CN113746990B - 一种ai人机交互后转人人交互的外呼预测系统及方法 - Google Patents

Abstract

本发明涉及外呼预测，具体涉及一种AI人机交互后转人人交互的外呼预测系统及方法，AI预测指标收集模块，收集通话在外呼阶段、人机交互阶段和人人交互阶段的状态指标，为AI预测核心算法模块提供数据支持；AI预测核心算法模块，基于AI预测指标收集模块收集的状态指标进行外呼量的预测；AI机器人外呼控制模块，接收外呼量数据并组装成真实外呼需要的数据格式，调用AI机器人外呼控制组件发起外呼；AI人机对话流程控制模块，在人机对话流程中根据业务场景定义相关人机对话流程节点，并在人机对话进程中判断客户是否为目标客户；本发明提供的技术方案能够克服现有技术所存在的无法对目标客户进行有效筛选、不能合理预测外呼量的缺陷。

Description

一种AI人机交互后转人人交互的外呼预测系统及方法

技术领域

本发明涉及外呼预测，具体涉及一种AI人机交互后转人人交互的外呼预测系统及方法。

背景技术

目前，市场现有的外呼预测方案主要基于传统外呼模式，即电话接通后，直接转人工坐席。随着AI技术的飞速发展，以及AI电话机器人的出现，AI电话机器人能够在电话接通后先与客户进行对话，对客户进行筛选，并将满足筛选条件的客户实时转接至人工坐席，由人工坐席进一步处理。

然而，随着AI机器人的介入，传统外呼预测方案对现有包含AI机器人的外呼模式并不适用。在现有包含AI机器人的外呼模式下，如果同时转接至人工坐席的电话量超过空闲坐席数，则会导致客户在排队过程中挂机；如果长时间没有电话转接至人工坐席，则会导致大量坐席空闲的问题出现。

发明内容

(一)解决的技术问题

针对现有技术所存在的上述缺点，本发明提供了一种AI人机交互后转人人交互的外呼预测系统及方法，能够有效克服现有技术所存在的无法对目标客户进行有效筛选、不能合理预测外呼量的缺陷。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种AI人机交互后转人人交互的外呼预测系统，包括AI预测外呼控制模块、AI预测指标收集模块、AI预测核心算法模块、AI机器人外呼控制模块、AI人机对话流程控制模块和坐席CTI平台；

AI预测指标收集模块，收集通话在外呼阶段、人机交互阶段和人人交互阶段的状态指标，为AI预测核心算法模块提供数据支持；

AI预测核心算法模块，基于AI预测指标收集模块收集的状态指标进行外呼量的预测；

AI机器人外呼控制模块，接收外呼量数据并组装成真实外呼需要的数据格式，调用AI机器人外呼控制组件发起外呼；

AI人机对话流程控制模块，在人机对话流程中根据业务场景定义相关人机对话流程节点，并在人机对话进程中判断客户是否为目标客户，同时将目标客户转接至坐席CTI平台；

坐席CTI平台，用于为目标客户提供人人交互；

AI预测外呼控制模块，用于周期性调用AI预测指标收集模块收集预测外呼量需要的状态指标，调用AI预测核心算法模块进行外呼量的预测，并根据预测的外呼量调用AI机器人外呼控制模块发起外呼。

优选地，所述AI预测核心算法模块对外呼量进行预测，包括：

计算N秒后坐席挂断当前通话的空闲坐席数S：

S＝count((坐席接通通话时间+坐席平均通话时长)＜(发起当前批次外呼的时间+N))；

基于N秒后坐席挂断当前通话的空闲坐席数S计算临时外呼量T：

T＝(((当前空闲坐席数-外呼通话等待接通数*外呼通话接通率*人机交互后通话转人工率-正在人机交互通话数*人机交互后通话转人工率)+S)/外呼通话接通率/人机交互后通话转人工率)*人工干预系数/(1-转人工中途挂机率)；

基于临时外呼量T对外呼量C进行预测：

C＝T-溢出率*T；

其中，N为发起外呼经过人机交互后通话转人工的时长，人工干预系数为人工设定的使外呼量C计算结果位于预测范围内的系数，溢出率为人机交互后通话转人工未接听率。

优选地，所述AI预测指标收集模块在AI机器人外呼控制模块、AI人机对话流程控制模块和坐席CTI平台中设置状态指标收集组件。

优选地，所述状态指标收集组件采用事件通知的方式收集状态指标，每个通话进入所述状态指标收集组件中相应点位，触发相关事件推送给所述状态指标收集组件。

优选地，所述AI预测指标收集模块采集的时间类状态指标包括外呼通话等待接通时长、人机交互时长、坐席通话时长；

所述AI预测指标收集模块采集的数据类状态指标包括外呼通话接通率、人机交互中途挂机率、人机交互后通话转人工率、转人工中途挂机率、N秒后的预测空闲坐席数；

所述AI预测指标收集模块采集的效果类状态指标包括空闲坐席数量、坐席等待时长、溢出率。

优选地，所述AI机器人外呼控制模块在通话结束后，解析通信事件并转化为通话话单发送给状态指标收集组件。

优选地，所述AI机器人外呼控制模块内置有并发控制模块、任务调度控制模块，所述并发控制模块用于防止因并发超限导致外呼失败，所述任务调度控制模块用于允许暂停外呼或设定工作时间。

优选地，所述AI人机对话流程控制模块在人机对话进程中通过AI语义分析理解客户意图，并跳转到不同流程节点；若跳转到意向流程节点，则判断该客户为目标客户。

优选地，所述AI人机对话流程控制模块实时向状态指标收集组件推送通话过程中人机交互阶段的状态指标；所述坐席CTI平台实时向状态指标收集组件推送通话过程人人交互阶段的状态指标。

一种AI人机交互后转人人交互的外呼预测方法，包括以下步骤：

S1、AI预测外呼控制模块周期性调用AI预测指标收集模块，AI预测指标收集模块收集预测外呼量需要的状态指标；

S2、AI预测外呼控制模块调用AI预测核心算法模块，AI预测核心算法模块基于状态指标进行外呼量的预测；

S3、AI预测外呼控制模块根据预测的外呼量调用AI机器人外呼控制模块发起外呼；

S4、AI机器人外呼控制模块将接通的外呼通话转接至AI人机对话流程控制模块，进行AI人机交互；

S5、AI人机对话流程控制模块在人机对话进程中通过AI语义分析理解客户意图，并将跳转到意向流程节点的目标客户转接至坐席CTI平台；

S6、坐席CTI平台将通话接入空闲坐席，进行人人交互。

(三)有益效果

与现有技术相比，本发明所提供的一种AI人机交互后转人人交互的外呼预测系统及方法，通过“外呼预测+AI机器人”的模式，一方面AI人机对话流程控制模块在人机对话进程中通过AI语义分析理解客户意图，并只将有意向的目标客户转接至人工坐席，有效提高人工坐席的工作效率；另一方面，AI预测核心算法模块基于AI预测指标收集模块收集的状态指标对外呼量进行预测，实现对外呼量的合理设置，既能够减少客户在转接人工坐席过程中的等待时间，同时又能够保证人工坐席的最大化使用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的系统和流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种AI人机交互后转人人交互的外呼预测系统，如图1所示，包括AI预测外呼控制模块、AI预测指标收集模块、AI预测核心算法模块、AI机器人外呼控制模块、AI人机对话流程控制模块和坐席CTI平台。

AI预测外呼控制模块，用于周期性调用AI预测指标收集模块收集预测外呼量需要的状态指标，调用AI预测核心算法模块进行外呼量的预测，并根据预测的外呼量调用AI机器人外呼控制模块发起外呼。

AI预测外呼控制模块负责整体预测外呼的流程调度，该模块负责接收外呼数据，进行外呼频率控制、外呼线路选择、调用AI机器人外呼控制模块发起外呼。

AI预测外呼控制模块通过API的方式接收客户需要的外呼数据，跟进外呼数据类型，同时周期性调用AI预测指标收集模块收集预测外呼量需要的状态指标。收集完成后，调用AI预测核心算法模块进行外呼量的预测，并根据预测的外呼量从待外呼数据队列中获取相应数据调用AI机器人外呼控制模块发起外呼。

AI预测指标收集模块，收集通话在外呼阶段、人机交互阶段和人人交互阶段的状态指标，为AI预测核心算法模块提供数据支持。

AI预测指标收集模块在AI机器人外呼控制模块、AI人机对话流程控制模块和坐席CTI平台中设置状态指标收集组件。状态指标收集组件采用事件通知的方式收集状态指标，每个通话进入状态指标收集组件中相应点位，触发相关事件推送给状态指标收集组件。

AI预测指标收集模块采集的状态指标包括时间类状态指标、数据类状态指标和效果类状态指标，各类状态指标具体如下：

AI预测指标收集模块采集的时间类状态指标包括外呼通话等待接通时长、人机交互时长、坐席通话时长；

AI预测指标收集模块采集的数据类状态指标包括外呼通话接通率、人机交互中途挂机率、人机交互后通话转人工率、转人工中途挂机率、N秒后的预测空闲坐席数；

AI预测指标收集模块采集的效果类状态指标包括空闲坐席数量、坐席等待时长、溢出率。

AI预测核心算法模块，基于AI预测指标收集模块收集的状态指标进行外呼量的预测。

AI预测核心算法模块对外呼量进行预测，包括：

计算N秒后坐席挂断当前通话的空闲坐席数S：

S＝count((坐席接通通话时间+坐席平均通话时长)＜(发起当前批次外呼的时间+N))；

基于N秒后坐席挂断当前通话的空闲坐席数S计算临时外呼量T：

T＝(((当前空闲坐席数-外呼通话等待接通数*外呼通话接通率*人机交互后通话转人工率-正在人机交互通话数*人机交互后通话转人工率)+S)/外呼通话接通率/人机交互后通话转人工率)*人工干预系数/(1-转人工中途挂机率)；

基于临时外呼量T对外呼量C进行预测：

C＝T-溢出率*T；

其中，N为发起外呼经过人机交互后通话转人工的时长，人工干预系数为人工设定的使外呼量C计算结果位于预测范围内的系数，溢出率为人机交互后通话转人工未接听率。

上述计算N秒后坐席挂断当前通话的空闲坐席数S的公式中，含义为：统计坐席接通通话时间、坐席平均通话时长之和小于发起当前批次外呼的时间、N之和的个数。人工干预系数就是人工干预临时外呼量T计算结果的系数，比如设定预测范围是以“百”为单位，就可以通过人工干预系数对临时外呼量T的计算结果进行人为放大。

AI机器人外呼控制模块，接收外呼量数据并组装成真实外呼需要的数据格式，调用AI机器人外呼控制组件发起外呼。

AI机器人外呼控制模块在通话结束后，解析通信事件并转化为通话话单发送给状态指标收集组件。AI机器人外呼控制模块内置有并发控制模块、任务调度控制模块，并发控制模块用于防止因并发超限导致外呼失败，任务调度控制模块用于允许暂停外呼或设定工作时间。

AI人机对话流程控制模块，在人机对话流程中根据业务场景定义相关人机对话流程节点，并在人机对话进程中判断客户是否为目标客户，同时将目标客户转接至坐席CTI平台；

坐席CTI平台，用于为目标客户提供人人交互。

AI人机对话流程控制模块在人机对话进程中通过AI语义分析理解客户意图，并跳转到不同流程节点；若跳转到意向流程节点，则判断该客户为目标客户。

AI人机对话流程控制模块实时向状态指标收集组件推送通话过程中人机交互阶段的状态指标；坐席CTI平台实时向状态指标收集组件推送通话过程人人交互阶段的状态指标。

本申请技术方案中，如图1所示，AI机器人外呼控制模块向状态指标收集组件推送外呼通话接通数量，AI人机对话流程控制模块向状态指标收集组件推送人机交互后转人工坐席的通话数量，坐席CTI平台向状态指标收集组件推送转人工坐席后溢出的通话数量(人机交互后通话转人工未接听数量)、转人工坐席后接通的通话数量和转人工坐席后挂机的通话数量。

一种AI人机交互后转人人交互的外呼预测方法，如图1所示，包括以下步骤：

S1、AI预测外呼控制模块周期性调用AI预测指标收集模块，AI预测指标收集模块收集预测外呼量需要的状态指标；

S2、AI预测外呼控制模块调用AI预测核心算法模块，AI预测核心算法模块基于状态指标进行外呼量的预测；

S3、AI预测外呼控制模块根据预测的外呼量调用AI机器人外呼控制模块发起外呼；

S4、AI机器人外呼控制模块将接通的外呼通话转接至AI人机对话流程控制模块，进行AI人机交互；

S5、AI人机对话流程控制模块在人机对话进程中通过AI语义分析理解客户意图，并将跳转到意向流程节点的目标客户转接至坐席CTI平台；

S6、坐席CTI平台将通话接入空闲坐席，进行人人交互。

以上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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种AI人机交互后转人人交互的外呼预测系统，其特征在于：包括AI预测外呼控制模块、AI预测指标收集模块、AI预测核心算法模块、AI机器人外呼控制模块、AI人机对话流程控制模块和坐席CTI平台；

AI预测指标收集模块，收集通话在外呼阶段、人机交互阶段和人人交互阶段的状态指标，为AI预测核心算法模块提供数据支持；

AI预测核心算法模块，基于AI预测指标收集模块收集的状态指标进行外呼量的预测；

机器人外呼控制模块，接收外呼量数据并组装成真实外呼需要的数据格式，调用AI机器人外呼控制组件发起外呼；

AI人机对话流程控制模块，在人机对话流程中根据业务场景定义相关人机对话流程节点，并在人机对话进程中判断客户是否为目标客户，同时将目标客户转接至坐席CTI平台；

坐席CTI平台，用于为目标客户提供人人交互；

AI预测外呼控制模块，用于周期性调用AI预测指标收集模块收集预测外呼量需要的状态指标，调用AI预测核心算法模块进行外呼量的预测，并根据预测的外呼量调用AI机器人外呼控制模块发起外呼；

其中，所述AI预测核心算法模块对外呼量进行预测，包括：计算N秒后坐席挂断当前通话的空闲坐席数S：

S＝count((坐席接通通话时间+坐席平均通话时长)＜(发起当前批次外呼的时间+N))；

基于N秒后坐席挂断当前通话的空闲坐席数S计算临时外呼量T：

T＝(((当前空闲坐席数-外呼通话等待接通数*外呼通话接通率*人机交互后通话转人工率-正在人机交互通话数*人机交互后通话转人工率)+S)/外呼通话接通率/人机交互后通话转人工率)*人工干预系数/(1-转人工中途挂机率)；

基于临时外呼量T对外呼量C进行预测：C＝T-溢出率*T；其中，N为发起外呼经过人机交互后通话转人工的时长，人工干预系数为人工设定的使外呼量C计算结果位于预测范围内的系数，溢出率为人机交互后通话转人工未接听率。

2.根据权利要求1所述的AI人机交互后转人人交互的外呼预测系统，其特征在于：所述AI预测指标收集模块在AI机器人外呼控制模块、AI人机对话流程控制模块和坐席CTI平台中设置状态指标收集组件。

3.根据权利要求2所述的AI人机交互后转人人交互的外呼预测系统，其特征在于：所述状态指标收集组件采用事件通知的方式收集状态指标，每个通话进入所述状态指标收集组件中相应点位，触发相关事件推送给所述状态指标收集组件。

4.根据权利要求2所述的AI人机交互后转人人交互的外呼预测系统，其特征在于：所述AI预测指标收集模块采集的时间类状态指标包括外呼通话等待接通时长、人机交互时长、坐席通话时长；

所述AI预测指标收集模块采集的数据类状态指标包括外呼通话接通率、人机交互中途挂机率、人机交互后通话转人工率、转人工中途挂机率、N秒后的预测空闲坐席数；

所述AI预测指标收集模块采集的效果类状态指标包括空闲坐席数量、坐席等待时长、溢出率。

5.根据权利要求3所述的AI人机交互后转人人交互的外呼预测系统，其特征在于：所述AI机器人外呼控制模块在通话结束后，解析通信事件并转化为通话话单发送给状态指标收集组件。

6.根据权利要求5所述的AI人机交互后转人人交互的外呼预测系统，其特征在于：所述AI机器人外呼控制模块内置有并发控制模块、任务调度控制模块，所述并发控制模块用于防止因并发超限导致外呼失败，所述任务调度控制模块用于允许暂停外呼或设定工作时间。

7.根据权利要求5所述的AI人机交互后转人人交互的外呼预测系统，其特征在于：所述AI人机对话流程控制模块在人机对话进程中通过AI语义分析理解客户意图，并跳转到不同流程节点；

若跳转到意向流程节点，则判断该客户为目标客户。

8.根据权利要求7所述的AI人机交互后转人人交互的外呼预测系统，其特征在于：所述AI人机对话流程控制模块实时向状态指标收集组件推送通话过程中人机交互阶段的状态指标；

所述坐席CTI平台实时向状态指标收集组件推送通话过程人人交互阶段的状态指标。

9.一种基于权利要求1-8中任意一项所述的AI人机交互后转人人交互的外呼预测方法，其特征在于：包括以下步骤：

S1、AI预测外呼控制模块周期性调用AI预测指标收集模块，AI预测指标收集模块收集预测外呼量需要的状态指标；

S2、AI预测外呼控制模块调用AI预测核心算法模块，AI预测核心算法模块基于状态指标进行外呼量的预测；

S3、AI预测外呼控制模块根据预测的外呼量调用AI机器人外呼控制模块发起外呼；

S4、AI机器人外呼控制模块将接通的外呼通话转接至AI人机对话流程控制模块，进行AI人机交互；

S5、AI人机对话流程控制模块在人机对话进程中通过AI语义分析理解客户意图，并将跳转到意向流程节点的目标客户转接至坐席CTI平台；

S6、坐席CTI平台将通话接入空闲坐席，进行人人交互；

其中，所述AI预测核心算法模块对外呼量进行预测，包括：计算N秒后坐席挂断当前通话的空闲坐席数S：

S＝count((坐席接通通话时间+坐席平均通话时长)＜(发起当前批次外呼的时间+N))；

基于N秒后坐席挂断当前通话的空闲坐席数S计算临时外呼量T：

T＝(((当前空闲坐席数-外呼通话等待接通数*外呼通话接通率*人机交互后通话转人工率-正在人机交互通话数*人机交互后通话转人工率)+S)/外呼通话接通率/人机交互后通话转人工率)*人工干预系数/(1-转人工中途挂机率)；

基于临时外呼量T对外呼量C进行预测：C＝T-溢出率*T；其中，N为发起外呼经过人机交互后通话转人工的时长，人工干预系数为人工设定的使外呼量C计算结果位于预测范围内的系数，溢出率为人机交互后通话转人工未接听率。

Images