CN112333342B - 智能语音呼叫方法、装置、设备及存储介质 - Google Patents
智能语音呼叫方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112333342B CN112333342B CN202011279942.XA CN202011279942A CN112333342B CN 112333342 B CN112333342 B CN 112333342B CN 202011279942 A CN202011279942 A CN 202011279942A CN 112333342 B CN112333342 B CN 112333342B
- Authority
- CN
- China
- Prior art keywords
- user data
- answering
- grouped
- grouped user
- initial
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2255—Hash tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及大数据技术领域,公开了一种智能语音呼叫方法、装置、设备及存储介质,用于提高语音呼叫的准确率。智能语音呼叫方法包括:获取多个已分组用户数据;分别对每个已分组用户数据进行呼叫时段分析,得到对应的初始拨打时段和对应的权重值;按照初始接听概率和权重值分别计算对应的预测接听概率;按照对应的预测接听概率获取各预设分析算法的对应的多个目标拨打时段;基于目标拨打时段确定多个待拨打用户号码,通过预设呼叫处理队列对多个待拨打用户号码进行语音呼叫;统计每个已分组用户数据的实际拨通率,并重新筛选每个已分组用户数据的待呼叫用户号码。此外,本发明还涉及区块链技术,多个待拨打用户号码可存储于区块链节点中。
Description
技术领域
本发明涉及大数据技术的遍历查询领域,尤其涉及一种智能语音呼叫方法、装置、设备及存储介质。
背景技术
在很多情况下,企业需要给用户拨打电话,例如推销新产品、还款提醒或催收等场景。如果任意时刻向用户拨打电话,或是仅采用同一种策略给用户拨打电话,那么总的接听率很低。
每个用户都是一个独立的个体,其方便接听电话时段存在差异。例如,有的用户可能在中午方便接听,有的用户可能在下班后方便接听。所以现有的普遍做法就是利用用户的基础数据给用户打标签,然后对于不同的用户标签,设置不同的拨打时段。或者提取用户的历史拨打记录,然后对历史拨打记录进行统计分析,得到该用户在哪些时段的接听概率高。虽然分析更为智能化,但是依赖于用户的历史拨打记录,如果一个用户的历史拨打记录很少或者没有记录,存在已分析的数据的参考价值低的问题。而通过对用户建立人工智能模型,分析出接听率较高的时段,对人工智能模型的调参依赖于大量的训练数据,存在分析数据准确率低和效率低的问题。
发明内容
本发明提供了一种智能语音呼叫方法、装置、设备及存储介质,用于提高分析匹配用户数据的准确性和电话接听率。
为实现上述目的,本发明第一方面提供了一种智能语音呼叫方法,包括:获取待处理用户数据,并对所述待处理用户数据进行分组处理,得到多个已分组用户数据;按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值;获取各预设分析算法的初始拨打时段对应的初始接听概率,按照各预设分析算法的初始拨打时段对应的初始接听概率和各预设分析算法的初始拨打时段对应的权重值计算各预设分析算法的初始拨打时段对应的预测接听概率;根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段;基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果;根据所述多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待呼叫用户号码。
可选的,在本发明第一方面的第一种实现方式中,所述获取待处理用户数据,并对所述待处理用户数据进行分组处理,得到多个已分组用户数据,包括:获取待处理用户数据,并从所述待处理用户数据中提取用户唯一标识;按照预设的哈希表将所述用户唯一标识转换成哈希码;获取分组总数量,将所述哈希码除以所述分组总数量,得到目标余数,并将所述目标余数设置为分组标识;基于所述分组标识对所述待处理用户数据进行分组处理,得到多个已分组用户数据。
可选的,在本发明第一方面的第二种实现方式中,所述按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值,包括:获取多个预设分析算法,所述多个预设分析算法包括用户标签分析算法、历史数据统计算法和人工智能模型预测算法;通过所述用户标签分析算法对所述多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中所述用户标签分析算法对应的第一拨打时段;通过所述历史数据统计算法对所述多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中所述历史数据统计算法对应的第二拨打时段,所述历史数据统计算法用于指示按照预设数据类型进行权重划分;通过所述人工智能模型预测算法对所述多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中所述人工智能模型预测算法对应的第三拨打时段;对所述第一拨打时段、所述第二拨打时段和所述第三拨打时段进行数据去重与合并处理,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法对应的初始拨打时段分配对应的权重值。
可选的,在本发明第一方面的第三种实现方式中,所述获取各预设分析算法的初始拨打时段对应的初始接听概率,按照各预设分析算法的初始拨打时段对应的初始接听概率和各预设分析算法的初始拨打时段对应的权重值计算各预设分析算法的初始拨打时段对应的预测接听概率,包括:从预设数据表中查询与各预设分析算法的初始拨打时段对应的初始接听概率,各预设分析算法的初始拨打时段对应的初始接听概率用于指示各预设分析算法的初始拨打时段的分值总和与每天分值总和之间的比例值;按照各预设分析算法的初始拨打时段对应的权重值对各预设分析算法的初始拨打时段对应的初始接听概率进行加权运算,得到各预设分析算法的初始拨打时段对应的预测接听概率。
可选的,在本发明第一方面的第四种实现方式中,所述根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段,包括:对各预设分析算法的初始拨打时段对应的预测接听概率按照相同拨打时段分别进行相加,得到每个已分组用户数据的多个综合接听概率;按照预设阈值从每个已分组用户数据的多个综合接听概率中筛选每个已分组用户数据的目标接听概率;获取每个已分组用户数据的目标接听概率对应的接听时段,并将目标接听概率对应的接听时段设置为每个已分组用户数据的目标拨打时段,对每个已分组用户数据的目标拨打时段进行呼叫标识并记录。
可选的,在本发明第一方面的第五种实现方式中,所述基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果,包括:按照每个已分组用户数据的目标拨打时段从所述预设数据表中查询每个已分组用户数据的多个待拨打用户号码;根据每个已分组用户数据的目标接听概率从大到小的顺序对每个已分组用户数据的多个待拨打用户号码进行排序处理,得到每个已分组用户数据的待呼叫序列;将每个已分组用户数据的待呼叫序列写入至预设呼叫处理队列中,通过所述预设呼叫处理队列对所述多个已分组用户数据分组进行语音呼叫,得到多个呼叫结果。
可选的,在本发明第一方面的第六种实现方式中,在所述根据所述多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待呼叫用户号码之后,所述智能语音呼叫方法还包括:获取并更新各待拨打用户号码对应的呼叫反馈信息,各待拨打用户号码对应的呼叫反馈信息用于指示语音呼叫状态和语音呼叫详情信息;基于预设模板文件将各待拨打用户号码对应的呼叫反馈信息转换为报表文件,并将所述报表文件发送至终端,以使得所述终端向目标用户展示所述报表文件。
本发明第二方面提供了一种智能语音呼叫装置,包括:分组模块,用于获取待处理用户数据,并对所述待处理用户数据进行分组处理,得到多个已分组用户数据;分析模块,用于按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值;计算模块,用于获取各预设分析算法的初始拨打时段对应的初始接听概率,按照各预设分析算法的初始拨打时段对应的初始接听概率和各预设分析算法的初始拨打时段对应的权重值计算各预设分析算法的初始拨打时段对应的预测接听概率;筛选模块,用于根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段;呼叫模块,用于基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果;统计模块,用于根据所述多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待呼叫用户号码。
可选的,在本发明第二方面的第一种实现方式中,所述分组模块具体用于:获取待处理用户数据,并从所述待处理用户数据中提取用户唯一标识;按照预设的哈希表将所述用户唯一标识转换成哈希码;获取分组总数量,将所述哈希码除以所述分组总数量,得到目标余数,并将所述目标余数设置为分组标识;基于所述分组标识对所述待处理用户数据进行分组处理,得到多个已分组用户数据。
可选的,在本发明第二方面的第二种实现方式中,所述分析模块具体用于:获取多个预设分析算法,所述多个预设分析算法包括用户标签分析算法、历史数据统计算法和人工智能模型预测算法;通过所述用户标签分析算法对所述多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中所述用户标签分析算法对应的第一拨打时段;通过所述历史数据统计算法对所述多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中所述历史数据统计算法对应的第二拨打时段,所述历史数据统计算法用于指示按照预设数据类型进行权重划分;通过所述人工智能模型预测算法对所述多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中所述人工智能模型预测算法对应的第三拨打时段;对所述第一拨打时段、所述第二拨打时段和所述第三拨打时段进行数据去重与合并处理,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法对应的初始拨打时段分配对应的权重值。
可选的,在本发明第二方面的第三种实现方式中,所述计算模块具体用于:从预设数据表中查询与各预设分析算法的初始拨打时段对应的初始接听概率,各预设分析算法的初始拨打时段对应的初始接听概率用于指示各预设分析算法的初始拨打时段的分值总和与每天分值总和之间的比例值;按照各预设分析算法的初始拨打时段对应的权重值对各预设分析算法的初始拨打时段对应的初始接听概率进行加权运算,得到各预设分析算法的初始拨打时段对应的预测接听概率。
可选的,在本发明第二方面的第四种实现方式中,所述筛选模块具体用于:对各预设分析算法的初始拨打时段对应的预测接听概率按照相同拨打时段分别进行相加,得到每个已分组用户数据的多个综合接听概率;按照预设阈值从每个已分组用户数据的多个综合接听概率中筛选每个已分组用户数据的目标接听概率;获取每个已分组用户数据的目标接听概率对应的接听时段,并将目标接听概率对应的接听时段设置为每个已分组用户数据的目标拨打时段,对每个已分组用户数据的目标拨打时段进行呼叫标识并记录。
可选的,在本发明第二方面的第五种实现方式中,所述呼叫模块具体用于:按照每个已分组用户数据的目标拨打时段从所述预设数据表中查询每个已分组用户数据的多个待拨打用户号码;根据每个已分组用户数据的目标接听概率从大到小的顺序对每个已分组用户数据的多个待拨打用户号码进行排序处理,得到每个已分组用户数据的待呼叫序列;将每个已分组用户数据的待呼叫序列写入至预设呼叫处理队列中,通过所述预设呼叫处理队列对所述多个已分组用户数据分组进行语音呼叫,得到多个呼叫结果。
可选的,在本发明第二方面的第六种实现方式中,所述智能语音呼叫装置还包括:更新模块,用于获取并更新各待拨打用户号码对应的呼叫反馈信息,各待拨打用户号码对应的呼叫反馈信息用于指示语音呼叫状态和语音呼叫详情信息;转换模块,用于基于预设模板文件将各待拨打用户号码对应的呼叫反馈信息转换为报表文件,并将所述报表文件发送至终端,以使得所述终端向目标用户展示所述报表文件。
本发明第三方面提供了一种智能语音呼叫设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述智能语音呼叫设备执行上述的智能语音呼叫方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的智能语音呼叫方法。
本发明提供的技术方案中,通过对用户采取灵活分组,可以满足不同的业务实际需求;对各已分组用户配置权重值,可以更精准地预测并匹配出用户电话接听率高的时段;通过预设呼叫处理队列分组进行语音呼叫,并统计每个已分组用户数据的实际拨通率,并基于实际拨通率重新筛选待呼叫用户号码,提高了分析匹配用户数据和语音呼叫的准确性,并提高了电话接听率。
附图说明
图1为本发明实施例中智能语音呼叫方法的一个实施例示意图;
图2为本发明实施例中智能语音呼叫方法的另一个实施例示意图;
图3为本发明实施例中智能语音呼叫装置的一个实施例示意图;
图4为本发明实施例中智能语音呼叫装置的另一个实施例示意图;
图5为本发明实施例中智能语音呼叫设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种智能语音呼叫方法、装置、设备及存储介质,用于基于实际拨通率重新筛选待呼叫用户号码,提高了分析匹配用户数据的准确性和电话接听率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中智能语音呼叫方法的一个实施例包括:
101、获取待处理用户数据,并对待处理用户数据进行分组处理,得到多个已分组用户数据。
其中,分组方式是可以根据不同的阶段,不同的需求设置的。具体的,服务器通过上传名单的方式指定用户属于哪个分组,例如,业务还处在试点阶段,服务器按照预先设置的用户名单将待处理用户数据划分为至少两个分组,再保存分组数据。服务器还可以按照哈希码的方式对待处理用户数据进行分组,或者根据用户的某些属性进行分组。比如业务方意图对不同地区的用户的接听率进行比对,那么就可以针对用户的地区属性(用户属性)进行分组,得到多个已分组用户数据,进一步对比不同地区的用户的接听率。
可以理解的是,本发明的执行主体可以为智能语音呼叫装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
102、按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值。
其中,多个预设分析算法包括用户标签分析算法、历史数据统计算法和人工智能模型预测算法。服务器对每组用户均可以按照多个预设分析算法配置多个权重值,每组用户各权重值的总和为1。具体的,首先,服务器根据用户标签分析算法分析每个已分组用户数据的第一拨打时段;其次,服务器根据历史数据统计算法分析每个已分组用户数据的第二拨打时段;然后,服务器根据人工智能模型预测算法预测每个已分组用户数据的第三拨打时段;服务器对各拨打时段(第一拨打时段、第二拨打时段和第三拨打时段)进行数据合并,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段其中,各拨打时段的数量至少为一个,也可为两个或者多个。
进一步地,服务器对历史数据分析时,又可以划分不同的数据类型,再按照数据类型分别配置权重值,比如,服务器将历史数据划分为历史拨打记录和实时采集的通话记录,也可以为用户的操作记录等,具体此处不做限定。
103、获取各预设分析算法的初始拨打时段对应的初始接听概率,按照各预设分析算法的初始拨打时段对应的初始接听概率和各预设分析算法的初始拨打时段对应的权重值计算各预设分析算法的初始拨打时段对应的预测接听概率。
其中,人工智能模型预测算法、历史数据统计算法和用户标签分析算法各自对应的接听概率的取值范围均为大于0,并且小于1之间的数值,例如,人工智能模型预测算法、历史数据统计算法和用户标签分析算法各自对应的接听概率分别为50%、34.56%和78.09%。而每个预设分析算法中的初始拨打时段可以为一个,也可以为两个,或者多个,具体此处不做限定。
对于用户标签分析算法和人工智能模型预测算法,服务器根据用户标签分析算法和人工智能模型预测算法分别计算对应的各时段的分值总和与当天分值总和的比例值,得到与每个用户标签分析算法或人工智能模型预测算法中的初始拨打时段对应的初始接听概率;然后服务器将各预设分析算法的初始拨打时段对应的初始接听概率与各预设分析算法的初始拨打时段对应的权重值相乘,得到各预设分析算法的初始拨打时段对应的预测接听概率。
104、根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段。
也就是,服务器根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率;服务器按照预设阈值从每个已分组用户数据的多个综合接听概率中筛选每个已分组用户数据的多个目标接听概率,并将每个目标接听概率对应的最佳接听时段设置为每个已分组用户数据的目标拨打时段。其中,每个预设分析算法的最佳接听时段可以为1 个,也可以为多个,具体此处不做限定。
105、基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果。
具体的,服务器从每个已分组用户数据的目标拨打时段中确定每个已分组用户数据的多个待拨打用户号码,并根据每个已分组用户数据的多个目标接听概率从大到小的顺序对多个待拨打用户号码进行排序处理,得到待呼叫序列,每个已分组用户数据具有对应的待呼叫序列;服务器将待呼叫序列按照分组标识从小到大的顺序更新至预设呼叫处理队列中;服务器通过预设呼叫处理队列按照业务实际需求(预设业务规则)对待呼叫序列进行智能呼叫处理,得到多个呼叫结果。其中,每个已分组用户数据可对应相同的业务实际需求,也可对应不同的业务实际需求,具体此处不做限定。
进一步地,服务器将多个待拨打用户号码存储于区块链数据库中,具体此处不做限定。
106、根据多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待呼叫用户号码。
也就是,服务器通过预设呼叫处理队列进行语音呼叫,服务器记录每个待拨打用户号码是否被接通,并在呼叫拨打后计算每个分组的实际拨通率。因为每个分组都配置了不同的权重,所以服务器可以根据实际拨通率确定不同种权重配置方式的接听率。然后,服务器按照预设拨通率阈值对待呼叫序列中的用户号码进行筛选,也就是,服务器将每个已分组用户数据的实际拨通率大于或者等于预设拨通率阈值的用户号码进行保留,并将每个已分组用户数据的实际拨通率小于预设拨通率阈值的用户号码从待呼叫序列中删除。进一步地,服务器还可以将不再呼叫的用户号码进行清理或者更新用户状态,例如,服务器将用户状态修改为不再呼叫状态,提高了用户匹配的准确性。
可选的,服务器在进行用户呼叫请求时,还可以对待呼叫序列中的用户号码分配不同的坐席标识,并基于坐席标识和用户的所在地区或者籍贯信息对用户分配客服坐席,具体此处不做限定。
本发明实施例中,通过对用户采取灵活分组方式,可以满足不同的业务实际需求;对各已分组用户配置权重值,可以更精准地预测并匹配出用户电话接听率高的时段;通过预设呼叫处理队列分组进行语音呼叫,并统计每个已分组用户数据的实际拨通率,并基于实际拨通率重新筛选待呼叫用户号码,提高了分析匹配用户数据和语音呼叫的准确性,并提高了电话接听率。
请参阅图2,本发明实施例中智能语音呼叫方法的另一个实施例包括:
201、获取待处理用户数据,并对待处理用户数据进行分组处理,得到多个已分组用户数据。
具体的,服务器根据用户唯一标识信息(比如证件号)获取哈希码,然后除以分组总数量后取余数,得到该用户的组号,这属于类随机的分组方式。例如,服务器将所有用户分10组,用户A的身份证号是310115198803122345,服务器获取哈希码(hashcode)的值为-1912493103,再将其除以10后取余数为3,那么该用户A就被分到了第3组。
可选的,服务器获取待处理用户数据,并从待处理用户数据中提取用户唯一标识,例如,服务器从预设配置数据表中读取用户唯一标识信息对应的哈希码;服务器按照预设的哈希表将用户唯一标识转换成哈希码;服务器获取分组总数量,将哈希码除以分组总数量,得到目标余数,并将目标余数设置为分组标识;服务器基于分组标识对待处理用户数据进行分组处理,得到多个已分组用户数据。
202、按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值。
也就是,服务器采用用户标签分析算法、历史数据统计算法和人工智能模型预测算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段。可选的,首先,服务器通过用户标签分析算法对多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中用户标签分析算法对应的第一拨打时段。具体的,服务器采集预设时段的用户数据以及与用户数据关联的标签数据,服务器通过用户标签分析算法,结合标签数据对多个已分组用户数据进行分析,并剔除异常数据,得到用户标签分析算法对应的第一拨打时段。进一步地,服务器还可以计算剔除异常数据后的用户数据与关联因子的权重值。
其次,服务器通过历史数据统计算法对多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中历史数据统计算法对应的第二拨打时段,历史数据统计算法用于指示按照预设数据类型进行权重划分。具体的,服务器通过历史数据统计算法对预设历史数据进行分析,并确定历史数据中各拨打时段出现的概率;服务器按照各拨打时段出现的概率对多个已分组用户数据进行数据筛选,得到用户标签分析算法对应的第二拨打时段。
需要说明的是,相同分组的用户配置相同的权重比例,不同分组的用户的权重分配规则可以不一致,也可以一致,具体此处不做限定。其中,历史数据统计算法按照数据类型又可以划分为两个子权重,如表1所示:
表1:子权重配置表
预设数据类型 | 权重(%) |
电话记录 | 60 |
网购记录 | 40 |
其次,服务器通过人工智能模型预测算法对多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中人工智能模型预测算法对应的第三拨打时段;然后,服务器对第一拨打时段、第二拨打时段和第三拨打时段进行数据合并处理,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法对应的初始拨打时段分配对应的权重值。
例如,用户X的身份证号是310115198803122345,服务器通过计算 hashcode的方式,得到其分组是第3组,而第3组的预设权重规则如表2所示:
表2:权重规则配置表
预设分析算法 | 权重(%) |
用户标签分析算法 | 20 |
历史数据统计算法 | 50 |
人工智能模型预测算法 | 30 |
203、从预设数据表中查询与各预设分析算法的初始拨打时段对应的初始接听概率,各预设分析算法的初始拨打时段对应的初始接听概率用于指示各预设分析算法的初始拨打时段的分值总和与每天分值总和之间的比例值。
其中,历史数据统计算法还包括基础分值和贬值率(用于指示历史数据的时效性),服务器设定贬值率为每月递减5%,并设定最小时长为1小时,设定每条记录的基础分值为10分。服务器通过遍历历史数据,计算每条初始拨打时段对应的分值。如表3和表4所示:
表3:电话记录数据类型对应的分值
电话记录时刻 | 分值 |
2018-11-01 10:23 | 10*100%*60%=6 |
2018-09-23 11:10 | 10*90%*60%=5.4 |
2018-09-23 11:14 | 10*90%*60%=5.4 |
2018-08-13 21:40 | 10*85%*60%=5.1 |
2018-02-20 21:15 | 10*60%*60%=3.6 |
2018-02-28 09:40 | 10*55%*60%=3.3 |
2017-12-08 10:01 | 10*45%*60%=2.7 |
表4:网购记录数据类型对应的分值
网购记录时刻 | 分值 |
2018-11-05 11:53 | 10*100%*40%=4 |
2018-10-03 23:01 | 10*95*40%=3.8 |
2018-08-20 11:34 | 10*85%*40%=3.4 |
2018-08-20 15:27 | 10*85%*40%=3.4 |
2016-12-01 10:00 | 10*0%*40%=0 |
服务器设置当前日期为基准日期,并按照基准日期往前递归推进,每推进一个月,该数据的有效性就贬值5%,那么三个月前的历史数据的有效性就是1-5%*3,也就是85%。服务器根据预设计算公式进行分值计算,得到各时段的分值,并将不同时段的分值进行累加求和,得到当前总分值(各预设分析算法的初始拨打时段的分值总和)。其中,预设计算公式为每条记录的分值为基础分*保值率*权重。服务器按照最小时长分隔将每个分隔区间内的分值累加,并计算各时间区间的分值占比,即得到该用户在初始拨打时段内基于历史数据统计出的初始接听概率,如表5所示:
表5:初始接听概率
初始拨打时段 | 分值 | 初始接听概率(%) |
11:00~12:00 | 5.4+5.4+4+3.4=18.2 | 39.48 |
10:00~11:00 | 6+2.7=8.7 | 18.87 |
21:00~22:00 | 5.1+3.6=8.7 | 18.87 |
23:00~00:00 | 3.8 | 8.24 |
15:00~16:00 | 3.4 | 7.38 |
09:00~10:00 | 3.3 | 7.16 |
204、按照各预设分析算法的初始拨打时段对应的权重值对各预设分析算法的初始拨打时段对应的初始接听概率进行加权运算,得到各预设分析算法的初始拨打时段对应的预测接听概率。
具体的,服务器将各预设分析算法的初始拨打时段对应的权重值与各预设分析算法的初始拨打时段对应的初始接听概率进行加权运算,得到各预设分析算法的初始拨打时段对应的预测接听概率如表6所示:
表6:用户标签分析算法的初始拨打时段对应的预测接听概率
初始拨打时段 | 预测接听概率(%) |
15:00~16:00 | 50 |
6:00~17:00 | 50 |
预设的人工智能模型的初始拨打时段对应的预测接听概率如表7所示:
表7:人工智能模型的初始拨打时段对应的预测接听概率
初始拨打时段 | 预测接听概率(%) |
18:00~19:00 | 46.81 |
15:00~16:00 | 35.25 |
10:00~11:00 | 17.94 |
205、根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段。
也就是,服务器根据人工智能模型预测算法、历史数据统计算法和用户标签分析算法各自对应的预测接听概率进行加权计算,得到每个已分组用户数据的多个综合接听概率。其中,每个已分组用户数据的多个综合接听概率,可以如表8所示:
表8:综合接听概率表
初始拨打时段 | 预测接听概率*权重值 | 综合概率(%) |
11:00~12:00 | 39.48*50% | 19.74 |
10:00~11:00 | 18.87*50%+17.94*30% | 14.82 |
21:00~22:00 | 18.87*50% | 9.435 |
23:00~00:00 | 8.24*50% | 4.12 |
15:00~16:00 | 7.38*50%+50*20%+35.25*30% | 24.27 |
09:00~10:00 | 7.16*50% | 3.58 |
18:00~19:00 | 46.81*30% | 14.03 |
16:00~17:00 | 50*20% | 10 |
需要说明的是,对不同的用户分组配置不同的权重值,每组用户对应的分析算法的权重也是可以随时刻变化而相应自动变化的,服务器分析相同的用户分组下,哪种权重配置方式的接听率会比较高。比如,把用户分10组,设定每组的权重都是每个月变化一次。第一个月使用配置好的权重。第二个月时,服务器使用下一个组在上个月的权重配置,即第1组使用第2组在上个月的权重配置,第10组使用第1组在上个月的权重配置。以此类推,服务器基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段,如表8所述,目标接听概率是24.27,其对应的最佳的拨打时段(每个已分组用户数据的目标拨打时段)是15:00~16:00。
可选的,服务器对各预设分析算法的初始拨打时段对应的预测接听概率按照相同拨打时段分别进行相加,得到每个已分组用户数据的多个综合接听概率;服务器按照预设阈值从每个已分组用户数据的多个综合接听概率中筛选每个已分组用户数据的目标接听概率;服务器获取每个已分组用户数据的目标接听概率对应的接听时段,并将目标接听概率对应的接听时段设置为每个已分组用户数据的目标拨打时段,对每个已分组用户数据的目标拨打时段进行呼叫标识并记录。进一步地,服务器还可以采用加权平均的方式计算综合接听概率,具体此处不做限定。
206、基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果。
具体的,服务器按照每个已分组用户数据的目标拨打时段从预设数据表中查询每个已分组用户数据的多个待拨打用户号码;服务器根据每个已分组用户数据的目标接听概率从大到小的顺序对每个已分组用户数据的多个待拨打用户号码进行排序处理,得到每个已分组用户数据的待呼叫序列;服务器将每个已分组用户数据的待呼叫序列写入至预设呼叫处理队列中,通过预设呼叫处理队列对多个已分组用户数据分组进行语音呼叫,得到多个呼叫结果。
207、根据多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待呼叫用户号码。
该步骤207与步骤106的执行过程相似,具体此处不再赘述。
进一步地,服务器获取并更新各待拨打用户号码对应的呼叫反馈信息,各待拨打用户号码对应的呼叫反馈信息用于指示语音呼叫状态和语音呼叫详情信息,其中,语音呼叫状态包括呼叫成功和呼叫失败;服务器基于预设模板文件将各待拨打用户号码对应的呼叫反馈信息转换为报表文件,并将报表文件发送至终端,以使得终端向目标用户展示报表文件。
本发明实施例中,通过对用户采取灵活分组方式,可以满足不同的业务实际需求;对各已分组用户配置权重值,可以更精准地预测并匹配出用户电话接听率高的时段;通过预设呼叫处理队列分组进行语音呼叫,并统计每个已分组用户数据的实际拨通率,并基于实际拨通率重新筛选待呼叫用户号码,提高了分析匹配用户数据和语音呼叫的准确性,并提高了电话接听率。
上面对本发明实施例中智能语音呼叫方法进行了描述,下面对本发明实施例中智能语音呼叫装置进行描述,请参阅图3,本发明实施例中智能语音呼叫装置的一个实施例包括:
分组模块301,用于获取待处理用户数据,并对待处理用户数据进行分组处理,得到多个已分组用户数据;分析模块302,用于按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值;计算模块303,用于获取各预设分析算法的初始拨打时段对应的初始接听概率,按照各预设分析算法的初始拨打时段对应的初始接听概率和各预设分析算法的初始拨打时段对应的权重值计算各预设分析算法的初始拨打时段对应的预测接听概率;筛选模块304,用于根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段;呼叫模块305,用于基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果;统计模块306,用于根据多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待呼叫用户号码。
进一步地,将多个待拨打用户号码存储于区块链数据库中,具体此处不做限定。
本发明实施例中,通过对用户采取灵活分组方式,可以满足不同的业务实际需求;对各已分组用户配置权重值,可以更精准地预测并匹配出用户电话接听率高的时段;通过预设呼叫处理队列分组进行语音呼叫,并统计每个已分组用户数据的实际拨通率,并基于实际拨通率重新筛选待呼叫用户号码,提高了分析匹配用户数据和语音呼叫的准确性,并提高了电话接听率。
请参阅图4,本发明实施例中智能语音呼叫装置的另一个实施例包括:
分组模块301,用于获取待处理用户数据,并对待处理用户数据进行分组处理,得到多个已分组用户数据;分析模块302,用于按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值;计算模块303,用于获取各预设分析算法的初始拨打时段对应的初始接听概率,按照各预设分析算法的初始拨打时段对应的初始接听概率和各预设分析算法的初始拨打时段对应的权重值计算各预设分析算法的初始拨打时段对应的预测接听概率;筛选模块304,用于根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段;呼叫模块305,用于基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果;统计模块306,用于根据多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待呼叫用户号码。
可选的,分组模块301还可以具体用于:获取待处理用户数据,并从待处理用户数据中提取用户唯一标识;按照预设的哈希表将用户唯一标识转换成哈希码;获取分组总数量,将哈希码除以分组总数量,得到目标余数,并将目标余数设置为分组标识;基于分组标识对待处理用户数据进行分组处理,得到多个已分组用户数据。
可选的,分析模块302还具体用于:获取多个预设分析算法,多个预设分析算法包括用户标签分析算法、历史数据统计算法和人工智能模型预测算法;通过用户标签分析算法对多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中用户标签分析算法对应的第一拨打时段;通过历史数据统计算法对多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中历史数据统计算法对应的第二拨打时段,历史数据统计算法用于指示按照预设数据类型进行权重划分;通过人工智能模型预测算法对多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中人工智能模型预测算法对应的第三拨打时段;对第一拨打时段、第二拨打时段和第三拨打时段进行数据去重与合并处理,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法对应的初始拨打时段分配对应的权重值。
可选的,计算模块303还具体用于:从预设数据表中查询与各预设分析算法的初始拨打时段对应的初始接听概率,各预设分析算法的初始拨打时段对应的初始接听概率用于指示各预设分析算法的初始拨打时段的分值总和与每天分值总和之间的比例值;按照各预设分析算法的初始拨打时段对应的权重值对各预设分析算法的初始拨打时段对应的初始接听概率进行加权运算,得到各预设分析算法的初始拨打时段对应的预测接听概率。
可选的,筛选模块304还可以具体用于:对各预设分析算法的初始拨打时段对应的预测接听概率按照相同拨打时段分别进行相加,得到每个已分组用户数据的多个综合接听概率;按照预设阈值从每个已分组用户数据的多个综合接听概率中筛选每个已分组用户数据的目标接听概率;获取每个已分组用户数据的目标接听概率对应的接听时段,并将目标接听概率对应的接听时段设置为每个已分组用户数据的目标拨打时段,对每个已分组用户数据的目标拨打时段进行呼叫标识并记录。
可选的,呼叫模块305还可以具体用于:按照每个已分组用户数据的目标拨打时段从预设数据表中查询每个已分组用户数据的多个待拨打用户号码;根据每个已分组用户数据的目标接听概率从大到小的顺序对每个已分组用户数据的多个待拨打用户号码进行排序处理,得到每个已分组用户数据的待呼叫序列;将每个已分组用户数据的待呼叫序列写入至预设呼叫处理队列中,通过预设呼叫处理队列对多个已分组用户数据分组进行语音呼叫,得到多个呼叫结果。
可选的,智能语音呼叫装置还包括:更新模块307,用于获取并更新各待拨打用户号码对应的呼叫反馈信息,各待拨打用户号码对应的呼叫反馈信息用于指示语音呼叫状态和语音呼叫详情信息;转换模块308,用于基于预设模板文件将各待拨打用户号码对应的呼叫反馈信息转换为报表文件,并将报表文件发送至终端,以使得终端向目标用户展示报表文件。
本发明实施例中,通过对用户采取灵活分组方式,可以满足不同的业务实际需求;对各已分组用户配置权重值,可以更精准地预测并匹配出用户电话接听率高的时段;通过预设呼叫处理队列分组进行语音呼叫,并统计每个已分组用户数据的实际拨通率,并基于实际拨通率重新筛选待呼叫用户号码,提高了分析匹配用户数据和语音呼叫的准确性,并提高了电话接听率。
上面图3和图4从模块化的角度对本发明实施例中的智能语音呼叫装置进行详细描述,下面从硬件处理的角度对本发明实施例中智能语音呼叫设备进行详细描述。
图5是本发明实施例提供的一种智能语音呼叫设备的结构示意图,该智能语音呼叫设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对智能语音呼叫设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在智能语音呼叫设备500上执行存储介质530中的一系列指令操作。
智能语音呼叫设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux, FreeBSD等等。本领域技术人员可以理解,图5示出的智能语音呼叫设备结构并不构成对智能语音呼叫设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述智能语音呼叫方法的步骤。
本发明还提供一种智能语音呼叫设备,所述智能语音呼叫设备包括存储器和处理器,存储器中存储有指令,所述指令被处理器执行时,使得处理器执行上述每个实施例中的所述智能语音呼叫方法的步骤。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元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机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机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机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明每个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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等每个种可以存储程序代码的介质。
以上所述,以上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:其依然可以对前述每个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;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每个实施例技术方案的精神和范围。
Claims (10)
1.一种智能语音呼叫方法,其特征在于,所述智能语音呼叫方法包括:
获取待处理用户数据,并对所述待处理用户数据进行分组处理,得到多个已分组用户数据;
按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值;
获取各预设分析算法的初始拨打时段对应的初始接听概率,按照各预设分析算法的初始拨打时段对应的初始接听概率和各预设分析算法的初始拨打时段对应的权重值计算各预设分析算法的初始拨打时段对应的预测接听概率;
根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段;
基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果;
根据所述多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待拨打 用户号码。
2.根据权利要求1所述的智能语音呼叫方法,其特征在于,所述获取待处理用户数据,并对所述待处理用户数据进行分组处理,得到多个已分组用户数据,包括:
获取待处理用户数据,并从所述待处理用户数据中提取用户唯一标识;
按照预设的哈希表将所述用户唯一标识转换成哈希码;
获取分组总数量,将所述哈希码除以所述分组总数量,得到目标余数,并将所述目标余数设置为分组标识;
基于所述分组标识对所述待处理用户数据进行分组处理,得到多个已分组用户数据。
3.根据权利要求1所述的智能语音呼叫方法,其特征在于,所述按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值,包括:
获取多个预设分析算法,所述多个预设分析算法包括用户标签分析算法、历史数据统计算法和人工智能模型预测算法;
通过所述用户标签分析算法对所述多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中所述用户标签分析算法对应的第一拨打时段;
通过所述历史数据统计算法对所述多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中所述历史数据统计算法对应的第二拨打时段,所述历史数据统计算法用于指示按照预设数据类型进行权重划分;
通过所述人工智能模型预测算法对所述多个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中所述人工智能模型预测算法对应的第三拨打时段;
对所述第一拨打时段、所述第二拨打时段和所述第三拨打时段进行数据去重与合并处理,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法对应的初始拨打时段分配对应的权重值。
4.根据权利要求1所述的智能语音呼叫方法,其特征在于,所述获取各预设分析算法的初始拨打时段对应的初始接听概率,按照各预设分析算法的初始拨打时段对应的初始接听概率和各预设分析算法的初始拨打时段对应的权重值计算各预设分析算法的初始拨打时段对应的预测接听概率,包括:
从预设数据表中查询与各预设分析算法的初始拨打时段对应的初始接听概率,各预设分析算法的初始拨打时段对应的初始接听概率用于指示各预设分析算法的初始拨打时段的分值总和与每天分值总和之间的比例值;
按照各预设分析算法的初始拨打时段对应的权重值对各预设分析算法的初始拨打时段对应的初始接听概率进行加权运算,得到各预设分析算法的初始拨打时段对应的预测接听概率。
5.根据权利要求1所述的智能语音呼叫方法,其特征在于,所述根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段,包括:
对各预设分析算法的初始拨打时段对应的预测接听概率按照相同拨打时段分别进行相加,得到每个已分组用户数据的多个综合接听概率;
按照预设阈值从每个已分组用户数据的多个综合接听概率中筛选每个已分组用户数据的目标接听概率;
获取每个已分组用户数据的目标接听概率对应的接听时段,并将目标接听概率对应的接听时段设置为每个已分组用户数据的目标拨打时段,对每个已分组用户数据的目标拨打时段进行呼叫标识并记录。
6.根据权利要求4所述的智能语音呼叫方法,其特征在于,所述基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果,包括:
按照每个已分组用户数据的目标拨打时段从所述预设数据表中查询每个已分组用户数据的多个待拨打用户号码;
根据每个已分组用户数据的目标接听概率从大到小的顺序对每个已分组用户数据的多个待拨打用户号码进行排序处理,得到每个已分组用户数据的待呼叫序列;
将每个已分组用户数据的待呼叫序列写入至预设呼叫处理队列中,通过所述预设呼叫处理队列对所述多个已分组用户数据分组进行语音呼叫,得到多个呼叫结果。
7.根据权利要求1-6中任意一项所述的智能语音呼叫方法,其特征在于,在所述根据所述多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待拨打用户号码之后,所述智能语音呼叫方法还包括:
获取并更新各待拨打用户号码对应的呼叫反馈信息,各待拨打用户号码对应的呼叫反馈信息用于指示语音呼叫状态和语音呼叫详情信息;
基于预设模板文件将各待拨打用户号码对应的呼叫反馈信息转换为报表文件,并将所述报表文件发送至终端,以使得所述终端向目标用户展示所述报表文件。
8.一种智能语音呼叫装置,其特征在于,所述智能语音呼叫装置包括:
分组模块,用于获取待处理用户数据,并对所述待处理用户数据进行分组处理,得到多个已分组用户数据;
分析模块,用于按照多个预设分析算法分别对每个已分组用户数据进行呼叫时段分析,得到每个已分组用户数据中各预设分析算法对应的初始拨打时段,并分别对各预设分析算法的初始拨打时段配置对应的权重值;
计算模块,用于获取各预设分析算法的初始拨打时段对应的初始接听概率,按照各预设分析算法的初始拨打时段对应的初始接听概率和各预设分析算法的初始拨打时段对应的权重值计算各预设分析算法的初始拨打时段对应的预测接听概率;
筛选模块,用于根据各预设分析算法的初始拨打时段对应的预测接听概率确定每个已分组用户数据的多个综合接听概率,并基于每个已分组用户数据的多个综合接听概率筛选每个已分组用户数据的目标接听概率和每个已分组用户数据的目标拨打时段;
呼叫模块,用于基于每个已分组用户数据的目标拨打时段确定每个已分组用户数据的多个待拨打用户号码,通过预设呼叫处理队列按照每个已分组用户数据的目标接听概率分组对每个已分组用户数据的多个待拨打用户号码进行语音呼叫,得到多个呼叫结果;
统计模块,用于根据所述多个呼叫结果统计每个已分组用户数据的实际拨通率,并基于每个已分组用户的实际拨通率重新筛选每个已分组用户数据的待拨打 用户号码。
9.一种智能语音呼叫设备,其特征在于,所述智能语音呼叫设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述智能语音呼叫设备执行如权利要求1-7中任意一项所述的智能语音呼叫方法。
10.一种计算机可读存储介质,其上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任意一项所述的智能语音呼叫方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279942.XA CN112333342B (zh) | 2020-11-16 | 2020-11-16 | 智能语音呼叫方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279942.XA CN112333342B (zh) | 2020-11-16 | 2020-11-16 | 智能语音呼叫方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112333342A CN112333342A (zh) | 2021-02-05 |
CN112333342B true CN112333342B (zh) | 2022-11-08 |
Family
ID=74318727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011279942.XA Active CN112333342B (zh) | 2020-11-16 | 2020-11-16 | 智能语音呼叫方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112333342B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113163063B (zh) * | 2021-04-30 | 2022-09-09 | 重庆度小满优扬科技有限公司 | 智能外呼系统及方法 |
CN113450124B (zh) * | 2021-06-24 | 2024-06-25 | 江苏百应信息技术有限公司 | 基于用户行为的外呼方法、装置、电子设备及介质 |
CN115118824A (zh) * | 2022-06-24 | 2022-09-27 | 平安银行股份有限公司 | 语音呼叫方法、装置、存储介质及电子设备 |
CN117857697A (zh) * | 2024-03-07 | 2024-04-09 | 福州市数字产业互联科技有限责任公司 | 一种基于固定电话线路的智能语音拨号识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917891A (en) * | 1996-10-07 | 1999-06-29 | Northern Telecom, Limited | Voice-dialing system using adaptive model of calling behavior |
US10182034B1 (en) * | 2017-10-10 | 2019-01-15 | Noble Systems Corporation | Calling party number selection for outbound telephone calls to mitigate robocall processing impacts |
CN109873909A (zh) * | 2019-03-15 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 一种语音呼叫方法、装置和设备及计算机存储介质 |
GB201913478D0 (en) * | 2019-09-18 | 2019-10-30 | Iceton Ben | Method for initiating a telephone call |
CN111435482A (zh) * | 2019-01-14 | 2020-07-21 | 顺丰科技有限公司 | 一种外呼模型的构建方法、外呼方法、装置和存储介质 |
-
2020
- 2020-11-16 CN CN202011279942.XA patent/CN112333342B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917891A (en) * | 1996-10-07 | 1999-06-29 | Northern Telecom, Limited | Voice-dialing system using adaptive model of calling behavior |
US10182034B1 (en) * | 2017-10-10 | 2019-01-15 | Noble Systems Corporation | Calling party number selection for outbound telephone calls to mitigate robocall processing impacts |
CN111435482A (zh) * | 2019-01-14 | 2020-07-21 | 顺丰科技有限公司 | 一种外呼模型的构建方法、外呼方法、装置和存储介质 |
CN109873909A (zh) * | 2019-03-15 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 一种语音呼叫方法、装置和设备及计算机存储介质 |
GB201913478D0 (en) * | 2019-09-18 | 2019-10-30 | Iceton Ben | Method for initiating a telephone call |
Also Published As
Publication number | Publication date |
---|---|
CN112333342A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112333342B (zh) | 智能语音呼叫方法、装置、设备及存储介质 | |
US9516119B2 (en) | Service provider network migration | |
US20160057284A1 (en) | Method and system for determining telephony system response | |
US10346862B2 (en) | Migration system to migrate users to target services | |
CN106055630A (zh) | 日志存储的方法及装置 | |
CN104378515A (zh) | 呼叫中心话务量预测方法 | |
CN110602227B (zh) | 一种智能合约管理的方法以及相关装置 | |
CN108632047A (zh) | 一种资费数据的确定方法及装置 | |
CN110677269B (zh) | 通信用户关系的确定方法、装置和计算机可读存储介质 | |
CN110807618A (zh) | 一种动态排班方法、装置和设备 | |
CN116909751B (zh) | 一种云计算系统中的资源分配方法 | |
CN106682058A (zh) | 应用程序的筛选方法、装置和系统 | |
US7660402B1 (en) | System and method for managing telecommunication trunk groups | |
CN113411453A (zh) | 一种外呼对象的智能管理方法及装置、介质、计算设备 | |
EP2348676A1 (en) | Method for accessing magnanimity data of intelligent network service database and system and device thereof | |
US9398441B2 (en) | Method and apparatus for identifying re-subscribed user | |
US20120233113A1 (en) | Methods, systems, and computer program products for implementing a standardized interpretive engine | |
US20060212460A1 (en) | Methods, systems, and computer program products for implementing data standardization activities | |
CN113452852B (zh) | 机器外呼的数量调控方法、装置、电子设备及存储介质 | |
CN113723763B (zh) | 一种订单生产效率管理方法、装置、终端设备及存储介质 | |
Nadaf et al. | Data mining in telecommunication | |
CN111432082A (zh) | 客服的客户分配方法及装置 | |
CN114912839B (zh) | 工单并发调度方法、装置、设备及存储介质 | |
CN113657675B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN110147943B (zh) | 一种人员管理方法和相关装置 |
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 |