CN114051077B - 一种外呼数据的分配方法和系统 - Google Patents
一种外呼数据的分配方法和系统 Download PDFInfo
- Publication number
- CN114051077B CN114051077B CN202111361955.6A CN202111361955A CN114051077B CN 114051077 B CN114051077 B CN 114051077B CN 202111361955 A CN202111361955 A CN 202111361955A CN 114051077 B CN114051077 B CN 114051077B
- Authority
- CN
- China
- Prior art keywords
- order
- outbound
- preset
- agent
- orders
- 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 24
- 238000012549 training Methods 0.000 claims description 75
- 238000012360 testing method Methods 0.000 claims description 40
- 238000003066 decision tree Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000007637 random forest analysis Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 37
- 230000008901 benefit Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
- H04M3/5232—Call distribution algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Marketing (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种外呼数据的分配方法和系统，该方法包括：基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率；按订单金额从高到低将所有订单划分为预设数量的订单组，并根据第一预设对应关系将各订单组分配给各外呼技能组；根据外呼技能组中各坐席在预设历史时间段的业绩数据确定各坐席的坐席分数；按第一预设比例从与外呼技能组对应的已分配订单中随机选取目标订单，并根据各坐席分数和各目标订单的成单率将各目标订单分配给各坐席，并将已分配订单中的剩余订单随机均分给各坐席；其中，各订单带有订单金额，第一预设对应关系为不同订单组和不同外呼技能组的对应关系，从而实现准确高效的进行外呼数据的自动分配。
Description
技术领域
本申请涉及数据通信技术领域，更具体地，涉及一种外呼数据的分配方法和系统。
背景技术
随着技术的发展，电话外呼已经实现了快捷、方便、高效的特征，同时因其拥有省时、省力、低成本等天然的优点，很多企业用户都建立起自己的电话营销系统平台，用以扩大和维护客户，增加企业效益。同时，电话外呼的应用场景越来越多，包括电话营销、市场调查、客户回访等场景。
然而越来越多的外呼系统采用智能语音呼叫，需利用人工智能和简单指令就可以完成一次呼叫，但是目前市面上绝大多数外呼系统都是人工分配外呼客户，人工分配面临着，耗时长，分配人力浪费，分配效果不理想，影响呼叫中心业绩等问题。
如何准确高效的进行外呼数据的自动分配，是目前有待解决的技术问题。
发明内容
本发明提供一种外呼数据的分配方法，用以解决现有技术中进行外呼数据分配时效率低、准确性差的技术问题。
该方法包括：
基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率；
按订单金额从高到低将所有所述订单划分为预设数量的订单组，并根据第一预设对应关系将各所述订单组分配给各外呼技能组；
根据所述外呼技能组中各坐席在预设历史时间段的业绩数据确定各所述坐席的坐席分数；
按第一预设比例从与所述外呼技能组对应的已分配订单中随机选取目标订单，并根据各所述坐席分数和各所述目标订单的成单率将各所述目标订单分配给各所述坐席，并将所述已分配订单中的剩余订单随机均分给各所述坐席；
其中，各所述订单带有所述订单金额，所述预设预测模型为基于决策树模型、随机森林模型和神经网络模型的集成学习模型，所述第一预设对应关系为不同订单组和不同外呼技能组的对应关系。
在本申请一些实施例中，在基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率之前，所述方法还包括：
根据历史外呼客户名单的客户特征数据生成数据集，并根据所述数据集生成训练集和测试集；
基于所述训练集和所述测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第一层模型；
根据三个所述第一层模型的输出生成新的数据集，并根据所述新的数据集生成新的训练集和新的测试集；
基于所述新的训练集和所述新的测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第二层模型；
根据线性加权算法将三个所述第二层模型聚合为所述预设智能学习模型。
在本申请一些实施例中，所述数据集中包括离散型特征数据和连续型特征数据，根据所述数据集生成训练集和测试集，具体为：
将所述连续型特征数据进行标准化，保持所述离散型特征数据不变，并按预设划分比例将所述数据集划分为所述训练集和所述测试集。
在本申请一些实施例中，所述业绩数据包括成单量、成交额和工作天数，根据所述外呼技能组中各坐席在预设历史时间段的业绩数据确定各所述坐席的坐席分数，具体为：
基于加权算法对所述成单量、所述成交额和所述工作天数进行加权分析；
根据加权分析的结果确定所述坐席分数。
在本申请一些实施例中，根据各所述坐席分数和各所述目标订单的成单率将各所述目标订单分配给各所述坐席，具体为：
基于收益最大化对各所述坐席分数和各所述目标订单的成单率进行线性规划；
根据线性规划的结果将各所述目标订单分配给各所述坐席。
相应的，本发明还提出了一种外呼数据的分配系统，所述系统包括：
预测模块，用于基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率；
第一分配模块，用于按订单金额从高到低将所有所述订单划分为预设数量的订单组，并根据第一预设对应关系将各所述订单组分配给各外呼技能组；
确定模块，用于根据所述外呼技能组中各坐席在预设历史时间段的业绩数据确定各所述坐席的坐席分数；
第二分配模块，用于按第一预设比例从与所述外呼技能组对应的已分配订单中随机选取目标订单，并根据各所述坐席分数和各所述目标订单的成单率将各所述目标订单分配给各所述坐席，并将所述已分配订单中的剩余订单随机均分给各所述坐席；
其中，各所述订单带有所述订单金额，所述预设预测模型为基于决策树模型、随机森林模型和神经网络模型的集成学习模型，所述第一预设对应关系为不同订单组和不同外呼技能组的对应关系。
在本申请一些实施例中，所述系统还包括训练模块，用于：
根据历史外呼客户名单的客户特征数据生成数据集，并根据所述数据集生成训练集和测试集；
基于所述训练集和所述测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第一层模型；
根据三个所述第一层模型的输出生成新的数据集，并根据所述新的数据集生成新的训练集和新的测试集；
基于所述新的训练集和所述新的测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第二层模型；
根据线性加权算法将三个所述第二层模型聚合为所述预设智能学习模型。
在本申请一些实施例中，所述数据集中包括离散型特征数据和连续型特征数据，所述训练模块，具体用于：
将所述连续型特征数据进行标准化，保持所述离散型特征数据不变，并按预设划分比例将所述数据集划分为所述训练集和所述测试集。
在本申请一些实施例中，所述业绩数据包括成单量、成交额和工作天数，所述确定模块，具体用于：
基于加权算法对所述成单量、所述成交额和所述工作天数进行加权分析；
根据加权分析的结果确定所述坐席分数。
在本申请一些实施例中，所述第二分配模块，具体用于：
基于收益最大化对各所述坐席分数和各所述目标订单的成单率进行线性规划；
根据线性规划的结果将各所述目标订单分配给各所述坐席。
通过应用以上技术方案，基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率；按订单金额从高到低将所有订单划分为预设数量的订单组，并根据第一预设对应关系将各订单组分配给各外呼技能组；根据外呼技能组中各坐席在预设历史时间段的业绩数据确定各坐席的坐席分数；按第一预设比例从与外呼技能组对应的已分配订单中随机选取目标订单，并根据各坐席分数和各目标订单的成单率将各目标订单分配给各坐席，并将已分配订单中的剩余订单随机均分给各坐席；其中，各订单带有订单金额，预设预测模型为基于决策树模型、随机森林模型和神经网络模型的集成学习模型，第一预设对应关系为不同订单组和不同外呼技能组的对应关系，从而实现了准确高效的进行外呼数据的自动分配。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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示出了本发明实施例提出的一种外呼数据的分配方法的流程示意图；
图2示出了本发明另一实施例提出的一种外呼数据的分配方法的流程示意图；
图3示出了本发明实施例提出的一种外呼数据的分配系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
现有技术中，采用对不同坐席不同外呼数据随机分配的策略进行呼叫，容易出现把不恰当的外呼数据分配给业绩优秀的外呼坐席，或者将成单率很高的数据分配给团队中的职场新人，导致资源的不合理分配，给企业造成损失。为此，本申请实施例提供一种外呼数据的分配方法，如图1所示，该方法包括以下步骤：
步骤S101，基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率。
本实施例中，成单率为订单成交的成功率，对外呼数据进行分配实际是将当天待呼叫的外呼客户名单在不同坐席之间进行分配，每个外呼客户名单包含客户的特征数据并对应一个订单，每个订单上带有订单金额，例如，在催收场景或贷款推荐场景下，每个订单上带有与催收款项或可贷款额度对应的订单金额。预先训练出预设智能学习模型，基于该预设智能学习模型可预测出与当天待呼叫的外呼客户名单对应的各订单的成单率。其中，该预设预测模型为基于决策树模型、随机森林模型和神经网络模型的集成学习模型。
为了准确的预测出成单率，在本申请一些实施例中，在基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率之前，所述方法还包括：
根据历史外呼客户名单的客户特征数据生成数据集，并根据所述数据集生成训练集和测试集；
基于所述训练集和所述测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第一层模型；
根据三个所述第一层模型的输出生成新的数据集，并根据所述新的数据集生成新的训练集和新的测试集；
基于所述新的训练集和所述新的测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第二层模型；
根据线性加权算法将三个所述第二层模型聚合为所述预设智能学习模型。
本实施例中，历史外呼客户名单可以为过去半年或一年的外呼客户名单，根据史外呼客户名单的客户特征数据生成数据集，并将数据集划分为训练集和测试集，然后基于训练集和测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个对成单率进行预测的第一层模型；再根据三个第一层模型的输出生成新的数据集，并划分出新的训练集和新的测试集；然后基于新的训练集和新的测试集分别对决策树模型、随机森林模型和神经网络模型再次进行训练，根据训练结果得到三个对成单率进行预测的第二层模型；最后根据线性加权算法将三个第二层模型聚合为所述预设智能学习模型。把第一层模型的输出作为第二层模型的输入，两层堆叠有效降低了模型的偏差。
需要说明的是，对决策树模型、随机森林模型和神经网络模型进行训练的具体过程以及根据线性加权算法将三个第二层模型聚合的具体过程对于本领域技术人员是显而易见的，在此不再赘述。
为了准确的预测出成单率，在本申请一些实施例中，所述数据集中包括离散型特征数据和连续型特征数据，根据所述数据集生成训练集和测试集，具体为：
将所述连续型特征数据进行标准化，保持所述离散型特征数据不变，并按预设划分比例将所述数据集划分为所述训练集和所述测试集。
本实施例中，数据集中包括离散型特征数据和连续型特征数据，离散型特征数据包括客户是否为新老客户，客户的外呼等级(外呼等级与成单率成正相关)，客户年龄段(60,70,80,90)，银行卡类型；连续性特征数据包括银行卡额度、外呼时间段等。对数据集进行自动特征处理，将数据集中的连续型特征数据进行标准化，保持离散型特征数据不变，并按预设划分比例将数据集划分为训练集和测试集。
标准化可以是离差标准化，即对原始数据的线性变换，使结果映射到[0,1]区间，标准化也可以是基于原始数据的均值和标准差进行数据的标准化。
可选的，预设划分比例可以为7:3，即训练集和测试集的比例为7:3。
步骤S102，按订单金额从高到低将所有所述订单划分为预设数量的订单组，并根据第一预设对应关系将各所述订单组分配给各外呼技能组。
本实施例中，按订单金额从高到低将所有所述订单划分为预设数量的订单组，每个订单组包括多个订单，各外呼技能组由多个负责进行外呼操作的坐席组成，根据第一预设对应关系将各订单组分配给各外呼技能组，第一预设对应关系为不同订单组和不同外呼技能组的对应关系，不同外呼技能组可根据工作地点或工作能力进行划分。
步骤S103，根据所述外呼技能组中各坐席在预设历史时间段的业绩数据确定各所述坐席的坐席分数。
本实施例中，预设历史时间段可以为一个月，对于每个外呼技能组，根据组内各坐席在预设历史时间段的业绩数据确定组内各坐席的坐席分数。
为了准确的确定各坐席的坐席分数，在本申请一些实施例中，所述业绩数据包括成单量、成交额和工作天数，根据所述外呼技能组中各坐席在预设历史时间段的业绩数据确定各所述坐席的坐席分数，具体为：
基于加权算法对所述成单量、所述成交额和所述工作天数进行加权分析；
根据加权分析的结果确定所述坐席分数。
本实施例中，业绩数据包括成单量、成交额和工作天数，通过加权算法对成单量、成交额和工作天数进行加权分析，从而确定坐席分数。
步骤S104，按第一预设比例从所述订单组中随机选取目标订单，并根据各所述坐席分数和各所述目标订单的成单率将各所述目标订单分配给各所述坐席，并将所述订单组中的剩余订单随机均分给各所述坐席。
本实施例中，对于分配到每个外呼技能组的已分配订单，按第一预设比例从已分配订单中随机选取目标订单，将各目标订单在外呼技能组内的各坐席间进行最优分配，将已分配订单中的剩余订单在外呼技能组内的各坐席间进行随机均匀分配。具体的，最优分配是根据各坐席分数和各目标订单的成单率将各目标订单分配给各所述坐席。根据订单组的数量不同，每个外呼技能组的已分配订单可包括一个或多个订单组。
可选的，第一预设比例为80％。
举例来说，有外呼技能组小a分到订单100个，其中80个按最优分配，在保证外呼技能组内每个坐席分得差不多订单数的情况下，收益最高，也就是说业绩好的坐席可分配到组内金额较高的订单。剩下20个在各坐席间进行均分，使得后续的成单业绩也保持一定的数据波动性，避免极端情况发生，其中，极端情况是好的坐席一直得到好数据，即使他后续表现一般，差的坐席一直分配到差数据。
为了提高的外呼收益，在本申请一些实施例中，根据各所述坐席分数和各所述目标订单的成单率将各所述目标订单分配给各所述坐席，具体为：
基于收益最大化对各所述坐席分数和各所述目标订单的成单率进行线性规划；
根据线性规划的结果将各所述目标订单分配给各所述坐席。
本实施例中，收益最大化是使单个外呼技能组的整体业绩数据最大化，基于收益最大化对各坐席分数和各目标订单的成单率进行线性规划，根据线性规划的结果将各目标订单分配给外呼技能组内各坐席。
需要说明的是，基于收益最大化对各坐席分数和各目标订单的成单率进行线性规划的具体过程对于本领域技术人员是显而易见的，在此不再赘述。
可以理解的是，步骤S101和步骤S102的顺序可以互换。
通过应用以上技术方案，基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率；按订单金额从高到低将所有订单划分为预设数量的订单组，并根据第一预设对应关系将各订单组分配给各外呼技能组；根据外呼技能组中各坐席在预设历史时间段的业绩数据确定各坐席的坐席分数；按第一预设比例从与外呼技能组对应的已分配订单中随机选取目标订单，并根据各坐席分数和各目标订单的成单率将各目标订单分配给各坐席，并将已分配订单中的剩余订单随机均分给各坐席；其中，各订单带有订单金额，预设预测模型为基于决策树模型、随机森林模型和神经网络模型的集成学习模型，第一预设对应关系为不同订单组和不同外呼技能组的对应关系，从而实现了准确高效的进行外呼数据的自动分配。
为了进一步阐述本发明的技术思想，现结合具体的应用场景，对本发明的技术方案进行说明。
本申请实施例提供一种外呼数据的分配方法，包括以下步骤：
步骤一、获取到历史上近半年的外呼服务名单，采用堆栈式集成学习的方式训练模型，具体的学习算法为：
1.记外呼名单的客户特征数据集合为数据集D，该数据集D包含离散型特征数据和连续型特征数据，离散型特征数据诸如，客户是否为新老客户，客户的外呼等级(外呼等级与成单率成正相关)，客户年龄段(60,70,80,90)，银行卡类型，状态码等，连续型特征数据包括银行卡额度，外呼时间段等。
2.对数据集D进行自动特征处理，对连续型特征数据进行标准化，离散型特征数据不变。
3.将数据集D按7:3的比率分割成训练集和测试集。
4.采用决策树模型，随机森林模型和神经网络模型，对数据集合D进行拟合，将训练好的对成单率进行预测的模型记为M01，M02，M03。
5.将模型M01，M02，M03的输出作为新的数据集D1,针对数据集D1，采用2-4中相同的学习策略训练得到对成单率进行预测的模型M11，M12，M13。
6.然后将M11，M12，M13采用线型加权的方式聚合起来得到预设智能学习模型M。
步骤二、根据预设智能学习模型M得到每天订单的成单率，对当天订单进行两轮分配。
第一轮：按订单金额从高到低将所有订单划分为预设数量的订单组，如图2所示，具体可划分为两个高金额组、两个中金额组和一个低金额组。并根据第一预设对应关系将各订单组分配给各外呼技能组，然后对于每组坐席统计该坐席的近期业绩，包括近一个月的成单量，近一个月成交额，近一个月工作天数，将三项进行加权得出坐席分数。
第二轮：从与外呼技能组对应的已分配订单中随机选取80％的订单作为目标订单，基于收益最大化对各坐席分数和各目标订单的成单率进行线性规划后将各目标订单分配给各坐席，并将已分配订单中的剩余20％的订单随机均分给各坐席。如图2所示，各目标订单的成单率为图中的Class1至ClassM。
本发明利用堆栈式集成学习策略预测各个待呼叫用户的订单的成单率，可以基于客户的相关信息，在催收场景、贷款推荐场景、保险推荐场景等实施外呼数据的动态分配和呼叫，在每日获得待呼叫客户后，动态调整各个等级外呼有人员所获得的外呼数据，不仅能够提升外呼人员的的工作效率，并使企业效益最大化。
本申请实施例还提出了一种外呼数据的分配系统，如图3所示，所述系统包括：
预测模块301，用于基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率；
第一分配模块302，用于按订单金额从高到低将所有所述订单划分为预设数量的订单组，并根据第一预设对应关系将各所述订单组分配给各外呼技能组；
确定模块303，用于根据所述外呼技能组中各坐席在预设历史时间段的业绩数据确定各所述坐席的坐席分数；
第二分配模块304，用于按第一预设比例从与所述外呼技能组对应的已分配订单中随机选取目标订单，并根据各所述坐席分数和各所述目标订单的成单率将各所述目标订单分配给各所述坐席，并将所述已分配订单中的剩余订单随机均分给各所述坐席；
其中，各所述订单带有所述订单金额，所述预设预测模型为基于决策树模型、随机森林模型和神经网络模型的集成学习模型，所述第一预设对应关系为不同订单组和不同外呼技能组的对应关系。
在本申请具体的应用场景中，所述系统还包括训练模块，用于：
根据历史外呼客户名单的客户特征数据生成数据集，并根据所述数据集生成训练集和测试集；
基于所述训练集和所述测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第一层模型；
根据三个所述第一层模型的输出生成新的数据集，并根据所述新的数据集生成新的训练集和新的测试集；
基于所述新的训练集和所述新的测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第二层模型；
根据线性加权算法将三个所述第二层模型聚合为所述预设智能学习模型。
在本申请具体的应用场景中，所述数据集中包括离散型特征数据和连续型特征数据，所述训练模块，具体用于：
将所述连续型特征数据进行标准化，保持所述离散型特征数据不变，并按预设划分比例将所述数据集划分为所述训练集和所述测试集。
在本申请具体的应用场景中，所述业绩数据包括成单量、成交额和工作天数，确定模块303，具体用于：
基于加权算法对所述成单量、所述成交额和所述工作天数进行加权分析；
根据加权分析的结果确定所述坐席分数。
在本申请具体的应用场景中，第二分配模块304，具体用于：
基于收益最大化对各所述坐席分数和各所述目标订单的成单率进行线性规划；
根据线性规划的结果将各所述目标订单分配给各所述坐席。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：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，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种外呼数据的分配方法，其特征在于，所述方法包括：基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率；
按订单金额从高到低将所有所述订单划分为预设数量的订单组，并根据第一预设对应关系将各所述订单组分配给各外呼技能组；
根据所述外呼技能组中各坐席在预设历史时间段的业绩数据确定各所述坐席的坐席分数；
按第一预设比例从与所述外呼技能组对应的已分配订单中随机选取目标订单，并根据各所述坐席分数和各所述目标订单的成单率将各所述目标订单分配给各所述坐席，具体为基于收益最大化对各所述坐席分数和各所述目标订单的成单率进行线性规划；根据线性规划的结果将各所述目标订单分配给各所述坐席；并将所述已分配订单中的剩余订单随机均分给各所述坐席；
其中，各所述订单带有所述订单金额，所述预设智能学习模型为基于决策树模型、随机森林模型和神经网络模型的集成学习模型，所述第一预设对应关系为不同订单组和不同外呼技能组的对应关系。
2.如权利要求1所述的方法，其特征在于，在基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率之前，所述方法还包括：根据历史外呼客户名单的客户特征数据生成数据集，并根据所述数据集生成训练集和测试集；
基于所述训练集和所述测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第一层模型；
根据三个所述第一层模型的输出生成新的数据集，并根据所述新的数据集生成新的训练集和新的测试集；
基于所述新的训练集和所述新的测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第二层模型；
根据线性加权算法将三个所述第二层模型聚合为所述预设智能学习模型。
3.如权利要求2所述的方法，其特征在于，所述数据集包括离散型特征数据和连续型特征数据，根据所述数据集生成训练集和测试集，具体为：将所述连续型特征数据进行标准化，保持所述离散型特征数据不变，并按预设划分比例将所述数据集划分为所述训练集和所述测试集。
4.如权利要求1所述的方法，其特征在于，所述业绩数据包括成单量、成交额和工作天数，根据所述外呼技能组中各坐席在预设历史时间段的业绩数据确定各所述坐席的坐席分数，具体为：基于加权算法对所述成单量、所述成交额和所述工作天数进行加权分析；
根据加权分析的结果确定所述坐席分数。
5.一种外呼数据的分配系统，其特征在于，所述系统包括：预测模块，用于基于预设智能学习模型预测与当天待呼叫的外呼客户名单对应的各订单的成单率；
第一分配模块，用于按订单金额从高到低将所有所述订单划分为预设数量的订单组，并根据第一预设对应关系将各所述订单组分配给各外呼技能组；
确定模块，用于根据所述外呼技能组中各坐席在预设历史时间段的业绩数据确定各所述坐席的坐席分数；
第二分配模块，用于按第一预设比例从与所述外呼技能组对应的已分配订单中随机选取目标订单，并根据各所述坐席分数和各所述目标订单的成单率将各所述目标订单分配给各所述坐席，并将所述已分配订单中的剩余订单随机均分给各所述坐席；
所述第二分配模块，具体用于基于收益最大化对各所述坐席分数和各所述目标订单的成单率进行线性规划；根据线性规划的结果将各所述目标订单分配给各所述坐席；
其中，各所述订单带有所述订单金额，所述预设智能学习模型为基于决策树模型、随机森林模型和神经网络模型的集成学习模型，所述第一预设对应关系为不同订单组和不同外呼技能组的对应关系。
6.如权利要求5所述的系统，其特征在于，所述系统还包括训练模块，用于：根据历史外呼客户名单的客户特征数据生成数据集，并根据所述数据集生成训练集和测试集；
基于所述训练集和所述测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第一层模型；
根据三个所述第一层模型的输出生成新的数据集，并根据所述新的数据集生成新的训练集和新的测试集；
基于所述新的训练集和所述新的测试集分别对决策树模型、随机森林模型和神经网络模型进行训练，根据训练结果得到三个第二层模型；
根据线性加权算法将三个所述第二层模型聚合为所述预设智能学习模型。
7.如权利要求6所述的系统，其特征在于，所述数据集包括离散型特征数据和连续型特征数据，所述训练模块，具体用于：将所述连续型特征数据进行标准化，保持所述离散型特征数据不变，并按预设划分比例将所述数据集划分为所述训练集和所述测试集。
8.如权利要求5所述的系统，其特征在于，所述业绩数据包括成单量、成交额和工作天数，所述确定模块，具体用于：基于加权算法对所述成单量、所述成交额和所述工作天数进行加权分析；
根据加权分析的结果确定所述坐席分数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111361955.6A CN114051077B (zh) | 2021-11-17 | 2021-11-17 | 一种外呼数据的分配方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111361955.6A CN114051077B (zh) | 2021-11-17 | 2021-11-17 | 一种外呼数据的分配方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114051077A CN114051077A (zh) | 2022-02-15 |
| CN114051077B true CN114051077B (zh) | 2024-03-08 |
Family
ID=80210038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111361955.6A Active CN114051077B (zh) | 2021-11-17 | 2021-11-17 | 一种外呼数据的分配方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114051077B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109040477A (zh) * | 2018-07-30 | 2018-12-18 | 厦门快商通信息技术有限公司 | 一种预测外呼算法的优化方法及外呼调度系统 |
| CN111464707A (zh) * | 2020-03-30 | 2020-07-28 | 中国建设银行股份有限公司 | 外呼处理方法、装置及系统 |
| CN112926845A (zh) * | 2021-02-18 | 2021-06-08 | 上海翰声信息技术有限公司 | 基于大数据的外呼方法、电子装置及计算机可读存储介质 |
| CN113411453A (zh) * | 2021-05-24 | 2021-09-17 | 北京健康之家科技有限公司 | 一种外呼对象的智能管理方法及装置、介质、计算设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060062376A1 (en) * | 2004-09-22 | 2006-03-23 | Dale Pickford | Call center services system and method |
-
2021
- 2021-11-17 CN CN202111361955.6A patent/CN114051077B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109040477A (zh) * | 2018-07-30 | 2018-12-18 | 厦门快商通信息技术有限公司 | 一种预测外呼算法的优化方法及外呼调度系统 |
| CN111464707A (zh) * | 2020-03-30 | 2020-07-28 | 中国建设银行股份有限公司 | 外呼处理方法、装置及系统 |
| CN112926845A (zh) * | 2021-02-18 | 2021-06-08 | 上海翰声信息技术有限公司 | 基于大数据的外呼方法、电子装置及计算机可读存储介质 |
| CN113411453A (zh) * | 2021-05-24 | 2021-09-17 | 北京健康之家科技有限公司 | 一种外呼对象的智能管理方法及装置、介质、计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114051077A (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11272059B2 (en) | Exclusive agent pool allocation method, electronic device, and computer readable storage medium | |
| Cohen | Exploiting response models—optimizing cross-sell and up-sell opportunities in banking | |
| EP3751496A1 (en) | Method and system for building reinforcement learning (rl) based model for generating bids | |
| Gönsch et al. | Optimizing the conditional value-at-risk in revenue management | |
| AU2014201264A1 (en) | Scenario based customer lifetime value determination | |
| US20220327495A1 (en) | Intelligent scheduling using a prediction model | |
| Akçay et al. | Dynamic assignment of flexible service resources | |
| US7962346B2 (en) | Social choice determination systems and methods | |
| Balter et al. | Robust decisions for heterogeneous agents via certainty equivalents | |
| CN110458410A (zh) | 一种任务分配的方法和设备 | |
| CN112862197B (zh) | 网点智能放号方法、装置、设备及存储介质 | |
| CN114051077B (zh) | 一种外呼数据的分配方法和系统 | |
| Becker | Non-wage job characteristics and the case of the missing margin | |
| CN112511705A (zh) | 一种高效客户分配算法机制 | |
| CN111626861A (zh) | 信息的显示方法和装置、存储介质和电子装置 | |
| CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN114140033B (zh) | 一种服务人员的分配方法、装置、电子设备及存储介质 | |
| Boronico et al. | Quantifying the tradeoffs between cost & quality for systems service support | |
| CN111401985A (zh) | 信息的展示方法和装置、存储介质和电子装置 | |
| CN112966968B (zh) | 一种基于人工智能的名单分配方法及相关设备 | |
| US7949553B1 (en) | Method and system for a selection optimization process | |
| CN116468109B (zh) | 预测模型的训练方法、使用方法及相关装置 | |
| CN114638541A (zh) | 一种基于分期业务的外呼客户分配处理方法及装置 | |
| CN116319567B (zh) | 资源分配方法、资源分配设备和可读存储介质 | |
| JP2004094662A (ja) | 信用リスク管理の最適化モデル適用方法及び装置 |
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 |