CN115130756A - 一种在线服务的管理方法、装置、电子设备及存储介质 - Google Patents
一种在线服务的管理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115130756A CN115130756A CN202210772816.0A CN202210772816A CN115130756A CN 115130756 A CN115130756 A CN 115130756A CN 202210772816 A CN202210772816 A CN 202210772816A CN 115130756 A CN115130756 A CN 115130756A
- Authority
- CN
- China
- Prior art keywords
- service
- online
- potential
- period
- online service
- 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.)
- Pending
Links
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/012—Providing warranty services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种在线服务的管理方法、装置、电子设备及存储介质。所述方法应用于服务管理系统,包括:在所述在线服务的服务周期内,实时获取与所述在线服务相关的服务诊断数据;其中,所述服务诊断数据用于预测所述在线服务在其服务周期内存在的潜在服务问题;基于所述服务诊断数据,预测所述在线服务在其服务周期内存在的潜在服务问题;响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案,并在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。
Description
技术领域
本说明书一个或多个实施例涉及应用技术领域,尤其涉及一种在线服务的管理方法、装置、电子设备及存储介质。
背景技术
用户预期,是指用户基于自身以往的经历和经验,形成的对事物的心理预期。在实际应用中,用户在消费过程中的各个阶段,都可能会遇到一些不符合用户预期的问题;这些问题可能影响用户消费体验,降低用户满意度,甚至可能会引起用户反感,造成用户流失,产生负面舆情。
由此可见,需要针对服务过程进行用户预期管理,也即,针对用户在消费过程中遇到的可能会影响用户预期的问题,进行一系列的提前干预和主动服务。
发明内容
本说明书提供一种在线服务的管理方法,应用于服务管理系统,所述方法包括:
在所述在线服务的服务周期内,实时获取与所述在线服务相关的服务诊断数据;其中,所述服务诊断数据用于预测所述在线服务在其服务周期内存在的潜在服务问题;
基于所述服务诊断数据,预测所述在线服务在其服务周期内存在的潜在服务问题;
响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案,并在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。
可选的,所述在线服务的服务周期,包括以下示出的一个或多个的组合:
所述在线服务的服务准备时段;
所述在线服务的服务持续时段;
所述在线服务的服务反馈时段。
可选的,所述服务诊断数据,包括以下示出的一个或多个的组合:
与所述在线服务对应的用户所产生的用户行为数据;
与所述在线服务相关的外部服务要素数据;
与所述在线服务相关的服务实体的状态数据。
可选的,所述基于所述服务诊断数据,预测所述在线服务在其服务持续时段内存在的潜在服务问题,包括:
将所述服务诊断数据与预先构建的用于预测所述在线服务在其服务持续时段内存在的潜在服务问题的决策树进行匹配,以确定所述在线服务在其服务持续时段内存在的潜在服务问题。
可选的,所述基于所述服务诊断数据,预测所述在线服务在其服务持续时段内存在的潜在服务问题,包括:
将所述服务诊断数据作为预测参数,输入预先训练完成的用于预测所述在线服务在其服务持续时段内存在的潜在服务问题的预测模型进行预测计算,并根据所述预测模型输出的预测计算结果,确定所述在线服务在其服务持续时段内存在的潜在服务问题。
可选的,所述服务管理系统维护了历史服务问题与历史问题处理方案之间的对应关系;
所述响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案,包括:
响应于预测出所述在线服务在其服务周期内存在潜在服务问题,根据所述潜在服务问题与各个历史服务问题之间的问题相似度,从所述各个历史服务问题中确定与所述潜在服务问题对应的备选服务问题;
根据与所述备选服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案。
可选的,所述根据与所述相似服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案,包括:
从与所述在线服务相关的服务诊断数据中,提取出所述在线服务对应的关键字;
根据所述在线服务对应的关键字与所述各个备选服务问题对应的关键字的文本相似度,从所述各个备选服务问题对应的服务诊断数据中确定相似服务诊断数据;
根据所述相似服务诊断数据对应的备选服务问题,确定与所述潜在服务问题对应的相似服务问题;
所述相似服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案。
可选的,所述执行所述问题处理方案之前,所述方法还包括:
向所述用户输出与所述问题处理方案对应的提示信息,以提示所述用户是否执行所述问题处理方案;
获取所述用户提交的与所述提示信息对应的确认信息;
如果所述确认信息指示执行所述问题处理方案,则在所述在线服务的服务周期内执行所述问题处理方案。
可选的,所述方法还包括:
响应于在所述在线服务的服务周期内执行所述问题处理方案完毕,评估所述潜在服务问题是否得到有效解决;
如果所述潜在服务问题未得到有效解决,则生成与所述潜在服务问题对应的二次处理方案,并继续执行所述二次处理方案。
可选的,所述与所述在线服务相关的外部服务要素数据,包括以下示出的一个或多个的组合:
所述在线服务的服务时段;
所述在线服务的服务周期内的外部环境数据;
与所述在线服务相关的服务人员所产生的行为数据。
可选的,所述与所述在线服务相关的服务实体的状态数据,包括以下示出的一个或多个的组合:
与所述在线服务相关的服务人员的用户信息;
所述用户的用户信息;
与所述在线服务相关的服务订单的订单信息;
与所述在线服务相关的服务订单对应的逆向信息。
可选的,所述在线服务,包括在线外卖服务;
所述服务管理平台,包括外卖服务管理平台;
所述潜在服务问题,包括以下示出的一个或多个的组合:所述用户创建服务订单后超时未支付的问题,所述用户创建服务订单后主动取消的问题,商家无法及时接单的问题,骑手无法及时接单的问题,商家备货超时的问题,骑手配送超时的问题,所述用户进线咨询的问题。
本说明书还提供一种在线服务的管理装置,应用于服务管理系统,所述装置包括:
获取单元,用于在所述在线服务的服务周期内,实时获取与所述在线服务相关的服务诊断数据;其中,所述服务诊断数据用于预测所述在线服务在其服务周期内存在的潜在服务问题;
预测单元,用于基于所述服务诊断数据,预测所述在线服务在其服务周期内存在的潜在服务问题;
生成单元,用于响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案;
执行单元,用于在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。
本说明书还提供一种电子设备,包括通信接口、处理器、存储器和总线,所述通信接口、所述处理器和所述存储器之间通过总线相互连接;
所述存储器中存储机器可读指令,所述处理器通过调用所述机器可读指令,执行上述方法。
本说明书还提供一种机器可读存储介质,所述机器可读存储介质存储有机器可读指令,所述机器可读指令在被处理器调用和执行时,实现上述方法。
上述实施例中,基于实时获取的与在线服务相关的服务诊断数据,可以预测所述在线服务在其服务周期内是否存在潜在服务问题,以及响应于预测出的潜在服务问题,可以生成对应的问题处理方案,并可以在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。基于此,可以及时、甚至提前发现在线服务在其服务周期内存在的可能会影响用户预期的潜在服务问题,并且可以进行实时决策,以有针对性地生成与预测出的潜在服务问题对应的问题处理方案,并且可以在所述在线服务的服务周期内执行所述问题处理方案,以实现针对用户在所述在线服务中遇到的可能会影响用户预期的问题进行提前干预和主动服务,从而改善在线服务的用户体验,提高用户满意度和用户留存率。
附图说明
为了更清楚地说明本说明书实施例的技术方案,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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书一实施例中在线服务的管理方法的流程图;
图2是本说明书一实施例中在线服务的管理装置所在电子设备的结构示意图;
图3是本说明书一实施例中在线服务的管理装置的框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
用户预期,是指用户基于自身以往的经历和经验,形成的对事物的心理预期。在实际应用中,用户在消费过程中的各个阶段,都可能会遇到一些不符合用户预期的问题;这些问题可能影响用户消费体验,降低用户满意度,甚至可能会引起用户反感,造成用户流失,产生负面舆情。
例如,在点外卖的过程中,外卖平台用户预计30分钟之内可以收到外卖订单对应的物品;如果超过了30分钟仍然没有送达,就会影响到用户预期。
目前,往往是在影响用户预期的问题已经发生、已经造成负面影响后,服务提供方才对用户在消费过程中遇到的上述问题后知后觉,也即,缺少提前发现问题的手段,而且错失了问题处理的最佳时机。另外,目前并没有针对整个服务过程的统一的用户预期管理机制,问题处理手段缺乏针对性,导致用户体验差,满意度不高,造成用户流失的问题。
例如,针对超时未送达的外卖订单,往往是在该订单完成后,为用户赔付红包或优惠券。又例如,往往在用户向外卖平台提交针对某笔订单的投诉之后,才由平台的人工客服、商家、骑手进行电话安抚。
由此可见,需要针对服务过程进行用户预期管理,也即,针对用户在消费过程中遇到的可能会影响用户预期的问题,进行一系列的提前干预和主动服务。
有鉴于此,本说明书旨在提出一种基于实时预测潜在服务问题,以及实时生成与预测出的潜在服务问题对应的问题处理方案,实现针对在线服务的用户预期管理的技术方案。
在实现时,服务管理系统可以在在线服务的服务周期内,实时获取与所述在线服务相关的服务诊断数据;其中,所述服务诊断数据用于预测所述在线服务在其服务周期内存在的潜在服务问题;进一步地,可以基于实时获取到的所述服务诊断数据,预测所述在线服务在其服务周期内存在的潜在服务问题;进一步地,响应于预测出所述在线服务在其服务周期内存在潜在服务问题,可以生成与预测出的所述潜在服务问题对应的问题处理方案,并在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。
由此可见,在本说明书中的技术方案中,基于实时获取的与在线服务相关的服务诊断数据,可以预测所述在线服务在其服务周期内是否存在潜在服务问题,以及响应于预测出的潜在服务问题,可以生成对应的问题处理方案,并可以在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。基于此,可以及时、甚至提前发现在线服务在其服务周期内存在的可能会影响用户预期的潜在服务问题,并且可以进行实时决策,以有针对性地生成与预测出的潜在服务问题对应的问题处理方案,并且可以在所述在线服务的服务周期内执行所述问题处理方案,以实现针对用户在所述在线服务中遇到的可能会影响用户预期的问题进行提前干预和主动服务,从而改善在线服务的用户体验,提高用户满意度和用户留存率。
下面通过具体实施例,并结合具体的应用场景对本说明书中的技术方案进行描述。
请参见图1,图1是本说明书一实施例中在线服务的管理方法的流程图。上述在线服务的管理方法可以应用于服务管理系统;上述方法可以执行以下步骤:
步骤102:在在线服务的服务周期内,实时获取与所述在线服务相关的服务诊断数据;其中,所述服务诊断数据用于预测所述在线服务在其服务周期内存在的潜在服务问题;
步骤104:基于所述服务诊断数据,预测所述在线服务在其服务周期内存在的潜在服务问题;
步骤106:响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案,并在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。
在本说明书中,所述服务管理系统可以用于为用户提供在线服务,还可以用于对所述在线服务进行管理。
例如,所述在线服务具体可以包括但不限于在线外卖服务、在线购物服务等等,所述服务管理系统具体可以包括用于管理相应的在线服务的系统。
为了便于本领域技术人员更好地理解本说明书中的技术方案,下面以所述在线服务为在线外卖服务、所述服务管理系统为外卖服务管理平台为例,对本说明书中的技术方案进行描述;需要说明的是,这并不代表对本说明书做出特殊限定。
在本说明书中,在所述在线服务的服务周期内,可以实时获取与所述在线服务相关的服务诊断数据;其中,所述服务诊断数据用于预测所述在线服务在其服务周期内存在的潜在服务问题。
例如,在用户通过外卖平台使用在线外卖服务的整个消费过程中,可以实时获取与在线外卖服务相关的服务诊断数据。
在示出的一种实施方式中,根据用户消费过程中履约状态的变化,可以将整个消费过程划分为一个或多个阶段,进而可以对消费过程中的各个阶段分别进行管理,也可以对消费过程中的各个阶段进行统一管理。在实现时,所述在线服务的服务周期,具体可以包括以下示出的一个或多个的组合:所述在线服务的服务准备时段;所述在线服务的服务持续时段;所述在线服务的服务反馈时段。
例如,在线外卖服务的服务周期,可以包括服务准备时段、服务持续时段、服务反馈时段这三个时段,分别对应于在线外卖服务的售前、售中、售后这三个阶段。其中,在线服务的服务准备时段,具体可以包括但不限于外卖用户浏览导购页面、添加购物车、确认订单信息等过程对应的时段;在线服务的服务持续时段,具体可以包括但不限于外卖用户支付订单、商家接单、骑手接单、配送订单、外卖用户确认收货等过程对应的时段;在线服务的服务反馈时段,具体可以包括但不限于外卖用户评价订单、订单退款、订单理赔、联系客服、投诉等过程对应的时段。
需要说明是的,所述服务诊断数据,可以是实时采集到的,也可以是离线采集到的,本说明书对此不作限制。例如,可以使用实时分析数据库(如:AnalyticDB等)来存储所述服务诊断数据,也可以采用传统的数据库(如:MySQL、Oracle等)来存储所述服务诊断数据。
在示出的一种实施方式中,所述服务诊断数据,具体可以包括以下示出的一个或多个的组合:与所述在线服务对应的用户所产生的用户行为数据;与所述在线服务相关的外部服务要素数据;与所述在线服务相关的服务实体的状态数据。
(1-1)与所述在线服务对应的用户所产生的用户行为数据。
其中,所述用户行为数据,也即,与所述用户在所述在线服务的服务期间内的用户行为对应的数据。
例如,外卖用户所产生的用户行为数据,可以包括外卖用户在服务准备时段的添加购物车行为、提交订单行为等对应的用户行为数据,也可以包括外卖用户在服务持续阶段的支付订单行为、催单行为等对应的用户行为数据,也可以包括外卖用户在服务反馈时段的评价订单行为、申请理赔行为等对应的用户行为数据。
(1-2)与所述在线服务相关的外部服务要素数据。
其中,所述外部服务要素数据,是指相对动态的、不可预知的、可能导致影响用户预期的服务问题的数据。
在一种情况下,所述与所述在线服务相关的外部服务要素数据,具体可以包括以下示出的一个或多个的组合:所述在线服务的服务时段;所述在线服务的服务周期内的外部环境数据;与所述在线服务相关的服务人员所产生的行为数据。
例如,与在线外卖服务相关的外部服务要素数据,具体可以包括但不限于:当前的服务时段为早饭、午饭、下午茶、晚饭、夜宵,当前的服务时段为高峰时段、一般时段、空闲时段,订单配送阶段的天气状况为正常、恶劣、极端恶劣,接单的商家生意火爆,配送订单的骑手遇到突发的交通事故,等等。
(1-3)与所述在线服务相关的服务实体的状态数据。
其中,所述服务实体的状态数据,是指相对静态的、可提前预知的、可能导致影响用户预期的服务问题的数据。
在一种情况下,所述与所述在线服务相关的服务实体的状态数据,具体可以包括以下示出的一个或多个的组合:与所述在线服务相关的服务人员的用户信息;所述用户的用户信息;与所述在线服务相关的服务订单的订单信息;与所述在线服务相关的服务订单对应的逆向信息。
例如,与在线外卖服务相关的服务实体,可以包括外卖用户、商家、骑手、外卖订单、运单等;与在线外卖服务相关的服务实体的状态信息,具体可以包括但不限于:外卖用户的收餐地址、信用信息,商家的营业时间、取餐位置、通常情况下的忙闲时段、根据营销活动预计的繁忙时段等,骑手的历史评价,外卖订单信息,外卖订单对应的运单信息,外卖订单对应的逆向信息,等等。其中,所述逆向信息可以包括在所述外卖订单完成之后产生的业务,如:退款业务、理赔业务、差价补偿业务、交易纠纷处理业务等。
在示出的一种实施方式中,所述在线服务可以包括在线外卖服务,所述服务管理平台可以包括外卖服务管理平台;所述在线外卖服务在其服务周期内存在的潜在服务问题,具体可以包括但不限于:所述用户创建服务订单后超时未支付的问题,所述用户创建服务订单后主动取消的问题,商家无法及时接单的问题,骑手无法及时接单的问题,商家备货超时的问题,骑手配送超时的问题,所述用户进线咨询的问题,等等。
在本说明书中,在所述在线服务的服务周期内,实时获取到与所述在线服务相关的服务诊断数据之后,可以基于实时获取到的所述服务诊断数据,预测所述在线服务在其服务周期内存在的潜在服务问题。
例如,在所述在线外卖服务的服务持续阶段,实时获取到与所述在线外卖服务相关的服务诊断数据,包括:外卖订单的服务时段为晚餐高峰时段、外卖订单的状态为商家已接单且骑手未接单、外卖用户的催单行为等;基于获取到的所述服务诊断数据,根据预先构建的决策树、预先训练的预测模型、专家经验等,可以预测在线外卖服务在其服务持续阶段存在骑手无法及时接单的潜在服务问题,进而还可能导致出现外卖订单超时未送达、外卖用户主动取消订单、外卖用户进线投诉等潜在服务问题。
在示出的一种实施方式中,所述基于所述服务诊断数据,预测所述在线服务在其服务持续时段内存在的潜在服务问题的过程,具体可以包括:将所述服务诊断数据与预先构建的用于预测所述在线服务在其服务持续时段内存在的潜在服务问题的决策树进行匹配,以确定所述在线服务在其服务持续时段内存在的潜在服务问题。
其中,为了提高实时预测潜在服务问题的速度和效率,所述预先构建的决策树,具体可以包括:基于XGBoost算法构建的用于预测所述在线服务在其服务持续时段内是否存在潜在服务问题的分类树。需要说明的是,所述XGBoost算法的核心思想是可以不断地添加树,不断地进行特征分裂来生长一棵树,每次添加一个树,其实是学习一个新函数,去拟合上次预测的残差;当训练完成得到若干棵树之后,要预测一个样本的分数,其实就是根据这个样本的特征,在每棵树中会落到对应的一个叶子节点,每个叶子节点就对应一个分数,最后只需要将每棵树对应的分数加起来就是该样本的预测值;至于所述XGBoost算法的损失函数,能够决定树的分裂模式,本领域技术人员可以通过特征数据拟合得到,灵活设置,本说明书对此不作特殊限定。
例如:在预先构建用于预测在所述在线外卖服务的服务周期内是否存在用户进线问题的决策树的过程中,可以将与所述在线外卖服务相关的历史服务诊断数据作为训练样本,并可以从所述训练样本中提取出“外卖订单的创建时刻到当前时刻之间,外卖用户点击在线联系(商家或骑手)按钮的次数”、“外卖订单的创建时刻到外卖用户最后一次点击在线联系按钮之间的时长”、“外卖订单的已创建时长”、“外卖订单的状态是否为骑士已接单”“骑士已接单的时长”、“当前时刻骑士是否已到店”“当前时刻是否处于晚餐高峰对应的服务时段”、“近一个月内外卖用户进线的次数”等特征;进一步地,可以采用基于二次可微的损失函数的XGBoost算法来进行模型训练,得到所述用于预测在所述在线外卖服务的服务周期内是否存在用户进线问题的决策树。后续,在实时获取到与所述在线外卖服务相关的需要进行预测的服务诊断数据之后,可以将所述服务诊断数据与所述决策树进行匹配,以确定所述在线外卖服务在其服务持续时段内是否存在用户进线问题,也即,基于所述决策树可以计算出用户进线的预测值,若该预测值超过预设阈值,则可以预测出存在用户进线问题。
需要说明的是,在以上示出的实施例中,基于XGBoost算法预先构建所述决策树,仅仅是一种示例性的描述;在实际应用中,本领域技术人员也可以采用其他方式来构建所述决策树,如:基于GBDT(Gradient Boosting Decision Tree)等算法构建所述决策树。另外,需要说明的是,所述决策树用于预测在所述在线外卖服务的服务周期内是否存在用户进线问题,仅仅是一种示例性的说明;在实际应用中,还可以预先构建用于预测所述在线服务在其服务持续时段内是否存在其他潜在服务问题的决策树,关于其构建方式和预测方式,与上述实施例类似,在此不再一一赘述。
在示出的另一种实施方式中,所述基于所述服务诊断数据,预测所述在线服务在其服务持续时段内存在的潜在服务问题的过程,具体可以包括:将所述服务诊断数据作为预测参数,输入预先训练完成的用于预测所述在线服务在其服务持续时段内存在的潜在服务问题的预测模型进行预测计算,并根据所述预测模型输出的预测计算结果,确定所述在线服务在其服务持续时段内存在的潜在服务问题。
其中,所述预测模型具体可以包括任意分类模型,本说明书对此不做特殊限制;所述预测模型输出的预测计算结果,也即所述分类模型输出的针对所述在线服务在其服务持续时段内存在的潜在服务问题的分类结果。
例如,在预先训练用于预测所述在线外卖服务在其服务持续时段内是否存在无骑手接单问题的预测模型的过程中,可以将与所述在线外卖服务相关的历史服务诊断数据作为训练样本,并可以从所述训练样本中提取出“骑士当前已接单数量”、“运力压力系数”、“当前天气状况”等与运力相关的特征,进一步地,可以进行多轮数据建模与拟合,得到所述预测模型,后续,在实时获取到与所述在线外卖服务相关的需要进行预测的服务诊断数据之后,可以将所述服务诊断数据作为预测参数,输入预先训练完成的所述预测模型进行预测计算,以确定所述在线外卖服务在其服务持续时段内是否存在无骑手接单问题,也即,根据所述预测模型输出的预测计算结果,可以预测在预设时长内是否有骑手接单,或者,可以预测出有骑手接单的时长区间。
需要说明的是,在以上示出的实施例中,所述预测模型输出的预测计算结果所指示的信息,与训练所述预测模型时的预设的分类结果有关,本说明书对此不做特殊限定。例如,所述预测模型输出的分类结果,可以用于指示在商家接单15分钟时无骑手接单、且在28分钟之前是否有骑手接单。又例如,所述预测模型输出的分类结果,可以用于指示在商家接单后分别在5分钟内、5-15分钟、15-28分钟、28-35分钟、35分钟以上有骑手接单的概率值。
另外,需要说明的是,在以上示出的实施中,所述预测模型用于预测所述在线外卖服务在其服务持续时段内是否存在无骑手接单问题,仅仅是一种示例性的描述;在实际应用中,所述预测模型也可以用于预测所述在线服务在其服务周期内是否存在其他潜在用户问题。例如,所述预测模型还可以用于预测所述在线外卖服务在其服务周期中是否存在外卖订单超时未送达的问题,在训练的过程中,可以从所述训练样本中提取出“履约异常程度”、“异常时长”、“运力特征”等特征,以对所述预测模型进行训练,关于其他训练过程、预测过程的具体实现方式,与上述实施例类似,在此不再一一赘述。
在本说明书中,响应于预测出所述在线服务在其服务周期内存在潜在服务问题,可以生成与预测出的所述潜在服务问题对应的问题处理方案,并可以在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。
例如,响应于预测出在线外卖服务在其服务持续阶段存在骑手无法及时接单的潜在服务问题,根据专家经验、所述潜在服务问题的相关服务诊断数据等进行实时决策,可以生成与骑手无法及时接单的潜在服务问题对应的问题处理方案,如:加急调度骑手接单、预测运单是否能在5分钟内被骑手接起、向外卖用户输出用于安抚的提示信息、为外卖用户发放红包或优惠券等作为补偿等等;并且,可以在所述在线外卖的服务周期内执行生成的所述问题处理方案,以在所述潜在服务问题真正发生之前或造成严重影响之前进行干预,完成针对所述在线外卖服务的用户预期管理。
在示出的一种实施方式中,可以结合与预测出的所述潜在服务问题相似的历史服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案。在实现时,所述服务管理系统维护了历史服务问题与历史问题处理方案之间的对应关系;所述响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案的过程,具体可以包括:响应于预测出所述在线服务在其服务周期内存在潜在服务问题,根据所述潜在服务问题与各个历史服务问题之间的问题相似度,从所述各个历史服务问题中确定与所述潜在服务问题对应的备选服务问题;根据与所述备选服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案。
其中,可以直接将与所述备选服务问题对应的历史问题处理方案,作为生成的与所述潜在服务问题对应的问题处理方案;或者,也可以针对与所述备选服务问题对应的历史问题处理方案进行结合或优化,以生成与所述潜在服务问题对应的问题处理方案;本说明书对此不作特殊限定。
例如,响应于预测出所述在线外卖服务在服务准备阶段内存在“外卖订单超时未支付”的潜在服务问题,根据服务诊断数据可以确定导致上述潜在服务问题的原因是网络抖动;根据所述潜在服务问题与各个历史服务问题之间的问题相似度,可以确定与所述潜在服务问题对应的备选服务问题;根据与所述备选服务问题对应的历史问题处理方案,可以获知上述备选服务问题对应的历史问题处理方案为等待5分钟,用户再次下单后完成支付,则可以将其作为与所述潜在服务问题对应的问题处理方案。
在以上示出的实施方式中,为了提高生成的问题处理方案可以成功解决所述潜在服务问题的成功率,从而进一步改善用户体验,提高用户满意度,可以先结合服务诊断数据的相似性,从所述备选服务问题中筛选出相似服务问题,再进一步地根据与所述相似问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案。在实现时,所述根据与所述相似服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案的过程,具体可以包括:从与所述在线服务相关的服务诊断数据中,提取出所述在线服务对应的关键字;根据所述在线服务对应的关键字与所述各个备选服务问题对应的关键字的文本相似度,从所述各个备选服务问题对应的服务诊断数据中确定相似服务诊断数据;根据所述相似服务诊断数据对应的备选服务问题,确定与所述潜在服务问题对应的相似服务问题;所述相似服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案。
其中,关于从所述各个备选服务问题对应的服务诊断数据中确定相似服务诊断数据的具体实现方式,具体可以包括:基于LDA主题聚类算法JGibbLDA,针对实时获取到的与所述在线服务相关的服务诊断数据、以及与所述各个备选服务问题相关的服务诊断数据,进行数据预处理,以提取出所述服务诊断数据(也即:文档,document)中的关键词(也即:word,词语),并进行文本聚类与主题(topic)识别。
需要说明的是,所述数据预处理,可以包括:基于词典或分词库进行文本分割,基于停用词表过滤停用词,词形还原(lemmatization)或词干提取(stemming),等等。另外,所述文本聚类与主题识别,具体可以包括:基于向量空间模型的文本相似性计算,基于LDA模型的文本相似性计算,全文相似性计算,等等。关于LDA主题聚类算法的具体实现方式,未详尽描述之处可以参见相关技术,在此不再一一赘述;所述LDA主题聚类算法的核心思想为,通过对文本数据的降维处理,实现大规模的文本数据的主题词提取,并通过主题聚类来获取词语间的关联关系,可以通过多次聚合迭代产出主题预测模型。
例如,响应于预测出所述在线外卖服务在服务持续阶段内存在“无骑士接单”的潜在服务问题,由于实时获取到的服务诊断数据不同,如:当前服务时段为午餐高峰时段或空闲时段,订单配送阶段的天气状况为正常或极端恶劣,商家是否正在进行营销活动,订单配送的超时时长已经达到5分钟或15分钟等;因此,导致所述潜在服务问题的原因可能不同,用户对该潜在用户问题的容忍程度可能也是不同的,因此,可以结合服务诊断数据,针对同一潜在服务问题生成不同的问题处理方案,从而更有针对性的对所述在线外卖服务进行用户预期管理。
在示出的一种实施方式中,在针对所述在线服务进行用户预期管理的过程中,可以按照用户意愿提供相应的服务,也即,可以先将预测出的潜在用户问题、以及生成的对应的问题处理方案告知用户,以使该用户选择是否接收执行所述问题处理方案。在实现时,所述执行所述问题处理方案之前,所述方法还可以包括:向所述用户输出与所述问题处理方案对应的提示信息,以提示所述用户是否执行所述问题处理方案;获取所述用户提交的与所述提示信息对应的确认信息;如果所述确认信息指示执行所述问题处理方案,则在所述在线服务的服务周期内执行所述问题处理方案。
例如,响应于预测出在线外卖服务在其服务持续阶段存在骑手无法及时接单的潜在服务问题,通过实时决策生成了对应的一个或多个问题处理方案,如:加急调度骑手接单、为外卖用户发放红包或优惠券等作为补偿等等;则外卖平台可以先向外卖用户输出与生成的所述问题处理方案对应的提示信息,以提示该外卖用户是否执行所述问题处理方案,如“您的外卖订单可能配送超时,是否同意为您加急呼叫骑手,并向您的账户发放超时补偿红包?”;响应于该外卖用户在客户端针对“同意”按钮的点击操作,外卖平台可以获取到该外卖用户提交的与上述提示消息对应的用于指示执行上述问题处理方案的确认信息,可以在所述在线外卖服务的服务周期内尽快执行上述问题处理方案,以完成针对所述在线外卖服务的用户预期管理。
在以上示出的实施方式中,所述方法还可以包括:如果所述确认信息指示用户拒绝执行所述问题处理方案,则重新生成与预测出的所述潜在服务问题对应的问题处理方案,并向所述用户继续输出与重新生成的问题处理方案对应的提示信息,以提示用户是否执行重新生成的问题处理方案;或者,可以向客户人员输出预测出的所述潜在服务问题,以由所述客服人员针对所述潜在服务问题进行人工处理。
例如,接着上述实施例继续举例说明,响应于该外卖用户在客户端针对“拒绝”按钮的点击操作,外卖平台可以获取到该外卖用户提交的与上述提示消息对应的用于指示不执行“加急调度骑手接单、为外卖用户发放红包或优惠券等作为补偿”的问题处理方案的确认信息,则可以通过实时决策重新生成与骑手无法及时接单的潜在服务问题对应的问题处理方案“自动取消订单”,进而可以向该外卖用户继续输出与重新生成的所述问题处理方案对应的提示信息,以提示该外卖用户是否执行重新生成的问题处理方案,如“是否需要免责取消订单?”;进一步地,外卖平台可以获取用户提交的与上述提示消息对应的确认信息,并根据所述确认信息确定是否执行重新生成的问题处理方案。
又例如,接着上述实施例继续举例说明,响应于该外卖用户在客户端针对“拒绝”按钮的点击操作,外卖平台可以获取到该外卖用户提交的与上述提示消息对应的用于指示不执行“加急调度骑手接单、为外卖用户发放红包或优惠券等作为补偿”的问题处理方案的确认信息,则可以向外卖平台的客户人员输出预测出的所述骑手无法及时接单的潜在服务问题,以由该客户人员针对该潜在服务问题进行人工处理。
在示出的一种实施方式中,所述在所述在线服务的服务周期内执行所述问题处理方案之后,所述方法还可以包括:响应于在所述在线服务的服务周期内执行所述问题处理方案完毕,评估所述潜在服务问题是否得到有效解决;如果所述潜在服务问题未得到有效解决,则生成与所述潜在服务问题对应的二次处理方案,并继续执行所述二次处理方案。
例如,响应于在所述在线服务的服务周期内执行所述问题处理方案完毕,通过持续观测CPO(Call Per Order,每一万笔订单进线量)、NPS(Net Promoter Score,净推荐值)等核心指标,以及与评价、投诉、退单、复购等相关的用户行为数据,可以评估预测出的所述潜在服务问题是否得到有效解决;如果未得到有效解决,还可以进一步生成与所述潜在服务问题对应的二次处理方案,并继续执行所述二次处理方案,如:人工客服兜底、优化实时决策算法、优化与所述潜在问题对应的问题处理方案等。
通过以上实施例可知,基于实时获取的与在线服务相关的服务诊断数据,可以预测所述在线服务在其服务周期内是否存在潜在服务问题,以及响应于预测出的潜在服务问题,可以生成对应的问题处理方案,并可以在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。基于此,可以及时、甚至提前发现在线服务在其服务周期内存在的可能会影响用户预期的潜在服务问题,并且可以进行实时决策,以有针对性地生成与预测出的潜在服务问题对应的问题处理方案,并且可以在所述在线服务的服务周期内执行所述问题处理方案,以实现针对用户在所述在线服务中遇到的可能会影响用户预期的问题进行提前干预和主动服务,从而改善在线服务的用户体验,提高用户满意度和用户留存率。
与上述在线服务的管理方法的实施例对应的,本说明书还提供了一种在线服务的管理装置的实施例。
请参见图2,图2是本说明书一实施例中在线服务的管理装置所在电子设备的结构示意图。在硬件层面,该设备包括处理器202、内部总线204、网络接口206、内存208以及非易失性存储器210,当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现,比如由处理器202从非易失性存储器210中读取对应的计算机程序到内存208中然后运行。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
请参见图3,图3是本说明书一实施例中在线服务的管理装置的框图。该在线服务的管理装置可以应用于如图2所示的电子设备中,以实现本说明书的技术方案。其中,所述在线服务的管理装置可以应用于服务管理系统,所述装置可以包括:
获取单元302,用于在所述在线服务的服务周期内,实时获取与所述在线服务相关的服务诊断数据;其中,所述服务诊断数据用于预测所述在线服务在其服务周期内存在的潜在服务问题;
预测单元304,用于基于所述服务诊断数据,预测所述在线服务在其服务周期内存在的潜在服务问题;
生成单元306,用于响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案;
执行单元308,用于在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。
在本实施例中,所述在线服务的服务周期,包括以下示出的一个或多个的组合:
所述在线服务的服务准备时段;
所述在线服务的服务持续时段;
所述在线服务的服务反馈时段。
在本实施例中,所述服务诊断数据,包括以下示出的一个或多个的组合:
与所述在线服务对应的用户所产生的用户行为数据;
与所述在线服务相关的外部服务要素数据;
与所述在线服务相关的服务实体的状态数据。
在本实施例中,所述预测单元304,具体用于:
将所述服务诊断数据与预先构建的用于预测所述在线服务在其服务持续时段内存在的潜在服务问题的决策树进行匹配,以确定所述在线服务在其服务持续时段内存在的潜在服务问题。
在本实施例中,所述预测单元304,具体用于:
将所述服务诊断数据作为预测参数,输入预先训练完成的用于预测所述在线服务在其服务持续时段内存在的潜在服务问题的预测模型进行预测计算,并根据所述预测模型输出的预测计算结果,确定所述在线服务在其服务持续时段内存在的潜在服务问题。
在本实施例中,所述服务管理系统维护了历史服务问题与历史问题处理方案之间的对应关系;
所述生成单元306,具体用于:
响应于预测出所述在线服务在其服务周期内存在潜在服务问题,根据所述潜在服务问题与各个历史服务问题之间的问题相似度,从所述各个历史服务问题中确定与所述潜在服务问题对应的备选服务问题;
根据与所述备选服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案。
在本实施例中,所述生成单元306,具体用于:
从与所述在线服务相关的服务诊断数据中,提取出所述在线服务对应的关键字;
根据所述在线服务对应的关键字与所述各个备选服务问题对应的关键字的文本相似度,从所述各个备选服务问题对应的服务诊断数据中确定相似服务诊断数据;
根据所述相似服务诊断数据对应的备选服务问题,确定与所述潜在服务问题对应的相似服务问题;
所述相似服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案。
在本实施例中,所述装置还包括:
提示单元,用于向所述用户输出与所述问题处理方案对应的提示信息,以提示所述用户是否执行所述问题处理方案;
确认单元,用于获取所述用户提交的与所述提示信息对应的确认信息;
所述执行单元308,具体用于如果所述确认信息指示执行所述问题处理方案,则在所述在线服务的服务周期内执行所述问题处理方案。
在本实施例中,所述装置还包括:
评估单元,用于响应于在所述在线服务的服务周期内执行所述问题处理方案完毕,评估所述潜在服务问题是否得到有效解决;
所述生成单元306,还用于如果所述潜在服务问题未得到有效解决,则生成与所述潜在服务问题对应的二次处理方案;
所述执行单元308,还用于执行所述二次处理方案。
在本实施例中,所述与所述在线服务相关的外部服务要素数据,包括以下示出的一个或多个的组合:
所述在线服务的服务时段;
所述在线服务的服务周期内的外部环境数据;
与所述在线服务相关的服务人员所产生的行为数据。
在本实施例中,所述与所述在线服务相关的服务实体的状态数据,包括以下示出的一个或多个的组合:
与所述在线服务相关的服务人员的用户信息;
所述用户的用户信息;
与所述在线服务相关的服务订单的订单信息;
与所述在线服务相关的服务订单对应的逆向信息。
在本实施例中,所述在线服务,包括在线外卖服务;
所述服务管理平台,包括外卖服务管理平台;
所述潜在服务问题,包括以下示出的一个或多个的组合:所述用户创建服务订单后超时未支付的问题,所述用户创建服务订单后主动取消的问题,商家无法及时接单的问题,骑手无法及时接单的问题,商家备货超时的问题,骑手配送超时的问题,所述用户进线咨询的问题。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例只是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为服务器系统。当然,本说明书不排除随着未来计算机技术的发展,实现上述实施例功能的计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。例如若使用到第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本说明书是参照根据本说明书实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例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本说明书一个或多个实施例,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,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。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (10)
1.一种在线服务的管理方法,应用于服务管理系统,所述方法包括:
在所述在线服务的服务周期内,实时获取与所述在线服务相关的服务诊断数据;其中,所述服务诊断数据用于预测所述在线服务在其服务周期内存在的潜在服务问题;
基于所述服务诊断数据,预测所述在线服务在其服务周期内存在的潜在服务问题;
响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案,并在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。
2.根据权利要求1所述的方法,所述在线服务的服务周期,包括以下示出的一个或多个的组合:
所述在线服务的服务准备时段;
所述在线服务的服务持续时段;
所述在线服务的服务反馈时段。
3.根据权利要求1所述的方法,所述基于所述服务诊断数据,预测所述在线服务在其服务持续时段内存在的潜在服务问题,包括:
将所述服务诊断数据与预先构建的用于预测所述在线服务在其服务持续时段内存在的潜在服务问题的决策树进行匹配,以确定所述在线服务在其服务持续时段内存在的潜在服务问题。
4.根据权利要求1所述的方法,所述基于所述服务诊断数据,预测所述在线服务在其服务持续时段内存在的潜在服务问题,包括:
将所述服务诊断数据作为预测参数,输入预先训练完成的用于预测所述在线服务在其服务持续时段内存在的潜在服务问题的预测模型进行预测计算,并根据所述预测模型输出的预测计算结果,确定所述在线服务在其服务持续时段内存在的潜在服务问题。
5.根据权利要求1所述的方法,所述服务管理系统维护了历史服务问题与历史问题处理方案之间的对应关系;
所述响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案,包括:
响应于预测出所述在线服务在其服务周期内存在潜在服务问题,根据所述潜在服务问题与各个历史服务问题之间的问题相似度,从所述各个历史服务问题中确定与所述潜在服务问题对应的备选服务问题;
根据与所述备选服务问题对应的历史问题处理方案,生成与所述潜在服务问题对应的问题处理方案。
6.根据权利要求1所述的方法,所述执行所述问题处理方案之前,所述方法还包括:
向所述用户输出与所述问题处理方案对应的提示信息,以提示所述用户是否执行所述问题处理方案;
获取所述用户提交的与所述提示信息对应的确认信息;
如果所述确认信息指示执行所述问题处理方案,则在所述在线服务的服务周期内执行所述问题处理方案。
7.根据权利要求1所述的方法,所述方法还包括:
响应于在所述在线服务的服务周期内执行所述问题处理方案完毕,评估所述潜在服务问题是否得到有效解决;
如果所述潜在服务问题未得到有效解决,则生成与所述潜在服务问题对应的二次处理方案,并继续执行所述二次处理方案。
8.一种在线服务的管理装置,应用于服务管理系统,所述装置包括:
获取单元,用于在所述在线服务的服务周期内,实时获取与所述在线服务相关的服务诊断数据;其中,所述服务诊断数据用于预测所述在线服务在其服务周期内存在的潜在服务问题;
预测单元,用于基于所述服务诊断数据,预测所述在线服务在其服务周期内存在的潜在服务问题;
生成单元,用于响应于预测出所述在线服务在其服务周期内存在潜在服务问题,生成与预测出的所述潜在服务问题对应的问题处理方案;
执行单元,用于在所述在线服务的服务周期内执行所述问题处理方案,以完成针对所述在线服务的用户预期管理。
9.一种电子设备,包括通信接口、处理器、存储器和总线,所述通信接口、所述处理器和所述存储器之间通过总线相互连接;
所述存储器中存储机器可读指令,所述处理器通过调用所述机器可读指令,执行权利要求1至7任一项所述的方法。
10.一种机器可读存储介质,所述机器可读存储介质存储有机器可读指令,所述机器可读指令在被处理器调用和执行时,实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772816.0A CN115130756A (zh) | 2022-06-30 | 2022-06-30 | 一种在线服务的管理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772816.0A CN115130756A (zh) | 2022-06-30 | 2022-06-30 | 一种在线服务的管理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130756A true CN115130756A (zh) | 2022-09-30 |
Family
ID=83381507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210772816.0A Pending CN115130756A (zh) | 2022-06-30 | 2022-06-30 | 一种在线服务的管理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130756A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805023A (zh) * | 2023-08-25 | 2023-09-26 | 量子数科科技有限公司 | 一种基于大语言模型的外卖推荐方法 |
-
2022
- 2022-06-30 CN CN202210772816.0A patent/CN115130756A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805023A (zh) * | 2023-08-25 | 2023-09-26 | 量子数科科技有限公司 | 一种基于大语言模型的外卖推荐方法 |
CN116805023B (zh) * | 2023-08-25 | 2023-11-03 | 量子数科科技有限公司 | 一种基于大语言模型的外卖推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11682093B2 (en) | Document term recognition and analytics | |
CA3090497C (en) | Transaction classification based on transaction time predictions | |
CN113657901B (zh) | 欠费用户的催收管理方法、系统、终端及介质 | |
CA3165582A1 (en) | Data processing method and system based on similarity model | |
CA3162923A1 (en) | Heterogeneous graph embedding | |
CN112561535A (zh) | 交易纠纷数据处理方法、装置、设备及存储介质 | |
US20230325950A1 (en) | Updating a document based on transaction analysis | |
US11188967B2 (en) | Systems and methods for using keywords extracted from reviews | |
US20220129754A1 (en) | Utilizing machine learning to perform a merger and optimization operation | |
CN107330709B (zh) | 确定目标对象的方法及装置 | |
CN115130756A (zh) | 一种在线服务的管理方法、装置、电子设备及存储介质 | |
US20200364537A1 (en) | Systems and methods for training and executing a recurrent neural network to determine resolutions | |
US11328029B2 (en) | Systems and methods for using keywords extracted from reviews | |
CN115983902B (zh) | 基于用户实时事件的信息推送方法及系统 | |
CN112163962A (zh) | 一种模型训练和业务风控的方法及装置 | |
CN113159834B (zh) | 一种商品信息排序方法、装置以及设备 | |
US11379929B2 (en) | Advice engine | |
CN110009159A (zh) | 基于网络大数据的金融借贷需求预测方法及系统 | |
CN115439180A (zh) | 一种目标对象确定方法、装置、电子设备及存储介质 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN114240097A (zh) | 一种风险评估的方法及装置 | |
CN110060146B (zh) | 一种数据转移方法及相关设备 | |
US20230306279A1 (en) | Guided feedback loop for automated information categorization | |
CN110442587B (zh) | 业务信息升级方法及终端设备 | |
US20230136972A1 (en) | Egocentric network entity robustness prediction |
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 |