CN112785089A - 坐席业务配置方法、装置、电子设备及存储介质 - Google Patents

坐席业务配置方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112785089A
CN112785089A CN202110218036.7A CN202110218036A CN112785089A CN 112785089 A CN112785089 A CN 112785089A CN 202110218036 A CN202110218036 A CN 202110218036A CN 112785089 A CN112785089 A CN 112785089A
Authority
CN
China
Prior art keywords
data
service
prediction
date
agent
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
Application number
CN202110218036.7A
Other languages
English (en)
Inventor
陈堃
梁侃
王亚新
金潇泽
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110218036.7A priority Critical patent/CN112785089A/zh
Publication of CN112785089A publication Critical patent/CN112785089A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)

Abstract

本发明公开了一种坐席业务配置方法、装置、电子设备及存储介质，涉及人工智能领域，该方法包括：获取坐席业务的预测日期；根据所述预测日期获取与该预测日期相应的特征数据，所述特征数据基于历史坐席业务数据生成；将所述与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据；根据预先设置的多个预测模型的权重和所述多个坐席业务初始预测数据，生成与该预测日期相应的坐席业务最终预测数据；根据所述与该预测日期相应的坐席业务最终预测数据对坐席业务进行配置。通过本发明，可以提高坐席服务质量，同时也提高客户满意度。

Description

坐席业务配置方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能领域，具体涉及一种坐席业务配置方法、装置、电子设备及存储介质。
背景技术
传统的远程坐席拥有固定分配的业务渠道，每个业务渠道分配的坐席数量固定，或者通过不同渠道的业务量来进行人工推算，预测手段较为落后，工作效率不高，造成渠道坐席数量评估不准确，从而导致部分业务渠道坐席空闲时间较长、部分渠道客户长时间等待的现象，较大地影响了坐席服务质量和客户满意度。
发明内容
有鉴于此，本发明提供一种坐席业务配置方法、装置、电子设备及存储介质，以解决上述提及的至少一个问题。
根据本发明的第一方面，提供一种坐席业务配置方法，所述方法包括：
获取坐席业务的预测日期；
根据所述预测日期获取与该预测日期相应的特征数据，所述特征数据基于历史坐席业务数据生成；
将所述与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据；
根据预先设置的多个预测模型的权重和所述多个坐席业务初始预测数据，生成与该预测日期相应的坐席业务最终预测数据；
根据所述与该预测日期相应的坐席业务最终预测数据对坐席业务进行配置。
根据本发明的第二方面，提供一种坐席业务配置装置，所述装置包括：
预测日期获取单元，用于获取坐席业务的预测日期；
特征数据获取单元，用于根据所述预测日期获取与该预测日期相应的特征数据，所述特征数据基于历史坐席业务数据生成；
初始预测数据生成单元，用于将所述与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据；
最终预测数据生成单元，用于根据预先设置的多个预测模型的权重和所述多个坐席业务初始预测数据，生成与该预测日期相应的坐席业务最终预测数据；
配置单元，用于根据所述与该预测日期相应的坐席业务最终预测数据对坐席业务进行配置。
根据本发明的第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
由上述技术方案可知，通过根据坐席业务的预测日期获取与该预测日期相应的特征数据，随后将与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据，并根据预先设置的多个预测模型的权重和多个坐席业务初始预测数据生成与该预测日期相应的坐席业务最终预测数据，之后根据坐席业务最终预测数据对坐席业务进行配置，通过本技术方案，可以准确地预测出业务渠道未来一段时间内每天的业务量，从而可以指导坐席配置管理方案，避免了业务的分配不均衡，提高了坐席服务质量，同时也提高了客户满意度。
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是根据本发明实施例的坐席业务配置方法的流程图；
图2是根据本发明实施例的历史数据处理流程图；
图3是根据本发明实施例的特征工程处理流程图；
图4是根据本发明实施例的模型训练流程图；
图5是根据本发明实施例的坐席业务预测程图；
图6是根据本发明实施例的坐席业务配置装置的结构框图；
图7是根据本发明实施例的远程坐席业务预警系统的结构框图；
图8是根据本发明实施例的数据处理装置1的结构框图；
图9是根据本发明实施例的特征工程装置2的结构框图；
图10是根据本发明实施例的建模装置3的结构框图；
图11是根据本发明实施例的预测装置4的结构框图；
图12为本发明实施例的电子设备600的系统构成的示意框图。
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、完整的描述，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。基于本发明中的实施例，本领域普通技术人员在没有作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。
为了克服传统远程坐席业务量评估不准确而导致的坐席服务质量和客户满意度均较低的问题，本发明实施例提供一种坐席业务配置方案，该方案可以预测远程坐席业务量，实现远程坐席业务智能预测，提供业务高峰预警，为人力排班和设备维护等影响业务处理的工作安排提供指导意见。具体而言，本发明实施例通过引入人工智能技术对各类业务峰谷规律进行挖掘，从而可以高效、精准预测出业务渠道未来一段时间内每天的业务量，根据不同渠道的业务量，指导远程坐席配置管理方案，避免了业务的分配不均衡，降低了管理成本并提高生产效率，从而可以提高客户满意度。以下结合附图来详细描述本发明实施例。
本发明实施例提供一种坐席业务配置方法，图1是该坐席业务配置方法的流程图，如图1所示，该方法包括：
步骤101，获取坐席业务的预测日期。
步骤102，根据所述预测日期获取与该预测日期相应的特征数据，所述特征数据基于历史坐席业务数据生成。
上述历史坐席业务数据包括：业务类型及与该业务类型相应的每日业务接入量。
在一个实施例中，基于历史坐席业务数据生成特征数据包括：先获取历史坐席业务数据、和与所述业务类型相关的业务关联信息；随后根据所属业务类型的每日业务接入量确定每日业务接入量相对于预定日期的变化率、以及确定与业务关联信息相关的特定日期之间的业务接入量的变化率(例如，业务调整后三天中每天相对于业务调整前一天的业务接入量变化率)；之后基于主成分分析法，根据确定的每日业务接入量相对于预定日期的变化率、和与业务关联信息相关的特定日期之间的业务接入量的变化率生成所述特征数据。
这里的与所述业务类型(例如，理财咨询、贵金属购买、信贷)相关的业务关联信息，可以是与业务类型相关的关联业务变动数据、节假日数据、社会动态数据，社会动态数据包括疫情信息、政策影响、社会新闻等数据。
在具体实施过程中，还需要对上述获取的历史坐席业务数据和业务关联信息进行预处理，所述预处理包括如下至少之一：数据质量评估操作、缺失数据补充操作、噪声平滑操作、离群数据修复操作、数据集成操作、数据归约操作、数据文本转离散操作。
步骤103，将所述与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据。
在实际操作中，可以预先设置多个预测模型，之后根据特征数据、基于预定的超参数调参技术训练各预测模型。
具体地，先基于预定拆分规则将所述特征数据拆分为训练数据和测试数据，例如，训练数据和测试数据的数量为4：1；随后，根据所述训练数据和预定的超参数调参技术训练各预测模型；之后，根据所述测试数据对训练的预测模型进行评估操作，响应于评估结果为成功，确定预测模型训练完成。
这里的评估操作可以是评估预测数据的准确率，准确率达到预定阈值(例如，90％)，则表示评估成功，此时，确定模型训练完成。
一般而言，可以设置多个预测模型，例如，基于多项式回归(PolynomialRegression)算法的模型、基于SVR回归算法的模型、基于AdaBoost(Adaptive Boosting)回归算法的模型、Catboost(Categorical Features+Gradient Boosting)模型、深度置信神经网络(DeepBelief Net，DBN)模型等。在这些模型训练完成后，可以选择其中三个预测准确率较高的模型作为步骤103中的预测模型。
步骤104，根据预先设置的多个预测模型的权重和所述多个坐席业务初始预测数据，生成与该预测日期相应的坐席业务最终预测数据。
这里的权重可以根据各预测模型的评估结果进行设置，例如，根据各预测模型的预测数据准确率进行设置，准确率越高权重值越大。
步骤105，根据所述与该预测日期相应的坐席业务最终预测数据对坐席业务进行配置，例如，配置坐席资源分配以及员工休假情况等。
通过根据坐席业务的预测日期获取与该预测日期相应的特征数据，随后将与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据，并根据预先设置的多个预测模型的权重和多个坐席业务初始预测数据生成与该预测日期相应的坐席业务最终预测数据，之后根据坐席业务最终预测数据对坐席业务进行配置，通过本发明实施例，可以准确地预测出业务渠道未来一段时间内每天的业务量，从而可以指导坐席配置管理方案，避免了业务的分配不均衡，提高了坐席服务质量，同时也提高了客户满意度。
为了更好地理解本发明，以下以银行为例，详细描述坐席业务配置流程，该该流程中，首先是特征数据的生成流程，该流程具体包括两个部分：一、获取历史业务坐席业务数据并进行预处理；二、对预处理后的数据进行特征工程处理，生成特征数据。以下分别对这两个部分进行描述。
一、获取历史业务坐席业务数据并进行预处理，如图2所示，该流程具体包括如下步骤：
步骤201：获取原始数据，即获取历史坐席业务数据(该数据可以称为接入量)。首先，通过系统获取对应业务渠道(例如，业务类型A)最近三年的接入量统计数据、业务的工作日数据和关联业务变动数据。由于不同业务的工作时间存在不一致的情况，因此将工作模式分为以下几种：5天工作日+周六日休息、5天工作日+周六工作+周日休息、5天工作日+周六休息+周日工作、一周七天都上班。最后，通过网上爬虫获取最近三年国家法定节假日数据、相关的重大社会新闻数据和相关政策数据。
步骤202：数据质量评估。评估远程坐席各类业务渠道最近三年每天的接入量数据质量好坏，将质量好的渠道数据用于模型训练。评估方式具体包括：首先，计算最近一个月接入量数据的缺失比例，如果缺失比例大于30％，则数据质量评估为差，如果缺失比例小于等于20％，则数据质量评估为好。如果缺失比例大于20％小于30％，则去除日期最大的10条数据重新计算缺失比例，直至缺失比例小于等于20％或者渠道接入的数据量小于1个月，若最终数据量小于一个月，则渠道接入数据质量评估为差，反之评价为好。
步骤203：缺失数据补充和标记。在填充缺失值时，需要补充的数据分为两类：一是补充工作日缺失的数据，二是补充非工作日的数据。对于工作日数据：根据缺失值前后一周数据变化幅度大小，选择采取前后四周平均值、前后四周中位数或者前后四周同周几的平均值(这里的同周几平均值是指，例如，前后四周中，8周周一的平均值、8周周二的平均值等)这三种方式中的一种来进行填充，具体操作如下：分别计算前后四周数据和前后四周同周几数据的偏态系数，取偏态系数较小并且绝对值小于等于1的方式，计算平均值填充，若二者的偏态系数绝对值都大于1，则取前后四周中位数作为填充。对于非工作日数据：接入数量填充为0，补充的数据需要打上标记。
这里对数据进行标记，是为了与原始数据进行区别。
步骤204：噪声数据平滑和标记。噪声数据是指数据集中的干扰数据，渠道业务接入量为负值或是偏离三倍于数据集的标准差的数值都视为干扰数据。采用smoothdata算法对噪声数据进行平滑处理，并在数据集中对平滑处理后的数据做标记。
步骤205：离群数据修复和标记。通过箱线图的上下边缘来确定离群数据，然后根据离群点前后一周数据变化幅度大小，选择采取前后四周均值、前后四周中位数或者前后四周同周几的平均值这三种方式中的一种来进行修复，修复后的数据需要打上标记。具体操作如下：分别计算前后四周数据和前后四周同周几数据的偏态系数，取偏态系数较小并且绝对值小于等于1的方式，计算平均值填充，若二者的偏态系数绝对值都大于1，则取前后四周中位数作为填充。
步骤206：数据集成。由于系统获取的数据来源多样，存在代表同一概念的属性在不同数据源中可能会有不同的名字或单位，或是存在较强的相关性，导致不一致性和冗余，例如同样的数据在不同业务端存储字段不一致。在该实施例中，采用相关性分析的方法对数据进行集成，具体操作为：通过计算两类数据之间的协方差y，当y的绝对值大于0.8时，证明二者具有显著相关性，此时将这两类数据进行冗余去除。
步骤207：数据归约。使用BoW(词袋)模型将收集到的网页咨询、新闻通告等文本信息转化为特征矢量，对采集到的数据进行压缩，使数据占用空间变小，同时保留大部分特征，从而提高整个系统的效率。
步骤208：数据变换。通过数据变换使得数据更适用于系统。将业务变动数据和社会动态数据按照影响因子进行分类，同一类使用相同的数字表示，将文本数据转化为离散数值数据。具体来说，将影响因子分为11个区间分别为[-5]到[5]中的各整数，其中，正负代表影响类型，数值代表影响程度，例如“新增了客户经理线上文字咨询渠道”这一事件可以记为影响力[-5]。
二、对预处理后的数据进行特征工程处理，生成特征数据，如图3所示，该流程包括如下步骤：
步骤301：特征构建之单列操作，具体包括：对坐席不同业务渠道(例如，理财咨询、贵金属购买、信贷等)过去3年每日业务量进行四则运算、平方、开方、幂方、指数、对数等操作。计算出每类业务每天接入量相对于前一天、上周同日以及去年同期的变化率，从中挑选出最近30天的接入量的90个变化率，以及关联业务调整后3天、关联社会动态发生后3天每天接入量变化率共同作为特征值。例如，对于特定的业务渠道A而言，若关联业务调整了1次，关联社会动态发布2次，则特征值应包含99个变化率。
步骤302：特征构建之多列操作，具体包括：对坐席不同业务渠道过去3年接入量中某一段时间的接入量求和/求差/求平均、求某一段时间接入量的最大值/最小值/中位数等操作。计算出每个渠道在过去4周中同周几接入量的平均值和中位数，得到14个特征；计算关联业务调整后3天、关联社会动态发生后3天每天接入量均值和中位数作为特征值。对于特定的业务渠道A而言，若关联业务调整了1次，关联社会动态发布2次，则特征值应包含32个变化率。
步骤303：特征构建之分组/聚合操作，具体包括：将坐席不同业务渠道过去3年接入量按照某些属性(如节假日、业务关联)来进行统计。计算业务渠道在过去12个月每月接入量的均值和中位数，可以得到24个特征；计算每天远程坐席各类业务最近30天接入量的方差、第25％分位数、第75％分位数和均值，得到4个特征，共计28个特征。最后，再将各类业务渠道过去30天的接入量放入特征列。具体来说，针对节假日这一特征，通过分组/聚合操作获取到节假日对业务接入量的普遍影响关系。
步骤304：特征提取。采用主成分分析法(Principal Component Analysis，PCA)对步骤301-303构建的特征数据进行主成分分析，选择累积方差大于85％的主成分来表示渠道业务量的特征数据，实现数据降维，将复杂问题简单化的同时，也可以剔除构建的特征间的相关信息。具体来说：对于上述步骤中提取到的周同日变化率、月同日变化率、较前一天变化率等特征信息，通过PCA获取到方差贡献率，选取N个主成分使其累计方差贡献率大于85％，以降低信息损失。
在特征数据生成之后，可以根据特征数据对模型进行训练，如图4所示，训练模型流程包括：
步骤401：拆分训练集和测试集。将上述生成的特征数据按照日期从大到小排序，拆分为4：1的训练集和测试集。
步骤402：构建机器学习算法池，该算法池中包括：多项式回归(PolynomialRegression)算法、SVR回归算法、AdaBoost(Adaptive Boosting)回归算法、Catboost(Categorical Features+Gradient Boosting)、深度置信神经网络(deepbelief net，DBN)算法。对多个机器学习算法进行设置，设置成标准化接口，统一的输入和输出。主要设置包括：一是输入数据格式；二是定义每个机器学习算法参数范围，然后给每个机器学习算法添加网格搜索、随机搜索或者贝叶斯优化等超参数调参技术，实现机器学习方法自动调参；三是输出模型文件格式和内容。输入数据格式可以采用JSON文本，以便于外部接口调用传参；神经网络每次参数调整需要花费大量计算时间，当时间和性机器性能允许时，采用网格搜索，否则使用贝叶斯优化算法；训练好的模型可以采用joblib(一种持久化机器学习模型)方式进行持久化存储。
步骤403：使用单个机器学习算法建模，即对算法池中的各模型分别进行建模。采用步骤401中拆分的训练集对步骤402构建的机器学习算法池中的各算法分别进行模型训练，可以得到每个算法的模型。
步骤404：评估模型效果。使用均方根误差(RMSE)方法来对模型效果进行评估。在测试集上求所有模型的RMSE值分为两步，首先对测试集中的每个样本数据计算其在所有模型上的预测结果，并在数据库中保存该预测结果；然后，当所有测试集样本的预测结果计算完毕后，根据RMSE的公式分别求每个模型在测试集上的预测值和真实值的RMSE值，取值越小代表效果越好。最后，对模型RMSE取值按照从小到大排序后，选择前三个模型作为可用模型，例如，多项式回归算法、SVR回归算法、深度置信神经网络算法。
在模型训练完成之后，可以进行坐席业务的预测流程，如图5所示，该流程包括：
步骤501：生成当日特征数据，具体包括：根据上述的特征工程处理操作，生成当日特征数据，用于预测坐席业务的未来接入量。
步骤502：使用单个机器学习模型预测未来接入量，具体地，可以根据上述挑选出的三个机器学习模型预测坐席中心各类接入渠道业务接入量，得到基于三个模型的三个预测结果。
步骤503：对单个模型预测结果进行动态组合，通过加权平均的方式对三个模型进行融合，每个模型的权重通过模型的准确率排名得到，排名1、2、3的模型分别对应的权重为3/6、2/6、1/6，模型的准确率通过从样本集中随机采样带入模型运算得到，计算公式为：(1-误差范围)100％。最终加权值即为单个模型预测结果动态组合的结果。
如上所述，本发明实施例综合运用网络爬虫、数据清洗、特征工程、机器学习等手段，可以高效预测坐席渠道未来一段时间内的业务接入量，提供业务峰谷信息预警，帮助远程坐席中心提前规划坐席资源分配以及员工休假情况，降低人力资源管理成本，提升客户体验，进而推进坐席渠道分配智能化。
基于相似的发明构思，本发明实施例还提供一种坐席业务配置装置，优选地，该装置可用于实现上述方法实施例中的流程。
图6是该坐席业务配置装置的结构框图，如图6所示，该装置包括：预测日期获取单元601、特征数据获取单元602、初始预测数据生成单元603、最终预测数据生成单元604和配置单元605，其中：
预测日期获取单元601，用于获取坐席业务的预测日期；
特征数据获取单元602，用于根据所述预测日期获取与该预测日期相应的特征数据，所述特征数据基于历史坐席业务数据生成；
初始预测数据生成单元603，用于将所述与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据；
最终预测数据生成单元604，用于根据预先设置的多个预测模型的权重和所述多个坐席业务初始预测数据，生成与该预测日期相应的坐席业务最终预测数据；
配置单元605，用于根据所述与该预测日期相应的坐席业务最终预测数据对坐席业务进行配置。
通过特征数据获取单元602根据预测日期获取单元601获取的坐席业务的预测日期获取与该预测日期相应的特征数据，随后初始预测数据生成单元603将与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据，最终预测数据生成单元604根据预先设置的多个预测模型的权重和多个坐席业务初始预测数据生成与该预测日期相应的坐席业务最终预测数据，之后配置单元605根据坐席业务最终预测数据对坐席业务进行配置，通过本发明实施例，可以准确地预测出业务渠道未来一段时间内每天的业务量，从而可以指导坐席配置管理方案，避免了业务的分配不均衡，提高了坐席服务质量，同时也提高了客户满意度。
在实际操作中，上述装置还包括：特征数据生成单元，用于基于历史坐席业务数据生成特征数据，所述历史坐席业务数据包括：业务类型及与该业务类型相应的每日业务接入量。
具体地，所述特征数据生成单元包括：历史数据获取模块、变化率确定模块和特征数据生成模块，其中：
历史数据获取模块，用于获取历史坐席业务数据、和与所述业务类型相关的业务关联信息；
变化率确定模块，用于根据所属业务类型的每日业务接入量确定每日业务接入量相对于预定日期的变化率、和与业务关联信息相关的特定日期之间的业务接入量的变化率；
特征数据生成模块，用于基于主成分分析法，根据确定的每日业务接入量相对于预定日期的变化率、和与业务关联信息相关的特定日期之间的业务接入量的变化率生成所述特征数据。
在一个实施例中，上述装置还包括：预处理单元，用于对所述历史坐席业务数据和所述业务关联信息进行预处理，所述预处理包括如下至少之一：数据质量评估操作、缺失数据补充操作、噪声平滑操作、离群数据修复操作、数据集成操作、数据归约操作、数据文本转离散操作。
在具体实施过程中，上述装置还包括：模型设置单元和模型训练单元，其中：
模型设置单元，用于预先设置多个预测模型；
模型训练单元，用于根据所述特征数据、基于预定的超参数调参技术训练各预测模型。
该模型训练单元包括：数据拆分模块、模型训练模块和模型评估模块，其中：
数据拆分模块，用于基于预定拆分规则将所述特征数据拆分为训练数据和测试数据；
模型训练模块，用于根据所述训练数据和预定的超参数调参技术训练各预测模型；
模型评估模块，用于根据所述测试数据对训练的预测模型进行评估操作，响应于评估结果为成功，确定预测模型训练完成。
优选地，上述装置还包括：权重设置单元，用于根据各预测模型的评估结果设置各预测模型的权重，该权重可用于上述的最终预测数据生成单元。
上述各单元、各模块的具体执行过程，可以参见上述方法实施例中的描述，此处不再赘述。
在实际操作中，上述各单元、各模块可以组合设置、也可以单一设置，本发明不限于此。
为了进一步理解本发明，以下结合图7给出的示例系统来详细描述本发明实施例。
图7是远程坐席业务预警系统的结构图，如图7所示，该系统包括：数据处理装置1、特征工程装置2、建模装置3、预测装置4，其中，数据处理装置1与特征工程装置2建立连接，特征工程装置2与建模装置3相连接，建模装置3与预测装置4相连接，其中：数据处理装置1用于对坐席中心各类业务场景历史记录进行数据清洗和预处理，以达到提高数据质量的目的；特征工程装置2负责将数据转变为模型的训练数据，其目的是获取更好地训练数据特征，提升机器学习模型性能；建模装置3负责用特征数据自适应地查找合适的机器学习模型参数，使得在某个参数组合下该机器学习模型既能够很好地拟合业务接入量变化规律，也不会出现过拟合的情况；预测装置4负责使用训练好的模型对坐席中心未来一段时间内不同业务渠道的业务量做出预测。
具体地，以下分别详细描述各装置。
数据处理装置1，负责获取坐席业务数据，并对获取的数据进行预处理，主要包括：获取原始数据、数据质量评价、数据清洗、数据归约等操作。经过数据处理装置1后，可以获得具备准确性、完整性和一致性的高质量数据。该数据处理装置1可以实现上述图2的流程。
图8是该数据处理装置1的结构框图，如图8所示，数据处理装置1包含：原始数据获取单元11、数据质量评价单元12、数据清洗单元13、数据预处理单元14，其中：
原始数据获取单元11，负责获取坐席中心所有业务渠道最近三年来的业务数据，同时收集与业务渠道相关的关联业务变动数据、节假日数据、社会动态数据，社会动态数据包括疫情信息、政策影响、社会新闻等数据。
数据质量评价单元12，负责对收集到的业务渠道数据质量好坏进行评估，若业务数据质量评估结果为差，表明该业务数据不宜建模。
数据清洗单元13，负责对业务渠道原始数据进行清洗，包括：去掉重复数据、补充缺失数据、光滑噪声点、修复离群点。
数据预处理单元14，负责对业务渠道原始数据进行预处理，处理方式主要包括：数据集成、数据归约和数据变换等。
特征工程装置2，从数据处理装置1得到的原始数据中提取特征以供后续算法和模型使用，主要用于：特征构建、特征提取。经过特征工程装置2后，可以获得机器学习算法可识别、可用于训练的数据。该特征工程装置2可以实现上述图3的流程。
图9是该特征工程装置2的结构框图，如图9所示，该特征工程装置2包括：特征构建单元21、特征提取单元22，其中：
特征构建单元21，用于从坐席业务渠道接入量数据、社会动态数据，关联业务数据中挖掘出特征数据。
特征提取单元22，负责对特征构建单元21构建出的特征空间进行映射得到一个新的特征空间，降低特征维度，提高计算效率。
建模装置3，负责训练和挑选出预测效果较好的几种机器学习模型。该装置主要用于：构建机器学习算法池、训练单个机器学习算法模型、评估模型预测效果。该建模装置3可以实现上述图4的流程。
图10是建模装置3的结构框图，如图10所示，建模装置3包括：构建机器学习算法池单元31、单个机器学习算法建模单元32、单个算法模型评估单元33，其中：
构建机器学习算法池单元31，在本系统中封装以下机器学习算法组成算法池：多项式回归算法、SVR回归算法、AdaBoost回归算法、Catboost、深度置信神经网络算法，以提供业务渠道接入量的建模。
单个机器学习算法建模单元32，负责使用算法池中的算法对特征工程装置2输出的特征数据进行训练，得到单个机器学习算法模型。
单个算法模型评估单元33，负责对单个机器学习算法建模单元32训练的模型效果进行评估，选择出预测效果最好的三个算法模型。
预测装置4，负责对坐席中心未来一段时间内各类业务渠道每天的业务情况进行组合预测预测。使用从建模装置3中获取的预测效果较好的单个模型对渠道未来的业务数量作出预测；然后，对单个模型预测值使用多目标优化算法进行加权平均即可获得渠道未来一段时间内业务量的组合预测结果。该建模装置4可以实现上述图5的流程。
图11是该预测装置4的结构框图，如图11所示，该预测装置4包括：当日特征生成单元41、单个模型预测单元42、组合模型预测单元43，其中：
当日特征生成单元41，用于调用特征工程装置2生成当日特征数据，用于预测未来业务接入量。
单个模型预测单元42，分别用建模装置挑选出来的三个算法模型对远程坐席未来一段时间各类业务每天的业务量数据进行预测，可以得到三个模型预测值。
组合模型预测单元43，负责使用多目标优化算法对单个模型预测单元42生成的三个模型预测值进行加权平均，得到最终的预测结果。
本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照上述方法实施例进行实施及坐席业务配置装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图12为本发明实施例的电子设备600的系统构成的示意框图。如图12所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，坐席业务配置功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：
获取坐席业务的预测日期；
根据所述预测日期获取与该预测日期相应的特征数据，所述特征数据基于历史坐席业务数据生成；
将所述与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据；
根据预先设置的多个预测模型的权重和所述多个坐席业务初始预测数据，生成与该预测日期相应的坐席业务最终预测数据；
根据所述与该预测日期相应的坐席业务最终预测数据对坐席业务进行配置。
从上述描述可知，本申请实施例提供的电子设备，通过根据坐席业务的预测日期获取与该预测日期相应的特征数据，随后将与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据，并根据预先设置的多个预测模型的权重和多个坐席业务初始预测数据生成与该预测日期相应的坐席业务最终预测数据，之后根据坐席业务最终预测数据对坐席业务进行配置，通过本发明实施例，可以准确地预测出业务渠道未来一段时间内每天的业务量，从而可以指导坐席配置管理方案，避免了业务的分配不均衡，提高了坐席服务质量，同时也提高了客户满意度。
在另一个实施方式中，坐席业务配置装置可以与中央处理器100分开配置，例如可以将坐席业务配置装置配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现坐席业务配置功能。
如图12所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图12中所示的所有部件；此外，电子设备600还可以包括图12中没有示出的部件，可以参考现有技术。
如图12所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述坐席业务配置方法的步骤。
综上所述，本发明实施例提供了一种远程坐席业务预警方案，该方案可以得到各类业务渠道未来一段时间内业务数量的预测值，帮助业务管理者提前对人力资源进行规划，同步降低坐席等待时长与客户排队时长，从而协助提升业务效率和服务质量。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.一种坐席业务配置方法，其特征在于，所述方法包括：
获取坐席业务的预测日期；
根据所述预测日期获取与该预测日期相应的特征数据，所述特征数据基于历史坐席业务数据生成；
将所述与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据；
根据预先设置的多个预测模型的权重和所述多个坐席业务初始预测数据，生成与该预测日期相应的坐席业务最终预测数据；
根据所述与该预测日期相应的坐席业务最终预测数据对坐席业务进行配置。
2.根据权利要求1所述的方法，其特征在于，所述历史坐席业务数据包括：业务类型及与该业务类型相应的每日业务接入量，基于历史坐席业务数据生成特征数据包括：
获取历史坐席业务数据、和与所述业务类型相关的业务关联信息；
根据所属业务类型的每日业务接入量确定每日业务接入量相对于预定日期的变化率、以及确定与业务关联信息相关的特定日期之间的业务接入量的变化率；
基于主成分分析法，根据确定的每日业务接入量相对于预定日期的变化率、和与业务关联信息相关的特定日期之间的业务接入量的变化率生成所述特征数据。
3.根据权利要求2所述的方法，其特征在于，获取历史坐席业务数据、和与所述业务类型相关的业务关联信息之后，所述方法还包括：
对所述历史坐席业务数据和所述业务关联信息进行预处理，所述预处理包括如下至少之一：数据质量评估操作、缺失数据补充操作、噪声平滑操作、离群数据修复操作、数据集成操作、数据归约操作、数据文本转离散操作。
4.根据权利要求1所述的方法，其特征在于，在获取坐席业务的预测日期之前，所述方法还包括：
预先设置多个预测模型；
根据所述特征数据、基于预定的超参数调参技术训练各预测模型。
5.根据权利要求4所述的方法，其特征在于，根据所述特征数据、基于预定的超参数调参技术训练各预测模型包括：
基于预定拆分规则将所述特征数据拆分为训练数据和测试数据；
根据所述训练数据和预定的超参数调参技术训练各预测模型；
根据所述测试数据对训练的预测模型进行评估操作，响应于评估结果为成功，确定预测模型训练完成。
6.根据权利要求5所述的方法，其特征在于，通过如下方式预先设置多个预测模型的权重：
根据各预测模型的评估结果设置各预测模型的权重。
7.一种坐席业务配置装置，其特征在于，所述装置包括：
预测日期获取单元，用于获取坐席业务的预测日期；
特征数据获取单元，用于根据所述预测日期获取与该预测日期相应的特征数据，所述特征数据基于历史坐席业务数据生成；
初始预测数据生成单元，用于将所述与该预测日期相应的特征数据分别输入至预先训练的多个预测模型，分别生成多个坐席业务初始预测数据；
最终预测数据生成单元，用于根据预先设置的多个预测模型的权重和所述多个坐席业务初始预测数据，生成与该预测日期相应的坐席业务最终预测数据；
配置单元，用于根据所述与该预测日期相应的坐席业务最终预测数据对坐席业务进行配置。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
特征数据生成单元，用于基于历史坐席业务数据生成特征数据，所述历史坐席业务数据包括：业务类型及与该业务类型相应的每日业务接入量，
所述特征数据生成单元包括：
历史数据获取模块，用于获取历史坐席业务数据、和与所述业务类型相关的业务关联信息；
变化率确定模块，用于根据所属业务类型的每日业务接入量确定每日业务接入量相对于预定日期的变化率、和与业务关联信息相关的特定日期之间的业务接入量的变化率；
特征数据生成模块，用于基于主成分分析法，根据确定的每日业务接入量相对于预定日期的变化率、和与业务关联信息相关的特定日期之间的业务接入量的变化率生成所述特征数据。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
预处理单元，用于对所述历史坐席业务数据和所述业务关联信息进行预处理，所述预处理包括如下至少之一：数据质量评估操作、缺失数据补充操作、噪声平滑操作、离群数据修复操作、数据集成操作、数据归约操作、数据文本转离散操作。
10.根据权利要求7所述的装置，其特征在于，所述装置还包括：
模型设置单元，用于预先设置多个预测模型；
模型训练单元，用于根据所述特征数据、基于预定的超参数调参技术训练各预测模型。
11.根据权利要求10所述的装置，其特征在于，所述模型训练单元包括：
数据拆分模块，用于基于预定拆分规则将所述特征数据拆分为训练数据和测试数据；
模型训练模块，用于根据所述训练数据和预定的超参数调参技术训练各预测模型；
模型评估模块，用于根据所述测试数据对训练的预测模型进行评估操作，响应于评估结果为成功，确定预测模型训练完成。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
权重设置单元，用于根据各预测模型的评估结果设置各预测模型的权重。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1至6中任一项所述方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
CN202110218036.7A 2021-02-26 2021-02-26 坐席业务配置方法、装置、电子设备及存储介质 Pending CN112785089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110218036.7A CN112785089A (zh) 2021-02-26 2021-02-26 坐席业务配置方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110218036.7A CN112785089A (zh) 2021-02-26 2021-02-26 坐席业务配置方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112785089A true CN112785089A (zh) 2021-05-11

Family

ID=75761952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110218036.7A Pending CN112785089A (zh) 2021-02-26 2021-02-26 坐席业务配置方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112785089A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222057A (zh) * 2021-05-28 2021-08-06 中邮信息科技(北京)有限公司 数据预测模型训练、数据预测方法、装置、设备及介质
CN113807597A (zh) * 2021-09-23 2021-12-17 中国工商银行股份有限公司 网点排班方法、装置、设备及存储介质
CN116915915A (zh) * 2023-08-07 2023-10-20 云南电网有限责任公司 呼叫中心接入终端坐席的调度方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120300920A1 (en) * 2011-05-25 2012-11-29 Avaya Inc. Grouping of contact center agents
CN108551533A (zh) * 2018-03-09 2018-09-18 平安普惠企业管理有限公司 一种客服坐席的排班方法、存储介质和服务器
CN111476442A (zh) * 2020-06-19 2020-07-31 太平金融科技服务（上海）有限公司 坐席服务输出方式确定方法、装置、计算机设备和介质
CN112036648A (zh) * 2020-09-02 2020-12-04 中国平安财产保险股份有限公司 基于模型的任务分配方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120300920A1 (en) * 2011-05-25 2012-11-29 Avaya Inc. Grouping of contact center agents
CN108551533A (zh) * 2018-03-09 2018-09-18 平安普惠企业管理有限公司 一种客服坐席的排班方法、存储介质和服务器
CN111476442A (zh) * 2020-06-19 2020-07-31 太平金融科技服务（上海）有限公司 坐席服务输出方式确定方法、装置、计算机设备和介质
CN112036648A (zh) * 2020-09-02 2020-12-04 中国平安财产保险股份有限公司 基于模型的任务分配方法、装置、计算机设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222057A (zh) * 2021-05-28 2021-08-06 中邮信息科技(北京)有限公司 数据预测模型训练、数据预测方法、装置、设备及介质
CN113807597A (zh) * 2021-09-23 2021-12-17 中国工商银行股份有限公司 网点排班方法、装置、设备及存储介质
CN116915915A (zh) * 2023-08-07 2023-10-20 云南电网有限责任公司 呼叫中心接入终端坐席的调度方法、装置及设备
CN116915915B (zh) * 2023-08-07 2024-01-12 云南电网有限责任公司 呼叫中心接入终端坐席的调度方法、装置及设备

Similar Documents

Publication Publication Date Title
CN108846520B (zh) 贷款逾期预测方法、装置以及计算机可读存储介质
CN112785089A (zh) 坐席业务配置方法、装置、电子设备及存储介质
CN109495318B (zh) 一种移动通信网络流量预测方法、装置及可读存储介质
CN106127363B (zh) 一种用户信用评估方法和装置
CN110033314B (zh) 广告数据处理方法及装置
CN112633962B (zh) 业务推荐方法、装置、计算机设备和存储介质
CN103150696A (zh) 选择目标增值业务潜在客户的方法及装置
CN111091460B (zh) 一种数据处理方法及装置
CN108416619B (zh) 一种消费间隔时间预测方法、装置及可读存储介质
CN114118691A (zh) 基于业务量的排班方案处理方法、装置、设备和介质
CN111949795A (zh) 工单自动分类方法及装置
CN106408325A (zh) 基于用户支付信息的用户消费行为预测分析方法及系统
CN111353828A (zh) 网点到店人数预测方法及装置
CN114565057B (zh) 一种基于机器学习的均压场识别方法、装置、存储介质及终端
CN115630943A (zh) 智能排班方法及装置
CN112686690B (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN113191880A (zh) 银行柜员终端加钞建议确定方法及装置
CN114493686A (zh) 一种运营内容生成推送方法及装置
CN117853158A (zh) 基于动态量本利分析的企业运营数据预测方法及装置
WO2021129368A1 (zh) 一种客户类型的确定方法及装置
CN110910241B (zh) 现金流评估方法、装置、服务器设备及存储介质
CN110245985B (zh) 一种信息处理方法及装置
CN113537631B (zh) 药品需求量的预测方法、装置、电子设备及存储介质
CN112561575B (zh) 一种ctr预估模型选择方法及装置
CN107742253A (zh) 一种基于用户行为分析的自动化运营方法

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