CN113452852A - 机器外呼的数量调控方法、装置、电子设备及存储介质 - Google Patents
机器外呼的数量调控方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113452852A CN113452852A CN202110719432.8A CN202110719432A CN113452852A CN 113452852 A CN113452852 A CN 113452852A CN 202110719432 A CN202110719432 A CN 202110719432A CN 113452852 A CN113452852 A CN 113452852A
- Authority
- CN
- China
- Prior art keywords
- work order
- outbound
- processing
- robot
- processing time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 32
- 230000001276 controlling effect Effects 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 251
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 39
- 238000009795 derivation Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000012417 linear regression Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04M3/527—Centralised call answering arrangements not requiring operator intervention
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2218—Call detail recording
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/36—Statistical metering, e.g. recording occasions when traffic exceeds capacity of trunks
- H04M3/367—Traffic or load control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Acoustics & Sound (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能决策领域,揭露一种机器外呼的数量调控方法,包括:利用外呼机器人产生的历史工单对工单类型‑处理时间关系模型进行迭代训练;获取外呼机器人预设期限的外呼工单数据并利用所述工单类型‑处理时间关系模型依次计算预设期限的各个外呼工单数据的预计处理时间;对预设期限的外呼工单数据的预计处理时间进行叠加运算,得到总工单预测时长;当总工单预测时长大于最大处理能力时长时,停止外呼机器人执行外呼操作。此外,本发明还涉及区块链技术,所述历史工单可存储于区块链中。本发明还提出一种机器外呼的数量调控装置、设备及存储介质。本发明可以通过预测各个已产生工单的预计处理时间来智能调控外呼机器人的工单产生数量。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种机器外呼的数量调控方法、装置、电子设备及计算机可读存储介质。
背景技术
随着时代的发展,外呼机器人逐渐取代人工客服,成为企业与客户沟通的主要途径,但外呼机器人产生的工单数据仍然需要通过人工处理进行跟进。通常,外呼机器人由专业技术人员进行控制开启与结束,所述外呼机器人开启时会根据预设的客户电话名单上的顺序,对各个客户进行电话采访,其中,存在客户的电话接通与未接通的可能,未接通电话时,外呼机器人会很快产生一个无效工单,而电话接通后,外呼机器人会通过一个较长的时间产生一个有效的工单,导致依靠人工对外呼机器人的开启与结束进行操纵的传统方式无法准确获取适量的工单。有时专业技术人员过早关闭外呼机器人,使得等待处理所述工单的各个工位收到的工单数量不足,降低了工单的处理量,造成损失;有时专业人员没有及时关闭外呼机器人,导致产生大量挤压工单无法处理,较大的滞留时间使得工单的跟进的成功率大大降低,并且极大浪费了外呼机器人在外呼过程中使用的运算处理资源。
发明内容
本发明提供一种机器外呼的数量调控方法,其主要目的在于通过预测各个已产生工单的预计处理时间来智能调控外呼机器人的工单产生数量。
为实现上述目的,本发明提供的一种机器外呼的数量调控方法,包括:
从用户的预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合;
利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型;
利用所述外呼机器人执行外呼操作,实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,并利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间;
依次对所述预设期限的各个外呼工单数据的预计处理时间进行叠加运算,得到总工单预测时长,并判断所述总工单预测时长是否小于所述用户的最大处理能力时长;
当所述总工单预测时长小于所述用户的最大处理能力时长时,返回上述的利用所述外呼机器人执行外呼操作,直到当所述总工单预测时长等于或大于所述最大处理能力时长时,停止所述外呼机器人执行外呼操作。
可选的,所述利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间,包括:
提取所述外呼工单数据中的各类业务信息中的工单内容信息;
根据预构建的各类业务的复杂程度表格,对所述工单内容信息对应的业务进行预测推算,得到预测分数;
利用预设的分数-时间比例及偏量,将所述预测分数转化为所述外呼工单数据的预计处理时间。
可选的,所述实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,包括:
利用预构建的工单监控服务,对所述外呼机器人的外呼过程进行监控;
当所述外呼机器人将客户的沟通内容生成为外呼工单数据时,利用预设的数据调取接口,从所述外呼机器人中将所述外呼工单数据导出。
可选的,所述从用户的预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合,包括:
根据所述用户输入的工作记录调取指令,获取所述企业数据库中各个数据块的存储地址,并根据所处存储地址,得到数据块集合;
利用所述企业数据库中预设的纠删码将所述数据块集合进行解码操作,得到企业工作记录;
查询所述企业工作记录中各个工单的内容信息字段与处理结果字段,得到工作信息集合。
可选的,所述停止所述外呼机器人执行外呼操作之后,所述方法还包括:
获取所述预设期限下可处理外呼工单数据的各个工位的历史工作记录,并根据所述历史工作记录中的历史工单分配数量及历史工单处理数量,得到所述预设期限下可处理外呼工单数据的各个工位的历史工单处理效率;
将所述外呼机器人在所述预设期限中的生成的全部工单,根据所述历史工单处理效率,分配至各个所述预设期限的可处理外呼工单数据的工位中。
可选的,所述将所述外呼机器人在所述预设期限中的生成的全部工单,根据所述历史工单处理效率,分配至各个所述预设期限的可处理外呼工单数据的工位中之后,所述方法还包括:
获取所述预设期限内企业的总体工单完成比例,将所述总体工单完成比例发送至预构建的智能调控服务中,并利用所述智能调控服务,根据所述总体工单完成比例,对所述输出层中的激活函数进行偏量调节,得到更新后的工单类型-处理时间关系模型。
可选的,所述利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型,包括:
步骤I、利用所述待训练工单类型-处理时间关系模型中的数据输入层对所述工作信息集合进行特征提取,得到特征序列集;
步骤II、从所述特征序列集中提取一个的特征序列,并识别所述特征序列中的业务种类进行提取,得到所述特征序列对应的包含各类业务的业务集合;
步骤III、根据预配置的各类业务的复杂程度表格,将所述业务集合中的业务进行业务复杂度运算,得到总体业务复杂度值,并对所述总体业务复杂度值进行数值转化运算,得到所述特征序列对应工单的预计处理时间;
步骤IV、计算所述预计处理时间与所述工作信息集合中的真实处理时间的损失值;
步骤V、对所述损失值进行求导计算,得到求导值,当所述求导值大于预设标准阈值,根据所述损失值更新所述待训练工单类型-处理时间关系模型中的模型参数,并返回步骤II,直至所述求导值小于或等于所述标准阈值,停止迭代训练,得到所述工单类型-处理时间关系模型。
为了解决上述问题,本发明还提供一种机器外呼的数量调控装置,所述装置包括:
模型构建模块,用于从预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合,及利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型;
模型分析模块,用于利用所述外呼机器人执行外呼操作,实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,并利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间;
工作能力时长获取模块,用于依次对所述预设期限的各个外呼工单数据的预计处理时间进行叠加运算,得到总工单预测时长,并判断所述总工单预测时长是否小于所述用户的最大处理能力时长;
数量调控模块,用于当所述总工单预测时长小于所述用户的最大处理能力时长时,返回上述的利用所述外呼机器人执行外呼操作,直到当所述总工单预测时长等于或大于所述最大处理能力时长时,停止所述外呼机器人执行外呼操作。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以实现上述所述的机器外呼的数量调控方法。
为了解决上述问题,本发明还提供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至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的机器外呼的数量调控方法。
本发明实施例,通过所述工单类型-处理时间关系模型预测各个工单的预计处理时长,能够增加各个预计处理时长产生的准确性与效率。此外,本发明实施例实时获取外呼机器人生成的外呼工单数据,通过所述工单类型-处理时间关系模型对外呼工单数据进行实时分析,可以得到各个外呼工单数据对应的预计处理时间,并计算出全部外呼工单数据对应的总工单预测时长。通过比较所述预设期限的用户的最大处理能力时长与所述总工单预测时长,可以对外呼机器人的生成外呼工单数据的数量进行把控。因此,本发明提出的一种机器外呼的数量调控方法可以通过预测各个已产生工单的预计处理时间来智能调控外呼机器人的工单产生数量。
附图说明
图1为本发明一实施例提供的机器外呼的数量调控方法的流程示意图;
图2为本发明第一实施例中图1提供的机器外呼的数量调控方法其中一个步骤的详细流程示意图;
图3为本发明一实施例提供的机器外呼的数量调控装置的模块示意图;
图4为本发明一实施例提供的实现机器外呼的数量调控方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种机器外呼的数量调控方法。所述机器外呼的数量调控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述机器外呼的数量调控方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的机器外呼的数量调控方法的流程示意图。在本发明实施例中,所述机器外呼的数量调控方法包括:
S1、从预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合。
所述历史工单为外呼机器人在与客户沟通后,将客户的通话内容进行语音转文字识别操作之后产生的表单。每一个所述历史工单中包括内容信息及处理结果信息。其中,所述内容信息为客户的基本身份信息(名字、性别、手机号、年龄等)、客户提问(解决的或未解决的)、客户需求与意向(购买产品、进行查询或要求做风险评估等)的集合。所述处理结果信息为各个处理了所述历史工单对应的处理结果,包括:成功、失败、继续跟进的情况。
其中,所述外呼机器人为一种包含了语言识别模型与场景自动对话服务的机器人,用于替代人工客户与客户进行基本的沟通,比人工客户更加高效。
详细的,本发明实施例中,所述从用户的预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合,包括:
根据所述用户输入的工作记录调取指令,获取所述企业数据库中各个数据块的存储地址,并根据所处存储地址,得到数据块集合;
利用所述企业数据库中预设的纠删码将所述数据块集合进行解码操作,得到企业工作记录;
查询所述企业工作记录中各个工单的内容信息字段与处理结果字段,得到工作信息集合。
本发明实施例中,所述企业数据库为一种存储企业中工单分配情况与处理情况的数据库,通常通过分布式存储的方式来增加被存储数据的安全性。
进一步地,所述纠删码为分布式存储过程中使用的矩阵形式的编码器,能够将所述企业工作记录进行矩阵运算加密,并将加密后的数据分为若干数据块,方便进行分布存储。
本发明实施例中,当用户通过了权限验证并成功访问所述企业数据库后,输入所述工作记录调取指令,可以得到存储在所述企业数据库中的各个有关于企业工作记录的数据块的存储地址。根据所述存储地址可以得到所述数据块集合,通过所述纠删码对所述数据块集合进行逆矩阵运算,解码得到所述企业工作记录。再通过查询所述企业工作记录中各个工单的内容信息字段与处理结果字段,得到所述工作信息集合。
S2、利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型。
本发明实施例中,所述工单类型-处理时间关系模型中包括:含有特征提取神经网络的数据输入层、含有线性回归算法作为激活函数的数据拟合层及含有数据转化算法的数据输出层。
具体的,本发明实施例获取一个网络模型框架,将特征提取网络添加在所述网络模型框架的数据输入层中,将线性回归算法添加到所述网络模型框架的数据拟合层中作为激活函数,通过预设的业务要求,构建将所述数据拟合层产生的得分进行等比例转化为时间数值的数据转化算法,并将所述数据转化算法导入所述网络模型框架的输出层中。其中,本发明实施例中的线性回归算法为一种通过损失函数对输入所述数据拟合层的两组数据进行拟合,从而实现预测效果的算法。
详细的,本发明实施例中,所述利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型,包括:
步骤I、利用所述待训练工单类型-处理时间关系模型中的数据输入层对所述工作信息集合进行特征提取,得到特征序列集。
本发明实施例中,利用所述数据输入层的特征提取网络对所述工作信息集合中的数据进行特征提取,得到【对套餐A进行第二业务操作(如注销)、对套餐B进行第一业务操作(如办理)、进行业务C(如查询)……】的特征序列集。
步骤II、从所述特征序列集中提取一个的特征序列,并识别所述特征序列中的业务种类进行提取,得到所述特征序列对应的包含各类业务的业务集合;
步骤III、根据预配置的各类业务的复杂程度表格,将所述业务集合中的业务进行业务复杂度运算,得到总体业务复杂度值,并对所述总体业务复杂度值进行数值转化运算,得到所述特征序列对应工单的预计处理时间。
具体的,所述各类业务的复杂程度表格为本发明实施例根据所述历史工作记录分析得到的包含各种业务处理时需要的平均时间的表格。其中,平均时间可以与复杂程度值之间可以进行换算。
步骤IV、计算所述预计处理时间与所述工作信息集合中的真实处理时间的损失值。
当各个特征序列的预计处理时间为【6、20、3、5、7……】(单位:分钟),而各个所述工作信息集合中标注的真实处理时间为【10、15、5、5、7……】(单位:分钟),通过线性回归算法,计算【6、20、3、5、7……】与【10、15、5、5、7……】的损失值,并对最小损失值所在的损失函数进行求解得到线性回归线的变量系数。
其中,所述损失值的计算方法如下:
所述L为所述损失值,i∈(1,j),j为特征序列的总个数,所述Pi为第i个特征序列对应工单的预计处理时间,所述Qi为第i个特征序列对应工单的真实处理时间。
步骤V、对所述损失值进行求导计算,得到求导值,当所述求导值大于预设标准阈值,根据所述损失值更新所述待训练工单类型-处理时间关系模型中的模型参数,并返回步骤II,直至所述求导值小于或等于所述标准阈值,停止迭代训练,得到所述工单类型-处理时间关系模型。
本发明实施例将各个特征序列对应的损失值与时间进行二维映射,得到二维图像,对所述二维图像中的各个代表损失值的标注点进行连接,得到损失值变化曲线,对所述损失值变化曲线进行求导,得到所述求导值,
当所述求导值较大,表明损失值变化较大,通过求导损失函数的最小值,得到线性回归函数的变量参数,并根据所述变量参数更新所述线性回归函数的变量值,返回执行所述步骤II;当所述求导值小于或等于预设的标准阈值如0.05,表明所述损失值变化幅度较小,趋于稳定,产生的预计处理时间基本与真实处理时间相对应,完成训练过程,得到所述工单类型-处理时间关系模型。
S3、利用所述外呼机器人执行外呼操作,实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,并利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间。
详细的,本发明实施例中,所述实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,包括:
利用预构建的工单监控服务,对所述外呼机器人的外呼过程进行监控;
当所述外呼机器人将客户的沟通内容生成为外呼工单数据时,利用预设的数据调取接口,从所述外呼机器人中将所述外呼工单数据导出。
本发明实施例中,所述工单监控服务为一种条件反馈的程序,每当所述外呼机器人长生一个外呼工单数据时,就能够及时将所述外呼工单数据提取出来导入所述工单类型-处理时间关系模型中。
详细的,如图2所示,本发明实施例中,所述利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间,包括:
S31、提取所述外呼工单数据中的各类业务信息中的工单内容信息;
S32、根据预构建的各类业务的复杂程度表格,对所述工单内容信息对应的业务进行预测推算,得到预测分数;
S33、利用预设的分数-时间比例及偏量,将所述预测分数转化为所述外呼工单数据的预计处理时间。
此外,本发明实施例将各个外呼工单数据经过所述工单类型-处理时间关系模型的数据输入层、数据拟合层进行拟合计算,得到每个外呼工单数据对应的预测分数,再通过数据输出层将(0,1000)的预测分数进行数值转化为(0,30)(单位:分钟)的预计处理时间。
S4、依次对所述预设期限的各个外呼工单数据的预计处理时间进行叠加运算,得到总工单预测时长,并判断所述总工单预测时长是否小于所述用户的最大处理能力时长。
本发明实施例将根据时间先后顺序,将所述工单类型-处理时间关系模型先后生成的各个预计处理时间进行叠加,得到总工单预测时长。
其中,所述最大处理能力时长可以是所述用户的各个工位每一天能够运行的时间的总和。
本发明实施例通过预设的打卡程序服务可以获取预设期限内用户可执行工位的数量,并将预设期限下的可执行的工位的数量,如50位,与所述预设工作时间,如7h,进行乘积,得到350h的所述企业能力时长。其中,所述工位是生产过程最基本的生产单元,在工位上安排人员、设备、原料工具进行生产装配。
当所述总工单预测时长小于所述用户的最大处理能力时长时,返回上述S3。
当所述总工单预测时长等于或大于所述最大处理能力时长时,执行S5、停止所述外呼机器人执行外呼操作。
本发明实施例中,每产生一个外呼工单数据的预计处理时间,就对所述总工单预测时长进行更新,并将更新后的总工单预测时长与所述企业能力时长进行对比,如果所述总工单预测时长小于所述企业能力时长,则外呼机器人继续工作,得到新的外呼工单数据,并利用新的外呼工单数据进行处理时间预测过程,直至得到大于或等于所述企业能力时长的总工单预测时长,表明外呼机器人生成的外呼工单数据可以满足预设期限内的所述用户的工作需求,则停止外呼机器人的执行过程。
进一步的,本发明另一实施例中,所述停止所述外呼机器人执行外呼操作之后,所述方法还包括:
获取所述预设期限下可处理外呼工单数据的各个工位的历史工作记录,并根据所述历史工作记录中的历史工单分配数量及历史工单处理数量,得到所述预设期限下可处理外呼工单数据的各个工位的历史工单处理效率;
将所述外呼机器人在所述预设期限中的生成的全部工单,根据所述历史工单处理效率,分配至各个所述预设期限的可处理外呼工单数据的工位中。
本发明实施例通过查询预设期限之前的历史工作记录,可以计算各个工位的工单分配数量与处理数量的比值,得到各个工位平时状态下的历史工单处理效率。当外呼机器人执行过程结束后,会导出全部的工单。当工单导出后,根据各个工位对应的历史工单处理效率进行分配,保证各个工位的工单分配量与处理量能够保持一致。
进一步的,本发明另一实施例中,所述将所述外呼机器人在所述预设期限中的生成的全部工单,根据所述历史工单处理效率,分配至各个所述预设期限的可处理外呼工单数据的工位中之后,所述方法还包括:
获取所述预设期限内企业的总体工单完成比例,将所述总体工单完成比例发送至预构建的智能调控服务中,并利用所述智能调控服务,根据所述总体工单完成比例,对所述输出层中的激活函数进行偏量调节,得到更新后的工单类型-处理时间关系模型。
其中,所述智能调控服务为一个可以更新所述激活函数的偏量大小的程序。本发明实施例中,不同时间段内用户的工作效率可能有所不同,可以通过对预设期限的总体工单完成比例与智能调控服务更新所述激活函数中的偏量。如,若预设期限的总体工单完成比例为100%,则表明外呼机器人产生的工单较少,可以对所述激活函数中的偏量进行适当减少,使得相同预测分数得到的预计处理时间减短,则可以适当增加外呼机器人的执行时间,增加部分工单的产出。若预设期限的总体工单完成比例为70%,则可以通过所述智能调控服务对激活函数的偏量进行调大,使得相同预测分数对应的预计处理时间增加,在同一所述最大处理能力时长的情况下,使得外呼机器人在执行时间内可以获取更少的工单数据。
本发明实施例通过所述工单类型-处理时间关系模型预测各个工单的预计处理时长,能够增加各个预计处理时长产生的准确性与效率。此外,本发明实施例实时获取外呼机器人生成的外呼工单数据,通过所述工单类型-处理时间关系模型对外呼工单数据进行实时分析,可以得到各个外呼工单数据对应的预计处理时间,并计算出全部外呼工单数据对应的总工单预测时长。通过比较所述预设期限的用户的最大处理能力时长与所述总工单预测时长,可以对外呼机器人的生成外呼工单数据的数量进行把控。因此,本发明提出的一种机器外呼的数量调控方法可以通过预测各个已产生工单的预计处理时间来智能调控外呼机器人的工单产生数量。
如图3所示,是本发明机器外呼的数量调控装置的功能模块图。
本发明所述机器外呼的数量调控装置100可以安装于电子设备中。根据实现的功能,所述机器外呼的数量调控装置可以包括模型构建模块101、模型分析模块102、工作能力时长获取模块103以及数量调控模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述模型构建模块101,用于从预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合及利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型。
所述历史工单为外呼机器人在与客户沟通后,将客户的通话内容进行语音转文字识别操作之后产生的表单。每一个所述历史工单中包括内容信息及处理结果信息。其中,所述内容信息为客户的基本身份信息(名字、性别、手机号、年龄等)、客户提问(解决的或未解决的)、客户需求与意向(购买产品、进行查询或要求做风险评估等)的集合。所述处理结果信息为各个处理了所述历史工单对应的处理结果,包括:成功、失败、继续跟进的情况。
其中,所述外呼机器人为一种包含了语言识别模型与场景自动对话服务的机器人,用于替代人工客户与客户进行基本的沟通,比人工客户更加高效。
详细的,本发明实施例中,所述模型构建模块101在从用户的预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合时,具体用于:
根据所述用户输入的工作记录调取指令,获取所述企业数据库中各个数据块的存储地址,并根据所处存储地址,得到数据块集合;
利用所述企业数据库中预设的纠删码将所述数据块集合进行解码操作,得到企业工作记录;
查询所述企业工作记录中各个工单的内容信息字段与处理结果字段,得到工作信息集合。
本发明实施例中,所述企业数据库为一种存储企业中工单分配情况与处理情况的数据库,通常通过分布式存储的方式来增加被存储数据的安全性。
进一步地,所述纠删码为分布式存储过程中使用的矩阵形式的编码器,能够将所述企业工作记录进行矩阵运算加密,并将加密后的数据分为若干数据块,方便进行分布存储。
本发明实施例中,当用户通过了权限验证并成功访问所述企业数据库后,输入所述工作记录调取指令,可以得到存储在所述企业数据库中的各个有关于企业工作记录的数据块的存储地址。根据所述存储地址可以得到所述数据块集合,通过所述纠删码对所述数据块集合进行逆矩阵运算,解码得到所述企业工作记录。再通过查询所述企业工作记录中各个工单的内容信息字段与处理结果字段,得到所述工作信息集合。
本发明实施例中,所述工单类型-处理时间关系模型中包括:含有特征提取神经网络的数据输入层、含有线性回归算法作为激活函数的数据拟合层及含有数据转化算法的数据输出层。
具体的,本发明实施例获取一个网络模型框架,将特征提取网络添加在所述网络模型框架的数据输入层中,将线性回归算法添加到所述网络模型框架的数据拟合层中作为激活函数,通过预设的业务要求,构建将所述数据拟合层产生的得分进行等比例转化为时间数值的数据转化算法,并将所述数据转化算法导入所述网络模型框架的输出层中。其中,本发明实施例中的线性回归算法为一种通过损失函数对输入所述数据拟合层的两组数据进行拟合,从而实现预测效果的算法。
详细的,本发明实施例中,所述模型构建模块101在利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型时,具体用于:
功能I、利用所述待训练工单类型-处理时间关系模型中的数据输入层对所述工作信息集合进行特征提取,得到特征序列集。
本发明实施例中,利用所述数据输入层的特征提取网络对所述工作信息集合中的数据进行特征提取,得到【对套餐A进行第二业务操作(如注销)、对套餐B进行第一业务操作(如办理)、进行业务C(如查询)……】的特征序列集。
功能II、从所述特征序列集中提取一个的特征序列,并识别所述特征序列中的业务种类进行提取,得到所述特征序列对应的包含各类业务的业务集合;
功能III、根据预配置的各类业务的复杂程度表格,将所述业务集合中的业务进行业务复杂度运算,得到总体业务复杂度值,并对所述总体业务复杂度值进行数值转化运算,得到所述特征序列对应工单的预计处理时间。
具体的,所述各类业务的复杂程度表格为本发明实施例根据所述历史工作记录分析得到的包含各种业务处理时需要的平均时间的表格。其中,平均时间可以与复杂程度值之间可以进行换算。
功能IV、计算所述预计处理时间与所述工作信息集合中的真实处理时间的损失值。
当各个特征序列的预计处理时间为【6、20、3、5、7……】(单位:分钟),而各个所述工作信息集合中标注的真实处理时间为【10、15、5、5、7……】(单位:分钟),通过线性回归算法,计算【6、20、3、5、7……】与【10、15、5、5、7……】的损失值,并对最小损失值所在的损失函数进行求解得到线性回归线的变量系数。
其中,所述损失值的计算方法如下:
所述L为所述损失值,i∈(1,j),j为特征序列的总个数,所述Pi为第i个特征序列对应工单的预计处理时间,所述Qi为第i个特征序列对应工单的真实处理时间。
功能V、对所述损失值进行求导计算,得到求导值,当所述求导值大于预设标准阈值,根据所述损失值更新所述待训练工单类型-处理时间关系模型中的模型参数,并返回功能II,直至所述求导值小于或等于所述标准阈值,停止迭代训练,得到所述工单类型-处理时间关系模型。
本发明实施例将各个特征序列对应的损失值与时间进行二维映射,得到二维图像,对所述二维图像中的各个代表损失值的标注点进行连接,得到损失值变化曲线,对所述损失值变化曲线进行求导,得到所述求导值,
当所述求导值较大,表明损失值变化较大,通过求导损失函数的最小值,得到线性回归函数的变量参数,并根据所述变量参数更新所述线性回归函数的变量值,返回执行所述步骤II;当所述求导值小于或等于预设的标准阈值如0.05,表明所述损失值变化幅度较小,趋于稳定,产生的预计处理时间基本与真实处理时间相对应,完成训练过程,得到所述工单类型-处理时间关系模型。
所述模型分析模块102,用于利用所述外呼机器人执行外呼操作,实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,并利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间。
详细的,本发明实施例中,所述模型分析模块102在实时获取所述外呼机器人生成的预设期限的各个外呼工单数据时,具体用于:
利用预构建的工单监控服务,对所述外呼机器人的外呼过程进行监控;
当所述外呼机器人将客户的沟通内容生成为外呼工单数据时,利用预设的数据调取接口,从所述外呼机器人中将所述外呼工单数据导出。
本发明实施例中,所述工单监控服务为一种条件反馈的程序,每当所述外呼机器人长生一个外呼工单数据时,就能够及时将所述外呼工单数据提取出来导入所述工单类型-处理时间关系模型中。
详细的,本发明实施例中,所述模型分析模块102在利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间时,具体用于:
提取所述外呼工单数据中的各类业务信息中的工单内容信息;
根据预构建的各类业务的复杂程度表格,对所述工单内容信息对应的业务进行预测推算,得到预测分数;
利用预设的分数-时间比例及偏量,将所述预测分数转化为所述外呼工单数据的预计处理时间。
此外,本发明实施例将各个外呼工单数据经过所述工单类型-处理时间关系模型的数据输入层、数据拟合层进行拟合计算,得到每个外呼工单数据对应的预测分数,再通过数据输出层将(0,1000)的预测分数进行数值转化为(0,30)(单位:分钟)的预计处理时间。
所述工作能力时长获取模块103,用于依次对所述预设期限的各个外呼工单数据的预计处理时间进行叠加运算,得到总工单预测时长。
本发明实施例将根据时间先后顺序,将所述工单类型-处理时间关系模型先后生成的各个预计处理时间进行叠加,得到总工单预测时长。
其中,所述最大处理能力时长可以是所述用户的各个工位每一天能够运行的时间的总和。
本发明实施例通过预设的打卡程序服务可以获取预设期限内用户可执行工位的数量,并将预设期限下的可执行的工位的数量,如50位,与所述预设工作时间,如7h,进行乘积,得到350h的所述企业能力时长。其中,所述工位是生产过程最基本的生产单元,在工位上安排人员、设备、原料工具进行生产装配。
当所述总工单预测时长小于所述用户的最大处理能力时长时,返回上述模型分析模块102。
当所述总工单预测时长等于或大于所述最大处理能力时长时,执行下述数量调控模块104,停止所述外呼机器人执行外呼操作。
所述数量调控模块104,用于当所述总工单预测时长等于或大于所述最大处理能力时长时,停止所述外呼机器人执行外呼操作。
本发明实施例中,每产生一个外呼工单数据的预计处理时间,就对所述总工单预测时长进行更新,并将更新后的总工单预测时长与所述企业能力时长进行对比,如果所述总工单预测时长小于所述企业能力时长,则外呼机器人继续工作,得到新的外呼工单数据,并利用新的外呼工单数据进行处理时间预测过程,直至得到大于或等于所述企业能力时长的总工单预测时长,表明外呼机器人生成的外呼工单数据可以满足预设期限内的所述用户的工作需求,则停止外呼机器人的执行过程。
进一步的,本发明另一实施例中,所述数量调控模块104在停止所述外呼机器人执行外呼操作之后,还用于:
获取所述预设期限下可处理外呼工单数据的各个工位的历史工作记录,并根据所述历史工作记录中的历史工单分配数量及历史工单处理数量,得到所述预设期限下可处理外呼工单数据的各个工位的历史工单处理效率;
将所述外呼机器人在所述预设期限中的生成的全部工单,根据所述历史工单处理效率,分配至各个所述预设期限的可处理外呼工单数据的工位中。
本发明实施例通过查询预设期限之前的历史工作记录,可以计算各个工位的工单分配数量与处理数量的比值,得到各个工位平时状态下的历史工单处理效率。当外呼机器人执行过程结束后,会导出全部的工单。当工单导出后,根据各个工位对应的历史工单处理效率进行分配,保证各个工位的工单分配量与处理量能够保持一致。
进一步的,本发明另一实施例中,所述将所述外呼机器人在所述预设期限中的生成的全部工单,根据所述历史工单处理效率,分配至各个所述预设期限的可处理外呼工单数据的工位中之后,所述方法还包括:
获取所述预设期限内企业的总体工单完成比例,将所述总体工单完成比例发送至预构建的智能调控服务中,并利用所述智能调控服务,根据所述总体工单完成比例,对所述输出层中的激活函数进行偏量调节,得到更新后的工单类型-处理时间关系模型。
其中,所述智能调控服务为一个可以更新所述激活函数的偏量大小的程序。本发明实施例中,不同时间段内用户的工作效率可能有所不同,可以通过对预设期限的总体工单完成比例与智能调控服务更新所述激活函数中的偏量。如,若预设期限的总体工单完成比例为100%,则表明外呼机器人产生的工单较少,可以对所述激活函数中的偏量进行适当减少,使得相同预测分数得到的预计处理时间减短,则可以适当增加外呼机器人的执行时间,增加部分工单的产出。若预设期限的总体工单完成比例为70%,则可以通过所述智能调控服务对激活函数的偏量进行调大,使得相同预测分数对应的预计处理时间增加,在同一所述最大处理能力时长的情况下,使得外呼机器人在执行时间内可以获取更少的工单数据。
本发明实施例通过所述工单类型-处理时间关系模型预测各个工单的预计处理时长,能够增加各个预计处理时长产生的准确性与效率。此外,本发明实施例实时获取外呼机器人生成的外呼工单数据,通过所述工单类型-处理时间关系模型对外呼工单数据进行实时分析,可以得到各个外呼工单数据对应的预计处理时间,并计算出全部外呼工单数据对应的总工单预测时长。通过比较所述预设期限的用户的最大处理能力时长与所述总工单预测时长,可以对外呼机器人的生成外呼工单数据的数量进行把控。因此,本发明提出的一种机器外呼的数量调控方法可以通过预测各个已产生工单的预计处理时间来智能调控外呼机器人的工单产生数量。
如图4所示,是本发明实现机器外呼的数量调控方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如机器外呼的数量调控程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行机器外呼的数量调控程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如机器外呼的数量调控程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的机器外呼的数量调控程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
从用户的预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合;
利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型;
利用所述外呼机器人执行外呼操作,实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,并利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间;
依次对所述预设期限的各个外呼工单数据的预计处理时间进行叠加运算,得到总工单预测时长;
当所述总工单预测时长小于所述用户的最大处理能力时长时,返回上述的利用所述外呼机器人执行外呼操作,直到当所述总工单预测时长等于或大于所述最大处理能力时长时,停止所述外呼机器人执行外呼操作。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
从用户的预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合;
利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型;
利用所述外呼机器人执行外呼操作,实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,并利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间;
依次对所述预设期限的各个外呼工单数据的预计处理时间进行叠加运算,得到总工单预测时长;
当所述总工单预测时长小于所述用户的最大处理能力时长时,返回上述的利用所述外呼机器人执行外呼操作,直到当所述总工单预测时长等于或大于所述最大处理能力时长时,停止所述外呼机器人执行外呼操作。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种机器外呼的数量调控方法,其特征在于,所述方法包括:
从用户的预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合;
利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型;
利用所述外呼机器人执行外呼操作,实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,并利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间;
依次对所述预设期限的各个外呼工单数据的预计处理时间进行叠加运算,得到总工单预测时长,并判断所述总工单预测时长是否小于所述用户的最大处理能力时长;
当所述总工单预测时长小于所述用户的最大处理能力时长时,返回上述的利用所述外呼机器人执行外呼操作,直到当所述总工单预测时长等于或大于所述最大处理能力时长时,停止所述外呼机器人执行外呼操作。
2.如权利要求1所述的机器外呼的数量调控方法,其特征在于,所述利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间,包括:
提取所述外呼工单数据中的各类业务信息中的工单内容信息;
根据预构建的各类业务的复杂程度表格,对所述工单内容信息对应的业务进行预测推算,得到预测分数;
利用预设的分数-时间比例及偏量,将所述预测分数转化为所述外呼工单数据的预计处理时间。
3.如权利要求1所述的机器外呼的数量调控方法,其特征在于,所述实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,包括:
利用预构建的工单监控服务,对所述外呼机器人的外呼过程进行监控;
当所述外呼机器人将客户的沟通内容生成为外呼工单数据时,利用预设的数据调取接口从所述外呼机器人中将所述外呼工单数据导出。
4.如权利要求1所述的机器外呼的数量调控方法,其特征在于,所述从用户的预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合,包括:
根据所述用户输入的工作记录调取指令,获取所述企业数据库中各个数据块的存储地址,并根据所处存储地址,得到数据块集合;
利用所述企业数据库中预设的纠删码将所述数据块集合进行解码操作,得到企业工作记录;
查询所述企业工作记录中各个工单的内容信息字段与处理结果字段,得到工作信息集合。
5.如权利要求1所述的机器外呼的数量调控方法,其特征在于,所述停止所述外呼机器人执行外呼操作之后,所述方法还包括:
获取所述预设期限下可处理外呼工单数据的各个工位的历史工作记录,并根据所述历史工作记录中的历史工单分配数量及历史工单处理数量,得到所述预设期限下可处理外呼工单数据的各个工位的历史工单处理效率;
将所述外呼机器人在所述预设期限中的生成的全部工单,根据所述历史工单处理效率,分配至各个所述预设期限的可处理外呼工单数据的工位中。
6.如权利要求5所述的机器外呼的数量调控方法,其特征在于,所述将所述外呼机器人在所述预设期限中的生成的全部工单,根据所述历史工单处理效率,分配至各个所述预设期限的可处理外呼工单数据的工位中之后,所述方法还包括:
获取所述预设期限内企业的总体工单完成比例;
将所述总体工单完成比例发送至预构建的智能调控服务中,并利用所述智能调控服务,根据所述总体工单完成比例,对所述输出层中的激活函数进行偏量调节,得到更新后的工单类型-处理时间关系模型。
7.如权利要求1所述的机器外呼的数量调控方法,其特征在于,所述利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型,包括:
步骤I、利用所述待训练工单类型-处理时间关系模型中的数据输入层对所述工作信息集合进行特征提取,得到特征序列集;
步骤II、从所述特征序列集中提取一个的特征序列,并识别所述特征序列中的业务种类进行提取,得到所述特征序列对应的包含各类业务的业务集合;
步骤III、根据预配置的各类业务的复杂程度表格,将所述业务集合中的业务进行业务复杂度运算,得到总体业务复杂度值,并对所述总体业务复杂度值进行数值转化运算,得到所述特征序列对应工单的预计处理时间;
步骤IV、计算所述预计处理时间与所述工作信息集合中的真实处理时间的损失值;
步骤V、对所述损失值进行求导计算,得到求导值,当所述求导值大于预设标准阈值,根据所述损失值更新所述待训练工单类型-处理时间关系模型中的模型参数,并返回步骤II,直至所述求导值小于或等于所述标准阈值,停止迭代训练,得到所述工单类型-处理时间关系模型。
8.一种机器外呼的数量调控装置,其特征在于,所述装置包括:
模型构建模块,用于从预构建的企业数据库中获取预设时间段内外呼机器人产生的各个历史工单的内容信息及处理结果信息,得到工作信息集合,及利用所述工作信息集合对预构建的待训练工单类型-处理时间关系模型进行迭代训练,得到工单类型-处理时间关系模型;
模型分析模块,用于利用所述外呼机器人执行外呼操作,实时获取所述外呼机器人生成的预设期限的各个外呼工单数据,并利用所述工单类型-处理时间关系模型依次计算所述预设期限的各个所述外呼工单数据的预计处理时间;
工作能力时长获取模块,用于依次对所述预设期限的各个外呼工单数据的预计处理时间进行叠加运算,得到总工单预测时长,并判断所述总工单预测时长是否小于所述用户的最大处理能力时长;
数量调控模块,用于当所述总工单预测时长小于所述用户的最大处理能力时长时,返回上述的利用所述外呼机器人执行外呼操作,直到当所述总工单预测时长等于或大于所述最大处理能力时长时,停止所述外呼机器人执行外呼操作。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的机器外呼的数量调控方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的机器外呼的数量调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719432.8A CN113452852B (zh) | 2021-06-28 | 2021-06-28 | 机器外呼的数量调控方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719432.8A CN113452852B (zh) | 2021-06-28 | 2021-06-28 | 机器外呼的数量调控方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113452852A true CN113452852A (zh) | 2021-09-28 |
CN113452852B CN113452852B (zh) | 2022-11-25 |
Family
ID=77813353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719432.8A Active CN113452852B (zh) | 2021-06-28 | 2021-06-28 | 机器外呼的数量调控方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113452852B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912839A (zh) * | 2022-06-14 | 2022-08-16 | 平安银行股份有限公司 | 工单并发调度方法、装置、设备及存储介质 |
CN117812185A (zh) * | 2024-02-29 | 2024-04-02 | 江苏鑫埭信息科技有限公司 | 一种智能外呼系统的管控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103647885A (zh) * | 2013-12-31 | 2014-03-19 | 上海大学 | 多属性的智能车载呼叫中心排队方法 |
WO2017183041A1 (en) * | 2016-04-21 | 2017-10-26 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting timely completion of a work order |
CN108156331A (zh) * | 2017-11-10 | 2018-06-12 | 大连金慧融智科技股份有限公司 | 一种智能自动拨号外呼系统及方法 |
CN112053092A (zh) * | 2020-09-29 | 2020-12-08 | 中国银行股份有限公司 | 工单的处理方法、装置、可读介质以及设备 |
CN114186028A (zh) * | 2021-12-14 | 2022-03-15 | 平安银行股份有限公司 | 咨诉工单处理方法、装置、设备及存储介质 |
-
2021
- 2021-06-28 CN CN202110719432.8A patent/CN113452852B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103647885A (zh) * | 2013-12-31 | 2014-03-19 | 上海大学 | 多属性的智能车载呼叫中心排队方法 |
WO2017183041A1 (en) * | 2016-04-21 | 2017-10-26 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting timely completion of a work order |
CN108156331A (zh) * | 2017-11-10 | 2018-06-12 | 大连金慧融智科技股份有限公司 | 一种智能自动拨号外呼系统及方法 |
CN112053092A (zh) * | 2020-09-29 | 2020-12-08 | 中国银行股份有限公司 | 工单的处理方法、装置、可读介质以及设备 |
CN114186028A (zh) * | 2021-12-14 | 2022-03-15 | 平安银行股份有限公司 | 咨诉工单处理方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912839A (zh) * | 2022-06-14 | 2022-08-16 | 平安银行股份有限公司 | 工单并发调度方法、装置、设备及存储介质 |
CN117812185A (zh) * | 2024-02-29 | 2024-04-02 | 江苏鑫埭信息科技有限公司 | 一种智能外呼系统的管控方法及系统 |
CN117812185B (zh) * | 2024-02-29 | 2024-05-24 | 江苏鑫埭信息科技有限公司 | 一种智能外呼系统的管控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113452852B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113452852B (zh) | 机器外呼的数量调控方法、装置、电子设备及存储介质 | |
CN102938129A (zh) | 一种电力信息类台帐的流程化管理方法 | |
CN111835926A (zh) | 基于语音交互的智能语音外呼方法、装置、设备及介质 | |
CN115237857A (zh) | 日志处理方法、装置、计算机设备及存储介质 | |
CN114722281A (zh) | 基于用户画像及用户选课行为的培训课程配置方法、装置 | |
CN112560465A (zh) | 批量异常事件的监控方法、装置、电子设备及存储介质 | |
CN115860315A (zh) | 企业客户关系管理系统及数据处理方法 | |
CN107679635A (zh) | 基于优先级的客户跟进方法、系统及可读存储介质 | |
CN111669466A (zh) | 智能外呼系统配置方法、装置及计算机可读存储介质 | |
CN117114618A (zh) | 待办项跟进方法、系统、计算机设备及存储介质 | |
CN115471215A (zh) | 一种业务流程处理方法及装置 | |
CN115292580A (zh) | 数据查询方法、装置、计算机设备及存储介质 | |
CN115578170A (zh) | 一种财务批量制证方法、装置、设备及存储介质 | |
CN115185625A (zh) | 基于可配置卡片的自推荐式界面更新方法及其相关设备 | |
CN114881313A (zh) | 基于人工智能的行为预测方法、装置及相关设备 | |
CN111522843B (zh) | 数据平台的控制方法、系统、设备及存储介质 | |
CN111311406B (zh) | 基于电力市场并发交易的发电商交易能力管控系统及方法 | |
CN113742466A (zh) | 一种针对客服机器人未解决问题的自动收集、解答、归档的方法 | |
CN112559221A (zh) | 智能名单处理方法、系统、设备及存储介质 | |
CN110796353A (zh) | 排班处理方法及装置 | |
CN115271553B (zh) | 基于大数据的合同管理方法、装置、电子设备及存储介质 | |
CN113269417B (zh) | 生物样本采集人员智能调度方法及装置 | |
CN116485154B (zh) | 一种生产排程自动管理方法、系统、电子设备及存储介质 | |
CN115225609B (zh) | 用户数据处理方法及装置、服务器 | |
CN116033075A (zh) | 智能外呼方法、装置、设备及介质 |
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 |