CN112734467A - 线下服务场景的客流量预测方法及系统 - Google Patents

Abstract

本申请涉及一种线下服务场景的客流量预测方法及系统，其中，该线下服务场景的客流量预测方法包括：数据获取步骤，用于获取一设定时间段内的线下场景中服务人员与客户的对话语音数据及其定位数据；数据分析步骤，用于将所述对话语音数据进行数据分析得到所述设定时间段内的对话频次和对话密度，并根据所述定位数据确定所述设定时间段内的对话频次和对话密度所属设定区域；客流量预测步骤，用于根据所述对话频次和对话密度并结合一影响参数，预测出所述设定区域在未来一待测时间段内的客流量。通过本申请，将抽象的客流量数据具象为可参考数据，以辅助管理人员进行人员调配；可根据预测结果提前调配，防止人力浪费，避免人员配置供不应求的情况。

Description

线下服务场景的客流量预测方法及系统

技术领域

本申请涉及互联网技术领域，特别是涉及线下服务场景的客流量预测方法、系统、计算机设备和计算机可读存储介质。

背景技术

在线下服务场景中，由于客户的流动性和不确定性，很难对客流量有宏观的把控，导致人员无法合理分配，分配多了浪费人力，分配少了供不应求，如何提前预知客流量，灵活合理的分配人员是管理人员需要解决的难题。

在上面的场景中，主要的问题在于客流量无法采集，无法预测。在信息时代，我们可以借助录音设备来采集对话频次密度，进而反映出该时段的客流量，积累一定量数据后，分析系统推断出客流量的规律，管理人员参考结果分配人员。

以往管理人员根据尝试和行业经验去预知客流量，比如节假日的客流量比工作日多，下午的客流量比上午多等等。但具体客流量多少，需要调配多少人缺乏明确的数据和指标，加之人的主观判断有局限性，容易误判。

发明内容

本申请实施例提供了一种线下服务场景的客流量预测方法、系统、计算机设备和计算机可读存储介质，以将抽象的客流量具象成可参考的数据，辅助管理人员进行人员调配，解决现有技术中人力浪费，供不应求等情况。

第一方面，本申请实施例提供了一种线下服务场景的客流量预测方法，包括：

数据获取步骤，用于获取一设定时间段内的线下场景中服务人员与客户的对话语音数据及其定位数据；可选的，所述对话语音数据通过佩戴式拾音设备获取；

数据分析步骤，用于将所述对话语音数据进行数据分析得到所述设定时间段内的对话频次和对话密度，并根据所述定位数据确定所述设定时间段内的对话频次和对话密度所属设定区域；

客流量预测步骤，用于根据所述对话频次和对话密度并结合一影响参数，预测出所述设定区域在未来一待测时间段内的客流量，以确定至少一所述设定区域内的服务人员调配。

基于上述步骤，本申请实施例利用对话频次表示客流量高低，利用对话密度表示客户购买意向，将抽象的客流量数据具象为可参考数据，基于历史对话频次和对话密度进行数据预测并分析预测的对话频次和对话密度的象限分布，根据象限分布以辅助管理人员进行人员调配；可根据预测结果提前调配，防止人力浪费，避免人员配置供不应求的情况。

在其中一些实施例中，所述数据分析步骤进一步包括：

语音数据预处理步骤，用于对所述对话语音数据基于声纹特征进行语音分离，统计所述设定时间段内服务人员与客户之间的对话数及平均对话时长；

语音数据转写步骤，用于对所述对话语音数据进行语音转写得到文字语句并统计文字数量；

对话频次获取步骤，用于通过对所述对话数及所述设定时间段的时间长度进行计算得到所述对话频次；具体的，所述对话频次＝对话数/时间长度；

对话密度获取步骤，用于通过对所述文字数量与所述平均对话时长进行计算得到所述对话密度，具体的，所述对话密度＝文字数量/平均对话时长。

在其中一些实施例中，所述客流量预测步骤进一步包括：

数据预测步骤，用于采用数据预测算法构建一数据预测模型，利用所述数据预测模型根据所述设定区域内对话频次和对话密度的历史数据并结合所述影响参数预测出所述设定区域内未来一待测时间段内的对话频次和对话密度；

数据分类步骤，用于选取历史阶段时间内的对话频次和对话密度的均值作为原点，以所述对话频次和对话密度分别作为横轴、纵轴，以时间为单位利用四象限模型对所述待测时间段内的对话频次和对话密度进行数据分类，可选的，所述时间段的长度可根据需要进行划分，举例而非限制，以“日期+上午或下午”为单位散列分布在象限中。

结果获取步骤，用于通过确定所述待测时间段内的对话频次和对话密度的所属象限预测所述设定区域在所述待测时间段内的客流量，以便于对服务人员进行实时调配。

在其中一些实施例中，所述结果获取步骤中，

若所属象限为第一象限，则表示对话频次高且对话密度高时间段，则该时间段客流量大且购买意向高；

若所属象限为第二象限，则表示对话频次低且对话密度高的时间段，则该时间段客流量低，但购买意向高；

若所属象限为第三象限，则表示对话频次低且对话密度低的时间段，则该时间段客流量低，且购买意向低；

若所属象限为第四象限，则表示对话频次高且对话密度低的时间段，则该时间段客流量高，但购买意向低。

在其中一些实施例中，所述客流量预测步骤还包括：

调配方案获取步骤，用于根据所述待测时间段内各设定区域中对话频次和对话密度的所属象限，确定所述待测时间段内每一设定区域的服务人员调配方案。

在其中一些实施例中，所述调配方案获取步骤中，

若所述所属象限为第一象限，则在所述待测时间段内增加所述设定区域的服务人员数量；

若所述所属象限为第二象限，则在所述待测时间段内保持所述设定区域的服务人员数量；

若所述所属象限为第三象限，则在所述待测时间段内减少所述设定区域的服务人员数量；

若所述所属象限为第四象限，则考虑是否服务方式有问题，因此通知所述设定区域管理人员调整服务方案，以便于通过调整营销策略提高客户购买意向。

第二方面，本申请实施例提供了一种线下服务场景的客流量预测系统，包括：

数据获取模块，用于获取一设定时间段内的线下场景中服务人员与客户的对话语音数据及其定位数据；可选的，所述对话语音数据通过佩戴式拾音设备获取。

数据分析模块，用于将所述对话语音数据进行数据分析得到所述设定时间段内的对话频次和对话密度，并根据所述定位数据确定所述设定时间段内的对话频次和对话密度所属设定区域；

客流量预测模块，用于根据所述对话频次和对话密度并结合一影响参数，预测出所述设定区域在未来一待测时间段内的客流量，以确定至少一所述设定区域内的服务人员调配。

基于上述模块，本申请实施例利用对话频次表示客流量高低，利用对话密度表示客户购买意向，将抽象的客流量数据具象为可参考数据，以辅助管理人员进行人员调配；可根据预测结果提前调配，防止人力浪费，避免人员配置供不应求的情况。

在其中一些实施例中，所述数据分析模块进一步包括：

语音数据预处理模块，用于对所述对话语音数据基于声纹特征进行语音分离，统计所述设定时间段内服务人员与客户之间的对话数及平均对话时长；

语音数据转写模块，用于对所述对话语音数据进行语音转写得到文字语句并统计文字数量；

对话频次获取模块，用于通过对所述对话数及所述设定时间段的时间长度进行计算得到所述对话频次；具体的，所述对话频次＝对话数/时间长度；

对话密度获取模块，用于通过对所述文字数量与所述平均对话时长进行计算得到所述对话密度，具体的，所述对话密度＝文字数量/平均对话时长。

在其中一些实施例中，所述客流量预测模块进一步包括：

数据预测模块，用于采用数据预测算法构建一数据预测模型，利用所述数据预测模型根据所述设定区域内对话频次和对话密度的历史数据并结合所述影响参数预测出所述设定区域内未来一待测时间段内的对话频次和对话密度；

数据分类模块，用于选取历史阶段时间内的对话频次和对话密度的均值作为原点，以所述对话频次和对话密度分别作为横轴、纵轴，以时间为单位利用四象限模型对所述待测时间段内的对话频次和对话密度进行数据分类，可选的，所述时间段的长度可根据需要进行划分，举例而非限制，以“日期+上午或下午”为单位散列分布在象限中。

结果获取模块，用于通过确定所述待测时间段内的对话频次和对话密度的所属象限预测所述设定区域在所述待测时间段内的客流量，以便于对服务人员进行实时调配。

在其中一些实施例中，所述结果获取模块中，

若所属象限为第一象限，则表示对话频次高且对话密度高时间段，则该时间段客流量大且购买意向高；

若所属象限为第二象限，则表示对话频次低且对话密度高的时间段，则该时间段客流量低，但购买意向高；

若所属象限为第三象限，则表示对话频次低且对话密度低的时间段，则该时间段客流量低，且购买意向低；

若所属象限为第四象限，则表示对话频次高且对话密度低的时间段，则该时间段客流量高，但购买意向低。

在其中一些实施例中，所述客流量预测模块还包括：

调配方案获取模块，用于根据所述待测时间段内各设定区域中对话频次和对话密度的所属象限，确定所述待测时间段内每一设定区域的服务人员调配方案。

在其中一些实施例中，所述调配方案获取模块中，

若所述所属象限为第一象限，则在所述待测时间段内增加所述设定区域的服务人员数量；

若所述所属象限为第二象限，则在所述待测时间段内保持所述设定区域的服务人员数量；

若所述所属象限为第三象限，则在所述待测时间段内减少所述设定区域的服务人员数量；

若所述所属象限为第四象限，则考虑是否服务方式有问题，因此通知所述设定区域管理人员调整服务方案，以便于通过调整营销策略提高客户购买意向。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以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如上述第一方面所述的线下服务场景的客流量预测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的线下服务场景的客流量预测方法。

相比于相关技术，本申请实施例提供的线下服务场景的客流量预测方法、系统、计算机设备和计算机可读存储介质，通过将抽象的客流量具象成可参考的数据，实现了辅助管理人员进行人员提前调配，解决了目前线下服务场景人力浪费，供不应求的问题，实现对客流量规律的分析，以便于管理人员参考预测结果合理调度人员。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的线下服务场景的客流量预测方法的流程图；

图2是根据本申请优选实施例的线下服务场景的客流量预测方法的象限图；

图3是根据本申请实施例的线下服务场景的客流量预测系统的结构框图。

附图说明：

1、数据获取模块；2、数据分析模块；3、客流量预测模块；

201、语音数据预处理模块；202、语音数据转写模块；

203、对话频次获取模块；204、对话密度获取模块；

301、数据预测模块；302、数据分类模块；303、结果获取模块；

304、调配方案获取模块。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本实施例提供了一种线下服务场景的客流量预测方法。图1是根据本申请实施例的线下服务场景的客流量预测方法的流程图，如图1所示，该流程包括如下步骤：

数据获取步骤S1，用于获取一设定时间段内的线下场景中服务人员与客户的对话语音数据及其定位数据；可选的，对话语音数据通过佩戴式拾音设备获取。

数据分析步骤S2，用于将对话语音数据进行数据分析得到设定时间段内的对话频次和对话密度，并根据定位数据确定设定时间段内的对话频次和对话密度所属设定区域。

客流量预测步骤S3，用于根据对话频次和对话密度并结合一影响参数，预测出设定区域在未来一待测时间段内的客流量，以确定至少一设定区域内的服务人员调配。

可选的，影响参数通过获取待测时间段内的天气类型、出行或行业相关政策，并分析天气类型、相关政策对客流量的影响确定，可选的，考虑工作日、法定节假日等特殊日期。

基于上述步骤，本申请实施例利用对话频次表示客流量高低，利用对话密度表示客户购买意向，将抽象的客流量数据具象为可参考数据，基于历史对话频次和对话密度进行数据预测并分析预测的对话频次和对话密度的象限分布，根据象限分布以辅助管理人员进行人员调配；可根据预测结果提前调配，防止人力浪费，避免人员配置供不应求的情况。

在其中一些实施例中，数据分析步骤S2进一步包括：

语音数据预处理步骤S201，用于对对话语音数据基于声纹特征进行语音分离，统计设定时间段内服务人员与客户之间的对话数及平均对话时长；

语音数据转写步骤S202，用于将对话语音数据进行语音转写得到文字语句并统计文字数量；

对话频次获取步骤S203，用于通过对对话数及设定时间段的时间长度进行计算得到对话频次；具体的，对话频次＝对话数/时间长度；

对话密度获取步骤S204，用于通过对文字数量与平均对话时长进行计算得到对话密度，具体的，对话密度＝文字数量/平均对话时长。

在其中一些实施例中，客流量预测步骤S3进一步包括：

数据预测步骤S301，用于采用数据预测算法构建一数据预测模型，利用数据预测模型根据设定区域内对话频次和对话密度的历史数据并结合影响参数预测出设定区域内未来一待测时间段内的对话频次和对话密度，可选的，该数据预测模型是基于现有的神经网络预测算法构建；

数据分类步骤S302，用于选取历史阶段时间内的对话频次和对话密度的均值作为原点，以对话频次和对话密度分别作为横轴、纵轴，以时间为单位利用四象限模型对待测时间段内的对话频次和对话密度进行数据分类，可选的，历史阶段时间即为上述设定时间段或设定时间段内的阶段时间，时间段的长度可根据需要进行划分，举例而非限制，以“日期+上午或下午”为单位散列分布在象限中。

结果获取步骤S303，用于通过确定待测时间段内的对话频次和对话密度的所属象限预测设定区域在待测时间段内的客流量，以便于对服务人员进行实时调配。具体的，结果获取步骤S303中，若所属象限为第一象限，则表示对话频次高且对话密度高时间段，则该时间段客流量大且购买意向高；若所属象限为第二象限，则表示对话频次低且对话密度高的时间段，则该时间段客流量低，但购买意向高；若所属象限为第三象限，则表示对话频次低且对话密度低的时间段，则该时间段客流量低，且购买意向低；若所属象限为第四象限，则表示对话频次高且对话密度低的时间段，则该时间段客流量高，但购买意向低。

调配方案获取步骤S304，用于根据待测时间段内各设定区域中对话频次和对话密度的所属象限，确定待测时间段内每一设定区域的服务人员调配方案。具体的，调配方案获取步骤S304中，若所属象限为第一象限，则在待测时间段内增加设定区域的服务人员数量；若所属象限为第二象限，则在待测时间段内保持设定区域的服务人员数量；若所属象限为第三象限，则在待测时间段内减少设定区域的服务人员数量；若所属象限为第四象限，则考虑是否服务方式有问题，因此通知设定区域管理人员调整服务方案，以便于通过调整营销策略提高客户购买意向。

可选的，上述实施例中的原点也可为设定时间段内多个门店所有服务人员的平均对话频次和平均对话密度，以实现对多个门店场景下服务人员的综合调配。可选的，上述原点也可为实时所有门店所有店员的平均对话频次和平均对话密度；实时呈现出每个门店在当前的情况，进而可以确定工作饱和的门店和工作不饱和的门店，从而可以将工作饱和的门店人员调往工作不饱和的门店。可选的，上述原点也可为设定时间段内一家门店所有店员的平均对话频次和平均对话密度，则该坐标轴可以用于显示该门店内具体某个店员的服务情况，从而对于店员进行个人考核。

下面通过优选实施例对本申请实施例进行描述和说明。

图2是根据本申请优选实施例的线下服务场景的客流量预测方法的象限图，如图2所示，采用本申请的线下服务场景的客流量预测方法进行预测时，对基于一个拥有多家门店的企业进行人员调配，具体如下：

该企业门店有n个门店，门店即为上述实施例中的设定区域，其中n为正整数。经过步骤S1实时采集n个门店内设定时间段内每一工作时段内所有在岗店员与客户的对话语音数据和店员的定位数据，经步骤S2对采集的对话语音数据和定位数据进行分析统计在一段历史时间内，如刚过去的一周内/一月内，n个门店中每一门店服务店员与客户对话的平均对话频次P0和平均对话密度M0并作为图2中的原点。

基于上述数据，经步骤S3进行客流量预测，举例而非限制，假设n个门店中有一家门店A，将门店A经步骤S3预测得到的8月10日、8月11日这两天在不同工作时段，例如，AM为9:00-12:00，PM为14:00-20:00，的数据呈现在图2中，则将每个工作时段内，门店A中所有店员的对话频次PA和对话密度MA分别与P0、M0进行比较，从而可以确定每个工作时段的情况在图2坐标轴中的分布位置。根据图2中的分布位置，可知：

预测8月11日14:00-20:00时间段的对话频次高且对话密度高，则该时间段客流量大且购买意向高，从而应增加设定区域的服务人员数量；

预测8月10日14:00-20:00时间段的对话频次低且对话密度高，则该时间段客流量低，但购买意向高，从而可保持设定区域的服务人员数量；

预测8月11日9:00-12:00时间段的对话频次低且对话密度低，则该时间段客流量低，且购买意向低，从而可减少设定区域的服务人员数量；

预测8月10日9:00-12:00时间段的对话频次高且对话密度低，则该时间段客流量高，但购买意向低，从而考虑是否服务方式有问题并通知提醒该门店管理人员调整服务方案，以便于通过调整营销策略提高客户购买意向。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。例如，步骤S203和步骤S204可以互换。

本实施例还提供了一种线下服务场景的客流量预测系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3是根据本申请实施例的线下服务场景的客流量预测系统的结构框图，如图3所示，该系统包括：

数据获取模块1，用于获取一设定时间段内的线下场景中服务人员与客户的对话语音数据及其定位数据，可选的，对话语音数据通过佩戴式拾音设备获取。数据分析模块2，用于将对话语音数据进行数据分析得到设定时间段内的对话频次和对话密度，并根据定位数据确定设定时间段内的对话频次和对话密度所属设定区域；客流量预测模块3，用于根据对话频次和对话密度并结合一影响参数，预测出设定区域在未来一待测时间段内的客流量，以确定至少一设定区域内的服务人员调配。可选的，该影响参数通过获取待测时间段内的天气类型、出行或行业相关政策，并分析天气类型、相关政策对客流量的影响确定，可选的，考虑工作日、法定节假日等特殊日期。

基于上述模块，本申请实施例利用对话频次表示客流量高低，利用对话密度表示客户购买意向，将抽象的客流量数据具象为可参考数据，以辅助管理人员进行人员调配；可根据预测结果提前调配，防止人力浪费，避免人员配置供不应求的情况。

其中，数据分析模块2进一步包括：语音数据预处理模块201，用于对对话语音数据基于声纹特征进行语音分离，统计设定时间段内服务人员与客户之间的对话数及平均对话时长；语音数据转写模块202，用于对对话语音数据进行语音转写得到文字语句并统计文字数量；对话频次获取模块203，用于通过对对话数及设定时间段的时间长度进行计算得到对话频次；具体的，对话频次＝对话数/时间长度；对话密度获取模块204，用于通过对文字数量与平均对话时长进行计算得到对话密度，具体的，对话密度＝文字数量/平均对话时长。

其中，客流量预测模块3进一步包括：数据预测模块301，用于采用数据预测算法构建一数据预测模型，利用数据预测模型根据设定区域内对话频次和对话密度的历史数据并结合影响参数预测出设定区域内未来一待测时间段内的对话频次和对话密度；数据分类模块302，用于选取历史阶段时间内的对话频次和对话密度的均值作为原点，以对话频次和对话密度分别作为横轴、纵轴，以时间为单位利用四象限模型对待测时间段内的对话频次和对话密度进行数据分类，可选的，时间段的长度可根据需要进行划分，举例而非限制，以“日期+上午或下午”为单位散列分布在象限中。结果获取模块303，用于通过确定待测时间段内的对话频次和对话密度的所属象限预测设定区域在待测时间段内的客流量，以便于对服务人员进行实时调配；调配方案获取模块304，用于根据待测时间段内各设定区域中对话频次和对话密度的所属象限，确定待测时间段内每一设定区域的服务人员调配方案。

具体的，结果获取模块303中，若所属象限为第一象限，则表示对话频次高且对话密度高时间段，则该时间段客流量大且购买意向高；若所属象限为第二象限，则表示对话频次低且对话密度高的时间段，则该时间段客流量低，但购买意向高；若所属象限为第三象限，则表示对话频次低且对话密度低的时间段，则该时间段客流量低，且购买意向低；若所属象限为第四象限，则表示对话频次高且对话密度低的时间段，则该时间段客流量高，但购买意向低。

具体的，调配方案获取模块304中，若所属象限为第一象限，则在待测时间段内增加设定区域的服务人员数量；若所属象限为第二象限，则在待测时间段内保持设定区域的服务人员数量；若所属象限为第三象限，则在待测时间段内减少设定区域的服务人员数量；若所属象限为第四象限，则考虑是否服务方式有问题，因此通知设定区域管理人员调整服务方案，以便于通过调整营销策略提高客户购买意向。

在其中一些实施例中，可选的，上述原点也可为设定时间段内多个门店所有服务人员的平均对话频次和平均对话密度，以实现对多个门店场景下服务人员的综合调配。可选的，上述原点也可为实时所有门店所有店员的平均对话频次和平均对话密度；实时呈现出每个门店在当前的情况，进而可以确定工作饱和的门店和工作不饱和的门店，从而可以将工作饱和的门店人员调往工作不饱和的门店。可选的，上述原点也可为设定时间段内一家门店所有店员的平均对话频次和平均对话密度，则该坐标轴可以用于显示该门店内具体某个店员的服务情况，从而对于店员进行个人考核。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

另外，结合图1描述的本申请实施例线下服务场景的客流量预测方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。

具体地，上述处理器可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器可在数据处理装置的内部或外部。在特定实施例中，存储器是非易失性(Non-Volatile)存储器。在特定实施例中，存储器包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(Random AccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器所执行的可能的计算机程序指令。

处理器通过读取并执行存储器中存储的计算机程序指令，以实现上述实施例中的任意一种线下服务场景的客流量预测方法。

另外，结合上述实施例中的线下服务场景的客流量预测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种线下服务场景的客流量预测方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种线下服务场景的客流量预测方法，其特征在于，包括：

数据获取步骤，用于获取一设定时间段内的线下场景中服务人员与客户的对话语音数据及其定位数据；

数据分析步骤，用于将所述对话语音数据进行数据分析得到所述设定时间段内的对话频次和对话密度，并根据所述定位数据确定所述设定时间段内的对话频次和对话密度所属设定区域；

客流量预测步骤，用于根据所述对话频次和对话密度并结合一影响参数，预测出所述设定区域在未来一待测时间段内的客流量，以确定至少一所述设定区域内的服务人员调配。

2.根据权利要求1所述的线下服务场景的客流量预测方法，其特征在于，所述数据分析步骤进一步包括：

语音数据预处理步骤，用于对所述对话语音数据基于声纹特征进行语音分离，统计所述设定时间段内服务人员与客户之间的对话数及平均对话时长；

语音数据转写步骤，用于对所述对话语音数据进行语音转写得到文字语句并统计文字数量；

对话频次获取步骤，用于通过对所述对话数及所述设定时间段的时间长度进行计算得到所述对话频次；

对话密度获取步骤，用于通过对所述文字数量与所述平均对话时长进行计算得到所述对话密度。

3.根据权利要求1或2所述的线下服务场景的客流量预测方法，其特征在于，所述客流量预测步骤进一步包括：

数据预测步骤，用于采用数据预测算法构建一数据预测模型，利用所述数据预测模型根据所述设定区域内对话频次和对话密度的历史数据并结合所述影响参数预测出所述设定区域内未来一待测时间段内的对话频次和对话密度；

数据分类步骤，用于选取历史阶段时间内的对话频次和对话密度的均值作为原点，以所述对话频次和对话密度分别作为横轴、纵轴，以时间为单位利用四象限模型对所述待测时间段内的对话频次和对话密度进行数据分类；

结果获取步骤，用于通过确定所述待测时间段内的对话频次和对话密度的所属象限预测所述设定区域在所述待测时间段内的客流量。

4.根据权利要求3所述的线下服务场景的客流量预测方法，其特征在于，所述结果获取步骤中，

若所述所属象限为第一象限，则表示对话频次高且对话密度高，则在所述待测时间段内所述设定区域的客流量大且购买意向高；

若所述所属象限为第二象限，则表示对话频次低且对话密度高，则在所述待测时间段内所述设定区域的客流量低，但购买意向高；

若所述所属象限为第三象限，则表示对话频次低且对话密度低，则在所述待测时间段内所述设定区域的客流量低，且购买意向低；

若所述所属象限为第四象限，则表示对话频次高且对话密度低，则在所述待测时间段内所述设定区域的客流量高，但购买意向低。

5.根据权利要求3所述的线下服务场景的客流量预测方法，其特征在于，所述客流量预测步骤进一步包括：

调配方案获取步骤，用于根据所述待测时间段内各设定区域中对话频次和对话密度的所属象限，确定所述待测时间段内每一设定区域的服务人员调配方案。

6.根据权利要求5所述的线下服务场景的客流量预测方法，其特征在于，所述调配方案获取步骤中，

若所述所属象限为第一象限，则在所述待测时间段内增加所述设定区域的服务人员数量；

若所述所属象限为第二象限，则在所述待测时间段内保持所述设定区域的服务人员数量；

若所述所属象限为第三象限，则在所述待测时间段内减少所述设定区域的服务人员数量；

若所述所属象限为第四象限，则通知所述设定区域管理人员调整服务方案。

7.一种线下服务场景的客流量预测系统，其特征在于，包括：

数据获取模块，用于获取一设定时间段内的线下场景中服务人员与客户的对话语音数据及其定位数据；

数据分析模块，用于将所述对话语音数据进行数据分析得到所述设定时间段内的对话频次和对话密度，并根据所述定位数据确定所述设定时间段内的对话频次和对话密度所属设定区域；

客流量预测模块，用于根据所述对话频次和对话密度并结合一影响参数，预测出所述设定区域在未来一待测时间段内的客流量，以确定至少一所述设定区域内的服务人员调配。

8.根据权利要求7所述的线下服务场景的客流量预测系统，其特征在于，所述数据分析模块进一步包括：

语音数据预处理模块，用于对所述对话语音数据基于声纹特征进行语音分离，统计所述设定时间段内服务人员与客户之间的对话数及平均对话时长；

语音数据转写模块，用于对所述对话语音数据进行语音转写得到文字语句并统计文字数量；

对话频次获取模块，用于通过对所述对话数及所述设定时间段的时间长度进行计算得到所述对话频次；

对话密度获取模块，用于通过对所述文字数量与所述平均对话时长进行计算得到所述对话密度。

9.根据权利要求7或8所述的线下服务场景的客流量预测系统，其特征在于，所述客流量预测模块进一步包括：

数据预测模块，用于采用数据预测算法构建一数据预测模型，利用所述数据预测模型根据所述设定区域内对话频次和对话密度的历史数据并结合所述影响参数预测出所述设定区域内未来一待测时间段内的对话频次和对话密度；

数据分类模块，用于选取历史阶段时间内的对话频次和对话密度的均值作为原点，以所述对话频次和对话密度分别作为横轴、纵轴，以时间为单位利用四象限模型对所述待测时间段内的对话频次和对话密度进行数据分类；

结果获取模块，用于通过确定所述待测时间段内的对话频次和对话密度的所属象限预测所述设定区域在所述待测时间段内的客流量。

10.根据权利要求8所述的线下服务场景的客流量预测系统，其特征在于，所述客流量预测模块进一步包括：

调配方案获取模块，用于根据所述待测时间段内各设定区域中对话频次和对话密度的所属象限，确定所述待测时间段内每一设定区域的服务人员调配方案。

Images