CN113570258B - 任务分配方法和计算机程序产品 - Google Patents
任务分配方法和计算机程序产品 Download PDFInfo
- Publication number
- CN113570258B CN113570258B CN202110873323.1A CN202110873323A CN113570258B CN 113570258 B CN113570258 B CN 113570258B CN 202110873323 A CN202110873323 A CN 202110873323A CN 113570258 B CN113570258 B CN 113570258B
- Authority
- CN
- China
- Prior art keywords
- broker
- current
- tasks
- score
- scoring
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 230000004044 response Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 28
- 239000002131 composite material Substances 0.000 description 13
- 238000012549 training Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06Q10/06—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
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06Q50/16—Real estate
- G06Q50/167—Closing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种任务分配方法和计算机程序产品,其中,方法包括:基于当前经纪人在当前时间点的当前评分值,确定所述当前经纪人对应的目标分值;基于所述当前经纪人的入职时长,确定所述当前经纪人在第一设定周期内对应的m个任务;基于所述当前经纪人对应的m个任务和所述当前评分值,确定所述当前经纪人对应的预测分值;基于所述预测分值与所述目标分值的匹配程度,为所述当前经纪人分配n个任务;本实施例以目标分值作为经纪人的提升目标,根据该目标分值结合经纪人在设定周期内能完成的任务数量,为经纪人分配相应的任务,使经纪人在可以完成任务的前提下实现分数提升,根据自动任务分配实现了经纪人的成长。
Description
技术领域
本公开涉及一种任务分配方法和计算机程序产品。
背景技术
目前,在对房产经纪人进行评价考核时多数还是依赖于客户反馈的评价数据或管理人员对所管辖的经纪人的评价数据;而对于经纪人的成长仅依赖于经纪人个人的判断,或由管理人员的人为辅助调整。但是,仅依靠人为判断,并不适合所有经纪人,且对于经纪人的成长并没有很大帮助。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种任务分配方法和计算机程序产品。
根据本公开实施例的一个方面,提供了一种任务分配方法,包括:
基于当前经纪人在当前时间点的当前评分值,确定所述当前经纪人对应的目标分值;
基于所述当前经纪人的入职时长,确定所述当前经纪人在第一设定周期内对应的m个任务;其中,所述第一设定周期在所述当前时间点之后的设定时间段,所述m为大于0的整数;
基于所述当前经纪人对应的m个任务和所述当前评分值,确定所述当前经纪人对应的预测分值;
基于所述预测分值与所述目标分值的匹配程度,为所述当前经纪人分配n个任务;其中,所述n为大于等于0的整数。
可选地,所述基于当前经纪人在当前时间点的当前评分值,确定所述当前经纪人对应的目标分值,包括:
确定所述当前经纪人在当前时间点的当前评分值;
根据所述当前评分值从评分层集合中,确定所述当前经纪人对应的第一评分层;其中,所述评分层集合中包括多个评分层,每两个相邻的所述评分层之间间隔设定大小的分值;
基于在所述评分层集合中与所述第一评分层相邻的第二评分层对应的分值,确定所述当前经纪人对应的目标分值。
可选地,所述基于在所述评分层集合中与所述第一评分层相邻的第二评分层对应的分值,确定所述当前经纪人对应的目标分值,包括:
以所述第二评分层对应的分值作为初始分值;
从历史数据库中预存的至少一个历史经纪人中,确定与所述当前经纪人匹配的至少一个历史经纪人;
基于所述匹配的至少一个历史经纪人在所述第一设定周期内的评分值和所述初始分值,确定所述目标分值。
可选地,所述任务包括至少一种类型的任务;
所述基于所述当前经纪人的入职时长,确定所述当前经纪人在第一设定周期内对应的m个任务,包括:
基于所述当前经纪人的入职时长,利用至少一个成长模型对所述当前经纪人进行成长路径预测,得到所述当前经纪人对应的至少一个预测成长路径;其中,每个所述成长模型对应一种类型的任务;
基于所述至少一个预测成长路径中每个所述预测成长路径,确定所述当前经纪人对应每种类型的任务的数量;其中,所述至少一种类型的任务的数量的和为m。
可选地,还包括:
获得在所述第一设定周期内,所述当前经纪人完成的所述n个任务中每种类型任务的任务完成数量;
基于所述每种类型任务的任务完成数量,对所述每种类型任务对应的所述成长模型进行调整。
可选地,所述基于所述当前经纪人对应的m个任务和所述当前评分值,确定所述当前经纪人对应的预测分值,包括:
利用评分模型对所述m个任务进行分值预测,得到预测提分值;
基于所述预测提分值和所述当前评分值,确定所述当前经纪人对应的预测分值。
可选地,所述基于所述预测分值与所述目标分值的匹配程度,为所述当前经纪人分配n个任务,包括:
确定所述预测分值与所述目标分值之间的差值与设定阈值之间的关系;
响应于所述差值大于或等于所述设定阈值,基于所述m个任务为所述当前经纪人分配n个任务;
响应于所述差值小于所述设定阈值,不为所述当前经纪人分配任务。
可选地,所述基于所述m个任务为所述当前经纪人分配n个任务,包括:
对所述m个任务进行排序,得到第一序列;
按照所述第一序列,将所述m个任务中的n个任务分配给所述当前经纪人;其中,所述n小于等于所述m。
可选地,所述对所述m个任务进行排序,得到第一序列,包括:
基于所述当前评分值,确定所述至少一种类型的任务中每种类型的任务对应的子评分值;和/或,基于所述预测分值,确定所述m个任务中每种类型的任务对应的子预测分值;
基于所述m个任务中每个任务对应的所述子评分值和/或所述子预测分值,确定所述m个任务的排序,得到所述第一序列。
根据本公开实施例的另一方面,提供了一种任务分配装置,包括:
目标分值确定模块,用于基于当前经纪人在当前时间点的当前评分值,确定所述当前经纪人对应的目标分值;
任务预测模块,用于基于所述当前经纪人的入职时长,确定所述当前经纪人在第一设定周期内对应的m个任务;其中,所述第一设定周期在所述当前时间点之后的设定时间段,所述m为大于0的整数;
分值预测模块,用于基于所述当前经纪人对应的m个任务和所述当前评分值,确定所述当前经纪人对应的预测分值;
任务分配模块,用于基于所述预测分值与所述目标分值的匹配程度,为所述当前经纪人分配n个任务;其中,所述n为大于等于0的整数。
可选地,所述目标分值确定模块,具体用于确定所述当前经纪人在当前时间点的当前评分值;根据所述当前评分值从评分层集合中,确定所述当前经纪人对应的第一评分层;其中,所述评分层集合中包括多个评分层,每两个相邻的所述评分层之间间隔设定大小的分值;基于在所述评分层集合中与所述第一评分层相邻的第二评分层对应的分值,确定所述当前经纪人对应的目标分值。
可选地,所述目标分值确定模块在基于在所述评分层集合中与所述第一评分层相邻的第二评分层对应的分值,确定所述当前经纪人对应的目标分值时,用于以所述第二评分层对应的分值作为初始分值;从历史数据库中预存的至少一个历史经纪人中,确定与所述当前经纪人匹配的至少一个历史经纪人;基于所述匹配的至少一个历史经纪人在所述第一设定周期内的评分值和所述初始分值,确定所述目标分值。
可选地,所述任务包括至少一种类型的任务;
所述任务预测模块,具体用于基于所述当前经纪人的入职时长,利用至少一个成长模型对所述当前经纪人进行成长路径预测,得到所述当前经纪人对应的至少一个预测成长路径;其中,每个所述成长模型对应一种类型的任务;基于所述至少一个预测成长路径中每个所述预测成长路径,确定所述当前经纪人对应每种类型的任务的数量;其中,所述至少一种类型的任务的数量的和为m。
可选地,所述任务预测模块,还用于获得在所述第一设定周期内,所述当前经纪人完成的所述n个任务中每种类型任务的任务完成数量;基于所述每种类型任务的任务完成数量,对所述每种类型任务对应的所述成长模型进行调整。
可选地,所述分值预测模块,具体用于利用评分模型对所述m个任务进行分值预测,得到预测提分值;基于所述预测提分值和所述当前评分值,确定所述当前经纪人对应的预测分值。
可选地,所述任务分配模块,具体用于确定所述预测分值与所述目标分值之间的差值与设定阈值之间的关系;响应于所述差值大于或等于所述设定阈值,基于所述m个任务为所述当前经纪人分配n个任务;响应于所述差值小于所述设定阈值,不为所述当前经纪人分配任务。
可选地,所述任务分配模块在基于所述m个任务为所述当前经纪人分配n个任务时,用于对所述m个任务进行排序,得到第一序列;按照所述第一序列,将所述m个任务中的n个任务分配给所述当前经纪人;其中,所述n小于等于所述m。
可选地,所述任务分配模块在对所述m个任务进行排序,得到第一序列时,用于基于所述当前评分值,确定所述至少一种类型的任务中每种类型的任务对应的子评分值;和/或,基于所述预测分值,确定所述m个任务中每种类型的任务对应的子预测分值;基于所述m个任务中每个任务对应的所述子评分值和/或所述子预测分值,确定所述m个任务的排序,得到所述第一序列。
根据本公开实施例的又一方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述任一实施例所述的任务分配方法。
根据本公开实施例的还一方面,提供了一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述任一实施例所述的任务分配方法。
根据本公开实施例的再一方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的任务分配方法的步骤。
基于本公开上述实施例提供的一种任务分配方法和计算机程序产品,基于当前经纪人在当前时间点的当前评分值,确定所述当前经纪人对应的目标分值;基于所述当前经纪人的入职时长,确定所述当前经纪人在第一设定周期内对应的m个任务;其中,所述第一设定周期在所述当前时间点之后,所述m为大于0的整数;基于所述当前经纪人对应的m个任务和所述当前评分值,确定所述当前经纪人对应的预测分值;基于所述预测分值与所述目标分值的匹配程度,为所述当前经纪人分配n个任务;其中,所述n为大于等于0的整数;本实施例以目标分值作为经纪人的提升目标,根据该目标分值结合经纪人在设定周期内能完成的任务数量,为经纪人分配相应的任务,使经纪人在可以完成任务的前提下实现分数提升,根据自动任务分配实现了经纪人的成长。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的任务分配方法的流程示意图。
图2是本公开图1所示的实施例中步骤102的一个流程示意图。
图3是本公开图1所示的实施例中步骤104的一个流程示意图。
图4是本公开图1所示的实施例中步骤106的一个流程示意图。
图5是本公开图1所示的实施例中步骤108的一个流程示意图。
图6是本公开一示例性实施例提供的任务分配装置的结构示意图。
图7是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。本公开中所指数据可以包括文本、图像、视频等非结构化数据,也可以是结构化数据。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本公开一示例性实施例提供的任务分配方法的流程示意图。本实施例可应用在电子设备上,如图1所示,包括如下步骤:
步骤102,基于当前经纪人在当前时间点的当前评分值,确定当前经纪人对应的目标分值。
本实施例中,当前经纪人可以是房产经纪人等从事任务执行的指定人员;当前评分值表示该当前经纪人在经过在当前时间点之前的时长内通过完成一些任务得到的评价分数。
步骤104,基于当前经纪人的入职时长,确定当前经纪人在第一设定周期内对应的m个任务。
其中,第一设定周期在当前时间点之后的设定时间段,m为大于0的整数。
在一实施例中,任务可以包括但不限于:商机转化、客户评价、经纪人评价、学历提升、400电话接听率等;本实施例中,第一设定周期为一个设定时长的已经过去的时间段,第一设定周期的时长可以根据实际情况进行设置,例如,一天、一个周、一个月、一个季度等等。
步骤106,基于当前经纪人对应的m个任务和当前评分值,确定当前经纪人对应的预测分值。
本实施例中,通过对完成m个任务的情况进行预测,再结合当前评分值,可得到当前经纪人在第一设定周期之后的时间点,如果完成了m个任务可以得到的预测分值。
步骤108,基于预测分值与目标分值的匹配程度,为当前经纪人分配n个任务。
其中,n为大于等于0的整数。
可选地,将预测分值与目标分值匹配,如果预测分值可以接近或达到目标分值,此时说明上述确定的m个任务是合理的,可以为当前经纪人分配m个任务中的至少部分,以提升当前经纪人的分值,进而实现经纪人成长;当然,还存在预测分值远达不到目标分值的情况,此时可不为当前经纪人分配任务,即,n=0,表明上述任务分配是不合理的,不利于经纪人成长。
本公开上述实施例提供的一种任务分配方法,基于当前经纪人在当前时间点的当前评分值,确定所述当前经纪人对应的目标分值;基于所述当前经纪人的入职时长,确定所述当前经纪人在第一设定周期内对应的m个任务;其中,所述第一设定周期在所述当前时间点之后,所述m为大于0的整数;基于所述当前经纪人对应的m个任务和所述当前评分值,确定所述当前经纪人对应的预测分值;基于所述预测分值与所述目标分值的匹配程度,为所述当前经纪人分配n个任务;其中,所述n为大于等于0的整数;本实施例以目标分值作为经纪人的提升目标,根据该目标分值结合经纪人在设定周期内能完成的任务数量,为经纪人分配相应的任务,使经纪人在可以完成任务的前提下实现分数提升,根据自动任务分配实现了经纪人的成长。
另外,在上述执行步骤102之前,还可以通过筛选条件确定当前经纪人,例如,通过入职时长进行筛选,只有入职时长超过设定值(例如,90天等)的经纪人才能作为当前经纪人;对于不满足筛选条件的经纪人可认为是不具备成长条件。
如图2所示,在上述图1所示实施例的基础上,步骤102可包括如下步骤:
步骤1021,确定当前经纪人在当前时间点的当前评分值。
本实施例中,当前评分值可根据设定模型对当前经纪人对应的多种类型的任务数据进行评分得到的,或者根据当前时间点当前经纪人处理的所有任务数据经过人为评价得到的,又或者根据数据库中预存的当前经纪人对应的当前评分值,或者根据对当前经纪人入职时长通过朴素贝叶斯进行预测经纪人的成长路径得到当前时间点的当前评分值等等;本实施例不限制获得当前评分值的具体方式。
步骤1022,根据当前评分值从评分层集合中,确定当前经纪人对应的第一评分层。
其中,评分层集合中包括多个评分层,每两个相邻的评分层之间间隔设定大小的分值。
可选地,可以按照评分值将多个已知评分的经纪人进行分层,每个分层与其相邻的分层之间间隔设定大小的分值,例如,设定间隔的分值为50分,则评分层集合包括多层:0-50分为第一层,50-100分为第二层,100-150分为第三层等等,此时,如果当前经纪人的当前评分值为70分,此时,可确定当前经纪人对应的第一评分层为第二层,此时,该当前经纪人的目标是将评分值提升到第三层,例如提升50分等。
步骤1023,基于在评分层集合中与第一评分层相邻的第二评分层对应的分值,确定当前经纪人对应的目标分值。
本实施例中,通过确定了当前经纪人所在评分层之后,即可确定当前经纪人的成长目标,例如,当前经纪人的当前评分值为70分,成长目标为第三层,因此,当前目标分值可以为100-150分中任一分值,或者直接将当前评分值加上两个评分层之间的间隔分值,例如,70+50=120分,作为当前经纪人的目标分值;本实施例利用评分层集合中包括的多个评分层来确定当前经纪人的成长目标,以大量其他经纪人的成长作为基础,实现了提出的成长目标更具合理性,适合不同阶段的经纪人确定相应的成长目标,使本实施例提供的方法适合更多场景和应用。
可选地,上述实施例中步骤1023可以包括:
以第二评分层对应的分值作为初始分值;
从历史数据库中预存的至少一个历史经纪人中,确定与当前经纪人匹配的至少一个历史经纪人;
基于匹配的至少一个历史经纪人在第一设定周期内的评分值和初始分值,确定目标分值。
本实施例中,为了提高目标分值的准确性,以及当前经纪人对目标分值的可完成程度;本实施例提出从历史数据库中预存的多个历史经纪人中确定与当前经纪人相似的历史经纪人;可选地,该相似可以包括以下条件中至少之一:入职时长相同或相近,基本信息(可包括学历、年龄、工作经验等等)相同或相似,工作区域(例如,经纪人所在区域、所在店铺等)相同或相似等等,结合匹配的至少一个历史经纪人在入职时间同样为第一设定周期内时对应的评分值对初始分值进行调整,以获得更适合当前经纪人的目标分值,可选地,可以计算至少一个历史经纪人对应的评分值与初始分值的均值,以该均值作为目标分值;或者,先计算至少一个历史经纪人对应的评分值的均值,再以该均值与初始分值求平均或加权平均(权重值可根据实际应用场景进行预先设置),以得到的分值作为目标分值。
如图3所示,在上述图1所示实施例的基础上,步骤104可包括如下步骤:
步骤1041,基于当前经纪人的入职时长,利用至少一个成长模型对当前经纪人进行成长路径预测,得到当前经纪人对应的至少一个预测成长路径。
其中,任务包括至少一种类型的任务;每个成长模型对应一种类型的任务。
可选地,可以利用朴素贝叶斯进行预测经纪人的成长路径,根据经纪人的入职时长对经纪人的业务完成量进行预测,例如,基于以下公式(1)确定当前经纪人的预测成长路径:
Y(t)=A1×sin(2πV×t)+A2×cos(2πV×t) 公式(1)
其中,t表示经纪人的入职时长(月数等);Y(t)表示在入职时长为t的情况下,单位时间(可以根据实际应用场景进行设置,例如,一天、一周、一月等)完成的业务量;A1、A2和V为傅里叶变换的参数,在应用过程中进行拟合获得或根据实际应用场景进行设置,并且,不同类型的数据对应不同的A1、A2和V;即,对于每种类型的任务生成相应的一个预测成长路径。
步骤1042,基于至少一个预测成长路径中每个预测成长路径,确定当前经纪人对应每种类型的任务的数量。
其中,至少一种类型的任务的数量的和为m。
通过每个预测成长路径可确定每种类型的任务对应的数量,综合至少一种类型的任务的数量即为当前经纪人对应的预测任务数量m,本实施例根据不同的入职时长和不同的经纪人的等级和水平对经纪人进行不同阶段的成长能力(能完成的业务数量)进行预测从而形成经纪人的一套成长轨迹。实现了经纪人分阶段;经纪人的阶段刻画;经纪人的成长轨迹预测;经纪人成长轨迹规划;并且,经纪人在不同业务上是不同的阶段水平:本实施例通过每种类型的任务确定对应的预测成长路径,确定经纪人每个阶段应该完成什么样的业务目标。
可选地,本实施例提供的方法还可以包括:
获得在第一设定周期内,当前经纪人完成的n个任务中每种类型任务的任务完成数量;
基于每种类型任务的任务完成数量,对每种类型任务对应的成长模型进行调整。
本实施例中,在基于预测成长轨迹分配了任务之后,根据经纪人的实际完成的任务数量可以返回对成长模型中的参数(例如,对公式(1)中的A1、A2和V进行调整)进行调整,以使调整后的成长模型更适合该经纪人的实际能力。
如图4所示,在上述图1所示实施例的基础上,步骤106可包括如下步骤:
步骤1061,利用评分模型对m个任务进行分值预测,得到预测提分值。
本实施例中的评分模型可以是现有技术中的评分模型,或者针对每种不同类型的任务分别提供对应任务类型的评分模型。
例如,在一些可选示例中,基于至少一个评分模型对至少一种类型任务进行评分处理,为每种类型任务确定对应的任务评分。再对至少一个任务评分执行加权求和,得到当前经纪人的综合评分。
本实施例中,对至少一个类型任务执行加权求和,每个类型任务对应的权重值可以通过预先设定,或根据在对评分模型训练的同时对每个权重值进行调整,通过调整使每个类型任务对应的权重值更合理,使得到的综合评分更能体现对经纪人的评价。
通过评分模型对对应的类型任务分别进行评分处理,可针对每种类型任务确定一个任务评分,其中,每种评分模型可以对应至少一种类型任务;例如,对离散型的至少一种类型任务执行映射,得到对应的任务评分。
为了实现对当前经纪人的评价,可选地,可将至少一个任务评分累加(或加权求和等)确定一个综合评分,以综合评分作为当前经纪人的评价分;通常综合评分越高,表示对该当前经纪人的评价越好。
在一些可选的实施例中,还可以包括:
基于训练数据集对至少一个评分模型进行训练。
其中,训练数据集中包括多个样本经纪人组,每个样本经纪人组包括已知评分高低排序的多个样本经纪人。
可选地,每个评分模型中包括多个参数,为了提高评分模型的评分准确性,本实施例在利用评分模型进行评分之前,对评分模型中的参数进行调整,以使每个评分模型更适合经纪人评分处理,其中,评分模型训练的监督信息为已知的人为评分高度排序和/或好坏评价结果,例如,管理人员对样本经纪人组中包括的1、2、3(分别表示3个不同编号的样本经纪人)三个经纪人按好坏程度排序为:2、3、1;除了管理人员,已知评分高低排序还可以基于合作人(合作经纪人)和/或客户对样本经纪人的评价确定,或者,综合管理人员、合作人、客户对样本经纪人的评价,得到已知评分高低排序。
在一可选实施例中,基于训练数据集对至少一种评分模型进行训练可包括如下步骤:
基于至少一个评分模型,确定样本经纪人组中每个样本经纪人对应预测综合评分。
本实施例首先基于评分模型对样本经纪人组中每个样本经纪人进行评分预测,每个预测综合评分可基于多个评分模型对应的预测评分值确定,该预测过程与实际应用的预测过程类似。
基于每个样本经纪人对应预测综合评分,确定样本经纪人组中多个样本经纪人的预测排序。
当确定了样本经纪人组中每个样本经纪人的预测综合评分后,可按照预测综合评分从大到小或从小到大对多个样本经纪人进行排序,可选地,按照从大到小对预测综合评分进行排序,确定样本经纪人组对应的预测排序。
基于预测排序和样本经纪人组对应的已知排序,确定模型损失。
基于模型损失调整至少一种评分模型的模型参数。
本实施例中的至少一种评分模型中的每种评分模型可以是一个深度神经网络或一个计算函数,当确定一个模型损失之后,可通过反向梯度传播方式对深度神经网络中的网络参数进行调整,实现深度神经网络的训练;而当评分模型为计算函数时,可基于模型损失对计算函数对应的公式中的参数进行调整,使逻辑运算对应的模型损失符合训练要求(例如,模型损失小于设定值等)。
本实施例基于预测排序与已知排序之间的差异,可确定至少一个评分模型的评分准确性,并通过模型损失对每个评分模型中的参数进行调整,以使每个评分模型能更准确的进行评分,提高了基于评分模型确定的综合评分的准确性,使基于评分模型确定的预测综合评分更接近真实评价,减少了人为参与的同时,提高了评价准确性。
可选地,基于预测排序和样本经纪人组对应的已知排序,确定模型损失,可包括如下步骤:
基于样本经纪人组中包括的样本经纪人的数量,以及每个样本经纪人在预测排序和已知排序中的匹配程度,确定至少一个评分模型的准确系数。
可选地,可基于以下公式(2)确定评分模型的准确系数:
其中,k表示准确系数,n表示样本经纪人组中包括的样本经纪人的数量;p表示在预测排序中每个样本经纪人之后包括的样本经纪人在已知排序中同样是该样本经纪人之后的样本经纪人的数量的和,例如,以1、2、3、4分别表示4个样本经纪人(即,该示例中样本经纪人组包括4个样本经纪人),预测排序为:2、1、4、3,已知排序为:1、2、3、4;此时,对于样本经纪人2:在预测排序中在2之后的是1、4、3,在已知排序中排序在2之后是3、4,取并集得到3和4,即,数量为2;在预测排序中在1之后的是4、3,在已知排序中排序在1之后的是2、3、4,取并集得到3和4,即,数量为2;在预测排序中在4之后的是3,在已知排序中排序在4之后没有经纪人,取并集为空,即,数量为0;在预测排序中在3之后没有经纪人,在已知排序中排序在3之后的是4,取并集为空,即,数量为0;因此,在该例子中,p=2+2+0+0=4,n为4,此时,计算得到准确系数为2/3。
基于预测综合评分,确定极值准确率。
可选地,极值可以是同时是好经纪人以及同时是坏经纪人的评价结果的数量,极值准确率可以表示预测综合评分确定是好经纪人的样本经纪人在已知评价结果中也是好经纪人,以及预测综合评分确定是坏经纪人的样本经纪人在已知评价结果中也是坏经纪人的概率。
可选地,每个样本经纪人还包括已知评价结果;已知评价结果表示样本经纪人是否为好经纪人;
确定极值准确率可以包括:
基于预测综合评分与预设评分阈值进行比较,确定样本经纪人组中每个样本经纪人的预测评价结果;基于预测评价结果与已知评价结果之间的差异,确定极值准确率。
可选地,本实施例通过预设评分阈值确定每个样本经纪人是否为好经纪人,例如,将预测综合评分大于或等于预设评分阈值的样本经纪人的预测评价结果确定为好经纪人,将预测综合评分小于预设评分阈值的样本经纪人的预测评价结果确定为坏经纪人;可选地,确定极值准确率可基于以下公式(3)实现:
其中,jz表示极值准确率;n表示样本经纪人组中包括的样本经纪人的数量;s1表示在预测评价结果和已知评价结果中同时表示为好经纪人的样经纪人的数量;s2表示在预测评价结果和已知评价结果中同时表示为坏经纪人的样经纪人的数量;例如,在一个示例中,以1、2、3、4分别表示4个样本经纪人(即,该示例中样本经纪人组包括4个样本经纪人),已知评价结果表示4个样本经纪人都是好经纪人,而预测评价结果表示有3个样本经纪人是好经纪人,有一个样本经纪人是坏经纪人,此时,n为4,s1为3,s2为0,计算后,得到极值准确率为75%。
基于准确系数与设定系数之间的差值,以及极值准确率与设定准确率之间的差值,确定模型损失。
本实施例中,希望准确系数趋近设定系数,设定系数的取值可根据实际情况进行设置,例如,设定系数设置为1,此时希望准确系数趋近1;同样的,设定准确率的取值同样可根据实际情况进行设置,例如,设定准确率设置为1,此时,希望极值准确率趋近1;可选地,当评分模型为深度神经网络时,可基于模型损失采用反向梯度传播的方法实现对至少一个评分模型的训练,当模型损失小于一个设定损失值时,说明至少一个评分模型的准确率达到要求,此时,可停止训练,以训练后的至少一个评分模型对经纪人的类型任务进行评分处理。
步骤1062,基于预测提分值和当前评分值,确定当前经纪人对应的预测分值。
本实施例通过对任务进行预测,可得到完整m个任务时当前经纪人可获得的预测提分值,可选地,将当前评分值与预测提分值的和,作为当前经纪人完成了m个任务之后在第一设定周期之后可得到的预测分值。
如图5所示,在上述图1所示实施例的基础上,步骤108可包括如下步骤:
步骤1081,确定预测分值与目标分值之间的差值与设定阈值之间的关系;当差值大于或等于设定阈值,执行步骤1082;当差值小于设定阈值,执行步骤1083。
步骤1082,基于m个任务为当前经纪人分配n个任务。
步骤1083,不为当前经纪人分配任务。
本实施例中,设定阈值可以根据实际应用场景进行设置,差值可以以预测分值减去目标分值得到,在实际应用中,可选地,当预测分值与目标分值接近即可认为任务分配是合理的,根据该要求,可设置设定阈值为负值,即,差值不小于该负值即可认为任务分配是合理的;例如,预测分值为80分,目标分值为100分,设定阈值为-30分,此时,差值为-20,可认为达到提分目的,任务分配是合理的;此时可根据m个任务为当前经纪人分配m个任务的至少部分任务;而如果当差值小于设定阈值,说明任务分配不合理,不基于m个任务为当前经纪人分配任务,即n为0。
可选地,上述实施例中步骤1082可以包括:
对m个任务进行排序,得到第一序列;
按照第一序列,将m个任务中的n个任务分配给当前经纪人。
其中,n小于等于m,可选地,n个任务为在第一序列中的前n个任务。
本实施例对于任务分配的先后,可根据经纪人的情况和任务的情况对任务进行排序,以优先为当前经纪人分配更容易提分的任务,以提高经纪人完成任务的积极性,使经纪人提分效率更高。
可选地,对m个任务进行排序,得到第一序列可以包括:
基于当前评分值,确定至少一种类型的任务中每种类型的任务对应的子评分值;和/或,基于预测分值,确定m个任务中每种类型的任务对应的子预测分值;
基于m个任务中每个任务对应的子评分值和/或子预测分值,确定m个任务的排序,得到第一序列。
本实施例中,对于任务的排序基于以下两个方面中的至少一个方面:一方面,根据经纪人的短板给经纪人优先派发一些比较弱的任务供经纪人选择;经纪人短板表示:经纪人业务指标与目标值差异度(差异度越大,越短板),例如,可基于当前评分值中每种类型的任务对应的子评分值中较小的子评分值作为当前经纪人的短板任务;另一方面,根据任务提分的难度,给经纪人优先派发一些容易提分的任务供经纪人选择;提分难度表示:单位时间(例如,一个月等)提升分数越多表示难度越低,反之,单位时间提升分数越少表示难度越高;本实施例对m个任务按照提分的难易程度进行排序,提高了经纪人选择这些任务去完成的概率,减小了经纪人成长的难度。
另外,本实施例提供的方法,还可以通过可视化对任务分配以及经纪人选择情况进行查看;例如,在其中,显示覆盖率、参与率、参加率、领取率、通关率、完成率、完成度等指标;其中,覆盖率表示任务分配的覆盖程度:有任务经纪人数(没有任务是没有通过本实施例方法分配任务的经纪人人)/候选经纪人;参与率表示所有经纪人(包括未分配任务的经纪人)中对分配的任务去执行的程度:领取任务经纪人数/候选经纪人;参加率表示经纪人对分配的任务去执行的程度:领取任务经纪人数/候选经纪人中有任务经纪人数;领取率:任务领取达到2个经纪人数/候选经纪人中有任务经纪人数;通关率:领取2个任务并且都完成的经纪人数/候选经纪人中有任务经纪人数;完成率:完成任务量/领取任务量;完成度:所有领取任务的任务被完成的平均完成率。
本公开实施例提供的任一种任务分配方法可以由任意适当的具有数据处理能力的设备执行,包括但不限于:终端设备和服务器等。或者,本公开实施例提供的任一种任务分配方法可以由处理器执行,如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种任务分配方法。下文不再赘述。
示例性装置
图6是本公开一示例性实施例提供的任务分配装置的结构示意图。如图6所示,本实施例提供的装置包括:
目标分值确定模块61,用于基于当前经纪人在当前时间点的当前评分值,确定当前经纪人对应的目标分值。
任务预测模块62,用于基于当前经纪人的入职时长,确定当前经纪人在第一设定周期内对应的m个任务。
其中,第一设定周期在当前时间点之后的设定时间段,m为大于0的整数。
分值预测模块63,用于基于当前经纪人对应的m个任务和当前评分值,确定当前经纪人对应的预测分值。
任务分配模块64,用于基于预测分值与目标分值的匹配程度,为当前经纪人分配n个任务。
其中,n为大于等于0的整数。
本公开上述实施例提供的一种任务分配装置,基于当前经纪人在当前时间点的当前评分值,确定所述当前经纪人对应的目标分值;基于所述当前经纪人的入职时长,确定所述当前经纪人在第一设定周期内对应的m个任务;其中,所述第一设定周期在所述当前时间点之后,所述m为大于0的整数;基于所述当前经纪人对应的m个任务和所述当前评分值,确定所述当前经纪人对应的预测分值;基于所述预测分值与所述目标分值的匹配程度,为所述当前经纪人分配n个任务;其中,所述n为大于等于0的整数;本实施例以目标分值作为经纪人的提升目标,根据该目标分值结合经纪人在设定周期内能完成的任务数量,为经纪人分配相应的任务,使经纪人在可以完成任务的前提下实现分数提升,根据自动任务分配实现了经纪人的成长。
可选地,目标分值确定模块61,具体用于确定当前经纪人在当前时间点的当前评分值;根据当前评分值从评分层集合中,确定当前经纪人对应的第一评分层;其中,评分层集合中包括多个评分层,每两个相邻的评分层之间间隔设定大小的分值;基于在评分层集合中与第一评分层相邻的第二评分层对应的分值,确定当前经纪人对应的目标分值。
可选地,目标分值确定模块61在基于在评分层集合中与第一评分层相邻的第二评分层对应的分值,确定当前经纪人对应的目标分值时,用于以第二评分层对应的分值作为初始分值;从历史数据库中预存的至少一个历史经纪人中,确定与当前经纪人匹配的至少一个历史经纪人;基于匹配的至少一个历史经纪人在第一设定周期内的评分值和初始分值,确定目标分值。
可选地,任务包括至少一种类型的任务;
任务预测模块62,具体用于基于当前经纪人的入职时长,利用至少一个成长模型对当前经纪人进行成长路径预测,得到当前经纪人对应的至少一个预测成长路径;其中,每个成长模型对应一种类型的任务;基于至少一个预测成长路径中每个预测成长路径,确定当前经纪人对应每种类型的任务的数量;其中,至少一种类型的任务的数量的和为m。
可选地,任务预测模块62,还用于获得在第一设定周期内,当前经纪人完成的n个任务中每种类型任务的任务完成数量;基于每种类型任务的任务完成数量,对每种类型任务对应的成长模型进行调整。
可选地,分值预测模块63,具体用于利用评分模型对m个任务进行分值预测,得到预测提分值;基于预测提分值和当前评分值,确定当前经纪人对应的预测分值。
可选地,任务分配模块64,具体用于确定预测分值与目标分值之间的差值与设定阈值之间的关系;响应于差值大于或等于设定阈值,基于m个任务为当前经纪人分配n个任务;响应于差值小于设定阈值,不为当前经纪人分配任务。
可选地,任务分配模块64在基于m个任务为当前经纪人分配n个任务时,用于对m个任务进行排序,得到第一序列;按照第一序列,将m个任务中的n个任务分配给当前经纪人;其中,n小于等于所述m。
可选地,任务分配模块64在对m个任务进行排序,得到第一序列时,用于基于当前评分值,确定至少一种类型的任务中每种类型的任务对应的子评分值;和/或,基于预测分值,确定m个任务中每种类型的任务对应的子预测分值;基于m个任务中每个任务对应的子评分值和/或子预测分值,确定m个任务的排序,得到第一序列。
示例性电子设备
下面,参考图7来描述根据本公开实施例的电子设备。该电子设备可以是第一设备100和第二设备200中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
图7图示了根据本公开实施例的电子设备的框图。
如图7所示,电子设备70包括一个或多个处理器71和存储器72。
处理器71可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备70中的其他组件以执行期望的功能。
存储器72可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器71可以运行所述程序指令,以实现上文所述的本公开的各个实施例的任务分配方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备70还可以包括:输入装置73和输出装置74,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,在该电子设备是第一设备100或第二设备200时,该输入装置73可以是上述的麦克风或麦克风阵列,用于捕捉声源的输入信号。在该电子设备是单机设备时,该输入装置73可以是通信网络连接器,用于从第一设备100和第二设备200接收所采集的输入信号。
此外,该输入装置73还可以包括例如键盘、鼠标等等。
该输出装置74可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出装置74可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备70中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备70还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的任务分配方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的任务分配方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种任务分配方法,其特征在于,包括:
基于当前经纪人在当前时间点的当前评分值,确定所述当前经纪人对应的目标分值;
基于所述当前经纪人的入职时长,确定所述当前经纪人在第一设定周期内对应的m个任务;其中,所述第一设定周期为所述当前时间点之后的设定时间段,所述m为大于0的整数;
基于所述当前经纪人对应的m个任务和所述当前评分值,确定所述当前经纪人对应的预测分值;包括:利用评分模型对所述m个任务进行分值预测,得到预测提分值;将所述预测提分值与所述当前评分值的和,确定所述当前经纪人对应的预测分值;
基于所述预测分值与所述目标分值的匹配程度,为所述当前经纪人分配n个任务;其中,所述n为大于等于0的整数。
2.根据权利要求1所述的方法,其特征在于,所述基于当前经纪人在当前时间点的当前评分值,确定所述当前经纪人对应的目标分值,包括:
确定所述当前经纪人在当前时间点的当前评分值;
根据所述当前评分值从评分层集合中,确定所述当前经纪人对应的第一评分层;其中,所述评分层集合中包括多个评分层,每两个相邻的所述评分层之间间隔设定大小的分值;
基于在所述评分层集合中与所述第一评分层相邻的第二评分层对应的分值,确定所述当前经纪人对应的目标分值。
3.根据权利要求2所述的方法,其特征在于,所述基于在所述评分层集合中与所述第一评分层相邻的第二评分层对应的分值,确定所述当前经纪人对应的目标分值,包括:
以所述第二评分层对应的分值作为初始分值;
从历史数据库中预存的至少一个历史经纪人中,确定与所述当前经纪人匹配的至少一个历史经纪人;
基于所述匹配的至少一个历史经纪人在所述第一设定周期内的评分值和所述初始分值,确定所述目标分值。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述任务包括至少一种类型的任务;
所述基于所述当前经纪人的入职时长,确定所述当前经纪人在第一设定周期内对应的m个任务,包括:
基于所述当前经纪人的入职时长,利用至少一个成长模型对所述当前经纪人进行成长路径预测,得到所述当前经纪人对应的至少一个预测成长路径;其中,每个所述成长模型对应一种类型的任务;
基于所述至少一个预测成长路径中每个所述预测成长路径,确定所述当前经纪人对应每种类型的任务的数量;其中,所述至少一种类型的任务的数量的和为m。
5.根据权利要求4所述的方法,其特征在于,还包括:
获得在所述第一设定周期内,所述当前经纪人完成的所述n个任务中每种类型任务的任务完成数量;
基于所述每种类型任务的任务完成数量,对所述每种类型任务对应的所述成长模型进行调整。
6.根据权利要求4所述的方法,其特征在于,所述基于所述预测分值与所述目标分值的匹配程度,为所述当前经纪人分配n个任务,包括:
确定所述预测分值与所述目标分值之间的差值与设定阈值之间的关系;
响应于所述差值大于或等于所述设定阈值,基于所述m个任务为所述当前经纪人分配n个任务;
响应于所述差值小于所述设定阈值,不为所述当前经纪人分配任务。
7.根据权利要求6所述的方法,其特征在于,所述基于所述m个任务为所述当前经纪人分配n个任务,包括:
对所述m个任务进行排序,得到第一序列;
按照所述第一序列,将所述m个任务中的n个任务分配给所述当前经纪人;其中,所述n小于等于所述m。
8.根据权利要求7所述的方法,其特征在于,所述对所述m个任务进行排序,得到第一序列,包括:
基于所述当前评分值,确定所述至少一种类型的任务中每种类型的任务对应的子评分值;和/或,基于所述预测分值,确定所述m个任务中每种类型的任务对应的子预测分值;
基于所述m个任务中每个任务对应的所述子评分值和/或所述子预测分值,确定所述m个任务的排序,得到所述第一序列。
9.一种计算机程序产品,所述计算机程序产品包括计算机程序,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1-8中任一项所述的任务分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873323.1A CN113570258B (zh) | 2021-07-30 | 2021-07-30 | 任务分配方法和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873323.1A CN113570258B (zh) | 2021-07-30 | 2021-07-30 | 任务分配方法和计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570258A CN113570258A (zh) | 2021-10-29 |
CN113570258B true CN113570258B (zh) | 2024-04-12 |
Family
ID=78169563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110873323.1A Active CN113570258B (zh) | 2021-07-30 | 2021-07-30 | 任务分配方法和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570258B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107277281A (zh) * | 2017-06-21 | 2017-10-20 | 北京环球国广媒体科技有限公司 | 呼叫中心分配客户电话的方法及系统 |
CN108388972A (zh) * | 2018-01-10 | 2018-08-10 | 链家网(北京)科技有限公司 | 一种综合技能评估方法及装置 |
CN109636227A (zh) * | 2018-12-21 | 2019-04-16 | 拉扎斯网络科技(上海)有限公司 | 任务分配方法、装置、电子设备及计算机可读存储介质 |
CN110930179A (zh) * | 2019-10-18 | 2020-03-27 | 深圳市云积分科技有限公司 | 任务评估方法、系统、设备和计算机可读存储介质 |
CN111340380A (zh) * | 2020-03-03 | 2020-06-26 | 深圳市海那边科技有限公司 | 客户资源分配方法、装置以及存储介质 |
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 |
CN112508331A (zh) * | 2020-10-30 | 2021-03-16 | 五八到家有限公司 | 劳动者资源分配方法、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10430239B2 (en) * | 2016-08-24 | 2019-10-01 | Clari Inc. | Method and system for predicting task completion of a time period based on task completion rates of prior time periods using machine learning |
-
2021
- 2021-07-30 CN CN202110873323.1A patent/CN113570258B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107277281A (zh) * | 2017-06-21 | 2017-10-20 | 北京环球国广媒体科技有限公司 | 呼叫中心分配客户电话的方法及系统 |
CN108388972A (zh) * | 2018-01-10 | 2018-08-10 | 链家网(北京)科技有限公司 | 一种综合技能评估方法及装置 |
CN109636227A (zh) * | 2018-12-21 | 2019-04-16 | 拉扎斯网络科技(上海)有限公司 | 任务分配方法、装置、电子设备及计算机可读存储介质 |
CN110930179A (zh) * | 2019-10-18 | 2020-03-27 | 深圳市云积分科技有限公司 | 任务评估方法、系统、设备和计算机可读存储介质 |
CN111340380A (zh) * | 2020-03-03 | 2020-06-26 | 深圳市海那边科技有限公司 | 客户资源分配方法、装置以及存储介质 |
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 |
CN112508331A (zh) * | 2020-10-30 | 2021-03-16 | 五八到家有限公司 | 劳动者资源分配方法、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
resource brokering using a multi-site resource allocation strategy for computational grids;Chao-Tung Yang, 等;《Concurrency and Computation:Practice and Experience》;第23卷(第6期);第573-594页 * |
基于协同过滤的空间众包任务分配方法研究;郭玉超;《中国优秀硕士学位论文全文数据库信息科技辑》(第8期);第I138-1257页 * |
基于工人兴趣的众包任务分配算法研究;宋锐;《中国优秀硕士学位论文全文数据库信息科技辑》(第3期);第I138-906页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113570258A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106020941B (zh) | 选择资源分配策略和解决资源冲突的方法 | |
CN111291266A (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
CN110192393A (zh) | 大规模的实时视频分析 | |
CN109299245B (zh) | 知识点召回的方法和装置 | |
CN106156092B (zh) | 数据处理方法及装置 | |
CN110866767A (zh) | 电信用户满意度的预测方法、装置、设备及介质 | |
CN113326126A (zh) | 任务处理方法、任务调度方法、装置及计算机设备 | |
CN108446382A (zh) | 用于推送信息的方法和装置 | |
CN112667805B (zh) | 一种工单类别确定方法、装置、设备及介质 | |
CN110650170B (zh) | 用于推送信息的方法和装置 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN111241992A (zh) | 人脸识别模型构建方法、识别方法、装置、设备及存储介质 | |
CN113869596A (zh) | 任务预测处理方法、设备、产品和介质 | |
CN113570258B (zh) | 任务分配方法和计算机程序产品 | |
WO2019127822A1 (zh) | 品牌宣传项目管理方法、装置、终端设备及存储介质 | |
CN113379124A (zh) | 基于预测模型的人员稳定性预测方法及装置 | |
CN112733034A (zh) | 内容推荐方法、装置、设备及存储介质 | |
CN109145207B (zh) | 一种基于分类指标预测的信息个性化推荐方法及装置 | |
CN116028788A (zh) | 特征分箱方法、装置、计算机设备及存储介质 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN115002049A (zh) | 资源分配的方法及装置 | |
CN116842936A (zh) | 关键词识别方法、装置、电子设备和计算机可读存储介质 | |
CN112818241A (zh) | 一种内容推广方法、装置、计算机设备和存储介质 | |
CN109951314B (zh) | 机房端口自动分配方法、电子装置及存储介质 | |
CN116415839B (zh) | 一种基于可解释机器学习的众包任务分配方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240305 Address after: Room 102, floor 1, building 1, No. 2, Chuangye Road, Haidian District, Beijing 100085 Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Country or region after: China Address before: 101300 room 24, 62 Farm Road, Erjie village, Yangzhen Town, Shunyi District, Beijing Applicant before: Beijing fangjianghu Technology Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |