CN111861397A - 一种针对客户探访的智能排班平台 - Google Patents
一种针对客户探访的智能排班平台 Download PDFInfo
- Publication number
- CN111861397A CN111861397A CN202010711397.0A CN202010711397A CN111861397A CN 111861397 A CN111861397 A CN 111861397A CN 202010711397 A CN202010711397 A CN 202010711397A CN 111861397 A CN111861397 A CN 111861397A
- Authority
- CN
- China
- Prior art keywords
- clustering
- client
- eps
- minpts
- parameters
- 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
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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
- G06Q10/1097—Task assignment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种针对客户探访的智能排班平台,根据距离进行聚类,并且针对AOI数据进行排班优化,一个商场点多一天不能排完,根据数量,计算出天数,采用VRP模型进行分配,所述聚类使用dbscan聚类算法,DBSCAN是基于密度空间的聚类算法,其可以用于凹数据集,适合用于不规则分布客户点的聚类分析,利用时空数据基于机器学习算法和相应的约束条件,实现自动化的客户回访,使得回访日程及路径规划实现工程化和自动化,只要运营人员更新客户数据以及相应的约束规则就可以自动完成回访日程安排,可以精确到小时级别,能够大幅提升客户回访的有效性,节约运营成本、提升运营效率,提高客户的满意度。
Description
技术领域
本发明涉及智能控制技术领域,具体为一种针对客户探访的智能排班平台。
背景技术
排班是许多企业的一项日常管理工作内容,一套公平、合理的排班软件不仅能调用员工积极性,也能提高工作效率,对企业具有非常重要意义;
业务人员拜访线下终端门店,科学管理客户拜访频次,业务人员划分区域,每个业务人员定区,定客户,定路线,定任务量,但是如何提高业务人员工作效率,摒弃繁琐的人工排班,一直是个目前无法解决的问题。
发明内容
本发明提供一种针对客户探访的智能排班平台,可以有效解决上述背景技术中提出每个业务人员定区,定客户,定路线,定任务量,但是如何提高业务人员工作效率,摒弃繁琐的人工排班,一直是个目前无法解决的问题。
为实现上述目的,本发明提供如下技术方案:一种针对客户探访的智能排班平台,根据距离进行聚类,并且针对AOI数据进行排班优化,一个商场点多一天不能排完,根据数量,计算出天数,采用VRP模型进行分配。
根据上述技术方案,所述聚类使用dbscan聚类算法,DBSCAN 是基于密度空间的聚类算法,其可以用于凹数据集,适合用于不规则分布客户点的聚类分析,DBSCAN 需要确定两个参数:Eps 为在一个点周围邻近区域的半径;MinPts 为邻近区域内至少包含点的个数,Eps 的选择根据实际问题而定,MinPts 的选择通常采用k-距离图像法来确定,采用一种自适应DBSCAN 聚类分析方法,通过利用数据集自身分布特性生成候选Eps 和MinPts,自动寻找到聚类簇数量变化的稳定区间,此时对应的参数即为要选择的最优参数,同时针对样本数量巨大的情况对该方法进行了改进,将Eps 和MinPts 候选参数的选择由全局取期望值改成了抽样取期望值。
根据上述技术方案,所述抽样取期望值包括如下步骤:
步骤1:计算数据集D 的距离分布矩阵,n 为样本大小;
步骤4:生成MinPts 参数候选列表,在数据集D 中随机选取x 个对象,对于步骤3 得到的Eps 参数候选列表,依次计算每一个列表中的Eps 候选值的领域对象数量,并计算对象数量的数学期望,作为数据集D 的邻域密度阈值MinPts参数;
步骤5:依次选用列表和列表中的元素作为Eps 和MinPts 参数,输入DBSCAN 算法中对数据集进行聚类分析,分别得到不同输入参数下对应的聚类簇数,当聚类簇数连续3 次相同时,认为聚类结果趋于稳定,记该聚类簇数为最优聚类簇数M;
步骤6:继续执行步骤5,直到聚类簇数不为M,则选择最后一次聚类簇数为M 时对应的Eps 和MinPts 为最优参数。
根据上述技术方案,所述步骤1中:
所述步骤3中MinPts参数,即:
根据上述技术方案,所述聚类进行由外向内进行聚类,优先对最外面离散的点进行聚类,优先进行规划,防止离散点规划不上情况。
根据上述技术方案,所述抽样取期望值对优先级低的参数进行适当放宽处理,首先要保证把所有的点都排进去,但是出现点实在太多,会进行取舍,优先舍去的是等级低的、离散的点,然后会进行其他参数的调整,拜访时间间隔,每天拜访距离和每天工作时间,会按照参数限制的优先级进行调整。
根据上述技术方案,所述智能排班平台包括客户信息录入、客户位置可视化、智能划分分区、智能排班计算,排班优化、结果输出和反馈优化。
与现有技术相比,本发明的有益效果:本发明结构科学合理,使用安全方便,本发明集成基础服务算法、核心算法,基于算法进行客户回访的最优化排班结果,运营人员可以按照规划好的方案以及日程计划来有计划的进行相应的客户回访,根据具体的回访反馈,可监测回访任务状态、以及优化回访方案,在于将客户探访的规则和模型算法相结合,并且完成了工程化实现,通过基于地图的可视化UI界面输出,便于运营人员的使用和管理,且传统的排班算法需要依托规则、算法模型,对技术要求较高,运营和业务人员很难使用;
本发明对后台规则和算法做封装,只需要通过操作前端UI界面即可实现智能排班的规划,排班的路径包含自驾、公交,本发明集成了这些路径,并打通各个接口,用户可以定制选择访问路径、访问时间,还可对客户的位置和周期做自动优化、实时数据分析等,针对回访效果的实时反馈,可以持续优化和更新。
附图说明
附图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,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1是本发明的排班流程结构示意图;
图2是本发明的平台结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:如图1-2所示,本发明提供技术方案,一种针对客户探访的智能排班平台,根据距离进行聚类,并且针对AOI数据进行排班优化,一个商场点多一天不能排完,根据数量,计算出天数,采用VRP模型进行分配。
根据上述技术方案,聚类使用dbscan聚类算法,DBSCAN 是基于密度空间的聚类算法,其可以用于凹数据集,适合用于不规则分布客户点的聚类分析,DBSCAN 需要确定两个参数:Eps 为在一个点周围邻近区域的半径;MinPts 为邻近区域内至少包含点的个数,Eps的选择根据实际问题而定,MinPts 的选择通常采用k-距离图像法来确定,采用一种自适应DBSCAN 聚类分析方法,通过利用数据集自身分布特性生成候选Eps 和MinPts,自动寻找到聚类簇数量变化的稳定区间,此时对应的参数即为要选择的最优参数,同时针对样本数量巨大的情况对该方法进行了改进,将Eps 和MinPts 候选参数的选择由全局取期望值改成了抽样取期望值。
根据上述技术方案,抽样取期望值包括如下步骤:
步骤1:计算数据集D 的距离分布矩阵,n 为样本大小;
步骤4:生成MinPts 参数候选列表,在数据集D 中随机选取x 个对象,对于步骤3 得到的Eps 参数候选列表,依次计算每一个列表中的Eps 候选值的领域对象数量,并计算对象数量的数学期望,作为数据集D 的邻域密度阈值MinPts参数;
步骤5:依次选用列表和列表中的元素作为Eps 和MinPts 参数,输入DBSCAN 算法中对数据集进行聚类分析,分别得到不同输入参数下对应的聚类簇数,当聚类簇数连续3 次相同时,认为聚类结果趋于稳定,记该聚类簇数为最优聚类簇数M;
步骤6:继续执行步骤5,直到聚类簇数不为M,则选择最后一次聚类簇数为M 时对应的Eps 和MinPts 为最优参数。
根据上述技术方案,步骤1中:
步骤3中MinPts参数,即:
根据上述技术方案,聚类进行由外向内进行聚类,优先对最外面离散的点进行聚类,优先进行规划,防止离散点规划不上情况。
根据上述技术方案,抽样取期望值对优先级低的参数进行适当放宽处理,首先要保证把所有的点都排进去,但是出现点实在太多,会进行取舍,优先舍去的是等级低的、离散的点,然后会进行其他参数的调整,拜访时间间隔,每天拜访距离和每天工作时间,会按照参数限制的优先级进行调整。
根据上述技术方案,所述智能排班平台包括客户信息录入、客户位置可视化、智能划分分区、智能排班计算,排班优化、结果输出和反馈优化。
与现有技术相比,本发明的有益效果:本发明结构科学合理,使用安全方便,本发明集成基础服务算法、核心算法,基于算法进行客户回访的最优化排班结果,运营人员可以按照规划好的方案以及日程计划来有计划的进行相应的客户回访,根据具体的回访反馈,可监测回访任务状态、以及优化回访方案,在于将客户探访的规则和模型算法相结合,并且完成了工程化实现,通过基于地图的可视化UI界面输出,便于运营人员的使用和管理,且传统的排班算法需要依托规则、算法模型,对技术要求较高,运营和业务人员很难使用;
本发明对后台规则和算法做封装,只需要通过操作前端UI界面即可实现智能排班的规划,排班的路径包含自驾、公交,本发明集成了这些路径,并打通各个接口,用户可以定制选择访问路径、访问时间,还可对客户的位置和周期做自动优化、实时数据分析等,针对回访效果的实时反馈,可以持续优化和更新。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种针对客户探访的智能排班平台,其特征在于:根据距离进行聚类,并且针对AOI数据进行排班优化,一个商场点多一天不能排完,根据数量,计算出天数,采用VRP模型进行分配。
2.根据权利要求1所述的一种针对客户探访的智能排班平台,其特征在于,所述聚类使用dbscan聚类算法,DBSCAN 是基于密度空间的聚类算法,其可以用于凹数据集,适合用于不规则分布客户点的聚类分析,DBSCAN 需要确定两个参数:Eps 为在一个点周围邻近区域的半径;MinPts 为邻近区域内至少包含点的个数,Eps 的选择根据实际问题而定,MinPts的选择通常采用k-距离图像法来确定,采用一种自适应DBSCAN 聚类分析方法,通过利用数据集自身分布特性生成候选Eps 和MinPts,自动寻找到聚类簇数量变化的稳定区间,此时对应的参数即为要选择的最优参数,同时针对样本数量巨大的情况对该方法进行了改进,将Eps 和MinPts 候选参数的选择由全局取期望值改成了抽样取期望值。
3.根据权利要求2所述的一种针对客户探访的智能排班平台,其特征在于,所述抽样取期望值包括如下步骤:
步骤1:计算数据集D 的距离分布矩阵,n 为样本大小;
步骤4:生成MinPts 参数候选列表,在数据集D 中随机选取x 个对象,对于步骤3 得到的Eps 参数候选列表,依次计算每一个列表中的Eps 候选值的领域对象数量,并计算对象数量的数学期望,作为数据集D 的邻域密度阈值MinPts参数;
步骤5:依次选用列表和列表中的元素作为Eps 和MinPts 参数,输入DBSCAN 算法中对数据集进行聚类分析,分别得到不同输入参数下对应的聚类簇数,当聚类簇数连续3 次相同时,认为聚类结果趋于稳定,记该聚类簇数为最优聚类簇数M;
步骤6:继续执行步骤5,直到聚类簇数不为M,则选择最后一次聚类簇数为M 时对应的Eps 和MinPts 为最优参数。
5.根据权利要求1所述的一种针对客户探访的智能排班平台,其特征在于,所述聚类进行由外向内进行聚类,优先对最外面离散的点进行聚类,优先进行规划,防止离散点规划不上情况。
6.根据权利要求1所述的一种针对客户探访的智能排班平台,其特征在于,所述抽样取期望值对优先级低的参数进行适当放宽处理,首先要保证把所有的点都排进去,但是出现点实在太多,会进行取舍,优先舍去的是等级低的、离散的点,然后会进行其他参数的调整,拜访时间间隔,每天拜访距离和每天工作时间,会按照参数限制的优先级进行调整。
7.根据权利要求1所述的一种针对客户探访的智能排班平台,其特征在于,所述智能排班平台包括客户信息录入、客户位置可视化、智能划分分区、智能排班计算,排班优化、结果输出和反馈优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711397.0A CN111861397A (zh) | 2020-07-22 | 2020-07-22 | 一种针对客户探访的智能排班平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711397.0A CN111861397A (zh) | 2020-07-22 | 2020-07-22 | 一种针对客户探访的智能排班平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861397A true CN111861397A (zh) | 2020-10-30 |
Family
ID=72949185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010711397.0A Pending CN111861397A (zh) | 2020-07-22 | 2020-07-22 | 一种针对客户探访的智能排班平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861397A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011472A (zh) * | 2021-02-26 | 2021-06-22 | 广东电网有限责任公司电力调度控制中心 | 一种多段电力报价曲线相似性判断方法及装置 |
CN114003414A (zh) * | 2021-12-30 | 2022-02-01 | 太平金融科技服务(上海)有限公司深圳分公司 | 业务回访处理方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528649A (zh) * | 2015-11-30 | 2016-04-27 | 山东烟草研究院有限公司 | 一种基于聚类和节约算法的路线优化推荐方法 |
CN106912015A (zh) * | 2017-01-10 | 2017-06-30 | 上海云砥信息科技有限公司 | 一种基于移动网络数据的人员出行链识别方法 |
CN110363323A (zh) * | 2018-11-20 | 2019-10-22 | 南京掌控网络科技有限公司 | 一种周期性客户拜访路线的智能规划方法、系统及设备 |
-
2020
- 2020-07-22 CN CN202010711397.0A patent/CN111861397A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528649A (zh) * | 2015-11-30 | 2016-04-27 | 山东烟草研究院有限公司 | 一种基于聚类和节约算法的路线优化推荐方法 |
CN106912015A (zh) * | 2017-01-10 | 2017-06-30 | 上海云砥信息科技有限公司 | 一种基于移动网络数据的人员出行链识别方法 |
CN110363323A (zh) * | 2018-11-20 | 2019-10-22 | 南京掌控网络科技有限公司 | 一种周期性客户拜访路线的智能规划方法、系统及设备 |
Non-Patent Citations (1)
Title |
---|
李文杰等: "自适应确定DBSCAN算法参数的算法研究", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011472A (zh) * | 2021-02-26 | 2021-06-22 | 广东电网有限责任公司电力调度控制中心 | 一种多段电力报价曲线相似性判断方法及装置 |
CN113011472B (zh) * | 2021-02-26 | 2023-09-01 | 广东电网有限责任公司电力调度控制中心 | 一种多段电力报价曲线相似性判断方法及装置 |
CN114003414A (zh) * | 2021-12-30 | 2022-02-01 | 太平金融科技服务(上海)有限公司深圳分公司 | 业务回访处理方法、装置、计算机设备和存储介质 |
CN114003414B (zh) * | 2021-12-30 | 2022-04-01 | 太平金融科技服务(上海)有限公司深圳分公司 | 业务回访处理方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems | |
CN109711865A (zh) | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 | |
CN1956456B (zh) | 用于在网格计算系统中呈现资源要求的方法和设备 | |
US7210119B2 (en) | Handling unscheduled tasks in a scheduling process | |
CN1956457B (zh) | 用于安排网格计算系统中的网格作业的方法和设备 | |
US5471408A (en) | Method for optimizing resource allocation and an apparatus using the method | |
CN108924198A (zh) | 一种基于边缘计算的数据调度方法、装置及系统 | |
Hu et al. | A two-stage dynamic capacity planning approach for agricultural machinery maintenance service with demand uncertainty | |
CN106371924B (zh) | 一种最小化MapReduce集群能耗的任务调度方法 | |
CN111861397A (zh) | 一种针对客户探访的智能排班平台 | |
Tran et al. | Using Fuzzy Clustering Chaotic-based Differential Evolution to solve multiple resources leveling in the multiple projects scheduling problem | |
CN109978215A (zh) | 巡防管理方法和装置 | |
CN114118691A (zh) | 基于业务量的排班方案处理方法、装置、设备和介质 | |
Cho | The economic-energy-environmental policy problem: An application of the interactive multiobjective decision method for Chungbuk Province | |
Selvam et al. | Genetic algorithm based optimization for resource leveling problem with precedence constrained scheduling | |
CN116631593A (zh) | 一种医院优化调度方法、系统及存储介质 | |
CN116090065A (zh) | 一种基于数字孪生的智慧城市绿化设计方法及装置 | |
CN112613720A (zh) | 考虑多不确定性的水库灌溉优化调度方法 | |
Huang et al. | Using ant colony optimization to solve periodic arc routing problem with refill points | |
CN114595970A (zh) | 资源调度智能决策方法、装置、电子设备及存储介质 | |
CN115271130B (zh) | 面向船舶主动力设备维修订单的动态调度方法及系统 | |
CN116307940A (zh) | 一种企业经营管理系统及方法 | |
CN108181503A (zh) | 电力计量装置运维计划获取方法、装置、存储介质和设备 | |
CN106970840A (zh) | 一种结合任务调度的软硬件划分方法 | |
CN113852204A (zh) | 一种于数字孪生的变电站三维全景监视系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |
|
RJ01 | Rejection of invention patent application after publication |