CN111815124A - 快递行业座席智能分配方法、装置和设备 - Google Patents
快递行业座席智能分配方法、装置和设备 Download PDFInfo
- Publication number
- CN111815124A CN111815124A CN202010557518.0A CN202010557518A CN111815124A CN 111815124 A CN111815124 A CN 111815124A CN 202010557518 A CN202010557518 A CN 202010557518A CN 111815124 A CN111815124 A CN 111815124A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- label
- historical
- seat
- 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 44
- 238000012549 training Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 14
- 238000013136 deep learning model Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Abstract
本发明涉及物流相关技术领域，具体涉及一种快递行业座席智能分配方法、装置和设备。具体的，快递行业座席智能分配方法，包括：确定用户标签数据；其中，用户标签数据包括：基于用户历史业务数据得到的历史数据标签和基于会话数据得到的会话数据标签；基于所述用户标签数据和预测算法对用户需求进行预测；通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。
Description
技术领域
本发明涉及物流相关技术领域，具体涉及一种快递行业座席智能分配方法、装置和设备。
背景技术
呼叫中心普遍采用的做法是根据不同的业务类别分为不同的座席组，再按照业务类别进行话务分配，比如常见的座席组为：咨询组、下单组、投诉组。需要注意的是，一些情况需要转座席组。
目前采用的分配策略有以下缺点：用户意图判断不准确，甚至没有意图判断，导致分配后需要用户转组，体验不好。
发明内容
有鉴于此，提供一种快递行业座席智能分配方法、装置和设备，以解决相关技术中用户意图判断不准确，甚至没有意图判断，导致分配后需要用户转组，体验不好的问题。
本发明采用如下技术方案：
第一方面，本发明实施例提供了一种快递行业座席智能分配方法，包括：
确定用户标签数据；其中，用户标签数据包括：基于用户历史业务数据得到的历史数据标签和基于会话数据得到的会话数据标签；
基于所述用户标签数据和预测算法对用户需求进行预测；
通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。
可选的，确定历史数据标签的方法为：
将用户历史业务数据输入预设的历史数据标签识别模型，得到历史数据标签。
可选的，所述历史数据标签识别模型的训练过程包括：
获取第一预设数量样本用户历史业务数据和第二预设数量的标签标识作为训练样本，其中，所述样本用户历史业务数据和标签标识对应；
将所述训练样本输入预先构建的深度学习模型进行训练，得到所述历史数据标签识别模型。
可选的，确定会话数据标签的方法为：
获取用户与智能AI的会话数据；
将所述会话数据输入预设的会话数据标签识别模型，得到会话数据标签。
可选的，所述会话数据标签识别模型的训练过程包括：
获取第三预设数量样本会话数据和第四预设数量的标签标识作为训练样本，其中，所述样本会话数据和标签标识对应；
将所述训练样本输入预先构建的深度学习模型进行训练，得到所述会话数据标签识别模型。
可选的，所述预先构建的深度学习模型为基于长短时记忆网络算法搭建的深度学习模型。
可选的，所述预测算法为多项式回归算法。
可选的，所述通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员，包括：
基于所述用户标签数据和对用户需求预测的结果，确定用户需要座席人员的具备的技能和技能等级；
基于所述话务调度平台内存储的座席人员信息，为用户匹配适合用户需求的座席人员；
其中，座席人员的具备的技能包括：咨询类相关技能、下单类相关技能、投诉类相关技能。
第二方面，本申请提供一种快递行业座席智能分配装置，包括：
确定模块，用于确定用户标签数据；其中，用户标签数据包括：基于用户历史业务数据得到的历史数据标签和基于会话数据得到的会话数据标签；
预测模块，用于基于所述用户标签数据和预测算法对用户需求进行预测；
分配模块，用于通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。
第二方面，本申请提供一种快递行业座席智能分配设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于本申请第一方面所述的快递行业座席智能分配方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
本发明采用以上技术方案，确定用户标签数据；基于所述用户标签数据和预测算法对用户需求进行预测；如此做到对于用户的需求的预测，之后基于话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。本申请提供的方案中，由于可以更加准确地预测用户的需求，所以可以更加准确的为用户匹配座席人员，解决相关技术中用户意图判断不准确，甚至没有意图判断，导致分配后需要用户转组，体验差的问题。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是本发明实施例提供的一种快递行业座席智能分配方法的流程图；
图2是本发明实施例提供的一种快递行业座席智能分配装置的结构示意图；
图3是本发明实施例提供的一种快递行业座席智能分配设备的结构示意图；
图4为一种快递行业座席智能分配平台的结构示意图；
图5为一种快递行业座席智能分配流程图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
首先对本发明实施例的应用场景进行说明，呼叫中心普遍采用的做法是根据不同的业务类别分为不同的座席组，再按照业务类别进行话务分配，比如常见的座席组为：咨询组、下单组、投诉组。
但以下情况需要转座席组：
用户不清楚自己的需求而进错座席组，比如要下单，但进入了咨询组，需要咨询组座席人员将用户的电话转接给下单组；
用户诉求不单一而需要转组，比如用户咨询后需要下单，则需要从咨询组转接到下单组；
综上所述,目前采用的分配策略有以下缺点：
1)用户意图判断不准确，甚至没有意图判断，导致分配后需要用户转组，体验不好；
2)座席技能参差不齐，影响服务质量；
针对以上缺点，本发明采用基于机器学习算法实现的智能分配策略，可以使用历史物流信息训练出标签模型，然后根据最新的标签模型预测用户的意图，匹配相应技能等级的客服，提升用户体验，优化资源调度，提高服务质量。标签模型准实时更新，新的物流信息出来后能及时获取，准确判断用户诉求。
实施例
图1是本发明实施例提供的一种快递行业座席智能分配方法的流程图,该方法可以由本发明实施例提供的快递行业座席智能分配设备来执行。参考图1，该方法具体可以包括如下步骤：
步骤101、确定用户标签数据；其中，用户标签数据包括：基于用户历史业务数据得到的历史数据标签和基于会话数据得到的会话数据标签；
具体的，将用户历史业务数据输入预设的历史数据标签识别模型，得到历史数据标签。
需要说明的是，一般情况下，用户的历史业务数据存储在业务平台。在确定用户的历史数据标签之前，需要先向业务平台请求用户的历史业务数据。得到业务平台反馈的历史业务数据之后，将用户历史业务数据输入预设的历史数据标签识别模型中。预设的历史数据标签识别模型可以基于用户历史业务数据得到历史数据标签。其原理为一般情况下，用户咨询的内容与用户正在执行的业务或用户之前执行的业务息息相关。当用户具有正在执行的业务时，用户询问的问题有很大可能性与正在执行的业务相关，若用户没有正在执行的任务，那么依照用户之前执行的业务信息，可以推测用户当前打算执行的业务，进而确定用户的历史数据标签。
进一步的，所述历史数据标签识别模型的训练过程包括：
获取第一预设数量样本用户历史业务数据和第二预设数量的标签标识作为训练样本，其中，所述样本用户历史业务数据和标签标识对应；
将所述训练样本输入预先构建的深度学习模型进行训练，得到所述历史数据标签识别模型。
需要说明的是，第一预设数量样本用户历史业务数据可以通过业务平台的用户历史数据得到。第二预设数量的标签标识，可以由专业的人员对用户历史数据进行分析后，基于用户在历史数据中的咨询内容，确定用户标签标识。
具体的，确定会话数据标签的方法为：
获取用户与智能AI的会话数据；
将所述会话数据输入预设的会话数据标签识别模型，得到会话数据标签。
为了更好的对用户需求进行预测，本申请提供的方案中还采用了优先使用户与智能AI会话的方式来去引导用户确定自己的需求。当用户进行咨询时，首先使用户与智能AI进行会话，然后获取用户与智能AI的会话数据。为了更好的确定用户的需求，可以在用户与智能AI的会话时，诱导用户提出自己的需求。之后会话数据标签识别模型，基于会话数据得到会话数据标签。
具体的，所述会话数据标签识别模型的训练过程包括：
获取第三预设数量样本会话数据和第四预设数量的标签标识作为训练样本，其中，所述样本会话数据和标签标识对应；
将所述训练样本输入预先构建的深度学习模型进行训练，得到所述会话数据标签识别模型。
需要说明的是，第三预测数量的样本会话数据可以通过用户与智能AI的会话历史数据得到。第四预设数量的标识标签可以由专业人士对会话历史数据内的关键词，和对应的用户在之后的需求进行确定。
具体的，所述预先构建的深度学习模型可以但不限于为基于长短时记忆网络算法搭建的深度学习模型。
需要说明的是，深度学习模型有多种，本申请中采用了长短时记忆网络算法搭建模型。长短时记忆网络(Long-Short Term Memory，LSTM)算法，即LSTM算法，属于循环神经网络的一个变种，它是为了克服循环神经网络无法很好处理远距离依赖而提出的。LSTM神经网络所构建的模型有记忆功能，网络间支持知识传递，网络模型会将之前的知识传递到当前的状态，历史物流信息之间的关联关系可以充分发挥。使用神经网络对历史数据进行训练，得出标签模型，然后使用该模型进行客服分类。
步骤102、基于所述用户标签数据和预测算法对用户需求进行预测；
具体的，所述预测算法为多项式回归算法。
多项式回归算法属于非线性回归的一种，一般非线性回归的函数是未知的，或者即便已经知道函数也未必可以用一个简单的函数变换转化为线性模型。这时，常用的做法是用因子的多项式。用户诉求预测属于回归问题，可以使用标签数据作为因子使用多项式回归进行预测。
以上两种算法组合使用，结合全技能客服体系，可以很好的提升用户体验，优化资源调度，提高服务质量。
步骤103、通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。
具体的，所述通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员，包括：
基于所述用户标签数据和对用户需求预测的结果，确定用户需要座席人员具备的技能和技能等级；
基于所述话务调度平台内存储的座席人员信息，为用户匹配适合用户需求的座席人员；
其中，座席人员具备的技能包括：咨询类相关技能、下单类相关技能、投诉类相关技能。
如此，本发明采用以上技术方案，确定用户标签数据；基于所述用户标签数据和预测算法对用户需求进行预测；如此做到对于用户需求的预测，之后基于话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。本申请提供的方案中，由于可以更加准确地预测用户的需求，所以可以更加准确的为用户匹配座席人员，解决相关技术中用户意图判断不准确，甚至没有意图判断，导致分配后需要用户转组，体验不好的问题。
图2是本发明又一实施例提供的一种快递行业座席智能分配装置的结构示意图，该装置适用于执行本发明实施例提供的一种快递行业座席智能分配方法。如图2示，该快递行业座席智能分配装置具体可以包括：
确定模块21，用于确定用户标签数据；其中，用户标签数据包括：基于用户历史业务数据得到的历史数据标签和基于会话数据得到的会话数据标签；
预测模块22，用于基于所述用户标签数据和预测算法对用户需求进行预测；
分配模块23，用于通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。
本发明实施例还提供一种快递行业座席智能分配设备，请参阅图3，图3为一种快递行业座席智能分配设备的结构示意图，如图3所示，该快递行业座席智能分配设备包括：处理器31，以及与处理器31相连接的存储器32；存储器32用于存储计算机程序，所述计算机程序至少用于执行本发明实施例中的快递行业座席智能分配方法；处理器31用于调用并执行所述存储器中的所述计算机程序。
本发明实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本发明实施例中的快递行业座席智能分配方法。
图4为一种快递行业座席智能分配平台的结构示意图；图5为一种快递行业座席智能分配流程图；参照图4图5，本申请提供的快递行业座席智能分配方法包括：
步骤501：拨打电话；
需要说明的是，本申请提供方案的整个流程的起点为用户拨打服务电话。
步骤502：请求获取用户的历史数据标签；
具体的，历史数据标签由标签模型平台确定。标签模型平台可以提取业务平台的历史业务数据，进而通过深度学习算法确定用户的历史数据标签。
步骤503：返回历史数据标签；
具体的，标签模型平台将历史数据标签，返还给语音记录平台供语音记录平台执行下一步操作。
步骤504：转接智能AI；
一般情况下，用户在接通客服电话后，首先接入智能AI，由智能AI回答用户的一般问题，并供用户确定自己是否要转接座席人员。本申请提供的方案中主要是针对需要转接所需人员的用户。
步骤505：确定实时会话的会话数据标签；
具体的，在步骤505中，实时的提取用户与智能AI的会话内容会话内容，并基于会话内容中的关键字词，通过智能学习的方式或确定用户会话数据标签。
需要说明的是，用户的会话数据标签和用户的历史数据标签均是为向用户分配合适的座席人员服务的。例如：基于用户的历史业务数据可以确定用户主要的业务类型进而确定用户可能咨询的问题。基于用户的实时会话数据可以更好的确定用户的需求；
步骤506：进行话务转接；
需要说明的是，话务转接即：将用户的对接方由智能AI转为座席人员。
步骤507：基于历史数据标签和会话数据标签智能分配话务；
在目前的用户服务平台中，由话务调度平台决定具体提供服务的座席人员。所以在本申请提供的方案中进行话务转接时，需要将标签作为随路数据传送给话务调度平台。
话务调度平台内存储有各个座席人员的信息，其中包括各个座席人员掌控的技能和技能的等级之后，综合各个座席人员的信息和用户的标签，为用户提供合适的座席人员。
步骤508：座席人员与用户会话。
通过上述步骤，本申请提供的方案中，确定用户标签数据；基于所述用户标签数据和预测算法对用户需求进行预测；如此做到对于用户的需求的预测，之后基于话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。本申请提供的方案中，由于可以更加准确地预测用户的需求，所以可以更加准确的为用户匹配座席人员，解决相关技术中用户意图判断不准确，甚至没有意图判断，导致分配后需要用户转组，体验不好的问题。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种快递行业座席智能分配方法，其特征在于，包括：
确定用户标签数据；其中，用户标签数据包括：基于用户历史业务数据得到的历史数据标签和基于会话数据得到的会话数据标签；
基于所述用户标签数据和预测算法对用户需求进行预测；
通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。
2.根据权利要求1所述的方法，其特征在于，确定历史数据标签的方法为：
将用户历史业务数据输入预设的历史数据标签识别模型，得到历史数据标签。
3.根据权利要求2所述的方法，其特征在于，所述历史数据标签识别模型的训练过程包括：
获取第一预设数量样本用户历史业务数据和第二预设数量的标签标识作为训练样本，其中，所述样本用户历史业务数据和标签标识对应；
将所述训练样本输入预先构建的深度学习模型进行训练，得到所述历史数据标签识别模型。
4.根据权利要求1所述的方法，其特征在于，确定会话数据标签的方法为：
获取用户与智能AI的会话数据；
将所述会话数据输入预设的会话数据标签识别模型，得到会话数据标签。
5.根据权利要求4所述的方法，其特征在于，所述会话数据标签识别模型的训练过程包括：
获取第三预设数量样本会话数据和第四预设数量的标签标识作为训练样本，其中，所述样本会话数据和标签标识对应；
将所述训练样本输入预先构建的深度学习模型进行训练，得到所述会话数据标签识别模型。
6.根据权利要求3或5所述的方法，其特征在于，所述预先构建的深度学习模型为基于长短时记忆网络算法搭建的深度学习模型。
7.根据权利要求1所述的方法，其特征在于，所述预测算法为多项式回归算法。
8.根据权利要求1所述的方法，其特征在于，所述通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员，包括：
基于所述用户标签数据和对用户需求预测的结果，确定用户需要座席人员的具备的技能和技能等级；
基于所述话务调度平台内存储的座席人员信息，为用户匹配适合用户需求的座席人员；
其中，座席人员的具备的技能包括：咨询类相关技能、下单类相关技能、投诉类相关技能。
9.一种快递行业座席智能分配装置，其特征在于，包括：
确定模块，用于确定用户标签数据；其中，用户标签数据包括：基于用户历史业务数据得到的历史数据标签和基于会话数据得到的会话数据标签；
预测模块，用于基于所述用户标签数据和预测算法对用户需求进行预测；
分配模块，用于通过话务调度平台、用户标签数据和对用户需求预测的结果，为用户分配座席人员。
10.一种快递行业座席智能分配设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-8任一项所述的快递行业座席智能分配方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010557518.0A CN111815124A (zh) | 2020-06-18 | 2020-06-18 | 快递行业座席智能分配方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010557518.0A CN111815124A (zh) | 2020-06-18 | 2020-06-18 | 快递行业座席智能分配方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111815124A true CN111815124A (zh) | 2020-10-23 |
Family
ID=72844781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010557518.0A Pending CN111815124A (zh) | 2020-06-18 | 2020-06-18 | 快递行业座席智能分配方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815124A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344415A (zh) * | 2021-06-23 | 2021-09-03 | 中国平安财产保险股份有限公司 | 基于深度神经网络的业务分配方法、装置、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080205624A1 (en) * | 2007-02-28 | 2008-08-28 | International Business Machines Corporation | Identifying contact center agents based upon biometric characteristics of an agent's speech |
| US20170111503A1 (en) * | 2015-10-19 | 2017-04-20 | Genesys Telecommunications Laboratories, Inc. | Optimized routing of interactions to contact center agents based on agent preferences |
| CN106791235A (zh) * | 2015-11-24 | 2017-05-31 | 华为技术有限公司 | 一种选择服务座席的方法、装置及系统 |
| CN107155010A (zh) * | 2016-03-02 | 2017-09-12 | 北京京东尚科信息技术有限公司 | 基于大数据处理用户语音呼叫的方法、装置和系统 |
| CN109618068A (zh) * | 2018-11-08 | 2019-04-12 | 上海航动科技有限公司 | 一种基于人工智能的语音业务推送方法、装置与系统 |
| CN110070298A (zh) * | 2019-04-29 | 2019-07-30 | 携程旅游信息技术（上海）有限公司 | 呼叫中心任务分配方法、系统、设备及存储介质 |
| CN110233945A (zh) * | 2019-06-03 | 2019-09-13 | 中国工商银行股份有限公司 | 基于互联网音视频技术的人工服务请求处理方法和装置 |
| CN110766271A (zh) * | 2019-09-10 | 2020-02-07 | 中国平安财产保险股份有限公司 | 基于深度学习的客服坐席配置方法、装置及计算机设备 |
| CN110837587A (zh) * | 2019-09-30 | 2020-02-25 | 北京健康之家科技有限公司 | 一种基于机器学习的数据匹配方法和系统 |
| CN111147676A (zh) * | 2019-12-23 | 2020-05-12 | 广州供电局有限公司 | 基于电力it服务呼叫中心智能辅助坐席应答服务实现方法 |
| CN111179929A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 一种语音处理方法及装置 |
-
2020
- 2020-06-18 CN CN202010557518.0A patent/CN111815124A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080205624A1 (en) * | 2007-02-28 | 2008-08-28 | International Business Machines Corporation | Identifying contact center agents based upon biometric characteristics of an agent's speech |
| US20170111503A1 (en) * | 2015-10-19 | 2017-04-20 | Genesys Telecommunications Laboratories, Inc. | Optimized routing of interactions to contact center agents based on agent preferences |
| CN106791235A (zh) * | 2015-11-24 | 2017-05-31 | 华为技术有限公司 | 一种选择服务座席的方法、装置及系统 |
| CN107155010A (zh) * | 2016-03-02 | 2017-09-12 | 北京京东尚科信息技术有限公司 | 基于大数据处理用户语音呼叫的方法、装置和系统 |
| CN109618068A (zh) * | 2018-11-08 | 2019-04-12 | 上海航动科技有限公司 | 一种基于人工智能的语音业务推送方法、装置与系统 |
| CN110070298A (zh) * | 2019-04-29 | 2019-07-30 | 携程旅游信息技术（上海）有限公司 | 呼叫中心任务分配方法、系统、设备及存储介质 |
| CN110233945A (zh) * | 2019-06-03 | 2019-09-13 | 中国工商银行股份有限公司 | 基于互联网音视频技术的人工服务请求处理方法和装置 |
| CN110766271A (zh) * | 2019-09-10 | 2020-02-07 | 中国平安财产保险股份有限公司 | 基于深度学习的客服坐席配置方法、装置及计算机设备 |
| CN110837587A (zh) * | 2019-09-30 | 2020-02-25 | 北京健康之家科技有限公司 | 一种基于机器学习的数据匹配方法和系统 |
| CN111147676A (zh) * | 2019-12-23 | 2020-05-12 | 广州供电局有限公司 | 基于电力it服务呼叫中心智能辅助坐席应答服务实现方法 |
| CN111179929A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 一种语音处理方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344415A (zh) * | 2021-06-23 | 2021-09-03 | 中国平安财产保险股份有限公司 | 基于深度神经网络的业务分配方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102121135B1 (ko) | 기계 학습에 기반한 최적화된 컨택 센터 에이전트와의 라우팅 인터랙션 | |
| US11553055B2 (en) | Automated communication-based intelligence engine | |
| US11847422B2 (en) | System and method for estimation of interlocutor intents and goals in turn-based electronic conversational flow | |
| US11004013B2 (en) | Training of chatbots from corpus of human-to-human chats | |
| AU2020201883B2 (en) | Call center system having reduced communication latency | |
| US11632463B2 (en) | Automated systems and methods for natural language processing with speaker intention inference | |
| US7865457B2 (en) | Knowledge management system automatically allocating expert resources | |
| US20230289702A1 (en) | System and Method of Assigning Customer Service Tickets | |
| CN110059182A (zh) | 面向客服的话术推荐方法和装置 | |
| CN110084616A (zh) | 智能回访方法、装置、计算机装置及存储介质 | |
| CN109040488B (zh) | 流量调度方法和装置、计算设备及存储介质 | |
| CN112015977A (zh) | 一种定制信息推送方法、装置和电子设备 | |
| CN108197963A (zh) | 一种智能客服管理系统 | |
| US20160150085A1 (en) | System and method for managing allocation of resources | |
| CN111815124A (zh) | 快递行业座席智能分配方法、装置和设备 | |
| CN116915913A (zh) | 呼叫匹配方法、装置、电子设备、存储介质及程序产品 | |
| US11972467B2 (en) | Question-answer expansion | |
| CN113379229A (zh) | 一种资源调度方法和装置 | |
| CN113656605A (zh) | 一种客服分配的方法及装置 | |
| CN113570114A (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
| CN113780610A (zh) | 一种客服画像构建方法和装置 | |
| CN115168603B (zh) | 一种彩铃业务流程自动反馈应答方法、装置及存储介质 | |
| CN113901194A (zh) | 客服匹配方法及相关设备 | |
| CN110414824B (zh) | 一种基于社群系统的服务管理系统 | |
| WO2022270603A1 (en) | A system and method for delivering domain or use-case switch suggestion for an ongoing conversation |
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 |