CN112819263A - 一种调度客服的方法和装置 - Google Patents

Abstract

本发明公开了一种调度客服的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取进线用户的关联数据，并从关联数据中提取进线用户的任务单特征和事件特征；根据任务单特征和事件特征预测进线用户的咨询类别，并计算咨询类别的咨询概率；基于咨询类别的咨询概率为进线用户调度客服。该实施方式能够在用户进线后准确的预测进线用户的诉求，从而调度相应的客服，进而实现快速响应，提高客服业务量处理能力和效率，提升用户体验，控制运营成本。

Description

一种调度客服的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种调度客服的方法和装置。

背景技术

客服系统是各行各业业务方为解决客户遇到的产品问题而设立的一个服务性机构。如图1所示，现有的客服业务模式是传统的客户进线，然后客户听提示音按照提供的一级分类进行按键选择(一些大的品类和一些常用问题等)，在一次选择后会进入二级选项(一级品类下的细分品类)，进行二次按键选择，之后会有第三级选项(是否已提交订单)，然后是输入订单手机号或者订单号等，最后才能等待接入人工座席，整个流程客户侧占用时间较多。

目前，客服系统的任务量通常随着业务量的增长而增长，在业务量达到一定规模的情况下，客服系统的运营成本及其昂贵，而且大部分是人力成本和运营成本；并且客服系统的准确性依赖于用户的输入，在用户模糊的输入时，调度的准确性也会降低。而对于用户来说，传统客服系统的听选(听提示选项进行按键选择)时间成本和沟通成本同样十分高昂，很难有很好的用户体验。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

客服效率低，且调度准确率低，用户体验差。

发明内容

有鉴于此，本发明实施例提供一种调度客服的方法和装置，能够在用户进线后准确的预测进线用户的诉求，从而调度相应的客服，进而实现快速响应，提高客服业务量处理能力和效率，提升用户体验，控制运营成本。

为实现上述目的，根据本发明实施例的一个方面，提供了一种调度客服的方法。

本发明实施例的一种调度客服的方法包括：

获取进线用户的关联数据，并从所述关联数据中提取所述进线用户的任务单特征和事件特征；

根据所述任务单特征和所述事件特征预测所述进线用户的咨询类别，并计算所述咨询类别的咨询概率；

基于所述咨询类别的咨询概率为所述进线用户调度客服。

可选地，获取进线用户的关联数据，并从所述关联数据中提取所述进线用户的任务单特征和事件特征，包括：

匹配进线用户的用户标识；

根据所述用户标识获取所述进线用户的关联数据；其中，所述关联数据包括以下各项中的至少一项：历史进线信息、用户画像信息、任务单信息、货物信息、物流信息和售后记录信息；

以任务单为粒度对所述历史进线信息、所述用户画像信息、所述任务单信息、所述货物信息、所述物流信息和/或所述售后记录信息进行关联，得到任务单数据；对所述任务单数据进行预处理以及特征拓展，得到任务单特征；以及

以用户标识为粒度对所述历史进线信息、所述用户画像信息、所述任务单信息、所述货物信息、所述物流信息和/或所述售后记录信息进行关联，得到事件数据；对所述事件数据进行预处理以及特征拓展，得到事件特征。

可选地，所述咨询类别包括：咨询任务单和咨询事件；以及

根据所述任务单特征和所述事件特征预测所述进线用户的咨询类别，并计算所述咨询类别的咨询概率，包括：

利用任务单预测模型对所述任务单特征进行分类，预测所述进线用户的咨询任务单，并计算所述咨询任务单的咨询概率；

利用事件预测模型对所述事件特征进行分类，预测所述进线用户的咨询事件，并计算所述咨询事件的咨询概率。

可选地，基于所述咨询类别的咨询概率为所述进线用户调度客服，包括：

若所述咨询任务单的咨询概率大于第一概率、或所述咨询事件的咨询概率大于第二概率，则为所述进线用户调度所述咨询任务单或所述咨询事件对应的客服；

若所述咨询任务单的咨询概率小于或等于第一概率、且所述咨询事件的咨询概率小于或等于第二概率，则根据所述咨询任务单和所述咨询事件的咨询概率向所述进线用户推荐预设数量的客服。

可选地，所述方法还包括：

从所述进线用户的关联数据中提取训练数据，为所述训练数据打标并添加到离线训练集；其中，所述离线训练集用于训练至少二个待选任务单预测模型和至少二个待选事件预测模型。

可选地，所述方法还包括：

计算所述任务单预测模型和所述事件预测模型的稳定度指标；

当所述任务单预测模型的稳定度指标小于第一阈值时，选取一个所述待选任务单预测模型更新所述任务单预测模型；

当所述事件预测模型的稳定度指标小于第二阈值时，选取一个所述待选事件预测模型更新所述问题预测模型。

为实现上述目的，根据本发明实施例的另一方面，提供了一种调度客服的装置。

本发明实施例的一种调度客服的装置包括：

提取模块，用于获取进线用户的关联数据，并从所述关联数据中提取所述进线用户的任务单特征和事件特征；

预测模块，用于根据所述任务单特征和所述事件特征预测所述进线用户的咨询类别，并计算所述咨询类别的咨询概率；

调度模块，用于基于所述咨询类别的咨询概率为所述进线用户调度客服。

可选地，所述提取模块还用于：

匹配进线用户的用户标识；

根据所述用户标识获取所述进线用户的关联数据；其中，所述关联数据包括以下各项中的至少一项：历史进线信息、用户画像信息、任务单信息、货物信息、物流信息和售后记录信息；

以任务单为粒度对所述历史进线信息、所述用户画像信息、所述任务单信息、所述货物信息、所述物流信息和/或所述售后记录信息进行关联，得到任务单数据；对所述任务单数据进行预处理以及特征拓展，得到任务单特征；以及

以用户标识为粒度对所述历史进线信息、所述用户画像信息、所述任务单信息、所述货物信息、所述物流信息和/或所述售后记录信息进行关联，得到事件数据；对所述事件数据进行预处理以及特征拓展，得到事件特征。

可选地，所述咨询类别包括：咨询任务单和咨询事件；以及

所述预测模块还用于：

利用任务单预测模型对所述任务单特征进行分类，预测所述进线用户的咨询任务单，并计算所述咨询任务单的咨询概率；

利用事件预测模型对所述事件特征进行分类，预测所述进线用户的咨询事件，并计算所述咨询事件的咨询概率。

可选地，所述调度模块还用于：

若所述咨询任务单的咨询概率大于第一概率、或所述咨询事件的咨询概率大于第二概率，则为所述进线用户调度所述咨询任务单或所述咨询事件对应的客服；

若所述咨询任务单的咨询概率小于或等于第一概率、且所述咨询事件的咨询概率小于或等于第二概率，则根据所述咨询任务单和所述咨询事件的咨询概率向所述进线用户推荐预设数量的客服。

可选地，所述装置还包括：

训练模块，用于从所述进线用户的关联数据中提取训练数据，为所述训练数据打标并添加到离线训练集；其中，所述离线训练集用于训练至少二个待选任务单预测模型和至少二个待选事件预测模型。

可选地，所述装置还包括：

更新模块，用于计算所述任务单预测模型和所述事件预测模型的稳定度指标；当所述任务单预测模型的稳定度指标小于第一阈值时，选取一个所述待选任务单预测模型更新所述任务单预测模型；当所述事件预测模型的稳定度指标小于第二阈值时，选取一个所述待选事件预测模型更新所述问题预测模型。

为实现上述目的，根据本发明实施例的又一方面，提供了一种调度客服的电子设备。

本发明实施例的一种调度客服的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种调度客服的方法。

为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读存储介质。

本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种调度客服的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用获取进线用户的关联数据，并从关联数据中提取进线用户的任务单特征和事件特征；根据任务单特征和事件特征预测进线用户的咨询类别，并计算咨询类别的咨询概率；基于咨询类别的咨询概率为进线用户调度客服的技术手段，所以克服了客服效率低，且调度准确率低，用户体验差的技术问题，进而达到在用户进线后准确的预测进线用户的诉求，从而调度相应的客服，进而实现快速响应，提高客服业务量处理能力和效率，提升用户体验，控制运营成本的技术效果。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是现有客服系统的逻辑示意图；

图2是根据本发明实施例的调度客服的方法的主要步骤的示意图；

图3是根据本发明一个可参考实施例的调度客服的方法的应用的示意图一；

图4是根据本发明一个可参考实施例的调度客服的方法的应用的示意图二；

图5是根据本发明一个可参考实施例的调度客服的方法的数据流向的示意图；

图6是根据本发明实施例的调度客服的方法的特征库的逻辑结构示意图；

图7是根据本发明实施例的调度客服的方法的提取任务单特征和事件特征的示意图；

图8是根据本发明实施例的调度客服的方法的训练模型和更新模型的示意图；

图9是根据本发明实施例的调度客服的装置的主要模块的示意图；

图10是本发明实施例可以应用于其中的示例性系统架构图；

图11是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。

现有的客服系统是基于过程的系统，即需要客户准确提供系统所需的“信息”，然后通过制定好的规则对呼叫进线分配给相应的技能组。目前的技术主要有以下缺点：

效率低，用户体验差。用户需要花费大量时间和精力“配合”系统才有可能解决问题。从用户进线到人工座席接听花费少则数十秒，多则数分钟的时间；另外，用户需要集中精力听清提示选项，甚至需要知道自己的订单号等，这又给客户设置了接听人工座席的障碍；

调度准确率低。只有客户配合将系统参数输入且正确的情况下才能较正确的将进线分配到技能组，真实情况是有大量用户针对提示选项的选择比较随意，不能准确将进线分配到能直接解决问题的技能组，一方面增加了转接成本，另一方面进线找不到对应技能组就需要一个熟悉所有咨询问题的资深客服人员接线，而资深客服人员的培训成本，薪资成本，管理成本是非常高昂的。

因此，基于固定流程化的客服系统，并不能适应如今数据时代的业务模式，在业务量剧增、人们时间观念更强的如今，构建一个能够提升用户体验，并控制运营成本的智能化客服调度系统就显得尤为重要。

为此，本发明实施例的调度客服的方法，基于应用机器学习和大数据技术构建一个智能化的客服调度系统，能够在用户进线后确认用户，并准确的预测用户的诉求(即咨询类别)，从而调度相应的技能组(客服)，或依据预测结果(咨询类别的咨询概率)推荐预设数量的客服供用户选择，进而实现快速响应，提高客服业务量处理能力，有效提升客服效率，提升用户体验，控制运营成本。

图2是根据本发明实施例的调度客服的方法的主要步骤的示意图。

如图2所示，本发明实施例的调度客服的方法主要包括以下步骤：

步骤S201：获取进线用户的关联数据，并从关联数据中提取进线用户的任务单特征和事件特征。

对于电话客服或网络在线客服，为实现在有效解答用户问题的前提下，减少进线用户选择服务所占用时间，快速响应用户呼叫，本发明实施例的调度客服的方法，先获取进线用户的关联数据，该关联数据是与进线用户相关的数据，再从中提取任务单特征和事件特征等用户特征。从关联数据中提取到的任务单特征和事件特征用于预测进线用户的诉求，例如咨询某个任务单、资询什么问题或投诉某个服务等，以便根据进线用户的诉求来响应用户呼叫。

在本发明实施例中，获取进线用户的关联数据的步骤可以通过以下方式实现：匹配进线用户的用户标识；根据用户标识获取进线用户的关联数据。

用户标识可以是电话号码或用户名等表示用户身份或与用户唯一关联的信息，电话号码和用户名是进线用户在创建任务单时预留的，可以通过进线用户与客服联系时所使用的手机号码或账号等，匹配到进线用户的电话号码或用户名等用户标识，或通过进线用户输入的方式，确认其电话号码或用户名等用户标识。在匹配到用户标识后，可以基于用户标识进一步获取进线用户的历史进线信息、用户画像信息、任务单信息、货物信息、物流信息和售后记录信息。

关联数据可以包括历史进线信息、用户画像信息、任务单信息、货物信息、物流信息和/或售后记录信息，即关联数据可以由以上信息中的一种或几种组成。其中，用户画像信息可以是年龄、职业和用户价值等，任务单信息可以是任务单类型和涉及金额等，货物信息可以是货物品类和货物价格等，物流信息可以是物流状态、打包时间或妥投时间等，售后记录信息可以相关售后记录或是否有过售后记录等。

在本发明实施例中，从关联数据中提取进线用户的任务单特征和事件特征的步骤可以通过以下方式实现：以任务单为粒度对用户画像信息、任务单信息、货物信息、物流信息和/或售后记录信息进行关联，得到任务单数据；对任务单数据进行预处理以及特征拓展，得到任务单特征；以及以用户标识为粒度对历史进线信息、任务单信息、货物信息、物流信息和/或售后记录信息进行关联，得到事件数据；对事件数据进行预处理以及特征拓展，得到事件特征。

对于关联数据可以从两个方面进行样本组织，一是以任务单为粒度的任务单数据，另一是以用户标识为粒度的事件数据，相应地，对两种样本数据进行特征计算后可以得到两种关联特征，一是对应于任务单粒度的任务单特征，用于预测进线用户的咨询任务单，另一是对应于电话号码粒度或用户名粒度的事件特征，用于预测进线用户的咨询事件。其中，特征计算包括预处理和特征拓展，预处理可以是对数据的数值化处理、标准化处理和缺失值处理等，特征拓展可以采用MARS算法或PCA算法对样本数据(即任务单数据和事件数据)进行计算，从而得到任务单特征和事件特征。

步骤S202：根据任务单特征和事件特征预测进线用户的咨询类别，并计算咨询类别的咨询概率。

咨询类别可以包括咨询任务单和咨询事件。其中，咨询任务单是指进线用户的诉求是关于哪一个任务单，咨询事件是指进线用户的诉求是关于哪一方面，例如催单、维修和发票等事件。咨询概率是指根据任务单特征和事件特征所预测的咨询类别与进线用户的诉求一致的概率。

在本发明实施例中，步骤S202可以通过以下方式实现：利用任务单预测模型对任务单特征进行分类，预测进线用户的咨询任务单，并计算咨询任务单的咨询概率；利用事件预测模型对事件特征进行分类，预测进线用户的咨询事件，并计算咨询事件的咨询概率。

可以利用任务单预测模型得出咨询任务单及其咨询概率，以及可以利用问题预测模型得出咨询事件及其咨询概率。任务单预测模型和问题预测模型可以采用LightGBM、逻辑斯蒂、随机森林等基础算法，其中，任务单预测模型被设计为二分类模型，例如采用LightGBM的GBDT模型等；问题预测模型被设计为多分类模型，例如采用LightGBM的随机森林模型等。此外，对于使用上述算法模型计算咨询任务单及其咨询概率和咨询事件及其咨询概率的实现过程，可以采用现有的技术方式，本发明实施例不予赘述。

步骤S203：基于咨询类别的咨询概率为进线用户调度客服。

对于电话客服或网络在线客服，每个客服可能对应于特定的领域或解决特定的问题，基于通过步骤S202预测的咨询类别以及计算出的咨询概率，可以为进线用户调度相应的客服，例如调度咨询概率最高的咨询类别所对应的客服、或从咨询概率较高的几个咨询类别所对应的客服选择一个等等。

在本发明实施例中，步骤S104可以通过以下方式实现：若咨询任务单的咨询概率大于第一概率、或咨询事件的咨询概率大于第二概率，则为进线用户调度咨询任务单或咨询事件对应的客服；若咨询任务单的咨询概率小于或等于第一概率、且咨询事件的咨询概率小于或等于第二概率，则根据咨询任务单和咨询事件的咨询概率向进线用户推荐预设数量的客服。

第一概率和第二概率是预设概率值，第一概率和第二概率可以根据历史经验或实际需要确定，且可以为相同值。如果咨询任务单或咨询事件的咨询概率大于相应的预设概率值，即咨询任务单的咨询概率大于第一概率或咨询事件的咨询概率大于第二概率，则表示进线用户的诉求可能是预测的咨询任务单或咨询事件，可以调度咨询任务单或咨询事件对应的客服，该客服可能是专门答复咨询任务单和咨询事件的，也可能是咨询概率最高的咨询任务单或咨询事件对应的。如果咨询任务单和咨询事件的咨询概率都不大于相应的预设概率值，则表示没有准确预测出进线用户的诉求，可以向进线用户推荐预设数量的客服，该预设数量的客服可能是咨询概率较高的几个咨询任务单或咨询事件对应的。

本发明实施例的调度客服的方法，还可以包括：从进线用户的关联数据中提取训练数据，为训练数据打标并添加到离线训练集。

其中，离线训练集用于训练至少二个待选任务单预测模型和至少二个待选问题预测模型。

针对不断变化的需求，进线用户的关联数据除了用于预测进线用户的诉求，还用于对待选任务单预测模型和待选问题预测模型进行训练，待选任务单预测模型和待选问题预测模型用于对任务单预测模型和问题预测模型进行更新，从而保证所使用的任务单预测模型和问题预测模型是根据需求变化而变化的。

本发明实施例的调度客服的方法，还可以包括：计算任务单预测模型和问题预测模型的稳定度指标；当任务单预测模型的稳定度指标小于第一阈值时，选取一个待选任务单预测模型更新任务单预测模型；当问题预测模型的稳定度指标小于第二阈值时，选取一个待选问题预测模型更新问题预测模型。

第一阈值和第二阈值是预设稳定值，第一阈值和第二阈值可以根据历史经验或实际需要确定，且可以为相同值。为保证所使用的任务单预测模型和问题预测模型能够满足需求的变化，对任务单预测模型和问题预测模型进行监控，并在任务单预测模型或问题预测模型不能满足需求(即稳定度指标小于相应的预设稳定值)时，利用训练的待选任务单预测模型或待选问题预测模型更新任务单预测模型或问题预测模型。需要说明的是，对于待选任务单预测模型和待选问题预测模型的选择，可以根据其准确率或稳定性选择，且模型的准确率和稳定性的计算，可以采用现有的技术方式，本发明实施例不予赘述。

根据本发明实施例的调度客服的方法可以看出，因为采用获取进线用户的关联数据，并从关联数据中提取进线用户的任务单特征和事件特征；根据任务单特征和事件特征预测进线用户的咨询类别，并计算咨询类别的咨询概率；基于咨询类别的咨询概率为进线用户调度客服的技术手段，所以克服了客服效率低，且调度准确率低，用户体验差的技术问题，进而达到在用户进线后准确的预测进线用户的诉求，从而调度相应的客服，进而实现快速响应，提高客服业务量处理能力和效率，提升用户体验，控制运营成本的技术效果。

为了进一步阐述本发明的技术思想，现结合具体的应用场景，对本发明的技术方案进行说明。

以某平台的客服智能调度系统应用本发明实施例的调度客服的方法为例，假设某用户(即进线用户)曾在该平台创建了订单(即任务单)并预留了订单收货电话，以该订单收货电话作为用户标识。如图3所示，对于用户进线，首先确认订单收货电话，通过进线的手机号码或账号等匹配到该用户的订单收货电话，还可以进一步匹配到该用户的用户名；然后客服智能调度系统通过订单收货电话和用户名获取该用户的关联数据，即通过订单收货电话、用户名及订单号组织融合各维度数据(用户画像信息、任务单信息、货物信息和物流信息等数据)形成用户特征(即任务单特征和事件特征)，通过机器学习模型(任务单预测模型和问题预测模型)精准判定用户想要询问的是哪一单或哪一个问题(即咨询类别)，以及计算咨询类别的准确率(咨询概率)；最后如果准确率大于或等于90％(假设第一概率和第二概率均为90％)，则直接分配客服技能组，否则基于咨询概率对咨询类别进行排序，并提供前预设数量个咨询类别对应的客服技能组供进线用户选择。

以呼叫中心为例，客户进线是电话号码。如图4所示，本发明实施例的调度客服的方法涉及号码匹配、生成特征、模型训练、决策引擎输出预判结果和模型线上监控等部分，其中：

号码匹配，这里匹配到进线用户的手机号码是订单预留号码，通用订单预留号码能够匹配订单的物流信息、订单承诺时效信息、售后记录信息、进线咨询信息等。此外，对于不能匹配到的进线号码可以通过用户输入订单预留号码获取；

特征库，生成特征库是从数据源经过数据处理、计算和生成任务单特征和事件特征的过程。数据源是依赖订单电话号码从账号信息中匹配用户名，用订单电话号码和用户名两个主键(pin)关联全维度信息(即关联数据)，包括用户画像信息(年龄、职业和用户价值等)、订单信息(订单类型和下单金额等)、货物信息(货物品类和价格等)、物流信息(是否打包和妥投等)、售后记录信息(是否有过售后记录等)和/或历史进线记录等。通过对抽取融合的全维度信息进行数据处理、特征学习和特征选择等计算过程，生成针对不同问题所需的各种对应的特征(包括训练数据、任务单特征和事件特征)；

模型库，目前算法层的基础算法包括LightGBM，逻辑斯蒂，随机森林等，模型应用层包括任务单预测模型和问题预判模型。其一是任务单预测模型，旨在精准预测对应进线用户想要咨询的订单是哪一个，具体数据组织是基于历史进线记录进行打标(咨询到的订单为正样本)，并进行二分类模型训练，例如组织7天内生成的所有订单生成训练集，采用LightGBM的GBDT方法进行二分类模型训练；其二是问题预测模型，使得可以准确的将进线分配到相应的技能组，组织三个月内的客服进线数据构建训练样本，以客服系统事件作为目标标签(类别包括催单、退换货、维修、价保或发票等场景)进行多分类模型训练，例如采用LightGBM算法进行多分类模型训练。对于上述两个预测模型，针对不断变化的需求可以在模型库中添加训练新模型(至少二个待选任务单预测模型和至少二个待选问题预测模型)；

决策引擎，决策引擎的作用是通过判断预测结果的咨询概率进行自动化分级分流，设置为任务单预测模型或问题预测模型的准确率大于相应的预设概率值的情况下，自动将进线调度到相应的技能组(即客服)；务单预测模型和问题预测模型的咨询概率都小于或等于预设概率值的情况下，基于预测概率从高到低输出相应可能询问的问题及订单(即咨询类别)，将这些咨询类别对应的客服向用户推荐供其选择。决策引擎可以依赖模型库进行配置决策规则；

模型在线监控，模型监控采用稳定度指标(PSI)评估任务单预测模型和问题预测模型是否需要更新，具体地，利用线上样本及训练样本的分布差异来确定是否需要更新，节约计算资源，设置模型更新规则实现自动化更新，例如设置PSI是否大于0.2来判定是否需要更新模型，是则更新，否则不更新。其中，psi＝sum((实际占比-预期占比)*ln(实际占比/预期占比))；预期占比是线上模型的训练集结果的分层分布，实际占比是此模型在线上运行得到的结果的分布。

如图5所示，本发明实施例的调度客服的方法涉及三个方面，数据层、特征层和模型层，其中：

数据层是数据来源，可以采用Hbase结构存储历史进线信息、用户画像信息、任务单信息、货物信息、物流信息和售后记录信息等数据。从数据层存储的数据中获取训练数据可以基于Hive实现，而从数据层存储的数据中获取进线用户的关联数据可以由Kafka消息流(Kafka topics)和Elasticsearch Engine实时查询等技术栈实现。其中，Hbase是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统,利用HBASE技术可在廉价PCServer上搭建起大规模结构化存储集群。Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供类SQL查询功能。Kafka是一种高吞吐量的分布式发布订阅消息系统。ElasticSearch是一个分布式、高扩展、高实时的搜索与数据分析引擎。

数据层用于提取进线用户的任务单特征和事件特征。从数据层存储的数据中获取训练数据在数据层进行打标，即以咨询到的数据为正样本，其他为负样本；从数据层存储的数据中获取进线用户的关联数据，在数据层进行样本组织、预处理以及特征拓展，得到用于预测的任务单特征和事件特征。

模型层用于模型训练，即训练待选任务单预测模型和待选问题预测模型，其中，模型层可以根据客服数据量及样本分布配置lightGBM模型训练，并进行指标评测，例如根据模型的准确率或稳定性评测待选任务单预测模型和待选问题预测模型。以及利用任务单预测模型和问题预测模型分别预测进线用户的咨询类别，并根据决策引擎决策咨询类别的咨询概率和模型服务的稳定度指标，其中，咨询类别的咨询概率用于为调度客服提供依据，模型服务的稳定度指标用于为模型、迭代提供依据。

如图6所示，生成特征库的逻辑结构包括三层，即数据源、特征计算层和特征输出层，其中：

数据源记录历史进线信息、用户画像信息、任务单信息、货物信息、物流信息和售后记录信息等数据；

特征计算层对数据源进行样本组织、预处理以及特征拓展，提取离线训练集；

特征输出层基于特征计算层的计算输出离线训练集和用户特征(即任务单特征和事件特征)。

如图7所示，本发明实施例的调度客服的方法中提取任务单特征和事件特征可以参考以下流程实施：

基于用户名(pin)抽取用户的基础画像信息形成pin粒度子表，基于订单电话抽取进线记录生成电话粒度子表；

针对任务单预测模型，以任务单为粒度对用户画像信息、任务单信息、货物信息、物流信息和售后记录信息进行关联，得到任务单数据；以及针对问题预测模型，以用户标识(即电话号码或用户名)为粒度对历史进线信息、任务单信息、货物信息、物流信息和售后记录信息进行关联，得到事件数据；

对任务单数据和事件数据进行数据的数值化处理、标准化处理和缺失值处理等；

以MARS算法和PCA算法分别拓展新的特征；

以模型评估指标对所有特征维度进行遍历计算，将结果由高到低排序，筛选前40％的特征形成输入模型的特征宽表(假设选取前40％的特征作为任务单特征和事件特征)。

如图8所示，对于在线模型服务(即利用任务单预测模型和问题预测模型预测咨询类别)，能够对特征库的任务单特征和事件特征进行实时特征计算，得到预测的咨询类别；同时，对其进行实时监控及时更新的模式，利用模型监控确定何时进行更新，即当任务单预测模型或问题预测模型的稳定度指标小于相应的预设稳定值时更新任务单预测模型或问题预测模型。

利用离线数据集进行模型训练，并进行指标评价，根据指标评价进行模型选择及部署，此外，模型训练采用不同算法是不同的实现方式，选择哪种算法这里是依据最终的预测效果确定的。

图9是根据本发明实施例的调度客服的装置的主要模块的示意图。

如图9所示，本发明实施例的调度客服的装置900包括：提取模块901、预测模块902和调度模块903。

其中，

提取模块901，用于获取进线用户的关联数据，并从所述关联数据中提取所述进线用户的任务单特征和事件特征；

预测模块902，用于根据所述任务单特征和所述事件特征预测所述进线用户的咨询类别，并计算所述咨询类别的咨询概率；

调度模块903，用于基于所述咨询类别的咨询概率为所述进线用户调度客服。

在本发明实施例中，所述提取模块901还可以用于：

匹配进线用户的用户标识；

根据所述用户标识获取所述进线用户的关联数据；其中，所述关联数据包括历史进线信息、用户画像信息、任务单信息、货物信息、物流信息和售后记录信息；

以任务单为粒度对所述历史进线信息、所述用户画像信息、所述任务单信息、所述货物信息、所述物流信息和所述售后记录信息进行关联，得到任务单数据；对所述任务单数据进行预处理以及特征拓展，得到任务单特征；以及

以用户标识为粒度对所述历史进线信息、所述用户画像信息、所述任务单信息、所述货物信息、所述物流信息和所述售后记录信息进行关联，得到事件数据；对所述事件数据进行预处理以及特征拓展，得到事件特征。

此外，所述咨询类别可以包括：咨询任务单和咨询事件。

在本发明实施例中，所述预测模块902还可以用于：

利用任务单预测模型对所述任务单特征进行分类，预测所述进线用户的咨询任务单，并计算所述咨询任务单的咨询概率；以及

利用事件预测模型对所述事件特征进行分类，预测所述进线用户的咨询事件，并计算所述咨询事件的咨询概率。

在本发明实施例中，所述调度模块903还可以用于：

若所述咨询任务单的咨询概率大于第一概率、或所述咨询事件的咨询概率大于第二概率，则为所述进线用户调度所述咨询任务单或所述咨询事件对应的客服；

若所述咨询任务单的咨询概率小于或等于第一概率、且所述咨询事件的咨询概率小于或等于第二概率，则根据所述咨询任务单和所述咨询事件的咨询概率向所述进线用户推荐预设数量的客服。

此外，所述装置900还可以包括：

训练模块(图中并未示出)，用于从所述进线用户的关联数据中提取训练数据，为所述训练数据打标并添加到离线训练集；其中，所述离线训练集用于训练至少二个待选任务单预测模型和至少二个待选事件预测模型；

此外，所述装置900还可以包括：

更新模块(图中并未示出)，用于计算所述任务单预测模型和所述事件预测模型的稳定度指标；当所述任务单预测模型的稳定度指标小于第一阈值时，选取一个所述待选任务单预测模型更新所述任务单预测模型；当所述事件预测模型的稳定度指标小于第二阈值时，选取一个所述待选事件预测模型更新所述问题预测模型。

根据本发明实施例的调度客服的装置可以看出，因为采用获取进线用户的关联数据，并从关联数据中提取进线用户的任务单特征和事件特征；根据任务单特征和事件特征预测进线用户的咨询类别，并计算咨询类别的咨询概率；基于咨询类别的咨询概率为进线用户调度客服的技术手段，所以克服了客服效率低，且调度准确率低，用户体验差的技术问题，进而达到在用户进线后准确的预测进线用户的诉求，从而调度相应的客服，进而实现快速响应，提高客服业务量处理能力和效率，提升用户体验，控制运营成本的技术效果。

图10示出了可以应用本发明实施例的调度客服的方法或调度客服的装置的示例性系统架构1000。

如图10所示，系统架构1000可以包括终端设备1001、1002、1003，网络1004和服务器1005。网络1004用以在终端设备1001、1002、1003和服务器1005之间提供通信链路的介质。网络1004可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备1001、1002、1003通过网络1004与服务器1005交互，以接收或发送消息等。终端设备1001、1002、1003上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备1001、1002、1003可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器1005可以是提供各种服务的服务器，例如对用户利用终端设备1001、1002、1003所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。

需要说明的是，本发明实施例所提供的调度客服的方法一般由服务器1005执行，相应地，调度客服的装置一般设置于服务器1005中。

应该理解，图10中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图11，其示出了适于用来实现本发明实施例的终端设备的计算机系统1100的结构示意图。图11示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图11所示，计算机系统1100包括中央处理单元(CPU)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有系统1100操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括提取模块、预测模块和调度模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，调度模块还可以被描述为“基于所述咨询类别的咨询概率为所述进线用户调度客服的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：步骤S201：获取进线用户的关联数据，并从关联数据中提取进线用户的任务单特征和事件特征；步骤S202：根据任务单特征和事件特征预测进线用户的咨询类别，并计算咨询类别的咨询概率；步骤S203：基于咨询类别的咨询概率为进线用户调度客服。

根据本发明实施例的技术方案，因为采用获取进线用户的关联数据，并从关联数据中提取进线用户的任务单特征和事件特征；根据任务单特征和事件特征预测进线用户的咨询类别，并计算咨询类别的咨询概率；基于咨询类别的咨询概率为进线用户调度客服的技术手段，所以克服了客服效率低，且调度准确率低，用户体验差的技术问题，进而达到在用户进线后准确的预测进线用户的诉求，从而调度相应的客服，进而实现快速响应，提高客服业务量处理能力和效率，提升用户体验，控制运营成本的技术效果。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种调度客服的方法，其特征在于，包括：

获取进线用户的关联数据，并从所述关联数据中提取所述进线用户的任务单特征和事件特征；

根据所述任务单特征和所述事件特征预测所述进线用户的咨询类别，并计算所述咨询类别的咨询概率；

基于所述咨询类别的咨询概率为所述进线用户调度客服。

2.根据权利要求1所述的方法，其特征在于，获取进线用户的关联数据，并从所述关联数据中提取所述进线用户的任务单特征和事件特征，包括：

匹配进线用户的用户标识；

根据所述用户标识获取所述进线用户的关联数据；其中，所述关联数据包括以下各项中的至少一项：历史进线信息、用户画像信息、任务单信息、货物信息、物流信息和售后记录信息；

以任务单为粒度对所述历史进线信息、所述用户画像信息、所述任务单信息、所述货物信息、所述物流信息和/或所述售后记录信息进行关联，得到任务单数据；对所述任务单数据进行预处理以及特征拓展，得到任务单特征；以及

以所述用户标识为粒度对所述历史进线信息、所述用户画像信息、所述任务单信息、所述货物信息、所述物流信息和/或所述售后记录信息进行关联，得到事件数据；对所述事件数据进行预处理以及特征拓展，得到事件特征。

3.根据权利要求2所述的方法，其特征在于，所述咨询类别包括：咨询任务单和咨询事件；以及

根据所述任务单特征和所述事件特征预测所述进线用户的咨询类别，并计算所述咨询类别的咨询概率，包括：

利用任务单预测模型对所述任务单特征进行分类，预测所述进线用户的咨询任务单，并计算所述咨询任务单的咨询概率；

利用事件预测模型对所述事件特征进行分类，预测所述进线用户的咨询事件，并计算所述咨询事件的咨询概率。

4.根据权利要求3所述的方法，其特征在于，基于所述咨询类别的咨询概率为所述进线用户调度客服，包括：

若所述咨询任务单的咨询概率大于第一概率、或所述咨询事件的咨询概率大于第二概率，则为所述进线用户调度所述咨询任务单或所述咨询事件对应的客服；

若所述咨询任务单的咨询概率小于或等于第一概率、且所述咨询事件的咨询概率小于或等于第二概率，则根据所述咨询任务单和所述咨询事件的咨询概率向所述进线用户推荐预设数量的客服。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

从所述进线用户的关联数据中提取训练数据，为所述训练数据打标并添加到离线训练集；其中，所述离线训练集用于训练至少二个待选任务单预测模型和至少二个待选事件预测模型。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

计算所述任务单预测模型和所述事件预测模型的稳定度指标；

当所述任务单预测模型的稳定度指标小于第一阈值时，选取一个所述待选任务单预测模型更新所述任务单预测模型；

当所述事件预测模型的稳定度指标小于第二阈值时，选取一个所述待选事件预测模型更新所述问题预测模型。

7.一种调度客服的装置，其特征在于，包括：

提取模块，用于获取进线用户的关联数据，并从所述关联数据中提取所述进线用户的任务单特征和事件特征；

预测模块，用于根据所述任务单特征和所述事件特征预测所述进线用户的咨询类别，并计算所述咨询类别的咨询概率；

调度模块，用于基于所述咨询类别的咨询概率为所述进线用户调度客服。

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：

训练模块，用于从所述进线用户的关联数据中提取训练数据，为所述训练数据打标并添加到离线训练集；其中，所述离线训练集用于训练至少二个待选任务单预测模型和至少二个待选事件预测模型；

更新模块，用于计算所述任务单预测模型和所述事件预测模型的稳定度指标；当所述任务单预测模型的稳定度指标小于第一阈值时，选取一个所述待选任务单预测模型更新所述任务单预测模型；当所述事件预测模型的稳定度指标小于第二阈值时，选取一个所述待选事件预测模型更新所述问题预测模型。

9.一种调度客服的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images