CN115860411A - 一种基于电力用户行为预测用户需求的方法 - Google Patents

Abstract

本发明公开了一种预测用户需求的方法，包括：获取用户标识，根据用户标识获取电力系统客户编号，其中，一个用户标识对应一个或多个电力系统客户编号；调用电力客户行为预测模型，获取所述电力系统客户编号对应的用户行为类型和预测需求；根据用户行为类型执行业务匹配，为用户标识分配话务坐席；其中，为用户标识分配话务坐席时，向指定的话务坐席终端发送预测需求。根据上述技术方案，可以减轻人工坐席的压力与成本，也避免了极端天气或特殊情况导致的长时间电话占线与客户投诉问题。

Description

一种基于电力用户行为预测用户需求的方法

技术领域

本发明涉及人工智能领域，具体而言，涉及一种基于电力用户行为预测用户需求的方法。

背景技术

在电力领域，各省电网系统客户服务渠道呈现出多样化需求，例如掌上营业厅、网上营业厅、热线客服、微信公众号等一系列的电子服务渠道。但电子服务渠道菜单固化性已严重阻碍客户服务效率，已经不能满足新电子渠道对客服质量的要求。其中，最常用的自助语音服务主要是通过按键选择进行相对应服务，但按键层级深、播报时间长等因素已对客户服务能力提升、服务效率提高造成阻碍影响，不利于客户体验，造成客户需要长时间听取语音播报进行诉求选择。

因此需要一种利用用户记录、用户模型、数据分类等技术，预测用户行为诉求的方案，以实现高精准的定位客户需求，并快速解决的效果。

发明内容

本发明的主要目的在于公开一种预测用户需求的方法，包括：

获取用户标识，用户标识来自客服电话平台或者客服互联网平台；

根据用户标识获取电力系统客户编号，其中，一个用户标识对应一个或多个电力系统客户编号；

调用电力客户行为预测模型，获取电力系统客户编号对应的用户行为类型和预测需求；

根据用户行为类型执行业务匹配，业务匹配包括指定业务类型，为用户标识分配话务坐席；

其中，为用户标识分配话务坐席时，向指定的话务坐席终端发送预测需求。

其中，调用电力客户行为预测模型前，建立电力客户行为预测模型，包括以下步骤：

从电力系统用户数据库中采集用户数据，用户数据包括该用户标识对应的来话行为轨迹数据和用户标识对应的所有电力系统客户编号相关的电力客户数据；

对用户数据进行预处理，生成有效用户数据；

对有效用户数据执行归一化处理，生成用电用户多维数据表征向量；

通过用电用户多维数据表征向量建立用户行为建模，输出用户行为类型。

其中，电力客户数据包括：当前用电数据；来话行为轨迹数据包括：来电时间、用户标签、按键流程、业务咨询类型、诉求原因、敏感信息、转人工诉求信息。

其中，对用户数据进行预处理包括：缺失数据处理、离散数据处理、毛刺数据处理。

进一步的，建立电力客户行为预测模型后，构建一组没有参加预测模型建立的数据集进行预测并且评估，所述评价的指标包括：准确率、精确率、召回率、ROC曲线、混淆矩阵。

进一步的，来话行为轨迹数据还包括来话处理结果，用于结果数据类别判断依据。

进一步的，为用户标识分配话务坐席时，根据空闲坐席等待时间、坐席状态和业务类型分配接待坐席队列。

预测需求包括所述用户标识、用户标识对应的电力系统客户编号。

进一步的，为用户标识分配话务坐席时后，等待用户挂机，获取本次用户数据；

本次用户数据包括本次来话处理结果和来话行为轨迹数据；将本次用户数据进行收集，用于所述电力客户行为预测模型的优化准备。

进一步的，为用户标识分配话务坐席后，将所述用户标识所在的语音通道接入所述话务坐席对应的话务资源，以实现业务节点跳转。

本发明集成用户记录、用户模型、数据分类、业务系统，简化了用户进入客服系统提交诉求的步骤，使得整个问题提出流程更加人性化，使大部分用户诉求可以在自助语音环节解决，极大减轻了人工坐席的压力与成本，同时也避免了极端天气或特殊情况导致的长时间电话占线与客户投诉问题。

附图说明

图1是根据本发明实施例提供的基于电力客户行为预测用户需求的方法步骤图；

图2是根据本发明实施例提供的电力客户行为预测模型处理流程示意图。

具体实施方式

本发明提供的基于电力客户行为，预测用户需求的方法，是集成用户历史数据进行分析，整合业务系统、客服系统等应用系统，可以通过构建用户模型确定用户分类，在此基础上可快速定位客户诉求，直接跳转到相关业务座席，以最快的速度更优地提供解决方案，最终减轻人工坐席服务压力、保障用户体验。

下面结合说明书附图对本发明的具体实现方式做详细描述：

图1提供了基于电力客户行为预测用户需求的方法步骤图，如图所示，包括以下步骤：

步骤S100：获取用户标识；

用户标识是电力客户进入电力系统后，标识本次行为轨迹对应用户的唯一标识，如果是通过客服热线，用户标识是电话号码，如果是通过微信小程序或者网上营业厅，用户标识支持微信账号、电子邮箱、身份证账号等方式。

与用户标识对应的，是电力系统客户编号。

步骤S110：根据用户标识获取电力系统客户编号：

基于电力系统中客户信息，一个用户标识可能对应多个电力系统客户编号，例如某人名下多套房产，因此对应多个客户编号；一个电力系统客户编号也会对应多个用户标识，例如该用户可以通过客服电话平台或者微信公众号接入系统，则该用户的拨入电话和微信账号都是用户标识。

在本步骤中，提取该用户标识对应的一个或多个电力系统客户编号，为提取该用户对应的数据做准备。

步骤S120：调用电力客户行为预测模型，获取电力系统客户编号对应的用户行为类型和预测需求；

在调用电力客户行为预测模型前，需要建立电力客户行为预测模型，图2为预测模型处理流程示意图，如图所示，包括以下步骤：

步骤S220：采集历史数据：

从电力系统用户数据库中采集至少一年时间内的用户数据，用户数据包括指定用户标识对应的行为轨迹数据，行为轨迹数据包括：电话的来电时间或网络账号的接入时间、用户标签、按键流程或菜单流程、业务咨询类型、诉求原因、敏感信息、转人工诉求信息等；用户数据还包括用户标识对应的所有电力系统客户编号相关的电力客户数据，即电力系统客户编号对应的当前用电数据、电表读数等信息。

用户数据还包括来户标识对应的处理结果，用于判断电力客户行为预测模型的预测结果：用户行为类型是否准确的依据。

步骤S210：对用户数据进行预处理：

本步骤按照提取的所有维度数据重要性一致原则进行横向数据预处理，生成有效用户数据；

本步骤中支持多步融合的适应性处理方式，提高数据的有效性。主要的优化预处理包括：缺失数据处理、离散数据处理、毛刺数据处理。

(1)针对缺失数据处理，计算该记录维度缺失的比例，若比例高于40％，则删除该条记录；如果缺失率低于40％，对该维度不缺失的数据进行统计计算，如果该维度数据符合连续分布，则用该维度的(均值+随机插值)/2填补，如果该维度数据是离散分布，采用计算中位数进行填充。

(2)针对离散数据处理，采用基于绝对离差中位数来检测离散点，根据距离判断异常维度数据是否原来其他记录数据，如果某一条记录的离散点占比高于30％，则删除改条记录。

(3)针对毛刺数据处理，将每个维度的数据进行等频分箱，然后用每个箱的平均数/中位数(连续数据取平均数，离散数据取中位数)代替分箱中的数，进行数据平滑，去除毛刺数据。

步骤S220：自归一化神经网络，即对有效用户数据执行归一化处理，生成用电用户多维数据表征向量；

在本步骤中，消除有效用户数据之间的量纲和取值范围差异的影响，将数据值落入特定的区域，形成用电用户多维数据的表征向量。为保证输出向量的标准化，引入优化的自归一化(Self-Normalizing)神经网络，由于自归一化神经网络不会产生梯度消失和梯度爆炸的问题，使得计算中可以引入一个全新的正则化(regularization)机制，从而更稳健地进行学习数据维度特征。本步骤的网络中选取SELUs激活函数，通过计算获取前后两层的均值方差，来寻求两者的映射g()，因此网络层中所有的激活值都可以被归一化，通过网络层的不断传播，均值和方差都将收敛到一个不动点。所以通过自归一化神经网络的传播可以获取标准的归一化向量输出。

步骤S230：通过用电用户多维数据表征向量建立用户行为建模，输出用户行为类型。

由于行为是有时间相关性的，长短期记忆(long short memory,LSTM)能够使神经元在其管道中保持上下文记忆，将用户行为记录数据作为时序向量输入到LSTM中，通过前向神经网络层的传递，自动学习到复杂数据动态序列中的隐含关系，获取连续数据记录的时序表征特征，通过在LSTM后增加一层Linear，来避免局部小错以提高邻近转移关系，在得到的输出向量后通过Cross entropy损失函数得到高精度的用户行为类型。

在预测模型对训练集进行预测而得到的准确率达不到要求的情况下，建立电力客户行为预测模型后，还构建一组没有参加预测模型建立的数据集进行预测并且评估，评估指标包括：准确率、精确率、召回率、ROC曲线、混淆矩阵；评估结果可表明该预测模型针对用电用户行为的预测分类具有更高的准确率。

步骤S130：根据用户行为类型执行业务匹配，业务匹配包括指定业务类型，为用户分配话务坐席；

分配话务坐席后即进行业务节点跳转，目标业务节点通过交互场景的配置实现，不同的用户行为对应不同的业务处理，不同的业务配置的跳转节点不同，对应的接待坐席也不同。在步骤S120中得到用户行为类型后，在本步骤中业务类型配置进行匹配，进而直接跳转到处理该业务的坐席队列中，无需转接确认，直接将用户标识所在的语音通道直接接入指定话务资源，以提高话务接待效率。

同时，为用户分配话务坐席时，向话务坐席终端发送预测需求，预测需求中至少包括该用户标识、用户标识对应的电力系统客户编号，便于坐席终端快速提取对应的业务数据，提高处理效率。

在业务查询高峰期，话务坐席存在不足的情况，为用户分配话务坐席时，还不仅根据业务类型，还需要考虑空闲坐席等待时间、坐席状态分配接待坐席队列。

最终，等待用户挂机，获取本次用户数据，本次用户数据包括本次来话/接入处理结果和行为轨迹数据；将最新的用户数据进行收集，便于加入下次模型训练的数据采集，用于准备所述电力客户行为预测模型优化。

通过本申请提供的基于电力用户行为预测用户需求的方法，为电力客户行为预测的语音交互场景提供调度，语音交互场集是基于集成用户记录、用户模型、数据分类、业务系统等应用系统的综合环境，可以在收到用户的来电或者互联网平台的请求，精准定位用户需求，提供解决方案，便于客户答复或解决用户的诉求。在流程上，保证整个对话场景流畅可靠高效、用户操作简单、交互次数少、同时兼具适老化的标准和要求。

以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种预测用户需求的方法，其特征在于，包括：

获取用户标识，所述用户标识来自客服电话平台或者客服互联网平台；

根据所述用户标识获取电力系统客户编号，其中，一个用户标识对应一个或多个电力系统客户编号；

调用电力客户行为预测模型，获取所述电力系统客户编号对应的用户行为类型和预测需求；

根据所述用户行为类型执行业务匹配，所述业务匹配包括指定业务类型，为所述用户标识分配话务坐席；

其中，为所述用户标识分配话务坐席时，向指定的话务坐席终端发送预测需求。

2.根据权利要求1所述的预测用户需求的方法，其特征在于：

所述调用电力客户行为预测模型前，建立电力客户行为预测模型，包括以下步骤：

从电力系统用户数据库中采集用户数据，所述用户数据包括所述用户标识对应的来话行为轨迹数据和所述用户标识对应的所有电力系统客户编号相关的电力客户数据；

对所述用户数据进行预处理，生成有效用户数据；

对所述有效用户数据执行归一化处理，生成用电用户多维数据表征向量；

通过所述用电用户多维数据表征向量建立用户行为建模，输出用户行为类型。

3.根据权利要求2所述的预测用户需求的方法，其特征在于，所述电力客户数据包括：当前用电数据；所述来话行为轨迹数据包括：来电时间、用户标签、按键流程、业务咨询类型、诉求原因、敏感信息、转人工诉求信息。

4.根据权利要求2所述的预测用户需求的方法，其特征在于，所述对所述用户数据进行预处理包括：缺失数据处理、离散数据处理、毛刺数据处理。

5.根据权利要求2所述的预测用户需求的方法，其特征在于：

所述建立电力客户行为预测模型后，构建一组没有参加预测模型建立的数据集进行预测并且评估，所述评价的指标包括：准确率、精确率、召回率、ROC曲线、混淆矩阵。

6.根据权利要求要求2所述的预测用户需求的方法，其特征在于：所述来话行为轨迹数据还包括来话处理结果，用于结果数据类别判断依据。

7.根据权利要求1所述的预测用户需求的方法，其特征在于：

所述为所述用户标识分配话务坐席指，根据空闲坐席等待时间、坐席状态和业务类型分配接待坐席队列。

8.根据权利要求1所述的预测用户需求的方法，其特征在于：

所述预测需求包括所述用户标识、用户标识对应的电力系统客户编号。

9.根据权利要求1所述的预测用户需求的方法，其特征在于：为所述用户标识分配话务坐席时后，等待用户挂机，获取本次用户数据；

所述本次用户数据包括本次来话处理结果和来话行为轨迹数据；

将所述本次用户数据进行收集，用于所述电力客户行为预测模型的优化准备。

10.根据权利要求1所述的预测用户需求的方法，其特征在于：所述为所述用户标识分配话务坐席后，将所述用户标识所在的语音通道接入所述话务坐席对应的话务资源，以实现业务节点跳转。

Images