CN113411453A - 一种外呼对象的智能管理方法及装置、介质、计算设备 - Google Patents
一种外呼对象的智能管理方法及装置、介质、计算设备 Download PDFInfo
- Publication number
- CN113411453A CN113411453A CN202110567467.4A CN202110567467A CN113411453A CN 113411453 A CN113411453 A CN 113411453A CN 202110567467 A CN202110567467 A CN 202110567467A CN 113411453 A CN113411453 A CN 113411453A
- Authority
- CN
- China
- Prior art keywords
- outbound
- value prediction
- call
- data
- prediction model
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2254—Arrangements for supervision, monitoring or testing in networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2281—Call monitoring, e.g. for law enforcement purposes; Call tracing; Detection or prevention of malicious calls
-
- 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
-
- 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
- H04M3/5175—Call or contact centers supervision arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种外呼对象的智能管理方法及装置、介质、计算设备,该方法包括:获取外呼对象的特征数据,并将所述特征数据输入预先训练的价值预测模型;利用所述价值预测模型对所述特征数据对应的转化价值进行预测,得到所述外呼对象的价值预测参数;基于所述价值预测参数为所述外呼对象分配对应的呼叫坐席,由所述呼叫坐席与所述外呼对象进行通信。本发明提供的方法,基于新用户的特征数据预测该用户对应的价值预测参数,并且通过与话务员的能力进行对应匹配,从而更精细的与优质话务员进行匹配,提高整个外呼系统的效率。
Description
技术领域
本发明涉及通信技术领域,特别是一种外呼对象的智能管理方法及装置、介质、计算设备。
背景技术
外呼服务系统是很多复杂产品服务中不可或缺的重要组成部分,是企业活动推广的重要渠道,例如:保险业务服务、金融服务、房产服务、汽车服务、课程服务、旅游线路业务服务、活动邀请等。优质的服务人员不仅是外呼系统的核心资源,也是外呼系统的稀缺资源。通过分析历史数据发现,相同的客户,最优质的外呼服务人员,成交订单量是平均水平的3~5倍。因此,如何利用好这些优质稀缺资源,是外呼系统转化效率的核心问题之一。
相关技术中,通常是为优质的话务员分配优质的用户类型,或是赋予优质话务员优先选择用户的权利。一方面,对用户进行划分时,通常是以用户来源等参数为依据进行划分,将同一来源的用户划分为同一类别,但对于同一类别的用户,则无法保证全部为优质用户,若全部分配优质话务员,则无法合理体现优质话务员的服务能力;另一方面,优质话务员优先选择客户,主要解决优质话务员闲置问题,在优质话务员不足的情况下,并无明显改善。
发明内容
鉴于上述问题,本发明提出了一种克服上述问题或者至少部分地解决上述问题的外呼对象的智能管理方法及装置、介质、计算设备。
根据本发明的第一方面,提供了一种外呼对象的智能管理方法,包括:
获取外呼对象的特征数据,并将所述特征数据输入预先训练的价值预测模型;
利用所述价值预测模型对所述特征数据对应的转化价值进行预测,得到所述外呼对象的价值预测参数;
基于所述价值预测参数为所述外呼对象分配对应的呼叫坐席,由所述呼叫坐席与所述外呼对象进行通信。
可选地,所述获取外呼对象的特征数据之前,还包括:
收集已完成呼叫的多个呼叫对象的历史订单数据,从所述历史订单数据中筛选出用于模型训练的目标订单数据;
构建至少一价值预测模型,利用所述目标订单数据训练所述价值预测模型。
可选地,所述利用所述目标订单数据训练所述价值预测模型包括:
获取所述目标订单数据中各订单对应的目标呼叫对象和目标价值参数;
获取各所述目标呼叫对象的目标特征数据,在所述目标特征数据和对应的目标价值参数之间建立对应关系,生成训练数据;
利用所述训练数据训练所述价值预测模型。
可选地,所述构建至少一价值预测模型,利用所述目标订单数据训练所述价值预测模型包括:
构建多个价值预测模型,依据所述价值预测模型的数量将所述训练数据划分为多组训练子数据;
利用各组所述训练子数据分别训练各所述价值预测模型。
可选地,所述方法还包括:
计算各所述价值预测模型的预测准确率;
基于各所述价值预测模型的预测准确率从多个价值预测模型选取最终用于根据特征数据预测对应的转化价值的价值预测模型。
可选地,所述方法还包括:
获取多个呼叫坐席中各所述呼叫坐席的历史订单转化率,依据所述历史订单转化率对多个呼叫坐席进行排序,得到呼叫坐席列表;
所述基于所述价值预测参数为所述外呼对象分配对应的呼叫坐席,由所述呼叫坐席与所述外呼对象进行通信包括:
基于所述价值预测参数在所述呼叫坐席列表中选取匹配的目标呼叫坐席;
依据所述外呼对象的特征数据生成外呼任务,将所述外呼任务添加至所述目标呼叫坐席关联的外呼任务队列,由所述目标呼叫坐席执行所述外呼任务,以与所述外呼对象进行通信。
可选地,当所述外呼对象为多个时,所述方法还包括:
依据所述价值预测参数对多个所述外呼对象进行排序,并基于排序后的多个外呼对象划分外呼分组;
依据所述外呼分组的分布顺序依次在所述坐席列表中选取与各外呼分组对应的呼叫坐席。
根据本发明的第二方面,还提供了一种外呼对象的智能管理装置,包括:
第一获取模块,用于获取外呼对象的特征数据,并将所述特征数据输入预先训练的价值预测模型;
预测模块,用于利用所述价值预测模型对所述特征数据对应的转化价值进行预测,得到所述外呼对象的价值预测参数;
分配模块,用于基于所述价值预测参数为所述外呼对象分配对应的呼叫坐席,由所述呼叫坐席与所述外呼对象进行通信。
可选地,所述装置还包括:
模型训练模块,用于收集已完成呼叫的多个呼叫对象的历史订单数据,从所述历史订单数据中筛选出用于模型训练的目标订单数据;
构建至少一价值预测模型,利用所述目标订单数据训练所述价值预测模型。
可选地,所述模型训练模块还用于:
获取所述目标订单数据中各订单对应的目标呼叫对象和目标价值参数;
获取各所述目标呼叫对象的目标特征数据,在所述目标特征数据和对应的目标价值参数之间建立对应关系,生成训练数据;
利用所述训练数据训练所述价值预测模型。
可选地,所述模型训练模块还用于:
构建多个价值预测模型,依据所述价值预测模型的数量将所述训练数据划分为多组训练子数据;
利用各组所述训练子数据分别训练各所述价值预测模型。
可选地,所述模型训练模块还用于:
计算各所述价值预测模型的预测准确率;
基于各所述价值预测模型的预测准确率从多个价值预测模型选取最终用于根据特征数据预测对应的转化价值的价值预测模型。
可选地,所述装置还包括:
第二获取模块,用于获取多个呼叫坐席中各所述呼叫坐席的历史订单转化率,依据所述历史订单转化率对多个呼叫坐席进行排序,得到呼叫坐席列表;
所述分配模块还用于:基于所述价值预测参数在所述呼叫坐席列表中选取匹配的目标呼叫坐席;
依据所述外呼对象的特征数据生成外呼任务,将所述外呼任务添加至所述目标呼叫坐席关联的外呼任务队列,由所述目标呼叫坐席执行所述外呼任务,以与所述外呼对象进行通信。
可选地,所述分配模块还用于:
当所述外呼对象为多个时,依据所述价值预测参数对多个所述外呼对象进行排序,并基于排序后的多个外呼对象划分外呼分组;
依据所述外呼分组的分布顺序依次在所述坐席列表中选取与各外呼分组对应的呼叫坐席。
根据本发明的第三方面,还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用于存储程序代码,所述程序代码用于执行第一方面任一项所述的方法。
根据本发明的第四方面,还提供了一种计算设备,所述计算设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面任一项所述的方法。
本发明提供了一种外呼对象的智能管理方法及装置、介质、计算设备,在本发明提供的方法中,利用智能学习的方法,基于新用户的特征数据预测该用户对应的价值预测参数,并且通过与话务员的能力进行对应匹配,从而更精细的与优质话务员进行匹配,提高整个外呼系统的效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明实施例的外呼对象的智能管理方法流程示意图;
图2示出了根据本发明实施例的外呼系统示意图;
图3示出了根据本发明实施例的新用户价值分布示意图;
图4示出了根据本发明实施例的话务员能力分布示意图;
图5示出了根据本发明实施例的话务员针对用户的平均销售额示意图;
图6示出了根据本发明实施例的预测出的用户价值分布图;
图7示出了根据本发明实施例的新的总销售额预测示意图;
图8示出了根据本发明一实施例的外呼对象的智能管理装置结构示意图;
图9示出了根据本发明另一实施例的外呼对象的智能管理装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一实施例的外呼对象的智能管理方法流程示意图,参见图1可知,本发明实施例提供的外呼对象的智能管理方法至少可以包括以下步骤S101~S103,其主要应用于外呼服务系统,以实现外呼对象的管理以及分配。
步骤S101,获取外呼对象的特征数据,并将特征数据输入预先训练的价值预测模型。
本实施例中的外呼对象可以是呼叫服务系统中的被呼叫方,例如,可以是具有选订房产、汽车、课程、旅游线路的用户。外呼对象的特征数据可以包括年龄、性别、所处城市、使用的终端设备如手机类型、职业、收入级别、家庭成员、兴趣爱好等等诸多特征信息,获取到外呼对象的上述特征数据之后,就可将其输入价值预测模型。
价值预测模型是基于神经网络所构建的数值预测模型。在本发明可选实施例中,在上述步骤S101之前,还可以先建立并训练价值预测模型,具体地,可以包括以下步骤S1~S2。
S1,收集已完成呼叫的多个呼叫对象的历史订单数据,从历史订单数据中筛选出用于模型训练的目标订单数据。
已完成呼叫的呼叫对象是指已经完成呼叫的用户,收集到的已完成呼叫的呼叫对象的历史订单数据,是指与已完成呼叫的用户的呼叫记录,以及由呼叫所产生的针对任一业务的业务订单相关信息,如业务名称、订单生成时间、订单有效时限、订单对应的销售额度等信息,其中,一个用户可对应一个或多个订单,各订单对应的订单信息可进行分别记录。
进一步地,对于所获取到的历史订单数据可以进一步从中筛选出用于模型训练的目标订单数据。例如,可以针对不同用户的年龄、职业、城市、使用的手机类型、订单对应的销售额度等多个维度从历史订单数据中选取出目标订单数据以用于后续的模型训练。
S2,构建至少一价值预测模型,利用目标订单数据训练价值预测模型。
本实施例中,价值预测模型可以是基于lightGBM模型、FM模型或是其他神经网络模型所构建。构建出价值预测模型之后,就可以利用步骤S1所筛选的目标订单数据训练价值预测模型。
可选地,利用目标订单数据训练价值预测模型时,可以包括:
步骤S1-1,获取目标订单数据中各订单对应的目标呼叫对象和目标价值参数。
本实施例中,用于训练价值预测模型的目标订单数据可以包括多个不同用户针对某一业务类型的业务订单。如对于英语课程的业务订单来讲,对于任一订单来讲,其记录有对应的用户,以及该用户所选购的课时数量以及课程销售额。对于目标订单数据中的任一订单,可以获取订单对应的目标呼叫对象和目标价值参数。
其中,获取订单对应的目标呼叫对象,即确定订单所属的用户,获取目标呼叫对象时,可以根据该订单对应记录的唯一标识(如订单编号、用户编号等)以确定该订单对应的目标呼叫对象。另外,目标价值参数可以是与订单对应的销售额,或是其他可以体现用户价值的参考数据。
步骤S1-2,获取各目标呼叫对象的目标特征数据,在目标特征数据和对应的目标价值参数之间建立对应关系,生成训练数据。获取目标特征数据时,可以基于目标呼叫对象的标识信息进行获取,获取得到的特征数据可以包括但不限于年龄、性别、所处城市、使用的终端设备如手机类型、职业、收入级别、家庭成员、兴趣爱好等信息。结合上述实施例,对于每一个订单来讲,均可获取到对应的目标呼叫对象和目标价值参数并建立对应关系生成数据对,由此,多个订单对应的多个数据对即可作为模型的训练数据。
步骤S1-3,利用训练数据训练价值预测模型。利用训练数据训练价值预测模型时,可以先将训练数据中70%的数据为训练集,30%的数据为测试集,进而利用训练集训练数据,利用测试集对训练后的价值预测模型进行测试优化。对于神经网络模型的训练来讲,已是本领域技术人员熟知的技术,此处不多赘述。
在本发明可选实施例中,上述步骤S2构建价值预测模型时,可以构建多个(两个或两个以上)价值预测模型,各个价值预测模型的模型架构可以相同也可以不同。模型进行训练时,可以先依据价值预测模型的数量将训练数据划分为多组训练子数据;进而利用各组训练子数据中的多个数据对分别训练各价值预测模型,其中,目标特征数据作为输入数据,目标价值参数作为输出数据。
例如,本实施例中分别构建了价值预测模型1和价值预测模型2,同时还可以将训练数据随机划分为训练子数据1和训练子数据2,进一步地,可利用训练子数据1训练价值预测模型1,利用训练子数据1训练价值预测模型2,由此,可以得到两个经过训练优化后的价值预测模型。
进一步地,本实施例中,还可以计算各价值预测模型的预测准确率;基于各价值预测模型的预测准确率从多个价值预测模型选取最终用于根据特征数据预测对应的转化价值的价值预测模型。也就是说,对于训练完成的价值预测模型1和价值预测模型2,可分别计算对应的准确率。计算价值预测模型的准确率时,可以从历史订单数据中选取多个订单数据,并汇总得到价值预测模型对应的准确率,进而将准确率较高的模型作为最终使用的价值预测模型。本发明实施例提供的方法中,通过构建并训练多个价值预测模型,通过在多个价值预测模型中对各价值预测模型的准确度进行评计算比较,将准确率最高的价值预测模型作为最终实际使用的价值预测模型,可以使得后续对于转化价值的预测更加准确。
步骤S102,利用价值预测模型对特征数据对应的转化价值进行预测,得到外呼对象的价值预测参数。
将步骤S101获取到的外呼对象的特征数据输入已训练的价值预测模型之后,就可以利用价值预测模型预测特征数据对应的转化价值,得到外呼对象的价值预测参数,也就是预测呼叫对象对应的业务订单销售额。
步骤S103,基于价值预测参数为外呼对象分配对应的呼叫坐席,由呼叫坐席与外呼对象进行通信。
呼叫坐席可以是外呼服务系统中提供业务服务的工作人员,例如课程销售人员等可提供业务咨询服务等工作人员。在本发明可选实施例中,为外呼对象分配对应的呼叫坐席之前,还可以先获取多个呼叫坐席中各呼叫坐席的历史订单转化率,依据历史订单转化率对多个呼叫坐席进行排序,得到呼叫坐席列表。例如,某呼叫坐席最近100个进行外呼记录成交的订单多,则该呼叫坐席对应的历史订单转化率就高。本实施例中,还可以基于呼叫坐席的历史订单转化率对呼叫坐席进行分组,例如,可以排名第1~10分为第一组,排名第2~20分为第二组,以此类推。除此之外,还可以依据历史订单转化率的取值阈值范围进行分组,如,将历史订单转化率为90%以上分为第一组,将转化率为80%~90%分为第二组等。当然,实际应用中,随着呼叫坐席外呼记录会随时更新,对于任一呼叫坐席的历史订单转化率也可以跟随其外呼记录的变化而进行实时或是定期调整,并同时更新呼叫坐席列表。
进一步地,上述步骤S103基于价值预测参数为外呼对象分配对应的呼叫坐席时,可以基于价值预测参数在呼叫坐席列表中选取匹配的目标呼叫坐席;依据外呼对象的特征数据生成外呼任务,将外呼任务添加至目标呼叫坐席关联的外呼任务队列,由目标呼叫坐席执行外呼任务,以与外呼对象进行通信。
其中,选取与价值预测参数匹配的目标呼叫坐席时,假设价值预测参数高,则可以选取呼叫坐席列表中较前的呼叫坐席作为目标呼叫坐席,假设价值预测参数较低,则可以选取呼叫坐席列表中较后的呼叫坐席作为目标呼叫坐席。可选地,可以预先针对不同数值的价值预测参数设置相匹配的呼叫坐席,例如,价值预测参数在第一阈值区间则匹配第一组中任一呼叫坐席,价值预测参数在第二阈值区间则匹配第二组中任一呼叫坐席,实际应用中还可以选用其他的匹配规则,本发明实施例对此不做限定。
在本发明可选实施例中,当外呼对象为多个时,还可以依据价值预测参数对多个外呼对象进行排序,并基于排序后的多个外呼对象划分外呼分组;依据外呼分组的分布顺序依次在坐席列表中选取与各外呼分组对应的呼叫坐席。
例如,每天有1000个新增用户的信息,将其对应的特征数据输入价值预测模型后,可以对应得到1000个用户的销售额预测值根据该预测值进行排序,最高值的10个用户,分配给最优秀的1个话务员,第11~20个用户分配给第二个话务员,以此类推,完成匹配。基于本发明实施例提供的方法,通过智能算法的预测与最精细化的匹配对应,并且通过简单的拟合并计算,可以在话务员不需要任何工作改变的同时有效提升业务的服务效率,向用户提供更加优质的服务。
下面通过一实施例对本发明实施例提供的外呼对象的智能管理方法进行详细说明。
图2示出了本发明实施例的外呼系统结构示意图,在图2所示外呼系统中,设置有多个数据库,其中,用户特征数据库,用于存储已完成呼叫的用户对应的特征数据;历史订单数据库,用于存储基于用户特征数据库中各用户对应的订单数据;新用户特征数据库,用于存储未进行呼叫的新用户对应的特征数据;AI模型数据库用于存储已完成训练的价值预测模型;业务员任务列表数据库用于存储各业务员对应的任务列表;CPU用于调用数据以及模型的构建。结合图2可知,本发明可选实施例提供的外呼对象的智能管理方法可以包括:
1、利用历史订单数据和对应的用户特征数据训练至少一价值预测模型;其中,历史订单数据是已完成呼叫的用户对应的订单数据,价值预测模型可以为基于LightGBM模型、FM模型所构建的神经网络模型,输入数据为用户特征数据,输出数据为对应的销售额。本实施例采用lightGBM算法,该算法可自动将数值特征以合理的方式离散化,易于处理,增加训练速度,并且有效防止过拟合的出现。
实际应用中,可以采取AB-test实验进行模型的构建与选取,即一半用户用一个模型,另一半用户用另一个模型,进而选取预测准确率较高的一个模型作为最终使用的价值预测模型。对于训练集中的空值数据,采用特征列的平均值进行填充,提高特征使用率。进一步地,还可以定期(如每天凌晨),训练数据集增加前一天的拨打数据,进行全量重新训练,以提升模型准去率、召回率等性能。
2,定期收集新用户对应的特征数据。其中,新用户是指未进行呼叫的用户。例如,可以每天固定时间针对前一天采集的用户的特征数据。历史用户与新用户均可以获得年龄、性别、城市、手机类型、职业、收入级别、家庭成员、兴趣爱好等等诸多特征信息。
3,将新用户的特征数据输入价值预测模型,预测各新用户对应的销售额后对新用户进行排序。其中,销售额即可作为对应的价值预测参数。举例来讲,可以将每天的10000个新增用户的信息,输入价值预测模型后,可以得到10000个对应的销售额预测值。
4,获取外呼系统的各呼叫坐席(即话务员),并进行排序。例如,可以依据话务员最近100个电话的历史转化率进行排序。
5,为各新用户匹配对应的呼叫坐席。可选地,可以针对销售额预测值最高值的10个用户,分配给订单转化率最高的1个呼叫坐席,第11~20个用户分配给第二个呼叫坐席,以此类推,完成匹配。
假设有10000个新用户,平均每个用户的基础潜在销售额是1元。假设有100个呼叫坐席,高能力呼叫坐席能使其对应的用户,产生更高的销售额,例如可将基础潜在销售额提高3倍,即3元;低能力呼叫坐席只能将技术潜在销售额为1元的用户,产生0.6元销售额。
图3为新用户分布示意图,横轴为10000个用户的比例,最左边为0,对应第1个位置上的用户,最后边为1,对应第10000个位置上的用户,纵轴为预测价值参数,即基础潜在销售额。例如x=0.1,表示第1000个位置上用户的基础潜在销售额为1元。因为用户是随机分布,所以可以将其近似为一条水平直线。
图4为呼叫坐席销售能力分布示意图。横轴为呼叫坐席比例,最左边0,对应第1个位置的呼叫坐席,最右边1对应第100个位置的呼叫坐席,纵轴为呼叫坐席能力,即将基础潜在销售额提升的倍数,根据历史数据,可以采用进行近似。
如图5所示,将用户质量与呼叫坐席销售能力乘起来,在数据量足够的情况下,即得到呼叫坐席针对用户的平均销售额(纵轴)。所有销售额相加,即得到总销售额(阴影面积为1.1365)。
进一步地,可以将用户对应的价值预测参数进行预测与排序,可得到图6所示的用户质量分布图(近似)。其中,直线L1为排序前,直线L2为排序后,即最好的用户将有2元的基础潜在销售额。按照预测排序后的用户分布,与呼叫坐席销售能力对应相乘后,可以得到图7所示的新的总销售额预测图(阴影面积为1.4448),其中,图7中,直线L3为预测各用户对应的价值预测参数进行排序后得到的用户分布示意图,曲线L4为呼叫坐席销售能力分布示意曲线。由此可知,通过对用户对应的价值预测参数进行排序并分配对应的呼叫坐席得到的总销售额较对用户排序前提升27%。
本发明实施例提供的方法,通过智能学习的方法,判断每个用户的成单可能、潜在价值,通过简单的预测与对应,从而更精细的与优质呼叫坐席进行匹配,提高整个外呼系统的效率。并且呼叫坐席不需任何工作流程的改变与学习,系统改造成本很低。
基于同一发明构思,本发明实施例还提供了一种外呼对象的智能管理装置,如图8所示,本发明实施例提供的外呼对象的智能管理装置可以包括:
第一获取模块810,用于获取外呼对象的特征数据,并将特征数据输入预先训练的价值预测模型;
预测模块820,用于利用价值预测模型对特征数据对应的转化价值进行预测,得到外呼对象的价值预测参数;
分配模块830,用于基于价值预测参数为外呼对象分配对应的呼叫坐席,由呼叫坐席与外呼对象进行通信。
在本发明一可选实施例中,如图9所示,上述装置还可以包括:
模型训练模块840,用于收集已完成呼叫的多个呼叫对象的历史订单数据,从历史订单数据中筛选出用于模型训练的目标订单数据;
构建至少一价值预测模型,利用目标订单数据训练价值预测模型。
在本发明一可选实施例中,模型训练模块840还用于:
获取目标订单数据中各订单对应的目标呼叫对象和目标价值参数;
获取各目标呼叫对象的目标特征数据,在目标特征数据和对应的目标价值参数之间建立对应关系,生成训练数据;
利用训练数据训练价值预测模型。
在本发明一可选实施例中,模型训练模块840还用于:
构建多个价值预测模型,依据价值预测模型的数量将训练数据划分为多组训练子数据;
利用各组训练子数据分别训练各价值预测模型。
在本发明一可选实施例中,模型训练模块840还用于:
计算各价值预测模型的预测准确率;
基于各价值预测模型的预测准确率从多个价值预测模型选取最终用于根据特征数据预测对应的转化价值的价值预测模型。
在本发明一可选实施例中,如图9所示,上述装置还可以包括:
第二获取模块850,用于获取多个呼叫坐席中各呼叫坐席的历史订单转化率,依据历史订单转化率对多个呼叫坐席进行排序,得到呼叫坐席列表;
分配模块830还用于:基于价值预测参数在呼叫坐席列表中选取匹配的目标呼叫坐席;
依据外呼对象的特征数据生成外呼任务,将外呼任务添加至目标呼叫坐席关联的外呼任务队列,由目标呼叫坐席执行外呼任务,以与外呼对象进行通信。
在本发明一可选实施例中,分配模块830还用于:
当外呼对象为多个时,依据价值预测参数对多个外呼对象进行排序,并基于排序后的多个外呼对象划分外呼分组;
依据外呼分组的分布顺序依次在坐席列表中选取与各外呼分组对应的呼叫坐席。
本发明一可选实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行上述实施例的外呼对象的智能管理方法。
本发明一可选实施例还提供了一种计算设备,计算设备包括处理器以及存储器:存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行上述实施例的外呼对象的智能管理方法。
所属领域的技术人员可以清楚地了解到,上述描述的系统、装置、模块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,为简洁起见,在此不另赘述。
另外,在本发明各个实施例中的各功能单元可以物理上相互独立,也可以两个或两个以上功能单元集成在一起,还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现,也可以采用软件或者固件的形式实现。
本领域普通技术人员可以理解:所述集成的功能单元如果以软件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,其包括若干指令,用以使得一台计算设备(例如个人计算机,服务器,或者网络设备等)在运行所述指令时执行本发明各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(ROM)、随机存取存储器(RAM),磁碟或者光盘等各种可以存储程序代码的介质。
或者,实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机,服务器,或者网络设备等的计算设备)来完成,所述程序指令可以存储于一计算机可读取存储介质中,当所述程序指令被计算设备的处理器执行时,所述计算设备执行本发明各实施例所述方法的全部或部分步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:在本发明的精神和原则之内,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部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脱离本发明的保护范围。
Claims (10)
1.一种外呼对象的智能管理方法,其特征在于,包括:
获取外呼对象的特征数据,并将所述特征数据输入预先训练的价值预测模型;
利用所述价值预测模型对所述特征数据对应的转化价值进行预测,得到所述外呼对象的价值预测参数;
基于所述价值预测参数为所述外呼对象分配对应的呼叫坐席,由所述呼叫坐席与所述外呼对象进行通信。
2.根据权利要求1所述的方法,其特征在于,所述获取外呼对象的特征数据之前,还包括:
收集已完成呼叫的多个呼叫对象的历史订单数据,从所述历史订单数据中筛选出用于模型训练的目标订单数据;
构建至少一价值预测模型,利用所述目标订单数据训练所述价值预测模型。
3.根据权利要求2所述的方法,其特征在于,所述利用所述目标订单数据训练所述价值预测模型包括:
获取所述目标订单数据中各订单对应的目标呼叫对象和目标价值参数;
获取各所述目标呼叫对象的目标特征数据,在所述目标特征数据和对应的目标价值参数之间建立对应关系,生成训练数据;
利用所述训练数据训练所述价值预测模型。
4.根据权利要求3所述的方法,其特征在于,所述构建至少一价值预测模型,利用所述目标订单数据训练所述价值预测模型包括:
构建多个价值预测模型,依据所述价值预测模型的数量将所述训练数据划分为多组训练子数据;
利用各组所述训练子数据分别训练各所述价值预测模型。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
计算各所述价值预测模型的预测准确率;
基于各所述价值预测模型的预测准确率从多个价值预测模型选取最终用于根据特征数据预测对应的转化价值的价值预测模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个呼叫坐席中各所述呼叫坐席的历史订单转化率,依据所述历史订单转化率对多个呼叫坐席进行排序,得到呼叫坐席列表;
所述基于所述价值预测参数为所述外呼对象分配对应的呼叫坐席,由所述呼叫坐席与所述外呼对象进行通信包括:
基于所述价值预测参数在所述呼叫坐席列表中选取匹配的目标呼叫坐席;
依据所述外呼对象的特征数据生成外呼任务,将所述外呼任务添加至所述目标呼叫坐席关联的外呼任务队列,由所述目标呼叫坐席执行所述外呼任务,以与所述外呼对象进行通信。
7.根据权利要求6所述的方法,其特征在于,当所述外呼对象为多个时,所述方法还包括:
依据所述价值预测参数对多个所述外呼对象进行排序,并基于排序后的多个外呼对象划分外呼分组;
依据所述外呼分组的分布顺序依次在所述坐席列表中选取与各外呼分组对应的呼叫坐席。
8.一种外呼对象的智能管理装置,其特征在于,包括:
第一获取模块,用于获取外呼对象的特征数据,并将所述特征数据输入预先训练的价值预测模型;
预测模块,用于利用所述价值预测模型对所述特征数据对应的转化价值进行预测,得到所述外呼对象的价值预测参数;
分配模块,用于基于所述价值预测参数为所述外呼对象分配对应的呼叫坐席,由所述呼叫坐席与所述外呼对象进行通信。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-7任一项所述的方法。
10.一种计算设备,其特征在于,所述计算设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110567467.4A CN113411453A (zh) | 2021-05-24 | 2021-05-24 | 一种外呼对象的智能管理方法及装置、介质、计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110567467.4A CN113411453A (zh) | 2021-05-24 | 2021-05-24 | 一种外呼对象的智能管理方法及装置、介质、计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113411453A true CN113411453A (zh) | 2021-09-17 |
Family
ID=77674790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110567467.4A Pending CN113411453A (zh) | 2021-05-24 | 2021-05-24 | 一种外呼对象的智能管理方法及装置、介质、计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113411453A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114051077A (zh) * | 2021-11-17 | 2022-02-15 | 南京优数信息技术有限公司 | 一种外呼数据的分配方法和系统 |
CN114173010A (zh) * | 2021-10-20 | 2022-03-11 | 北京健康之家科技有限公司 | 智能匹配外呼对象的方法及装置、存储介质、计算设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10116795B1 (en) * | 2017-07-10 | 2018-10-30 | Afiniti Europe Technologies Limited | Techniques for estimating expected performance in a task assignment system |
CN109495657A (zh) * | 2018-10-11 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于人工智能的名单派发方法、装置、设备及介质 |
CN110163655A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安人寿保险股份有限公司 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
US20200137231A1 (en) * | 2018-10-26 | 2020-04-30 | Cisco Technology, Inc. | Contact center interaction routing using machine learning |
CN111652471A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 名单分配控制方法、装置、电子设备及存储介质 |
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 |
CN112163887A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 电销系统和电销名单管理方法、装置、设备、存储介质 |
-
2021
- 2021-05-24 CN CN202110567467.4A patent/CN113411453A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10116795B1 (en) * | 2017-07-10 | 2018-10-30 | Afiniti Europe Technologies Limited | Techniques for estimating expected performance in a task assignment system |
CN109495657A (zh) * | 2018-10-11 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于人工智能的名单派发方法、装置、设备及介质 |
US20200137231A1 (en) * | 2018-10-26 | 2020-04-30 | Cisco Technology, Inc. | Contact center interaction routing using machine learning |
CN110163655A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安人寿保险股份有限公司 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
CN111652471A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 名单分配控制方法、装置、电子设备及存储介质 |
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 |
CN112163887A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 电销系统和电销名单管理方法、装置、设备、存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114173010A (zh) * | 2021-10-20 | 2022-03-11 | 北京健康之家科技有限公司 | 智能匹配外呼对象的方法及装置、存储介质、计算设备 |
CN114173010B (zh) * | 2021-10-20 | 2024-05-14 | 北京水滴科技集团有限公司 | 智能匹配外呼对象的方法及装置、存储介质、计算设备 |
CN114051077A (zh) * | 2021-11-17 | 2022-02-15 | 南京优数信息技术有限公司 | 一种外呼数据的分配方法和系统 |
CN114051077B (zh) * | 2021-11-17 | 2024-03-08 | 南京优数信息技术有限公司 | 一种外呼数据的分配方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jian et al. | Simulation optimization for a large-scale bike-sharing system | |
WO2019127875A1 (zh) | 专属坐席池分配方法、电子装置及计算机可读存储介质 | |
CN109784970B (zh) | 一种基于afc乘客乘车数据的服务推荐方法及装置 | |
WO2019144516A1 (zh) | 坐席分配方法、电子装置及计算机可读存储介质 | |
CN107464043A (zh) | 一种空间众包中多类型任务的分配方法 | |
CN113411453A (zh) | 一种外呼对象的智能管理方法及装置、介质、计算设备 | |
WO2019100617A1 (zh) | 客户名单获取方法、装置、终端设备及存储介质 | |
WO2019062000A1 (zh) | 业务员呼入分配方法、电子装置及计算机可读存储介质 | |
Schlenther et al. | Addressing spatial service provision equity for pooled ride‐hailing services through rebalancing | |
CN109428760B (zh) | 一种基于运营商数据的用户信用评估方法 | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
CN104871149A (zh) | 具有特殊技能和/或能力的资产分配 | |
CN111598632B (zh) | 权益份额、权益份额序列的确定方法及装置 | |
CN111652471B (zh) | 名单分配控制方法、装置、电子设备及存储介质 | |
CN114173010B (zh) | 智能匹配外呼对象的方法及装置、存储介质、计算设备 | |
CN108109042A (zh) | 业务优惠信息推送方法及装置 | |
CN116151872A (zh) | 产品特性分析方法和装置 | |
CN115203545A (zh) | 基于深度学习和知识图谱的康养服务智能匹配方法和系统 | |
KR20050010099A (ko) | 아웃바운드 콜센터를 위한 통화 추천 시스템 | |
CN111343343B (zh) | 市场占有率的统计方法、装置、存储介质及电子设备 | |
CN114529143A (zh) | 外呼线索的推荐方法和装置、电子设备 | |
CN104137581A (zh) | 一种多次入网用户的判断方法及装置 | |
CN115511253B (zh) | 一种地块开发容量评估方法、装置、设备及介质 | |
CN109558406B (zh) | 增值服务数据处理方法、装置、服务器及存储介质 | |
CN118215027A (zh) | 一种产品匹配方法及设备 |
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: 20210917 |
|
RJ01 | Rejection of invention patent application after publication |