CN113890948A - 基于语音外呼机器人对话数据的资源分配方法及相关设备 - Google Patents
基于语音外呼机器人对话数据的资源分配方法及相关设备 Download PDFInfo
- Publication number
- CN113890948A CN113890948A CN202111091756.8A CN202111091756A CN113890948A CN 113890948 A CN113890948 A CN 113890948A CN 202111091756 A CN202111091756 A CN 202111091756A CN 113890948 A CN113890948 A CN 113890948A
- Authority
- CN
- China
- Prior art keywords
- outbound
- data
- target operation
- classification
- processing
- 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 66
- 238000013468 resource allocation Methods 0.000 title claims description 67
- 238000012545 processing Methods 0.000 claims abstract description 124
- 230000003068 static effect Effects 0.000 claims abstract description 51
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/225—Feedback of the input speech
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Manipulator (AREA)
Abstract
本申请属于人工智能领域,涉及基于语音外呼机器人对话数据的资源分配方法及相关设备,所述方法包括:获取外呼对象集合以确定已完成目标操作和待完成目标操作的外呼对象;获取已完成目标操作的外呼对象的静态信息和动态信息,以得到多个处理字段对已完成目标操作的外呼对象进行分类和得到对应的第一处理数据;采用相同方式对待分配资源的外呼对象进行分类并得到对应的第二处理数据;基于第一处理数据和第二处理数据计算各个第二分类集合的预估结果数据,并以此筛选多个第二分类集合进行外呼资源分配。本申请还涉及区块链技术,对话历史数据、静态数据、动态数据可存储于区块链中。本申请可针对性对外呼对象分配外呼资源,提升语音外呼的效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及基于语音外呼机器人对话数据的资源分配方法、装置、计算机设备及存储介质。
背景技术
语音外呼机器人伴随人工智能的发展产生,随着自动语音识别技术ASR(Automatic Speech Recognition)、自然语言处理技术NLP(Natural LanguageProcessing)的不断发展,语音外呼机器人能够与被呼叫人流畅对话来完成指定目的。现有技术中尽管语音外呼机器人可以辅助人工通过电话的方式触达客户,并自动记录语音通话结果,但客户意向判断仍然由人工基于客户静态信息来完成,导致用户触达率低、用户质量低、及用户针对性不强,因而存在外呼效率低,浪费人力资源和语音外呼机器人资源的问题。
发明内容
本申请实施例的目的在于提出一种基于语音外呼机器人对话数据的资源分配方法、装置、计算机设备及存储介质,以解决现有技术中语音外呼时外呼效率低,浪费人力资源和语音外呼机器人资源的问题。
为了解决上述技术问题,本申请实施例提供一种基于语音外呼机器人对话数据的资源分配方法,采用了如下所述的技术方案:
一种基于语音外呼机器人对话数据的资源分配方法,包括下述步骤:
获取所述语音外呼机器人的外呼对象集合,从所述外呼对象集合中确定在第一预设时间段内已完成目标操作的外呼对象,并确定在第二预设时间段内待完成所述目标操作的外呼对象作为待分配资源的外呼对象;
获取各所述已完成目标操作的外呼对象的静态信息,并获取在所述第一预设时间段内各所述已完成目标操作的外呼对象的语音外呼机器人对话历史数据结果,通过预设的语音识别模型对所述语音外呼机器人对话历史数据结果实时识别并记录,根据识别的内容获取各所述已完成目标操作的外呼对象的动态信息;
根据所述已完成目标操作的外呼对象的静态信息和动态信息得到多个处理字段,选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类,得到多个第一分类集合,并重新选取多个所述处理字段,结合所述已完成目标操作的外呼对象的静态信息和动态信息,计算各所述第一分类集合对应的第一处理数据;
采用对所述已完成目标操作的外呼对象进行分类的分类方式,对所述待分配资源的外呼对象进行相同分类,得到多个第二分类集合,并获取所述待分配资源的静态信息和动态信息进行处理,得到第二处理数据;
基于所述第一处理数据和所述第二处理数据,计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据,并根据所述预估结果数据筛选多个所述第二分类集合,对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配。
为了解决上述技术问题,本申请实施例还提供一种基于语音外呼机器人对话数据的资源分配装置,采用了如下所述的技术方案:
一种基于语音外呼机器人对话数据的资源分配装置,包括:
外呼对象获取模块,用于获取所述语音外呼机器人的外呼对象集合,从所述外呼对象集合中确定在第一预设时间段内已完成目标操作的外呼对象,并确定在第二预设时间段内待完成所述目标操作的外呼对象作为待分配资源的外呼对象;
信息获取模块,用于获取各所述已完成目标操作的外呼对象的静态信息,并获取在所述第一预设时间段内各所述已完成目标操作的外呼对象的语音外呼机器人对话历史数据结果,通过预设的语音识别模型对所述语音外呼机器人对话历史数据结果实时识别并记录,根据识别的内容获取各所述已完成目标操作的外呼对象的动态信息;
第一数据处理模块,用于根据所述已完成目标操作的外呼对象的静态信息和动态信息得到多个处理字段,选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类,得到多个第一分类集合,并重新选取多个所述处理字段,结合所述已完成目标操作的外呼对象的静态信息和动态信息,计算各所述第一分类集合对应的第一处理数据;
第二数据处理模块,用于采用对所述已完成目标操作的外呼对象进行分类的分类方式,对所述待分配资源的外呼对象进行相同分类,得到多个第二分类集合,并获取所述待分配资源的静态信息和动态信息进行处理,得到第二处理数据;
资源分配模块,用于基于所述第一处理数据和所述第二处理数据,计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据,并根据所述预估结果数据筛选多个所述第二分类集合,对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的基于语音外呼机器人对话数据的资源分配方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的基于语音外呼机器人对话数据的资源分配方法的步骤。
与现有技术相比,本申请实施例提供的基于语音外呼机器人对话数据的资源分配方法、装置、计算机设备及存储介质主要有以下有益效果:
实现了对语音外呼机器人的对话历史数据进行处理来获得外呼对象的动态信息,结合外呼对象的静态信息和基于语音外呼机器人对话历史数据获得的动态信息实现外呼对象的分群定位,有利于针对性地对外呼对象分配外呼资源,提升语音外呼的效率,最终提高用户触达率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,下面描述中的附图对应于本申请的一些实施例,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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的基于语音外呼机器人对话数据的资源分配方法的一个实施例的流程图;
图3是根据本申请的基于语音外呼机器人对话数据的资源分配装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于语音外呼机器人对话数据的资源分配方法一般由服务器执行,相应地,基于语音外呼机器人对话数据的资源分配装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的基于语音外呼机器人对话数据的资源分配方法的一个实施例的流程图。所述的基于语音外呼机器人对话数据的资源分配方法包括以下步骤:
S201,获取所述语音外呼机器人的外呼对象集合,从所述外呼对象集合中确定在第一预设时间段内已完成目标操作的外呼对象,并确定在第二预设时间段内待完成所述目标操作的外呼对象作为待分配资源的外呼对象;
S202,获取各所述已完成目标操作的外呼对象的静态信息,并获取在所述第一预设时间段内各所述已完成目标操作的外呼对象的语音外呼机器人对话历史数据结果,通过预设的语音识别模型对所述语音外呼机器人对话历史数据结果实时识别并记录,根据识别的内容获取各所述已完成目标操作的外呼对象的动态信息;
S203,根据所述已完成目标操作的外呼对象的静态信息和动态信息得到多个处理字段,选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类,得到多个第一分类集合,并重新选取多个所述处理字段,结合所述已完成目标操作的外呼对象的静态信息和动态信息,计算各所述第一分类集合对应的第一处理数据;
S204,采用对所述已完成目标操作的外呼对象进行分类的分类方式,对所述待分配资源的外呼对象进行相同分类,得到多个第二分类集合,并获取所述待分配资源的静态信息和动态信息进行处理,得到第二处理数据;
S205,基于所述第一处理数据和所述第二处理数据,计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据,并根据所述预估结果数据筛选多个所述第二分类集合,对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配。
下面对上述步骤进行展开说明。
本申请实施例可以应用于外呼服务的场景,比如保险(寿险、车险等)服务外呼,便于理解,本申请实施例后续以车险服务外呼场景为例对各步骤进行解释说明。
对于步骤S201,本实施例中第一预设时间段为历史时间段,比如历史3个月,第二预设时间段为当前时间点至未来某一时间点之间的时间区段,比如未来3个月。获取所述语音外呼机器人的外呼对象集合可来自不同的数据源,包括已进行过外呼操作的外呼对象数据源和新增未进行过外呼操作的外呼对象数据源,从不同数据源中读取全部外呼对象形成外呼对象集合,再基于第一预设时间段和第二预设时间段两个时间条件,以及是否完成目标操作这一事件条件,得到已完成目标操作的外呼对象和待分配资源的外呼对象。其中待分配的资源可以是语音外呼机器人资源,或者人工资源,或者其它用于促成外呼对象执行目标操作的资源。其中目标操作可以是服务达成操作,比如车险客户完成车险服务领取、使用,此时车险客户即为外呼对象,车险服务领取、使用即目标操作。而未完成所述目标操作的外呼对象可能已执行过外呼操作,也可能从未执行外呼操作,满足前述时间条件和事件条件的都可以作为待分配资源的外呼对象。
在本实施例中,可以对外呼对象进行筛选来确定外呼对象集合,具体的,所述获取所述语音外呼机器人的外呼对象集合的步骤包括:获取多个数据源和筛选条件,从所述多个数据源中读取全部外呼对象,根据所述筛选条件对从所述多个数据源读取的外呼对象进行筛选,基于筛选结果生成所述外呼对象集合。其中筛选条件可以根据外呼场景具体设定,比如车险服务外呼场景可设定筛选条件为外呼对象是否为团体对象,若为团体对象则剔除。
对于步骤S202,本实施例中所述已完成目标操作的外呼对象的静态信息为外呼对象的固有属性信息,一般情况下不会发生变化,比如车险服务外呼场景,外呼对象的静态信息可以包括姓名、性别、年龄、所属地区、渠道来源(个体渠道、团体渠道、车商渠道等)、车牌、车型、车架等。
而所述已完成目标操作的外呼对象的动态信息则可包括外呼对象的操作信息(比如服务领取、使用信息)和语音外呼机器人对话历史数据所包含的信息,比如对话包含的信息有可接触、接触有互动、投诉、无效、客户是否同意报价、是否询问优惠、是否询问服务、报价失败、报价成功等,所述对话历史数据是采用预设的语音识别模型进行实时语音识别生成对话文本,再对对话文本进行分词操作,从中提取目标分词来生成动态信息,比如前文提到的报价失败、报价成功等。其中,本实施例中采用的语音识别模型可以是基于动态时间规整(Dynamic Time Warping)的算法模型、基于参数模型的隐马尔可夫模型(HMM)、基于非参数模型的矢量量化(VQ)模型、基于人工神经网络(ANN)的算法和混合算法,如ANN/HMM法,FSVQ/HMM法等,在此不作展开,这些算法模型在训练时,所采用的训练数据为外呼推销的场景的文本数据。
对于本步骤获取第一预设时间段内的语音外呼机器人的对话历史数据,具体的第一预设时间段以三个月为例,根据已完成目标操作的外呼对象的信息从目标服务器中读取历史三个月的语音外呼机器人的对话历史数据,本实施例以数据包的形式读取对话历史数据,每个外呼对象对应一个数据包,数据包中包含至少一条对话历史数据,根据外呼对象与数据包的映射关系来确定历史三个月中要获取的语音外呼机器人的对话历史数据。
对于步骤S203,在本实施例中,所述选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类的步骤包括:选取基于所述静态信息得到的至少一个处理字段,并选取基于所述动态信息得到的至少一个处理字段,将选取的处理字段中的任意一个处理字段作为主级的分类字段,其余选取的处理字段作为子级的分类字段;获取各级分类字段的字段值,基于所述字段值对所述已完成目标操作的外呼对象进行分类。例如在车险销售外呼场景中,处理字段可包括机构、生产资源类型、首播成功率、承包客户数、件均、百产、工单占比、工单生成量、资源池名单量、首播名单量、净保费等,如下
表1所示部分字段示意(图中数值仅为示例):
机构 | 生产资源类型 | 工单类型 | 首拨成功率 | 承保客户数 | 件均 | 百产 |
上海 | 2年车 | 同意出单 | 16.86% | 100 | 2565.93 | 4325.44 |
… | … | … | … | … | … | … |
表1
在选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类时,可选取静态信息中外呼对象的所属地区(机构)为主级的分类字段,车险年限(生产资源类型)作为二级分类字段,动态信息中的是否同意报价(工单类型)作为三级分类字段,其中二级分类字段和三级分类字段均为子级的分类字段,基于这三个字段对已完成目标操作的外呼对象进行分类,得到多个第一分类集合。
在本实施例中,上述进行数据处理得到的处理字段包括基础字段和加工字段,其中基础字段由第一预设时间段内所述静态信息和动态信息中的基础数据直接统计获得,用于外呼对象分类的字段从基础字段中选取,而加工字段通过第一预设时间段内至少两个基础字段的数据运算获得,用于得到所述第一处理数据,即在本实施例中计算各所述第一分类集合对应的第一处理数据是指根据每个第一分类集合中的已完成目标操作的外呼对象的动态信息和静态信息来得到各加工字段的字段值。比如在车险销售外呼场景中,机构、生产资源类型、承保客户数、工单生成量、资源池名单量、首播名单量、净保费等属于基础字段,而首播成功率、件均、工单占比、百产等属于加工字段,这些加工字段的获得方式如下各式:
工单占比=工单生成量/资源池名单量;
首拨成功率=(承保客户数/首播名单量)*100%;
件均=净保费/承保客户数;
百产=100*首播成功率*件均。
上述处理字段获取方式是以车险服务外呼场景为例,在其它外呼场景中可以是其它方式得到所需的处理字段。
在本实施例中,在所述根据所述已完成目标操作的外呼对象的静态信息和动态信息得到多个处理字段的步骤后,所述方法还包括根据所述多个处理字段生成第一字段数据表,将所述第一处理数据填充至所述第一字段数据表并存储;在执行所述获取各级分类字段的字段值的步骤时,从所述第一字段数据表中获取各级分类字段的字段值。
对于步骤S204,在采用对所述已完成目标操作的外呼对象进行分类的分类方式对所述待分配资源的外呼对象进行分类时,需先获取待分配资源的外呼对象的静态信息,若待分配资源的外呼对象存在语音外呼机器人对话历史数据,则相应获取对话历史数据,之后根据待分配资源的外呼对象的静态信息和对话历史信息得到分类所需各处理字段的字段值,再根据得到的字段值进行待分配资源的外呼对象的分类。当完成分类后,已完成目标操作的外呼对象的分类与待分配资源的外呼对象的分类存在一一对应的关系,即当已完成目标操作的外呼对象的分类为A、B、C三个第一分类集合时,待分配资源的外呼对象的第二分类集合也对应为A、B、C。
对于步骤S205,所述基于所述第一处理数据和所述第二处理数据,计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据的步骤包括:根据所述第二处理数据生成初始字段数据表,并根据所述第一处理数据补充所述初始字段数据表中的缺失的字段值,得到第二字段数据表,根据所述第二字段数据表计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据。
对于将第一处理数据填充至待分配资源的外呼对象形成的初始字段数据表的过程,以车险服务外呼场景为例,预估结果数据由预估承保客户数或预估保费两个字段体现,则根据第二字段数据表计算预估承保客户数和预估保费两个字段的字段值,计算方式如下:
预估保费=资源池名单量*工单占比*件均*首播成功率;
预估承保客户数=资源池名单量*工单占比*首播成功率。
这两个等式中的预估承保客户数是指在第二预设时间段内预计可执行目标操作的客户数量,资源池名单量指第二预设时间段内待执行目标操作的客户数量,这两项基于第二处理数据获得,而工单占比、件均、首播成功率继承自第一处理数据。
在本实施例中,所述根据所述预估结果数据筛选多个所述第二分类集合的步骤包括:将各所述第二分类集合对应的预估结果数据进行排序,选取排序靠前的多个第二分类集合,使得选取的多个第二分类集合的预估结果数据之和不小于预设阈值。例如在车险服务外呼场景中,排序结果如下表2所示(图中数值仅为示例):
表2
根据表2的预估保费排序结果,上海+2年车+同意出单组合第一,预估保费2909.33万元,上海+1年车+同意出单组合第二,预估保费2809.33万元,依次类推,将排名靠前的多个组合的预估保费依次相加,直到整体的预估保费达到目标保费(即预设阈值)即可。
在本实施例中,在执行所述对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配的步骤时,所述方法还包括:获取资源分配配置文件并解析,根据解析结果判断选中的所述第二分类集合中是否包含带有分配资源条件的外呼对象,若包含则根据分配资源条件进行资源分配。其中,分配资源条件可以是禁止分配资源、强制分配资源条件、首拨成功率是否低于预设值、待分配的资源是否达到最低资源值等,例如在车险销售外呼场景中,针对核心生产资源类型或核心工单对应的全部二维组合,强制配置资源且不可修改,其中,核心生产资源类型比如1年车、上年新渠道赢回、上年传统渠道赢回、往年新渠道赢回等,核心工单比如同意报价,报价成功,报价失败,报价失败-意外中断,报价失败-重复投保,预报价失败,预报价失败-意外中断,预报价失败-重复投保,同意出单,同意锁单,同意移动支付等。
在本实施例中,在所述对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配的步骤之后,所述方法还包括:确定当前外呼对象集合和/或语音外呼机器人对话历史数据是否发生改变,若发生改变则重新执行基于语音外呼机器人对话数据的资源分配的各个步骤,以调整未完成目标操作的外呼对象的外呼资源。比如每日同步一次数据后,对话历史数据发生改变,由此将带来待分配资源的外呼对象发生变化,通过监测数据变化来实时调整资源分配,可以提高资源有效利用率。
本申请提供的基于语音外呼机器人对话数据的资源分配方法,实现了对语音外呼机器人的对话历史数据进行处理来获得外呼对象的动态信息,结合外呼对象的静态信息和基于语音外呼机器人对话历史数据获得的动态信息实现外呼对象的分群定位,有利于针对性地对外呼对象分配外呼资源,提升语音外呼的效率,最终提高用户触达率。
需要强调的是,为进一步保证信息的私密和安全性,语音外呼机器人的对话历史数据、静态信息、动态信息等可以存储于一区块链的节点中。本申请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。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于语音外呼机器人对话数据的资源分配装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于语音外呼机器人对话数据的资源分配装置包括:外呼对象获取模块301、信息获取模块302、第一数据处理模块303、第二数据处理模块304和资源分配模块305,其中:
所述外呼对象获取模块301用于获取所述语音外呼机器人的外呼对象集合,从所述外呼对象集合中确定在第一预设时间段内已完成目标操作的外呼对象,并确定在第二预设时间段内待完成所述目标操作的外呼对象作为待分配资源的外呼对象;所述信息获取模块302用于获取各所述已完成目标操作的外呼对象的静态信息,并获取在所述第一预设时间段内各所述已完成目标操作的外呼对象的语音外呼机器人对话历史数据结果,通过预设的语音识别模型对所述语音外呼机器人对话历史数据结果实时识别并记录,根据识别的内容获取各所述已完成目标操作的外呼对象的动态信息;所述第一数据处理模块303用于根据所述已完成目标操作的外呼对象的静态信息和动态信息得到多个处理字段,选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类,得到多个第一分类集合,并重新选取多个所述处理字段,结合所述已完成目标操作的外呼对象的静态信息和动态信息,计算各所述第一分类集合对应的第一处理数据;所述第二数据处理模块304用于采用对所述已完成目标操作的外呼对象进行分类的分类方式,对所述待分配资源的外呼对象进行相同分类,得到多个第二分类集合,并获取所述待分配资源的静态信息和动态信息进行处理,得到第二处理数据;所述资源分配模块305用于基于所述第一处理数据和所述第二处理数据,计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据,并根据所述预估结果数据筛选多个所述第二分类集合,对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配。
本实施例中第一预设时间段为历史时间段,比如历史3个月,第二预设时间段为当前时间点至未来某一时间点之间的时间区段,比如未来3个月。所述外呼对象获取模块301获取所述语音外呼机器人的外呼对象集合可来自不同的数据源,包括已进行过外呼操作的外呼对象数据源和新增未进行过外呼操作的外呼对象数据源,从不同数据源中读取全部外呼对象形成外呼对象集合,再基于第一预设时间段和第二预设时间段两个时间条件,以及是否完成目标操作这一事件条件,得到已完成目标操作的外呼对象和待分配资源的外呼对象。其中待分配的资源可以是语音外呼机器人资源,或者人工资源,或者其它用于促成外呼对象执行目标操作的资源。其中目标操作可以是服务达成操作,比如车险客户完成车险服务领取、使用,此时车险客户即为外呼对象,车险服务领取、使用即目标操作。而未完成所述目标操作的外呼对象可能已执行过外呼操作,也可能从未执行外呼操作,满足前述时间条件和事件条件的都可以作为待分配资源的外呼对象。
在本实施例中,所述外呼对象获取模块301可以对外呼对象进行筛选来确定外呼对象集合,具体的,所述外呼对象获取模块301获取所述语音外呼机器人的外呼对象集合时具体用于:获取多个数据源和筛选条件,从所述多个数据源中读取全部外呼对象,根据所述筛选条件对从所述多个数据源读取的外呼对象进行筛选,基于筛选结果生成所述外呼对象集合。其中筛选条件可以根据外呼场景具体设定,比如车险服务外呼场景可设定筛选条件为外呼对象是否为团体对象,若为团体对象则剔除。
本实施例中所述已完成目标操作的外呼对象的静态信息为外呼对象的固有属性信息,一般情况下不会发生变化,比如车险服务外呼场景,外呼对象的静态信息可以包括姓名、性别、年龄、所属地区、渠道来源(个体渠道、团体渠道、车商渠道等)、车牌、车型、车架等。
而所述已完成目标操作的外呼对象的动态信息则可包括外呼对象的操作信息(比如服务领取、使用信息)和语音外呼机器人对话历史数据所包含的信息,比如对话包含的信息有可接触、接触有互动、投诉、无效、客户是否同意报价、是否询问优惠、是否询问服务、报价失败、报价成功等,所述信息获取模块302是采用预设的语音识别模型对对话历史数据进行实时语音识别生成对话文本,再对对话文本进行分词操作,从中提取目标分词来生成动态信息,比如前文提到的报价失败、报价成功等。其中,本实施例中采用的语音识别模型可以是基于动态时间规整(Dynamic Time Warping)的算法模型、基于参数模型的隐马尔可夫模型(HMM)、基于非参数模型的矢量量化(VQ)模型、基于人工神经网络(ANN)的算法和混合算法,如ANN/HMM法,FSVQ/HMM法等,在此不作展开,这些算法模型在训练时,所采用的训练数据为外呼推销的场景的文本数据。
对于所述信息获取模块302获取第一预设时间段内的语音外呼机器人的对话历史数据,具体的第一预设时间段以三个月为例,根据已完成目标操作的外呼对象的信息从目标服务器中读取历史三个月的语音外呼机器人的对话历史数据,本实施例信息获取模块302以数据包的形式读取对话历史数据,每个外呼对象对应一个数据包,数据包中包含至少一条对话历史数据,根据外呼对象与数据包的映射关系来确定历史三个月中要获取的语音外呼机器人的对话历史数据。
在本实施例中,所述第一数据处理模块303选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类时具体用于:选取基于所述静态信息得到的至少一个处理字段,并选取基于所述动态信息得到的至少一个处理字段,将选取的处理字段中的任意一个处理字段作为主级的分类字段,其余选取的处理字段作为子级的分类字段;获取各级分类字段的字段值,基于所述字段值对所述已完成目标操作的外呼对象进行分类。具体以车险销售外呼场景为例可参阅上述方法实施例,在此不再赘述。
在本实施例中,所述第一数据处理模块303进行数据处理得到的处理字段包括基础字段和加工字段,其中基础字段由第一预设时间段内所述静态信息和动态信息中的基础数据直接统计获得,用于外呼对象分类的字段从基础字段中选取,而加工字段通过第一预设时间段内至少两个基础字段的数据运算获得,用于得到所述第一处理数据,即在本实施例中计算各所述第一分类集合对应的第一处理数据是指根据每个第一分类集合中的已完成目标操作的外呼对象的动态信息和静态信息来得到各加工字段的字段值。具体以车险销售外呼场景为例可参阅上述方法实施例,在此不再赘述。
在本实施例中,所述第一数据处理模块303在根据所述已完成目标操作的外呼对象的静态信息和动态信息得到多个处理字段后,还用于根据所述多个处理字段生成第一字段数据表,将所述第一处理数据填充至所述第一字段数据表并存储;且在获取各级分类字段的字段值时,具体从所述第一字段数据表中获取各级分类字段的字段值。
在本实施例中,在所述第二数据处理模块304采用对所述已完成目标操作的外呼对象进行分类的分类方式对所述待分配资源的外呼对象进行分类时,需先获取待分配资源的外呼对象的静态信息,若待分配资源的外呼对象存在语音外呼机器人对话历史数据,则相应获取对话历史数据,之后根据待分配资源的外呼对象的静态信息和对话历史信息得到分类所需各处理字段的字段值,再根据得到的字段值进行待分配资源的外呼对象的分类。当所述第二数据处理模块304完成分类后,已完成目标操作的外呼对象的分类与待分配资源的外呼对象的分类存在一一对应的关系,即当已完成目标操作的外呼对象的分类为A、B、C三个第一分类集合时,待分配资源的外呼对象的第二分类集合也对应为A、B、C。
在本实施例中,所述资源分配模块305基于所述第一处理数据和所述第二处理数据,计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据时,具体用于:根据所述第二处理数据生成初始字段数据表,并根据所述第一处理数据补充所述初始字段数据表中的缺失的字段值,得到第二字段数据表,根据所述第二字段数据表计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据。
对于所述资源分配模块305将第一处理数据填充至待分配资源的外呼对象形成的初始字段数据表的过程,具体以车险销售外呼场景为例可参阅上述方法实施例,在此不再赘述。
在本实施例中,所述资源分配模块305根据所述预估结果数据筛选多个所述第二分类集合时,具体用于:将各所述第二分类集合对应的预估结果数据进行排序,选取排序靠前的多个第二分类集合,使得选取的多个第二分类集合的预估结果数据之和不小于预设阈值。具体以车险销售外呼场景为例可参阅上述方法实施例,在此不再赘述。
在本实施例中,所述资源分配模块305在对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配时,还用于:获取资源分配配置文件并解析,根据解析结果判断选中的所述第二分类集合中是否包含带有分配资源条件的外呼对象,若包含则根据分配资源条件进行资源分配。其中,分配资源条件可以是禁止分配资源、强制分配资源条件、首拨成功率是否低于预设值、待分配的资源是否达到最低资源值等,例如在车险销售外呼场景中,针对核心生产资源类型或核心工单对应的全部二维组合,强制配置资源且不可修改,其中,核心生产资源类型比如1年车、上年新渠道赢回、上年传统渠道赢回、往年新渠道赢回等,核心工单比如同意报价,报价成功,报价失败,报价失败-意外中断,报价失败-重复投保,预报价失败,预报价失败-意外中断,预报价失败-重复投保,同意出单,同意锁单,同意移动支付等。
在本实施例中,所述资源分配模块305对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配之后,所述外呼对象获取模块301和信息获取模块302还用于确定当前外呼对象集合和/或语音外呼机器人对话历史数据是否发生改变,若发生改变则重新运行外呼对象获取模块301、信息获取模块302、第一数据处理模块303、第二数据处理模块304和资源分配模块305来实现基于语音外呼机器人对话数据的资源分配,以调整未完成目标操作的外呼对象的外呼资源。比如每日同步一次数据后,对话历史数据发生改变,由此将带来待分配资源的外呼对象发生变化,通过监测数据变化来实时调整资源分配,可以提高资源有效利用率。
本申请提供的基于语音外呼机器人对话数据的资源分配装置,实现了对语音外呼机器人的对话历史数据进行处理来获得外呼对象的动态信息,结合外呼对象的静态信息和基于语音外呼机器人对话历史数据获得的动态信息实现外呼对象的分群定位,有利于针对性地对外呼对象分配外呼资源,提升语音外呼的效率,最终提高用户触达率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43,所述存储器41中存储有计算机可读指令,所述处理器42执行所述计算机可读指令时实现上述方法实施例中所述的基于语音外呼机器人对话数据的资源分配方法的步骤,并具有与上述基于语音外呼机器人对话数据的资源分配方法相对应的有益效果,在此不作展开。
需要指出的是,图中仅示出了具有存储器41、处理器42、网络接口43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
在本实施例中,所述存储器41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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如对应于上述基于语音外呼机器人对话数据的资源分配方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行对应于所述基于语音外呼机器人对话数据的资源分配方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于语音外呼机器人对话数据的资源分配方法的步骤,并具有与上述基于语音外呼机器人对话数据的资源分配方法相对应的有益效果,在此不作展开。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术实施例本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术实施例进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (11)
1.一种基于语音外呼机器人对话数据的资源分配方法,其特征在于,包括下述步骤:
获取所述语音外呼机器人的外呼对象集合,从所述外呼对象集合中确定在第一预设时间段内已完成目标操作的外呼对象,并确定在第二预设时间段内待完成所述目标操作的外呼对象作为待分配资源的外呼对象;
获取各所述已完成目标操作的外呼对象的静态信息,并获取在所述第一预设时间段内各所述已完成目标操作的外呼对象的语音外呼机器人对话历史数据结果,通过预设的语音识别模型对所述语音外呼机器人对话历史数据结果实时识别并记录,根据识别的内容获取各所述已完成目标操作的外呼对象的动态信息;
根据所述已完成目标操作的外呼对象的静态信息和动态信息得到多个处理字段,选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类,得到多个第一分类集合,并重新选取多个所述处理字段,结合所述已完成目标操作的外呼对象的静态信息和动态信息,计算各所述第一分类集合对应的第一处理数据;
采用对所述已完成目标操作的外呼对象进行分类的分类方式,对所述待分配资源的外呼对象进行相同分类,得到多个第二分类集合,并获取所述待分配资源的静态信息和动态信息进行处理,得到第二处理数据;
基于所述第一处理数据和所述第二处理数据,计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据,并根据所述预估结果数据筛选多个所述第二分类集合,对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配。
2.根据权利要求1所述的基于语音外呼机器人对话数据的资源分配方法,其特征在于,所述获取所述语音外呼机器人的外呼对象集合的步骤包括:
获取多个数据源和筛选条件,从所述多个数据源中读取全部外呼对象,根据所述筛选条件对从所述多个数据源读取的外呼对象进行筛选,基于筛选结果生成所述外呼对象集合。
3.根据权利要求1或2所述的基于语音外呼机器人对话数据的资源分配方法,其特征在于,所述选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类的步骤包括:
选取基于所述静态信息得到的至少一个处理字段,并选取基于所述动态信息得到的至少一个处理字段,将选取的处理字段中的任意一个处理字段作为主级的分类字段,其余选取的处理字段作为子级的分类字段;
获取各级分类字段的字段值,基于所述字段值对所述已完成目标操作的外呼对象进行分类。
4.根据权利要求3所述的基于语音外呼机器人对话数据的资源分配方法,其特征在于,在所述根据所述已完成目标操作的外呼对象的静态信息和动态信息得到多个处理字段的步骤后,所述方法还包括根据所述多个处理字段生成第一字段数据表,将所述第一处理数据填充至所述第一字段数据表并存储;
在执行所述获取各级分类字段的字段值的步骤时,从所述第一字段数据表中获取各级分类字段的字段值。
5.根据权利要求4所述的基于语音外呼机器人对话数据的资源分配方法,其特征在于,所述基于所述第一处理数据和所述第二处理数据,计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据的步骤包括:
根据所述第二处理数据生成初始字段数据表,并根据所述第一处理数据补充所述初始字段数据表中的缺失的字段值,得到第二字段数据表,根据所述第二字段数据表计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据。
6.根据权利要求5所述的基于语音外呼机器人对话数据的资源分配方法,其特征在于,所述根据所述预估结果数据筛选多个所述第二分类集合的步骤包括:
将各所述第二分类集合对应的预估结果数据进行排序,选取排序靠前的多个第二分类集合,使得选取的多个第二分类集合的预估结果数据之和不小于预设阈值。
7.根据权利要求1或2所述的基于语音外呼机器人对话数据的资源分配方法,其特征在于,在执行所述对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配的步骤时,所述方法还包括:
获取资源分配配置文件并解析,根据解析结果判断选中的所述第二分类集合中是否包含带有分配资源条件的外呼对象,若包含则根据分配资源条件进行资源分配。
8.根据权利要求1或2所述的基于语音外呼机器人对话数据的资源分配方法,其特征在于,在所述对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配的步骤之后,所述方法还包括:
确定当前外呼对象集合和/或语音外呼机器人对话历史数据是否发生改变,若发生改变则重新执行基于语音外呼机器人对话数据的资源分配的各个步骤,以调整未完成目标操作的外呼对象的外呼资源。
9.一种基于语音外呼机器人对话数据的资源分配装置,其特征在于,包括:
外呼对象获取模块,用于获取所述语音外呼机器人的外呼对象集合,从所述外呼对象集合中确定在第一预设时间段内已完成目标操作的外呼对象,并确定在第二预设时间段内待完成所述目标操作的外呼对象作为待分配资源的外呼对象;
信息获取模块,用于获取各所述已完成目标操作的外呼对象的静态信息,并获取在所述第一预设时间段内各所述已完成目标操作的外呼对象的语音外呼机器人对话历史数据结果,通过预设的语音识别模型对所述语音外呼机器人对话历史数据结果实时识别并记录,根据识别的内容获取各所述已完成目标操作的外呼对象的动态信息;
第一数据处理模块,用于根据所述已完成目标操作的外呼对象的静态信息和动态信息得到多个处理字段,选取多个所述处理字段对所述已完成目标操作的外呼对象进行分类,得到多个第一分类集合,并重新选取多个所述处理字段,结合所述已完成目标操作的外呼对象的静态信息和动态信息,计算各所述第一分类集合对应的第一处理数据;
第二数据处理模块,用于采用对所述已完成目标操作的外呼对象进行分类的分类方式,对所述待分配资源的外呼对象进行相同分类,得到多个第二分类集合,并获取所述待分配资源的静态信息和动态信息进行处理,得到第二处理数据;
资源分配模块,用于基于所述第一处理数据和所述第二处理数据,计算各个所述第二分类集合在所述第二预设时间段内执行所述目标操作后的预估结果数据,并根据所述预估结果数据筛选多个所述第二分类集合,对选中的所述第二分类集合包含的未完成目标操作的外呼对象进行外呼资源分配。
10.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至8中任一项所述的基于语音外呼机器人对话数据的资源分配方法的步骤。
11.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至8中任一项所述的基于语音外呼机器人对话数据的资源分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091756.8A CN113890948B (zh) | 2021-09-17 | 2021-09-17 | 基于语音外呼机器人对话数据的资源分配方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091756.8A CN113890948B (zh) | 2021-09-17 | 2021-09-17 | 基于语音外呼机器人对话数据的资源分配方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113890948A true CN113890948A (zh) | 2022-01-04 |
CN113890948B CN113890948B (zh) | 2023-06-20 |
Family
ID=79009528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111091756.8A Active CN113890948B (zh) | 2021-09-17 | 2021-09-17 | 基于语音外呼机器人对话数据的资源分配方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113890948B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|---|---|
US20150201077A1 (en) * | 2014-01-12 | 2015-07-16 | Genesys Telecommunications Laboratories, Inc. | Computing suggested actions in caller agent phone calls by using real-time speech analytics and real-time desktop analytics |
CN111246027A (zh) * | 2020-04-28 | 2020-06-05 | 南京硅基智能科技有限公司 | 一种实现人机协同的语音通讯系统及方法 |
CN111835926A (zh) * | 2020-07-23 | 2020-10-27 | 中国平安财产保险股份有限公司 | 基于语音交互的智能语音外呼方法、装置、设备及介质 |
CN111935362A (zh) * | 2020-08-07 | 2020-11-13 | 北京新唐思创教育科技有限公司 | 通话数据处理方法、装置、电子设备及计算机存储介质 |
CN112351147A (zh) * | 2021-01-08 | 2021-02-09 | 浙江口碑网络技术有限公司 | 语音呼叫方法、装置及设备 |
-
2021
- 2021-09-17 CN CN202111091756.8A patent/CN113890948B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150201077A1 (en) * | 2014-01-12 | 2015-07-16 | Genesys Telecommunications Laboratories, Inc. | Computing suggested actions in caller agent phone calls by using real-time speech analytics and real-time desktop analytics |
CN111246027A (zh) * | 2020-04-28 | 2020-06-05 | 南京硅基智能科技有限公司 | 一种实现人机协同的语音通讯系统及方法 |
CN111835926A (zh) * | 2020-07-23 | 2020-10-27 | 中国平安财产保险股份有限公司 | 基于语音交互的智能语音外呼方法、装置、设备及介质 |
CN111935362A (zh) * | 2020-08-07 | 2020-11-13 | 北京新唐思创教育科技有限公司 | 通话数据处理方法、装置、电子设备及计算机存储介质 |
CN112351147A (zh) * | 2021-01-08 | 2021-02-09 | 浙江口碑网络技术有限公司 | 语音呼叫方法、装置及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|
CN113890948B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507116B (zh) | 基于客户应答语料的客户画像方法及其相关设备 | |
CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
CN110445939B (zh) | 容量资源的预测方法及装置 | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN114091472B (zh) | 多标签分类模型的训练方法 | |
CN110197426B (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
CN107038165B (zh) | 一种业务参数获取方法及装置 | |
CN115169906A (zh) | 客服分配方法、装置、计算机设备及存储介质 | |
CN113890948B (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN112100491A (zh) | 基于用户数据的信息推荐方法、装置、设备及存储介质 | |
CN112163155A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN112241915A (zh) | 一种贷款产品的生成方法和装置 | |
CN116703515A (zh) | 基于人工智能的推荐方法、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 | |
CN115878768A (zh) | 基于nlp的车险业务回话线索推荐方法及其相关设备 | |
CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113781247A (zh) | 协议数据推荐方法、装置、计算机设备及存储介质 | |
CN113936677A (zh) | 音色转换方法、装置、计算机设备及存储介质 | |
CN113723974A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN113298555A (zh) | 推广策略生成方法、装置及电子设备 | |
CN112307334A (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN111008078A (zh) | 数据的批量处理方法、装置、设备及计算机存储介质 |
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 |