CN114529036A - 一种语音客服员工离职预警与管理方法 - Google Patents

Abstract

本发明公开了一种语音客服员工离职预警与管理方法，包括以下步骤：S1、按照时间顺序对员工生产指标进行划分，以一周为时间维度划分指标；S2、通过数据清洗、数据预处理、数据分析方式得出影响员工离职的特征信息。本发明以RFE和LightGBM结合构建模型，对多种相关特征进行提取与系统自动化指标审核，达到较为准确的预测出要离职人员的数量及指标异常员工数量，降低公司人力成本、培训成本和时间成本；具体优点与效果如下：(1)能够更加全面、准确的描述员工的状态，精准的对员工离职进行预警，极大了节省了培训招聘成本；(2)能够最大化的增加离职预测的可信度；(3)形成了自动化的指标对比体系，提高了可靠性，节省了时间成本。

Description

一种语音客服员工离职预警与管理方法

技术领域

本发明涉及人工智能自动化技术领域，特别涉及一种语音客服员工离职预警与管理方法。

背景技术

目前市场上大部分客服行业对于客服人员的管理采用传统的人工管理模式，对于员工离职预测的方式是根据传统的线性回归等方式预测员工离职的可能性。

传统的管理模式和预测方式存在以下弊端：第一，使用定性分析员工异常相关指标模式，通过特征指标主观推断离职意向的方式，缺乏预测结果的评判依据；第二，传统方法对特征的界定不明确，存在部分影响因子较小的无效特征，影响离职预测的准确率；

为进一步降本增效，本专利提出RFE和LightGBM结合算法实现语音客服员工离职预警方法。1.RFE方法能够有效的筛选影响因子较大的特征项，提升预测准确率；2.LightGBM算法能够针对特征项统计各个特征影响权重，为离职预测结果提供评判依据。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种语音客服员工离职预警与管理方法，通过RFE和LightGBM结合算法融入现有的客服管理模式，形成新的智能语音客服管理方法，实现自动化离职人员预警、员工异常指标监控、定时提醒及线上指标对比分析。

本发明提供了如下的技术方案：

本发明提供一种语音客服员工离职预警与管理方法，包括以下步骤：

S1、按照时间顺序对员工生产指标进行划分，以一周为时间维度划分指标；

S2、通过数据清洗、数据预处理、数据分析方式得出影响员工离职的特征信息：

1).数据清洗：对数据不全的员工、存在错误等数据进行清洗；

2).数据预处理：以周为维度划分指标，分别求当前时间前四周每周业务指标的平均量，四周前到入职的时间同样求平均；

3).数据分析：挖掘数据中的相关变量信息，对变量进行再加工，并提取数据中有效特征；

S3、RFE与LightGBM结合员工离职意向预测模型，其中RFE方法对人工选取的特征进行自动筛选，筛选出影响因子较大的特征项集合的结果，LightGBM算法针对特征项集合实现员工离职意向的预测，具体过程如下：

1).针对人工提取的特征使用LightGBM算法实现员工离职意向预测模型；

2).使用RFE方法循环构建LightGBM员工离职意向预测模型，通过RFE中随机森林算法得出各个特征项的重要程度，每次循环去除最低重要性特征，直到所有特征项完全去除；

3).通过特征去除的顺序可以得出特征项重要程度的顺序，从RFE中得出特征项组合情况的最优特征组成集合；

4).针对最优特征组成集合使用LightGBM算法实现员工离职意向预测模型；

5).通过LightGBM算法得出最有特征组成集合中各个特征的重要性权重信息，便于后续离职预测结果评估；

S4、实现员工离职预测管理办法，针对不同的指标信息统计，便于人员行为自动化管理，具体步骤如图2所示，过程如下：

1).调用客服系统客户人员工作信息统计接口，得出员工基础特征信息与一周时间维度的员工生产指标信息；

2).以上述RFE算法筛选出高权重特征，将特征作为LightGBM算法的输入，得出员工离职意向的概率；

3).对预测离职意向概率超过离职阈值的范围，通过在员工管理平台进行报警与提示；

4).通过线上指标审核标准对员工进行审核，是通过计算员工的指标均值，判断员工是否一定时间内超出阈值范围,综合审评得出员工真实离职意向便于人员综合的管理。

与现有技术相比，本发明的有益效果如下：

本申请以RFE和LightGBM结合构建模型，对多种相关特征进行提取与系统自动化指标审核，达到较为准确的预测出要离职人员的数量及指标异常员工数量，降低公司人力成本、培训成本和时间成本。

具体优点与效果如下：

(1)此模式下通过考核多维度多特征数据，能够更加全面、准确的描述员工的状态，精准的对员工离职进行预警，极大了节省了培训招聘成本。

(2)通过对已离职员工的数据进行分析处理，获取已离职员工将要离职前的数据，能够最大化的增加离职预测的可信度。

(3)通过机器学习及数据挖掘的方法，形成了自动化的指标对比体系，提高了可靠性，节省了时间成本。

(4)实现在线自主学习方法，可以利用新的数据对各个特征的权重进行更新。并且对数据中的小噪音的鲁棒性很好，并且轻微的多重共线性不会对其结果产生特别的影响。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是传统客服管理模式示意图；

图2是本发明的智能自动化客服管理模式图；

图3是本发明的离职预警效果展示图；

图4是本发明的离职预警结果统计展示图；

图5是本发明的效能指标对比展示示意图之一；

图6是本发明的效能指标对比展示示意图之二。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。其中附图中相同的标号全部指的是相同的部件。

实施例1

如图1-6，本发明提供一种语音客服员工离职预警与管理方法，包括以下步骤：

S1、按照时间顺序对员工生产指标进行划分，以一周为时间维度划分指标；

S2、通过数据清洗、数据预处理、数据分析方式得出影响员工离职的特征信息：

1).数据清洗：对数据不全的员工、存在错误等数据进行清洗；

2).数据预处理：以周为维度划分指标，分别求当前时间前四周每周业务指标的平均量，四周前到入职的时间同样求平均；

3).数据分析：挖掘数据中的相关变量信息，对变量进行再加工，并提取数据中有效特征；

S3、RFE与LightGBM结合员工离职意向预测模型，其中RFE方法对人工选取的特征进行自动筛选，筛选出影响因子较大的特征项集合的结果，LightGBM算法针对特征项集合实现员工离职意向的预测，具体过程如下：

1).针对人工提取的特征使用LightGBM算法实现员工离职意向预测模型；

2).使用RFE方法循环构建LightGBM员工离职意向预测模型，通过RFE中随机森林算法得出各个特征项的重要程度，每次循环去除最低重要性特征，直到所有特征项完全去除；

3).通过特征去除的顺序可以得出特征项重要程度的顺序，从RFE中得出特征项组合情况的最优特征组成集合；

4).针对最优特征组成集合使用LightGBM算法实现员工离职意向预测模型；

5).通过LightGBM算法得出最有特征组成集合中各个特征的重要性权重信息，便于后续离职预测结果评估；

S4、实现员工离职预测管理办法，针对不同的指标信息统计，便于人员行为自动化管理，具体步骤如图2所示，过程如下：

1).调用客服系统客户人员工作信息统计接口，得出员工基础特征信息与一周时间维度的员工生产指标信息；

2).以上述RFE算法筛选出高权重特征，将特征作为LightGBM算法的输入，得出员工离职意向的概率；

3).对预测离职意向概率超过离职阈值的范围，通过在员工管理平台进行报警与提示；

4).通过线上指标审核标准对员工进行审核，是通过计算员工的指标均值，判断员工是否一定时间内超出阈值范围,综合审评得出员工真实离职意向便于人员综合的管理。

进一步的，如图3所示，离职预警模型生成的预警信息，包括员工、主管、预警次数等详细信息，图片右上角部分显示了预警提醒功能，将定时发送给对应主管及相关管理人员。

如图4所示，展示了对离职预警员工的统计和管理效果，包括历史离职增长率；折线图反映各部门、各主管管理下具有离职意向员工增长趋势情况，可帮助管理人员制定长期计划并及时做出修订。

如图5所示，客服员工离职预测信息包括员工基本信息和异常指标的数据，以及最近一个月异常指标的变化趋势。

如图6所示，线上面谈记录表，主管对异常员工进行谈话，挽留培训积极员工，劝退消极且考核指标查的员工。

1.本发明通过RFE与LightGBM结合算法实现员工离职意向预警模型，添加以周为时间序列维度对员工生产指标进行划分模式，使用LightGBM算法预警离职意向员工，通过RFE算法实现多特征自主学习与筛选，进而提升员工离职率预测准确率。

2.本发明将RFE与LR算法与客服管理相结合，实现智能化自动监控人员指标，实现及时预警和通知并结合人力资源保留的策略。此发明适用于客服管理市场，极大的节省客服管理的成本和培训成本，提升运营效率，并保障企业的正常运作或工作进展。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种语音客服员工离职预警与管理方法，其特征在于，包括以下步骤：

S1、按照时间顺序对员工生产指标进行划分，以一周为时间维度划分指标；

S2、通过数据清洗、数据预处理、数据分析方式得出影响员工离职的特征信息：

1).数据清洗：对数据不全的员工、存在错误等数据进行清洗；

2).数据预处理：以周为维度划分指标，分别求当前时间前四周每周业务指标的平均量，四周前到入职的时间同样求平均；

3).数据分析：挖掘数据中的相关变量信息，对变量进行再加工，并提取数据中有效特征；

S3、RFE与LightGBM结合员工离职意向预测模型，其中RFE方法对人工选取的特征进行自动筛选，筛选出影响因子较大的特征项集合的结果，LightGBM算法针对特征项集合实现员工离职意向的预测，具体过程如下：

1).针对人工提取的特征使用LightGBM算法实现员工离职意向预测模型；

2).使用RFE方法循环构建LightGBM员工离职意向预测模型，通过RFE中随机森林算法得出各个特征项的重要程度，每次循环去除最低重要性特征，直到所有特征项完全去除；

3).通过特征去除的顺序可以得出特征项重要程度的顺序，从RFE中得出特征项组合情况的最优特征组成集合；

4).针对最优特征组成集合使用LightGBM算法实现员工离职意向预测模型；

5).通过LightGBM算法得出最有特征组成集合中各个特征的重要性权重信息，便于后续离职预测结果评估；

S4、实现员工离职预测管理办法，针对不同的指标信息统计，便于人员行为自动化管理，具体步骤过程如下：

1).调用客服系统客户人员工作信息统计接口，得出员工基础特征信息与一周时间维度的员工生产指标信息；

2).以上述RFE算法筛选出高权重特征，将特征作为LightGBM算法的输入，得出员工离职意向的概率；

3).对预测离职意向概率超过离职阈值的范围，通过在员工管理平台进行报警与提示；

4).通过线上指标审核标准对员工进行审核，是通过计算员工的指标均值，判断员工是否一定时间内超出阈值范围,综合审评得出员工真实离职意向便于人员综合的管理。

Images