码白名单相关数据。梳理公司全流程各接触环节编码，并建立接触环节编码白名单机制，通过白名单机制过滤掉不关心的接触环节编码。其中，各接触环节编码是指与客户的每个接触环节(接触操作/接触过程)用文字进行记录，将有价值的操作用编码表示并保存记录，看到编码就能明确与客户之间的接触环节以及当前进行到哪个阶段。
在数据准备阶段，还需要以电话号码作为关联字段，将客户在本公司的全渠道联络记录、客户保单信息、IVR按键埋点信息、客户画像信息等整合在用于构建决策树模型的宽表中。所谓的宽表就是把当前来电号码和来电时间的信息，以及模型所需的历史信息字段、以及生成的衍生特征都整合到一条记录中，每条信息的字段包括数百个字段信息，进入模型运算，检测哪些字段有用，根据一定的筛选规则最后只保留使用的字段，用来部署模型。
其中宽表能够收集有用的字段和生成认为可能有用的衍生字段，从而能够抓取到对结果影响显著的变量。宽表是决策树模型的训练阶段和验证阶段使用，当所训练的模型较为稳定，且准确率达到预设阈值，根据模型结果整理出预判断规则并进行部署后，此后训练模型、验证模型、测试模型和宽表都不用了，只关心预判规则中出现的变量(或衍生变量)。
在目标变量标注阶段，根据接触环节编码白名单及IVR埋点信息，建立从接触环节编码到IVR菜单按键的映射表(车险报案、财产保险、人寿保险、健康管理服务、阳光融合医院业务咨询，其中这五类与IVR菜单按键对应)，以此映射表作为来电信息标签，用于建立IVR菜单导航端的决策树模型，根据来电客户动态调整IVR菜单导航播报。
建立映射表的目的是，首先，接触环节编码对应着数百个，而IVR菜单按键只有几个，需要把这些映射成与按键对应的几类；其次，节点编码的增减也会存在，当有节点变化时，对于IVR菜单导航端，只需修改映射表就可完成操作，模型变动最小，简单快速。
数据清洗主要涉及对数据去重、缺失数据处理等，数据去重是以电话号码、上次联络时间作为关键字，去掉重复记录；数据去重后相同记录只保留一条。缺失数据处理主要是针对数值型数据，当数据缺失时，用该类数据的中位数进行填充。
在特征变量衍生阶段，使用已有的IVR按键埋点信息、工单类型、历史联络渠道、保单性质、回执签收日期等信息变量，在此基础上进行特征变量衍生。主要的特征衍生变量有：历史联络次数、上次联络类型、保单持有时间、保单剩余时间、是否在犹豫期等。
以衍生特征“是否在犹豫期”处理过程如下：
根据来电客户的电话号码关联出客户的寿险保单，若无寿险保单或有寿险保单但保险期限小于或等于365天时，是否在犹豫期＝“否”；当寿险保单的期限大于365天时，则：
Figure BDA0002587269840000111
Figure BDA0002587269840000112
本实施例的判别模型构建过程如图2所示，本实施例选择决策树作为判别模型；在特征选择运算中，本实施例通过信息增益来进行特征选择，信息增益是由经过特征分裂后的熵减去分裂前结点的熵得到。进行模型训练后对训练好的决策树模型进行测试，当决策树模型的准确率大于80％是即可进行模型应用(或部署)，否则继续进行数据预处理，重新构建决策树模型进行训练直至满足80％的阈值。
如图2所示，根据整理好的预判规则在生产系统上部署后，当客户来电时，部署后的程序将自动从数据库或接口查找模型规则中使用的字段，提取联络记录、保单信息和埋点信息等；当模型规则中用到衍生变量时，需要根据原始变量生成衍生变量。获取到模型所需(衍生)变量后，自动经过预判规则进行判断，得到第一提示信息，通过映射表转换成对应的IVR菜单按键，即可将对应的按键进行优先播报。客户根据播报内容选择按键后，计算第二提示信息并在客户画像信息展示端进行展示。
本实施例将决策树算法应用于IVR菜单按键的预判，来电客户最先收听到办理业务对应的IVR菜单按键播报，便于客户快速做出按键选择。
优选地，本实施例采用ID3算法来构建决策树模型，这是由于ID3算法构建的决策树在实际应用上拥有较高的准确度、卓越的运算速度、解释能力强等诸多优点。但ID3算法会偏向于选择子类别多的特征，无法处理连续型变量。来电预判中子类特征较为均匀，在将连续变量离散化后，很好的规避了ID3算法的不足。
基于ID3的决策树模型的原理是：
(1)计算各个节点的信息增益
Figure BDA0002587269840000121
Figure BDA0002587269840000122
使用信息增益最大的特征作为决策树的当前分裂节点；
(2)根据当前决策节点的不同取值将该样本数据集划分成若干个子集；
(3)重复步骤(1)、(2)直到满足以下条件之一时，停止分支，并将样本个数最多的类别作为节点的类别：
若某一子集对应类的深度超过设定值，则该子集停止进一步划分；
若某一子集取值的样本数小于设定值，则该子集停止进一步划分；
已经没有可用来进一步划分的分类属性。
优选地，本实施例还对训练后的判别模型进行了测试，选取AUC指标作为模型的评估指标，选取最优模型，用以在测试集上进行评估。
在训练集和验证集得出最优模型后，使用测试集进行模型测试。使用以下的预判准确率指标来衡量模型的分类能力，对模型性能进行评价。
预判准确率＝模型预测来电客户意图正确的电话通数/参加模型预测的电话通数。
在测试集上，模型的准确率大于80％时，满足上线应用的标准；不满足时，增加衍生特征，并重新训练模型，直至达标。
可选地，上述实施例的方法还包括：
根据接触环节编码信息和按键埋点信息建立按键映射表；其中，按键映射表为按键与接触环节编码信息的映射关系；
根据第一计算结果和按键映射表得到第一提示信息。
在本实施例中，根据接触环节编码信息以及IVR按键埋点信息建立从接触环节编码信息到IVR按键的映射表，以此映射表作为标签，建立IVR菜单导航端的决策树模型，使得建立的模型根据用户实时操作的按键得到第一提示信息，再根据第一提示信息动态调整IVR菜单导航播报。
进一步地，来电提示预判模型为基于概率信息矩阵的模型；根据客户按键信息和预先建立的来电提示预判模型确定第二提示信息，包括：
根据客户按键信息确定当前客户的当前业务场景；
根据当前业务场景确定当前客户对应的具有相同业务场景的上一次联络记录的工单类型和来电时间；
根据上次联络记录的来电时间计算当前时间间隔；
从预先建立的概率信息矩阵中查找当前时间间隔对应的至少一个工单类型；
将当前时间间隔对应的至少一个工单类型按在概率信息矩阵中的概率大小进行排序；
将排序后的至少一个工单类型作为第二提示信息进行显示。
在这里，第二提示信息是指在客户画像信息展示端展示给人工客服的信息，建立来电提示预判模型的步骤包括数据预处理步骤和模型构建步骤。
数据预处理主要涉及对数据去重、异常数据处理等；数据去重是指以电话号码、上次联络时间、接触环节编码作为关键字进行判断，去掉重复记录；数据去重后相同记录只保留一条。
计算两次接触环节编码的时间间隔。当时间间隔存在异常数据时，需要按以下处理方法进行处理：
Figure BDA0002587269840000141
对时间间隔Xi按从小到大的顺序排序，处于25％位置上的数值为q1，处于75％位置上的数值为q3。
客户在进行IVR菜单按键选择后，模型会查找IVR按键对应业务场景的最近一次联络记录的工单类型，计算出上次办理业务的工单类型时刻至客户来电时刻的时间间隔t，从对应的概率信息矩阵查找出对应的业务工单类型，按概率值按从大到小排序后显示在客户画像端。
其中，上述业务工单类型主要有车险报案、咨询工单-保单信息查询、咨询工单-承保场景、增值服务四个业务场景。
以车险报案场景为例，车险报案场景包括了催查勘、催定损、二次定损、改派查勘员、理赔催办、理赔信息查询、理赔疑难、事故救援、修改案件信息、注销这10种工单类型。
以咨询工单-保单信息查询场景为例，咨询工单-保单信息查询场景包括了保单验真、补保单、财产类保险责任咨询、查找车险网电坐席、查找非车险网电坐席、车险类保险责任咨询、非网电渠道车险索要保单/发票、批改信息、投续保、退保、网电渠道车险保单配送、意健险类保险责任咨询这12种工单类型。
可选地，采用如下方法建立概率信息矩阵：
通过客户来电信息确定与客户来电信息关联的多个工单类型信息，工单类型信息至少包括工单类型和时间信息；
根据时间信息确定相邻两个工单类型信息的时间间隔；
根据时间间隔计算时间间隔置信区间；
计算时间间隔重叠区域所对应的每一种工单类型的概率；
根据时间间隔、业务类型和时间间隔重叠区域所对应的每一种工单类型的概率建立概率信息矩阵。
具体地，来电提示预判模型的构建过程如图3所示，包括如下步骤：
S301：通过联系电话关联最近两次的工单类型；
在本步骤中，两次工单类型是指上次办理业务的工单类型和本次办理业务的工单类型。
S302：计算两次工单类型的时间间隔；
在本步骤中，计算时间间隔之后，存储上次办理业务的工单类型、本次办理业务的工单类型、时间间隔等信息。
S303：存储两次工单类型编码、时间间隔等信息；
S304：判断样本数据是否全部遍历，如果否，则返回步骤S301，否则执行步骤S305；
在本步骤中，若样本数据全部处理完毕，则执行，否则跳转到(1)执行步骤S305，否则跳转至步骤S301。
S305：以两次工单类型分组，计算对应业务量的置信区间；
在本步骤中，以上次办理业务的工单类型、本次办理业务的工单类型为分组，计算时间间隔对应的置信区间，具体的计算原理如下：
(1)计算该组样本时间间隔的均值
Figure BDA0002587269840000161
(2)计算该组样本时间间隔的标准差
Figure BDA0002587269840000162
(3)计算该组样本时间间隔的90％置信区间
Figure BDA0002587269840000163
Figure BDA0002587269840000164
S306：以上次工单类型为条件，置信区间有重合时，计算重合工单类型对应的样本占比；
在本步骤中，计算时间间隔重叠区域的工单类型对应的业务量n1，...，nM，进一步计算出每类工单类型对应的概率大小
Figure BDA0002587269840000165
将概率值记录到客户画像端所使用的概率信息矩阵中。
以上次工单类型为催查勘为例，本次来电时可能办理的工单类型的概率信息矩阵如表1所示。
表1
Figure BDA0002587269840000166
S307：存储结果，生成客户画像端的概率信息矩阵。
在本步骤中，上次办理业务的工单、本次办理业务的工单对应一个概率信息矩阵，上述置信区间能够涵盖90％的客户。表1中，上次来电为催查勘，本次来电时会计算上次来电至本次来电时间间隔，采用该时间间隔以及概率信息矩阵确定可能办理的业务，并按概率大小对可能办理的业务进行排序。
可选地，语音播报端为IVR菜单导航端。
决策树模型的测试原理是，采用AUC指标作为模型的评估指标，选取最优模型，用以在测试集上进行评估。在训练集和验证集得出最优模型后，使用测试集进行模型测试。使用以下的预判准确率指标来衡量模型的分类能力，对模型性能进行评价。
预判准确率＝模型预测来电客户意图正确的电话通数/参加模型预测的电话通数；
在测试集上，模型的准确率大于80％时，满足上线应用的标准；不满足时，增加衍生特征，并重新训练模型，直至达标。
建立概率信息矩阵并训练后也需要对模型进行测试，以客观评价指标(模型的预判准确率)、坐席人员主观评价(是否能够帮助坐席人员快速理解客户的来电目的)作为衡量客户画像端来电提示预判模型好坏的标准。
当训练模型满足评估标准后，本实施例将两个模型分别部署至95510IVR菜单导航端和客户画像端，实时进行预判；根据预判结果，优先播报对应的IVR菜单导航按键，在客户选择IVR菜单按键后，在客户画像端向坐席人员进一步展示当前客户最有可能办理的业务工单类型。
参照图4，本实施例在具体实施时的可采用如下步骤：
S401：客户拨打客服电话；
S402：根据来电号码提取特征值；
S403：判断样本数据是否全部遍历，如果否，则转至S410；否则执行S404；
S404：计算模型输入参数；
S405：判断是否满足终止条件，如果否，则转至S404；否则，执行S406；
S406：调用决策树模型；
S407：输出模型预判结果；
S408：接触环节编码转换；
S409：动态IVR菜单导航；转至S411；
S410：固定IVR菜单导航；
S411：客户进行IVR菜单按键选择；
S412：IVR菜单按键埋点信息上传；
S413：判断客户选择的是否是人工服务；如果是人工服务，则执行S414；否则执行S418；
S414：人工服务；
S415：计算上次服务至来电时刻的时间间隔；
S416：从对应的概率信息矩阵中查询本次工单类型及相应概率；
S417：客户画像端展示工单类型；
S418：自助服务；
S419：服务结束。
参照图6，本实施例提供的一种来电提示装置，包括如下模块：
第一获取模块51，用于获取客户来电信息；
预处理模块，用于根据客户来电信息获取客户历史信息；对客户历史信息进行预处理，得到特征变量；
第一计算模块52，用于采用预先训练的决策树模型对特征变量进行计算，得到第一计算结果，根据第一计算结果得到第一提示信息；其中，预判规则根据预先训练的决策树模型确定；
第一提示模块53，用于将第一提示信息发送至语音播报端，以使语音播报端根据第一提示信息调整语音播报顺序。
进一步地，还包括如下模块：
第二获取模块，用于获取客户按键信息；
第二计算模块，用于根据客户按键信息和预先建立的来电提示预判模型确定第二提示信息；
第二提示模块，用于将第二提示信息发送至客户画像信息展示端进行展示。
进一步地，客户来电信息至少包括客户电话号码；还包括如下模块：
训练样本确定模块，用于确定训练样本；
训练模块，用于根据训练样本训练决策树模型；决策树模型为基于ID3的决策树模型；决策树模型包括特征提取运算、特征选择运算和分类运算；
特征提取运算，用于从训练样本中提取客户历史信息和接触环节编码信息，根据客户历史信息确定按键埋点信息；根据客户历史信息和按键埋点信息计算特征变量衍生信息；根据客户历史信息和特征变量衍生信息得到特征变量；
特征选择运算，用于计算每个特征变量的信息增益以对特征变量进行筛选，将满足预设特征变量信息增益阈值的特征变量作为筛选出的特征变量；
分类运算，用于采用根据按键映射表和客户历史信息建立的宽表构建基于ID3的决策树模型，将筛选出的特征变量输入决策树模型进行训练，得到训练好的决策树模型。
可选地，上述实施例的装置还包括：
按键映射表模块，用于根据接触环节编码信息和按键埋点信息建立按键映射表；其中，按键映射表为按键与接触环节编码信息的映射关系；
第一提示信息模块，用于根据第一计算结果和按键映射表得到第一提示信息。
可选地，来电提示预判模型为基于概率信息矩阵的模型；第二计算模块包括：
第一确定模块，用于根据客户按键信息确定当前客户的当前业务场景；
第二确定模块，用于根据当前业务场景确定当前客户对应的具有相同业务场景的上一次联络记录的工单类型和来电时间；
时间间隔模块，用于根据上次联络记录的来电时间计算当前时间间隔；
查找模块，用于从预先建立的概率信息矩阵中查找当前时间间隔对应的至少一个工单类型；
排序模块，用于将当前时间间隔对应的至少一个工单类型按在概率信息矩阵中的概率大小进行排序；
显示模块，用于将排序后的至少一个工单类型作为第二提示信息进行显示。
在可选的实施方式中，还包括概率信息矩阵建立模块，用于：
通过客户来电信息确定与客户来电信息关联的多个工单类型信息，工单类型信息至少包括工单类型和时间信息；
根据时间信息确定相邻两个工单类型信息的时间间隔；
根据时间间隔计算时间间隔置信区间；
计算时间间隔重叠区域所对应的每一种工单类型的概率；
根据时间间隔、业务类型和时间间隔重叠区域所对应的每一种工单类型的概率建立概率信息矩阵。
优选地，语音播报端为IVR菜单导航端。
参见图7，本发明实施例还提供了一种电子设备400，包括通信接口401、处理器402、存储器403以及总线404，处理器402、通信接口401和存储器403通过总线404连接；上述存储器403用于存储支持处理器402执行上述来电提示方法的计算机程序，上述处理器402被配置为用于执行该存储器403中存储的程序。
可选地，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器402执行如上述实施例中的来电提示方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种来电提示方法，其特征在于，包括：
获取客户来电信息；
根据所述客户来电信息获取客户历史信息；对所述客户历史信息进行预处理，得到特征变量；
采用预先部署的预判规则对所述特征变量进行计算，得到第一计算结果，根据所述第一计算结果得到第一提示信息；其中，所述预判规则根据预先训练的决策树模型确定；
将所述第一提示信息发送至语音播报端，以使语音播报端根据所述第一提示信息调整语音播报顺序；
其中，将所述第一提示信息发送至语音播报端，以使语音播报端根据所述第一提示信息调整语音播报顺序之后还包括：
获取客户按键信息；
根据所述客户按键信息和预先建立的来电提示预判模型确定第二提示信息；
将所述第二提示信息发送至客户画像信息展示端进行展示；
其中，所述来电提示预判模型为基于概率信息矩阵的模型；根据所述客户按键信息和预先建立的来电提示预判模型确定第二提示信息，包括：
根据所述客户按键信息确定当前客户的当前业务场景；
根据当前业务场景确定当前客户对应的具有相同业务场景的上一次联络记录的工单类型和来电时间；
根据上次联络记录的来电时间计算当前时间间隔；
从预先建立的概率信息矩阵中查找当前时间间隔对应的至少一个工单类型；
将当前时间间隔对应的至少一个工单类型按在概率信息矩阵中的概率大小进行排序；
将排序后的至少一个工单类型作为第二提示信息进行显示。
2.根据权利要求1所述的方法，其特征在于，所述客户来电信息至少包括客户电话号码；所述方法还包括：
确定训练样本；
根据所述训练样本训练所述决策树模型；所述决策树模型为基于ID3的决策树模型；所述决策树模型包括特征提取运算、特征选择运算和分类运算；
所述特征提取运算，用于从训练样本中提取客户历史信息和接触环节编码信息，根据所述客户历史信息确定按键埋点信息；根据所述客户历史信息和所述按键埋点信息计算特征变量衍生信息；根据所述客户历史信息和所述特征变量衍生信息得到特征变量；
所述特征选择运算，用于计算每个所述特征变量的信息增益以对所述特征变量进行筛选，将满足预设特征变量信息增益阈值的特征变量作为筛选出的特征变量；
所述分类运算，用于采用根据按键映射表和客户历史信息建立的宽表构建基于ID3的决策树模型，将筛选出的特征变量输入所述决策树模型进行训练，得到训练好的决策树模型；其中，按键映射表为按键与接触环节编码信息的映射关系。
3.根据权利要求2所述的方法，其特征在于，还包括：
根据所述接触环节编码信息和所述按键埋点信息建立按键映射表；
根据所述第一计算结果和按键映射表得到第一提示信息。
4.根据权利要求1所述的方法，其特征在于，采用如下方法建立概率信息矩阵：
通过客户来电信息确定与客户来电信息关联的多个工单类型信息，所述工单类型信息至少包括工单类型和时间信息；
根据时间信息确定相邻两个工单类型信息的时间间隔；
根据所述时间间隔计算时间间隔置信区间；
计算时间间隔重叠区域所对应的每一种工单类型的概率，其中，所述时间间隔重叠区域为存在两个或更多个工单类型的时间间隔；
根据所述时间间隔、业务类型和时间间隔重叠区域所对应的每一种工单类型的概率建立概率信息矩阵。
5.根据权利要求1所述的方法，其特征在于，语音播报端为IVR菜单导航端。
6.一种来电提示装置，其特征在于，包括：
第一获取模块，用于获取客户来电信息；
预处理模块，用于根据所述客户来电信息获取客户历史信息；对所述客户历史信息进行预处理，得到特征变量；
第一计算模块，用于采用预先部署的预判规则对所述特征变量进行计算，得到第一计算结果，根据所述第一计算结果得到第一提示信息；其中，所述预判规则根据预先训练的决策树模型确定；
第一提示模块，用于将所述第一提示信息发送至语音播报端，以使语音播报端根据所述第一提示信息调整语音播报顺序；
其中，所述第一提示模块之后，所述装置还包括：
第二获取模块，用于获取客户按键信息；
提示信息确定模块，用于根据所述客户按键信息和预先建立的来电提示预判模型确定第二提示信息；
提示信息展示模块，用于将所述第二提示信息发送至客户画像信息展示端进行展示；
其中，所述来电提示预判模型为基于概率信息矩阵的模型；所述提示信息确定模块用于：
根据所述客户按键信息确定当前客户的当前业务场景；
根据当前业务场景确定当前客户对应的具有相同业务场景的上一次联络记录的工单类型和来电时间；
根据上次联络记录的来电时间计算当前时间间隔；
从预先建立的概率信息矩阵中查找当前时间间隔对应的至少一个工单类型；
将当前时间间隔对应的至少一个工单类型按在概率信息矩阵中的概率大小进行排序；
将排序后的至少一个工单类型作为第二提示信息进行显示。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法的步骤。
8.一种计算机可读介质，其特征在于，所述计算机可读介质具有处理器可执行的非易失的程序代码，所述程序代码使所述处理器执行所述权利要求1至4任一项所述方法。
CN202010689509.7A 2020-07-16 2020-07-16 来电提示方法、装置、电子设备和计算机可读介质 Active CN111787164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010689509.7A CN111787164B (zh) 2020-07-16 2020-07-16 来电提示方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010689509.7A CN111787164B (zh) 2020-07-16 2020-07-16 来电提示方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN111787164A CN111787164A (zh) 2020-10-16
CN111787164B true CN111787164B (zh) 2021-06-15

Family

ID=72763932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010689509.7A Active CN111787164B (zh) 2020-07-16 2020-07-16 来电提示方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN111787164B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114697455A (zh) * 2020-12-29 2022-07-01 中国电信股份有限公司 语音应答系统控制方法及装置
CN114125159A (zh) * 2021-11-19 2022-03-01 数网金融有限公司 一种语音播报方法、装置及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016182823A1 (en) * 2015-05-11 2016-11-17 Informatica Llc Metric recommendations in an event log analytics environment
CN106572272A (zh) * 2015-10-12 2017-04-19 阿里巴巴集团控股有限公司 一种ivr语音菜单确定方法及装置
CN109274843A (zh) * 2018-09-19 2019-01-25 平安科技（深圳）有限公司 按键预测方法、装置及计算机可读存储介质
CN109600523A (zh) * 2018-10-11 2019-04-09 平安科技（深圳）有限公司 服务热线播报方法、装置、计算机设备和存储介质
CN110944088A (zh) * 2019-11-20 2020-03-31 微民保险代理有限公司 基于虚拟电话号码呼叫的方法、装置、存储介质及服务器
US10623566B1 (en) * 2014-03-28 2020-04-14 United Services Automobile Association (Usaa) Methods and systems for customizing interactive voice response calls
CN111343348A (zh) * 2018-12-19 2020-06-26 中兴通讯股份有限公司 互动式语音应答菜单的应用方法、系统、装置及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101094271A (zh) * 2007-07-20 2007-12-26 华为技术有限公司 自动语音应答系统菜单的生成方法及装置
CN107426449B (zh) * 2016-05-24 2020-09-29 百度在线网络技术（北京）有限公司 一种电话呼入处理方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10623566B1 (en) * 2014-03-28 2020-04-14 United Services Automobile Association (Usaa) Methods and systems for customizing interactive voice response calls
WO2016182823A1 (en) * 2015-05-11 2016-11-17 Informatica Llc Metric recommendations in an event log analytics environment
CN106572272A (zh) * 2015-10-12 2017-04-19 阿里巴巴集团控股有限公司 一种ivr语音菜单确定方法及装置
CN109274843A (zh) * 2018-09-19 2019-01-25 平安科技（深圳）有限公司 按键预测方法、装置及计算机可读存储介质
CN109600523A (zh) * 2018-10-11 2019-04-09 平安科技（深圳）有限公司 服务热线播报方法、装置、计算机设备和存储介质
CN111343348A (zh) * 2018-12-19 2020-06-26 中兴通讯股份有限公司 互动式语音应答菜单的应用方法、系统、装置及存储介质
CN110944088A (zh) * 2019-11-20 2020-03-31 微民保险代理有限公司 基于虚拟电话号码呼叫的方法、装置、存储介质及服务器

Also Published As

Publication number Publication date
CN111787164A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN105205155B (zh) 一种大数据犯罪同伙的筛查系统和方法
CN105530387B (zh) Ivr系统的来电处理方法
CN102663106B (zh) 建立号码信息数据库的方法及系统
CN111787164B (zh) 来电提示方法、装置、电子设备和计算机可读介质
CN111816324B (zh) 疫情监测方法、装置、疫情防控平台及可读存储介质
CN111352759A (zh) 一种告警根因的判定方法及装置
CN111522735B (zh) 测试实验的分流方法及装置
CN110493476B (zh) 一种检测方法、装置、服务器及存储介质
CN111598280B (zh) 一种设备报修方法和装置
CN115470867A (zh) 基于知识图谱的坐席匹配方法、装置、设备及存储介质
CN113610247A (zh) 货运车辆的故障求助方法、装置、存储介质及终端
CN109190716A (zh) 低压集抄故障的处理方法、装置及电子设备
CN113518156B (zh) 一种电话转接方法、装置及电子设备
CN113194210B (zh) 一种语音通话接入方法及装置
CN109978370A (zh) 安全检查综合执法终端、云平台、系统和数据处理方法
CN114782233A (zh) 一种疫情应急响应系统及其响应方法
CN115695656A (zh) 一种通话内容质量评估和管理的方法及系统
CN113115107B (zh) 一种基于5g网络的手持视频采集终端系统
CN115797699A (zh) 一种受电弓电火花故障检测方法、装置、设备及存储介质
CN111368858A (zh) 用户满意度评估方法及装置
CN107798641A (zh) 基于网络的错误行为教育方法及其系统
CN107784080B (zh) 自动建立用户知识框架的方法、装置、系统及存储介质
CN110401966B (zh) 无线网络性能评估监控方法、装置、电子设备和存储介质
CN117891997B (zh) 一种舆情管理和跨部门联合处置方法与系统
CN114330866B (zh) 数据处理方法、装置、电子设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant