CN116797180A - 投诉预警方法、装置、计算机设备和存储介质 - Google Patents

投诉预警方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116797180A
CN116797180A CN202310932487.6A CN202310932487A CN116797180A CN 116797180 A CN116797180 A CN 116797180A CN 202310932487 A CN202310932487 A CN 202310932487A CN 116797180 A CN116797180 A CN 116797180A
Authority
CN
China
Prior art keywords
event
data
result
complaint
target event
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
Application number
CN202310932487.6A
Other languages
English (en)
Inventor
张利平
俞科峰
乔宏明
胡颖茂
李嫚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Technology Innovation Center
China Telecom Corp Ltd
Original Assignee
China Telecom Technology Innovation Center
China Telecom Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Technology Innovation Center, China Telecom Corp Ltd filed Critical China Telecom Technology Innovation Center
Priority to CN202310932487.6A priority Critical patent/CN116797180A/zh
Publication of CN116797180A publication Critical patent/CN116797180A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种投诉预警方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取满足投诉影响关联条件的目标事件；将所述目标事件与历史事件进行比对，得到所述目标事件的比对结果；基于所述比对结果和事件任务确定策略，获取所述目标事件对应的目标事件任务；对所述目标事件任务进行任务分解，得到所述目标事件任务的任务分解结果；基于所述任务分解结果进行投诉趋势监测，得到监测结果，并基于所述监测结果，进行投诉预警。采用本方法能够提高投诉预警的准确性。

Description

投诉预警方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种投诉预警方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着客服中心规模扩大化、业务复杂化，如何做好投诉运营预测与吿警已成为运营人员的最大压力。如何精准预测呼叫中心投诉量，并基于投诉量安排适当技能的坐席来处理客户需求，是许多呼叫中心运营管理人员每日都要面临的问题。
对于人员规模小的客服中心，一般都是采用手工人员调度方式，借助电子表格(EXCEL)等工具进行投诉分析及处理；针对大型呼叫中心，会使用投诉运营管理系统进行辅助。目前，投诉运营管理系统一般采用的是工单任务型或话务分析型预测风险，在实际的应用中，通常采用的是基于历史数据结合回归算法、遗传算法等进行智能监测，依赖于机器自学习优化算法以提升准确度。
然而，历史数据、算法都是较为固定的逻辑数据，与随时间发生变化的客服中心的生产服务并不匹配。因此，相关的投诉预警方法不符合客服中心的实际情况，预警的准确性差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高预警的准确性的投诉预警方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种投诉预警方法。所述方法包括：
获取满足投诉影响关联条件的目标事件；
将所述目标事件与历史事件进行比对，得到所述目标事件的比对结果；
基于所述比对结果和事件任务确定策略，获取所述目标事件对应的目标事件任务；
对所述目标事件任务进行任务分解，得到所述目标事件任务的任务分解结果；
基于所述任务分解结果进行投诉趋势监测，得到监测结果，并基于所述监测结果，进行投诉预警。
在其中一个实施例中，所述基于所述比对结果和事件任务确定策略，获取所述目标事件对应的目标事件任务包括：
若所述比对结果表示存在历史事件与所述目标事件的相似度超过预设的第一相似度阈值，则获取所述历史事件对应的事件任务，并将所述历史事件对应的事件任务，作为所述目标事件对应的目标事件任务；
若所述比对结果表示各历史事件与所述目标事件的相似度均小于预设的第一相似度阈值，则生成所述目标事件对应的投诉风险事件告警信息，并输出所述投诉风险事件告警信息；所述投诉风险事件告警信息用于指示用户为所述目标事件配置目标事件任务；
基于事件任务配置信息，获取所述目标事件对应的目标事件任务。
在其中一个实施例中，所述获取满足投诉影响关联条件的目标事件包括：
采集客服中心的历史运营数据；
对所述历史运营数据聚类，得到所述历史运营数据的聚类结果，并基于所述聚类结果，对所述历史运营数据进行分类保存；
对分类后的所述历史运营数据进行数字孪生处理，得到数字化处理结果；
基于所述数字化处理结果，确定满足投诉影响关联条件的目标事件。
在其中一个实施例中，所述基于所述数字化处理结果，确定满足投诉影响关联条件的目标事件包括：
基于所述数字化处理结果和预设的异常事件预测模型，预测满足投诉影响关联条件的目标事件。
在其中一个实施例中，所述对分类后的所述历史运营数据进行数字孪生处理，得到数字化处理结果包括：
对分类后的所述历史运营数据进行数据清洗，得到所述历史运营数据的数据清洗结果；
对所述数据清洗结果进行标准化换算，得到所述历史运营数据的标准化换算结果；
基于预设的数字孪生算法，对所述标准化换算结果进行融合计算，得到数字化处理结果。
在其中一个实施例中，所述基于所述任务分解结果进行投诉趋势监测，得到监测结果包括：
采集客服中心的历史工单数据；
基于预设的异动工单识别模型，识别所述历史工单数据中的异动工单，并将所述异动工单聚类，得到异动工单聚类结果；
基于所述历史工单数据的业务标识，对所述历史工单数据进行业务场景聚类，得到业务场景聚类结果；
基于所述异动工单聚类结果和所述业务场景聚类结果，得到工单数据仓库；
根据预设的时序分片和业务分类，对所述工单数据仓库进行分片管理，得到分片管理结果；
基于所述任务分解结果和所述分片管理结果，进行投诉趋势监测，得到监测结果。
在其中一个实施例中，所述基于所述任务分解结果和所述分片管理结果，进行投诉趋势监测，得到监测结果包括：
按照预设的分片时间，统计新增工单数据，得到所述新增工单数据的统计数据；
基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗，得到数据清洗后的新增工单数据的统计数据；
基于所述任务分解结果、所述分片管理结果和所述数据清洗后的新增工单数据的统计数据，进行投诉趋势监测，得到监测结果。
在其中一个实施例中，所述基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗，得到数据清洗后的新增工单数据的统计数据包括：
基于所述客服中心的历史投诉趋势参考数据、所述历史工单数据和所述业务分类，对所述新增工单数据的统计数据进行第一数据清洗，得到第一数据清洗后的新增工单数据的统计数据；
基于预设的周工单影响因子和月工单影响因子，对所述第一数据清洗后的新增工单数据的统计数据进行第二数据清洗，得到第二数据清洗后的新增工单数据的统计数据；
在所述第二数据清洗后的新增工单数据的统计数据中，剔除异常工单数据，得到数据清洗后的新增工单数据的统计数据。
在其中一个实施例中，所述方法还包括：
对所述数据清洗后的新增工单数据的统计数据进行验证，得到验证结果；
若所述验证结果不满足预设的验证条件，则返回所述基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗步骤。
在其中一个实施例中，所述方法还包括：
基于预设的事件风险预测模型，分析所述目标事件，得到所述目标事件的与极端事件的相似度；
若所述比对结果表示各历史事件与所述目标事件的相似度均小于预设的第一相似度阈值、且所述目标事件的与极端事件的相似度大于预设的第二相似度阈值，则基于所述目标事件生成危机事件告警信息，并输出所述危机事件告警信息。
在其中一个实施例中，所述基于所述目标事件生成危机事件告警信息包括：
按照预设的事件类型，对所述目标事件聚类，得到所述目标事件的事件类型；
基于历史事件的事件等级和影响清单，确定所述目标事件的事件影响范围；
按照预设的事件影响范围阈值，对所述目标事件聚类，得到所述目标事件的事件等级；
基于所述目标事件的事件类型、事件影响范围和事件等级，生成危机事件告警信息。
第二方面，本申请还提供了一种投诉预警装置。所述装置包括：
第一获取模块，用于获取满足投诉影响关联条件的目标事件；
比对模块，用于将所述目标事件与历史事件进行比对，得到所述目标事件的比对结果；
第二获取模块，用于基于所述比对结果和事件任务确定策略，获取所述目标事件对应的目标事件任务；
任务分解模块，用于对所述目标事件任务进行任务分解，得到所述目标事件任务的任务分解结果；
监测模块，用于基于所述任务分解结果进行投诉趋势监测，得到监测结果，并基于所述监测结果，进行投诉预警。
在其中一个实施例中，所述第二获取模块，具体用于：
若所述比对结果表示存在历史事件与所述目标事件的相似度超过预设的第一相似度阈值，则获取所述历史事件对应的事件任务，并将所述历史事件对应的事件任务，作为所述目标事件对应的目标事件任务；
若所述比对结果表示各历史事件与所述目标事件的相似度均小于预设的第一相似度阈值，则生成所述目标事件对应的投诉风险事件告警信息，并输出所述投诉风险事件告警信息；所述投诉风险事件告警信息用于指示用户为所述目标事件配置目标事件任务；
基于事件任务配置信息，获取所述目标事件对应的目标事件任务。
在其中一个实施例中，所述第一获取模块，具体用于：
采集客服中心的历史运营数据；
对所述历史运营数据聚类，得到所述历史运营数据的聚类结果，并基于所述聚类结果，对所述历史运营数据进行分类保存；
对分类后的所述历史运营数据进行数字孪生处理，得到数字化处理结果；
基于所述数字化处理结果，确定满足投诉影响关联条件的目标事件。
在其中一个实施例中，所述第一获取模块，具体用于：
基于所述数字化处理结果和预设的异常事件预测模型，预测满足投诉影响关联条件的目标事件。
在其中一个实施例中，所述第一获取模块，具体用于：
对分类后的所述历史运营数据进行数据清洗，得到所述历史运营数据的数据清洗结果；
对所述数据清洗结果进行标准化换算，得到所述历史运营数据的标准化换算结果；
基于预设的数字孪生算法，对所述标准化换算结果进行融合计算，得到数字化处理结果。
在其中一个实施例中，所述监测模块，具体用于：
采集客服中心的历史工单数据；
基于预设的异动工单识别模型，识别所述历史工单数据中的异动工单，并将所述异动工单聚类，得到异动工单聚类结果；
基于所述历史工单数据的业务标识，对所述历史工单数据进行业务场景聚类，得到业务场景聚类结果；
基于所述异动工单聚类结果和所述业务场景聚类结果，得到工单数据仓库；
根据预设的时序分片和业务分类，对所述工单数据仓库进行分片管理，得到分片管理结果；
基于所述任务分解结果和所述分片管理结果，进行投诉趋势监测，得到监测结果。
在其中一个实施例中，所述监测模块，具体用于：
按照预设的分片时间，统计新增工单数据，得到所述新增工单数据的统计数据；
基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗，得到数据清洗后的新增工单数据的统计数据；
基于所述任务分解结果、所述分片管理结果和所述数据清洗后的新增工单数据的统计数据，进行投诉趋势监测，得到监测结果。
在其中一个实施例中，所述监测模块，具体用于：
基于所述客服中心的历史投诉趋势参考数据、所述历史工单数据和所述业务分类，对所述新增工单数据的统计数据进行第一数据清洗，得到第一数据清洗后的新增工单数据的统计数据；
基于预设的周工单影响因子和月工单影响因子，对所述第一数据清洗后的新增工单数据的统计数据进行第二数据清洗，得到第二数据清洗后的新增工单数据的统计数据；
在所述第二数据清洗后的新增工单数据的统计数据中，剔除异常工单数据，得到数据清洗后的新增工单数据的统计数据。
在其中一个实施例中，所述装置还包括：
验证模块，用于对所述数据清洗后的新增工单数据的统计数据进行验证，得到验证结果；
返回模块，用于若所述验证结果不满足预设的验证条件，则返回所述基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗步骤。
在其中一个实施例中，所述装置还包括：
分析模块，用于基于预设的事件风险预测模型，分析所述目标事件，得到所述目标事件的与极端事件的相似度；
生成模块，用于若所述比对结果表示各历史事件与所述目标事件的相似度均小于预设的第一相似度阈值、且所述目标事件的与极端事件的相似度大于预设的第二相似度阈值，则基于所述目标事件生成危机事件告警信息，并输出所述危机事件告警信息。
在其中一个实施例中，所述生成模块，具体用于：
按照预设的事件类型，对所述目标事件聚类，得到所述目标事件的事件类型；
基于历史事件的事件等级和影响清单，确定所述目标事件的事件影响范围；
按照预设的事件影响范围阈值，对所述目标事件聚类，得到所述目标事件的事件等级；
基于所述目标事件的事件类型、事件影响范围和事件等级，生成危机事件告警信息。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述投诉预警方法、装置、计算机设备、存储介质和计算机程序产品，获取满足投诉影响关联条件的目标事件；将所述目标事件与历史事件进行比对，得到所述目标事件的比对结果；基于所述比对结果和事件任务确定策略，获取所述目标事件对应的目标事件任务；对所述目标事件任务进行任务分解，得到所述目标事件任务的任务分解结果；基于所述任务分解结果进行投诉趋势监测，得到监测结果，并基于所述监测结果，进行投诉预警。这样，另外获取满足投诉影响关联条件的目标事件，基于目标事件与历史事件的比对结果和事件任务确定策略，获取目标事件对应的目标事件任务，并对其进行任务分解，基于得到的任务分解结果进行投诉趋势监测，并基于监测结果，进行投诉预警，考虑具体事件的发生对投诉产生的影响，与随时间发生变化的客服中心的生产服务更加匹配，符合客服中心的实际情况，能够提高预警的准确性。
附图说明
图1为一个实施例中投诉预警方法的流程示意图；
图2为一个实施例中获取目标事件对应的目标事件任务步骤的流程示意图；
图3为一个实施例中获取满足投诉影响关联条件的目标事件步骤的流程示意图；
图4为一个实施例中对分类后的历史运营数据进行数字孪生处理步骤的流程示意图；
图5为一个实施例中基于任务分解结果进行投诉趋势监测步骤的流程示意图；
图6为一个实施例中基于任务分解结果和分片管理结果，进行投诉趋势监测步骤的流程示意图；
图7为一个实施例中基于预设的数据清洗策略，对新增工单数据的统计数据进行数据清洗步骤的流程示意图；
图8为另一个实施例中投诉预警方法的流程示意图；
图9为另一个实施例中投诉预警方法的流程示意图；
图10为一个实施例中基于目标事件生成危机事件告警信息步骤的流程示意图；
图11-a和图11-b为一个实施例中生成数字化处理结果的示例图；
图12为一个实施例中投诉预警装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种投诉预警方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤101，获取满足投诉影响关联条件的目标事件。
在本申请实施例中，终端获取满足投诉影响关联条件的目标事件。其中，目标事件为对投诉有影响的事件，可以为正在发生或已经发生的事件，也可以为预测得到的未来可能发生的事件。投诉影响关联条件用于衡量事件与投诉是否具有关联。投诉影响关联条件可以为事件包含预设的目标事件标识。
在一个示例中，终端从各业务支撑系统或各业务平台采集满足投诉影响关联条件的目标事件。其中，业务支撑系统为客服中心的系统，用于处理客服中心接到的各个业务。业务平台为客服中心的各业务的平台。
步骤102，将目标事件与历史事件进行比对，得到目标事件的比对结果。
在本申请实施例中，终端获取历史事件。然后，终端将目标事件与历史事件进行比对，得到目标事件的比对结果。其中，比对结果用于表示目标事件与历史事件的相似程度，比如目标事件与各历史事件的相似度。历史事件为曾经发生过的对投诉有影响的事件。
在一个示例中，针对每一个历史事件，终端采用事件比对算法，将目标事件与该历史事件比对，得到目标事件与该历史事件之间的比对子结果。然后，终端基于目标事件与各历史事件之间的比对子结果，确定目标事件的比对结果。具体的，针对每一个历史事件，终端采用事件比对算法，计算目标事件与该历史事件的相似度。然后，终端将目标事件与各历史事件的相似度，构成目标事件的比对结果。其中，事件比对算法是根据事件特征，计算事件的相似度，从而确定是否属于相似事件的算法。事件特征是基于特征提取算法从事件中提取得到的。可以理解的是，特征提取算法可以为任何能够进行特征提取的算法，本申请不作限定。
步骤103，基于比对结果和事件任务确定策略，获取目标事件对应的目标事件任务。
在本申请实施例中，终端基于比对结果和事件任务确定策略，获取目标事件对应的目标事件任务。其中，目标事件任务为目标事件对应的事件任务，为针对该目标事件的客服中心的投诉监测任务。
步骤104，对目标事件任务进行任务分解，得到目标事件任务的任务分解结果。
在本申请实施例中，终端对目标事件任务进行任务分解，得到目标事件任务的任务分解结果。具体的，终端将目标事件任务主要分解为：任务月度的投诉量需求、任务日投诉量需求和输出阈值参考值。其中，任务分解结果可以包括至少一个子任务。
在一个示例中，终端基于预先训练的任务分解模型，对目标事件任务进行任务分解，得到目标事件任务的任务分解结果。
步骤105，基于任务分解结果进行投诉趋势监测，得到监测结果，并基于监测结果，进行投诉预警。
在本申请实施例中，终端基于任务分解结果进行投诉趋势监测，得到监测结果。然后，终端基于监测结果，进行投诉预警。其中，监测结果可以包括投诉趋势，也可以包括任务增量趋势。
在一个示例中，终端可以将监测结果实时向客服中心的投诉运营可视化平台推送，实现对客服中心的用户的投诉预警。
在一个示例中，终端基于实时的监测结果，确定目标投诉任务。然后，终端在预设的投诉任务和技能人员的映射关系中，查询目标投诉任务对应的备选技能人员。然后，终端基于备选技能人员的人员状态(人员的工作状态，例如，人员是否在岗)，在备选技能人员中，确定目标技能人员。然后，终端基于目标技能人员，确定并输出技能人员配置需求。例如，终端将目标技能人员和常规技能人员，构成技能人员配置需求。其中，目标投诉任务为即将可能出现投诉的任务。技能人员为处理投诉任务的专业人员。一个技能人员能够处理一种或多种投诉任务。技能人员配置需求为将来(例如，明天)的配置技能人员的需求。技能人员配置需求为按单位时间更新，例如，技能人员配置需求可以按自然天，不断执行滚动修正。这样，能够预先准备并实时修正技能人员以应对投诉，实现客服人员的合理安排和调度，避免客服人员超时工作，有效帮助企业管控人力成本与风险。
在一个示例中，终端基于当前投诉数据和历史投诉数据，计算当前投诉对应的技能人员需求。然后，终端基于当前投诉对应的技能人员需求和当前对应的技能人员配置需求，计算技能人员需求差异。若技能人员需求差异大于预设的差异阈值，则终端生成需要差异预警信息。然后，终端推送需求差异预警信息到客服中心的投诉运营管理系统。
上述投诉预警方法中，获取满足投诉影响关联条件的目标事件；将目标事件与历史事件进行比对，得到目标事件的比对结果；基于比对结果和事件任务确定策略，获取目标事件对应的目标事件任务；对目标事件任务进行任务分解，得到目标事件任务的任务分解结果；基于任务分解结果进行投诉趋势监测，得到监测结果，并基于监测结果，进行投诉预警。这样，另外获取满足投诉影响关联条件的目标事件，基于目标事件与历史事件的比对结果和事件任务确定策略，获取目标事件对应的目标事件任务，并对其进行任务分解，基于得到的任务分解结果进行投诉趋势监测，并基于监测结果，进行投诉预警，考虑具体事件的发生对投诉产生的影响，与随时间发生变化的客服中心的生产服务更加匹配，符合客服中心的实际情况，能够提高预警的准确性。并且，本方法基于现有的技术，通过构建投诉预测分析装置或云化部署各模块即可实现，方便实现。
在一个实施例中，如图2所示，基于比对结果和事件任务确定策略，获取目标事件对应的目标事件任务的具体过程包括以下步骤：
步骤201，若比对结果表示存在历史事件与目标事件的相似度超过预设的第一相似度阈值，则获取历史事件对应的事件任务，并将历史事件对应的事件任务，作为目标事件对应的目标事件任务。
在本申请实施例中，若比对结果表示存在一个历史事件与目标事件的相似度超过预设的第一相似度阈值，则终端获取该历史事件对应的事件任务。若比对结果表示存在多个历史事件与目标事件的相似度超过预设的第一相似度阈值，则终端比较该多个历史事件与目标事件的相似度。然后，终端获取与目标事件的相似度最大的历史事件对应的事件任务。然后，终端将该历史事件对应的事件任务，作为目标事件对应的目标事件任务。其中，第一相似度阈值用于衡量与历史事件是否一致或足够相似。
步骤202，若比对结果表示各历史事件与目标事件的相似度均小于预设的第一相似度阈值，则生成目标事件对应的投诉风险事件告警信息，并输出投诉风险事件告警信息。
其中，投诉风险事件告警信息用于指示用户为目标事件配置目标事件任务。
在本申请实施例中，若比对结果表示各历史事件与目标事件的相似度均小于预设的第一相似度阈值，则终端生成目标事件对应的投诉风险事件告警信息。然后，终端输出投诉风险事件告警信息。
步骤203，基于事件任务配置信息，获取目标事件对应的目标事件任务。
在本申请实施例中，终端获取用户配置的事件任务配置信息。然后，终端基于事件任务配置信息，生成目标事件对应的目标事件任务。其中，事件任务配置信息为用户收到投诉风险事件告警信息后，为目标事件配置目标事件任务的信息。用户可以为客服中心的运维人员。
上述投诉预警方法中，若比对结果表示存在历史事件与目标事件的相似度超过预设的第一相似度阈值，则获取历史事件对应的事件任务，并将历史事件对应的事件任务，作为目标事件对应的目标事件任务；若比对结果表示各历史事件与目标事件的相似度均小于预设的第一相似度阈值，则生成目标事件对应的投诉风险事件告警信息，并输出投诉风险事件告警信息；基于事件任务配置信息，获取目标事件对应的目标事件任务。这样，若存在历史事件与目标事件的相似度超过预设的第一相似度阈值，则将目标事件看作历史事件，直接将历史事件对应的事件任务，作为目标事件对应的目标事件任务；若不存在历史事件与目标事件的相似度超过预设的第一相似度阈值，则将目标事件看作新增事件，生成目标事件对应的投诉风险事件告警信息，指示用户为目标事件配置目标事件任务，并基于用户配置行为生成的事件任务配置信息，获取目标事件对应的目标事件任务，减少了获取目标事件任务的时间，进而提高了投诉预警的及时性和效率。
在一个实施例中，如图3所示，获取满足投诉影响关联条件的目标事件的具体过程包括以下步骤：
步骤301，采集客服中心的历史运营数据。
在本申请实施例中，终端通过客服中心的各端系统，采集客服中心的历史运营数据。其中，客服中心的各端系统包括：呼叫系统或话务平台、以及工单系统。历史运营数据为已有的热线运营相关的原始数据，可以包括：话务数据或工单数据、人员考核数据、服务能力数据、业务树数据和运营数据。
步骤302，对历史运营数据聚类，得到历史运营数据的聚类结果，并基于聚类结果，对历史运营数据进行分类保存。
在本申请实施例中，终端对历史运营数据聚类，得到历史运营数据的聚类结果。然后，终端基于聚类结果，对历史运营数据进行分类保存。
步骤303，对分类后的历史运营数据进行数字孪生处理，得到数字化处理结果。
在本申请实施例中，终端对分类后的历史运营数据进行数字孪生处理，得到数字化处理结果。其中，终端可以调用事件分析模型、话务模型、服务模型等分析生产的开源模型、业界模型和专业分析模型，可以结合回归算法、事件预测算法等，从对历史运营数据进行分类保存的数据仓库获取最新缓存的数据执行计算。
步骤304，基于数字化处理结果，确定满足投诉影响关联条件的目标事件。
在本申请实施例中，终端基于数字化处理结果，确定满足投诉影响关联条件的目标事件。
在一个示例中，终端基于数字化处理结果，将满足投诉影响关联条件的当前事件，作为目标事件。
在一个示例中，终端输出数字化处理结果。
上述投诉预警方法中，采集客服中心的历史运营数据；对历史运营数据聚类，得到历史运营数据的聚类结果，并基于聚类结果，对历史运营数据进行分类保存；对分类后的历史运营数据进行数字孪生处理，得到数字化处理结果；基于数字化处理结果，确定满足投诉影响关联条件的目标事件。这样，通过对客服中心的历史运营数据依次进行采集、聚类、分类保存和数字孪生处理，实现客服中心的数字孪生，通过数字化处理结果，实现满足投诉影响关联条件的目标事件的确定，考虑具体事件的发生对投诉产生的影响，与随时间发生变化的客服中心的生产服务更加匹配，符合客服中心的实际情况，能够提高预警的准确性。
在一个实施例中，基于数字化处理结果，确定满足投诉影响关联条件的目标事件的具体过程包括以下步骤：基于数字化处理结果和预设的异常事件预测模型，预测满足投诉影响关联条件的目标事件。
在本申请实施例中，终端基于数字化处理结果和预设的异常事件预测模型，预测满足投诉影响关联条件的目标事件。其中，异常预测模型可以集合回归算法、聚类算法和离散分析算法。异常预测模型也可以包括：增量指数算法、饱和曲线算法等。
在一个示例中，终端基于数字化处理结果和预设的异常事件预测模型，预测异常事件的发生概率。然后，终端将发生概率大于预设的发生概率阈值的异常事件，作为备选事件。然后，终端将满足投诉影响关联条件的备选事件，作为目标事件。其中，异常事件可以为发生的非常规事件，也可以就是满足投诉影响关联条件的事件。
上述投诉预警方法中，基于数字化处理结果和预设的异常事件预测模型，预测满足投诉影响关联条件的目标事件。这样，通过数字化处理结果和预设的异常事件预测模型，仿真或预测满足投诉影响关联条件的目标事件，提前预测对投诉有影响的事件，提前预测投诉的发生，并提前应对投诉，进一步提高投诉预警的及时性。
在一个实施例中，如图4所示，对分类后的历史运营数据进行数字孪生处理，得到数字化处理结果的具体过程包括以下步骤：
步骤401，对分类后的历史运营数据进行数据清洗，得到历史运营数据的数据清洗结果。
步骤402，对数据清洗结果进行标准化换算，得到历史运营数据的标准化换算结果。
在本申请实施例中，终端基于业务场景、业务规则等预训练标准化模型和数据清洗结果，确定所需的用户信息、工单信息、投诉分类、投诉事件等标准化格式数据，得到历史运营数据的标准化换算结果。
步骤403，基于预设的数字孪生算法，对标准化换算结果进行融合计算，得到数字化处理结果。
在本申请实施例中，数字化处理结果可以为投诉运营数字孪生数据底座。
上述投诉预警方法中，对分类后的历史运营数据进行数据清洗，得到历史运营数据的数据清洗结果；对数据清洗结果进行标准化换算，得到历史运营数据的标准化换算结果；基于预设的数字孪生算法，对标准化换算结果进行融合计算，得到数字化处理结果。这样，通过对分类后的历史运营数据依次进行数据清洗、标准化换算和融合计算，实现对客服中心的数字孪生，通过数字化处理结果，实现满足投诉影响关联条件的目标事件的确定，考虑具体事件的发生对投诉产生的影响，与随时间发生变化的客服中心的生产服务更加匹配，符合客服中心的实际情况，能够提高预警的准确性。
在一个实施例中，如图5所示，基于任务分解结果进行投诉趋势监测，得到监测结果的具体过程包括以下步骤：
步骤501，采集客服中心的历史工单数据。
在本申请实施例中，终端采集客服中心的历史工单数据。其中，历史工单数据也可以为历史话单数据。
步骤502，基于预设的异动工单识别模型，识别历史工单数据中的异动工单，并将异动工单聚类，得到异动工单聚类结果。
在本申请实施例中，终端基于预设的异动工单识别模型，识别历史工单数据中的异动工单。然后，终端将异动工单聚类，得到异动工单聚类结果。
步骤503，基于历史工单数据的业务标识，对历史工单数据进行业务场景聚类，得到业务场景聚类结果。
在本申请实施例中，终端基于历史工单数据的业务标识，对历史工单数据进行业务场景聚类，得到业务场景聚类结果。其中，业务标识包含话务小结。
步骤504，基于异动工单聚类结果和业务场景聚类结果，得到工单数据仓库。
在本申请实施例中，终端基于异动工单聚类结果和业务场景聚类结果，得到工单数据仓库。具体的，终端将基于异动工单聚类结果和业务场景聚类结果，形成工单数据仓库。
步骤505，根据预设的时序分片和业务分类，对工单数据仓库进行分片管理，得到分片管理结果。
在本申请实施例中，终端根据预设的时序分片和业务分类，以最小数据粒度，对工单数据仓库进行分片管理，得到分片管理结果。
步骤506，基于任务分解结果和分片管理结果，进行投诉趋势监测，得到监测结果。
在本申请实施例中，终端基于任务分解结果和分片管理结果，进行投诉趋势监测，得到监测结果。其中，监测结果为滚动的、实时的监测结果。
上述投诉预警方法中，采集客服中心的历史工单数据；基于预设的异动工单识别模型，识别历史工单数据中的异动工单，并将异动工单聚类，得到异动工单聚类结果；基于历史工单数据的业务标识，对历史工单数据进行业务场景聚类，得到业务场景聚类结果；基于异动工单聚类结果和业务场景聚类结果，得到工单数据仓库；根据预设的时序分片和业务分类，对工单数据仓库进行分片管理，得到分片管理结果；基于任务分解结果和分片管理结果，进行投诉趋势监测，得到监测结果。这样，对采集得到的历史工单数据，分别进行异动工单聚类和业务场景聚类，形成工单数据仓库，根据预设的时序分片和业务分类，对工单数据仓库进行分片管理，并基于任务分解结果和分片管理结果，进行投诉趋势监测，对历史工单数据进行时序分片的投诉趋势监测，能够提高投诉预警的精度。并且，本方法基于多维度进行投诉预测，能够提升人员缺口准备的准确性。
在一个实施例中，如图6所示，基于任务分解结果和分片管理结果，进行投诉趋势监测，得到监测结果的具体过程包括以下步骤：
步骤601，按照预设的分片时间，统计新增工单数据，得到新增工单数据的统计数据。
在本申请实施例中，终端按照预设的分片时间、日、周和月，统计新增工单数据，得到新增工单数据的统计数据。
在一个示例中，终端按照预设的分片时间、通话时长、话后处理时长、平均处理时长、呼叫量、接通量，统计新增工单数据，得到新增工单数据的统计数据。
在一个示例中，终端还可以根据数据存储规则与策略，对历史工单数据进行清理。然后，终端保存新增的工单数据。这样使存储资源循环利用，保障存储资源的利用率。
步骤602，基于预设的数据清洗策略，对新增工单数据的统计数据进行数据清洗，得到数据清洗后的新增工单数据的统计数据。
在本申请实施例中，可以理解的是，数据清洗策略可以为任何用于数据清洗的策略，本申请不作限定。
步骤603，基于任务分解结果、分片管理结果和数据清洗后的新增工单数据的统计数据，进行投诉趋势监测，得到监测结果。
在本申请实施例中，终端按照任务分解结果，基于分片管理结果和数据清洗后的新增工单数据的统计数据，进行投诉趋势监测，得到监测结果。
在一个示例中，终端基于任务分解结果、分片管理结果和数据清洗后的新增工单数据的统计数据，进行时间分片任务、日任务和月任务的增量趋势监测，得到监测结果。
上述投诉预警方法中，按照预设的分片时间，统计新增工单数据，得到新增工单数据的统计数据；基于预设的数据清洗策略，对新增工单数据的统计数据进行数据清洗，得到数据清洗后的新增工单数据的统计数据；基于任务分解结果、分片管理结果和数据清洗后的新增工单数据的统计数据，进行投诉趋势监测，得到监测结果。这样，按照预设的分片时间，统计新增工单数据，并基于预设的数据清洗策略，对新增工单数据的统计数据进行数据清洗，基于数据清洗后的新增工单数据的统计数据，进行投诉趋势监测，基于实时的时序分片分析新增工单数据，能够实时进行投诉预警，提高投诉预警的实时性。
在一个实施例中，如图7所示，基于预设的数据清洗策略，对新增工单数据的统计数据进行数据清洗，得到数据清洗后的新增工单数据的统计数据的具体过程包括以下步骤：
步骤701，基于客服中心的历史投诉趋势参考数据、历史工单数据和业务分类，对新增工单数据的统计数据进行第一数据清洗，得到第一数据清洗后的新增工单数据的统计数据。
在本申请实施例中，终端基于客服中心的历史投诉趋势参考数据、历史工单数据和业务分类，对新增工单数据的统计数据进行第一数据清洗，得到第一数据清洗后的新增工单数据的统计数据。其中，第一数据清洗为业务级别的数据清洗。
步骤702，基于预设的周工单影响因子和月工单影响因子，对第一数据清洗后的新增工单数据的统计数据进行第二数据清洗，得到第二数据清洗后的新增工单数据的统计数据。
在本申请实施例中，终端基于预设的周工单影响因子和月工单影响因子，对第一数据清洗后的新增工单数据的统计数据进行第二数据清洗，得到第二数据清洗后的新增工单数据的统计数据。
在一个实施例中，终端对第一数据清洗后的新增工单数据的统计数据进行第二数据清洗，可以表示为：
A＝A′×Cw×Cm
其中，A为标准值，为当前情况下，该模型工单量的观测值数据；A′为测试值，为实际工单计数值；C影响因子即为预训练的周期性(周度、月度)波动系数，Cw为周工单影响因子，Cm为月工单影响因子。
步骤703，在第二数据清洗后的新增工单数据的统计数据中，剔除异常工单数据，得到数据清洗后的新增工单数据的统计数据。
在本申请实施例中，终端在第二数据清洗后的新增工单数据的统计数据中，剔除异常工单数据，得到数据清洗后的新增工单数据的统计数据。
上述投诉预警方法中，基于客服中心的历史投诉趋势参考数据、历史工单数据和业务分类，对新增工单数据的统计数据进行第一数据清洗，得到第一数据清洗后的新增工单数据的统计数据；基于预设的周工单影响因子和月工单影响因子，对第一数据清洗后的新增工单数据的统计数据进行第二数据清洗，得到第二数据清洗后的新增工单数据的统计数据；在第二数据清洗后的新增工单数据的统计数据中，剔除异常工单数据，得到数据清洗后的新增工单数据的统计数据。这样，对新增工单数据的统计数据，依次进行三次不同的数据清洗，能够提高新增工单数据的统计数据的准确性，提高投诉预警的准确性。
在一个实施例中，如图8所示，投诉预警方法还包括以下步骤：
步骤801，对数据清洗后的新增工单数据的统计数据进行验证，得到验证结果。
步骤802，若验证结果不满足预设的验证条件，则返回基于预设的数据清洗策略，对新增工单数据的统计数据进行数据清洗步骤。
在一个实施例中，终端判断验证结果是否满足预设的验证条件，可以通过判断是否S∈(A±R％)实现。若S∈(A±R％)，则终端确定验证结果满足预设的验证条件。若则终端确定验证结果不满足预设的验证条件。其中，S为测试值，为根据预设计算规则，对新增工单中主要特征进行计算输出的相似判断实验结果；A为标准值，为标准判断结果的数值；R％为波动范围，为预设满足标准范围的波动百分比。
上述投诉预警方法中，对数据清洗后的新增工单数据的统计数据进行验证，得到验证结果；若验证结果不满足预设的验证条件，则返回基于预设的数据清洗策略，对新增工单数据的统计数据进行数据清洗步骤。这样，对数据清洗后的新增工单数据的统计数据进行验证，并对不满足验证条件的新增工单数据的统计数据再次进行数据清洗，能够保证新增工单数据的统计数据的准确性，进一步提高投诉预警的准确性。
在一个实施例中，如图9所示，投诉预警方法还包括以下步骤：
步骤901，基于预设的事件风险预测模型，分析目标事件，得到目标事件的与极端事件的相似度。
在本申请实施例中，针对每一个历史极端事件，终端基于预设的事件风险预测模型，分析目标事件，得到目标事件的与该历史极端事件的相似度。然后，终端比较目标事件的与各历史极端事件的相似度。然后，终端将最大的相似度，作为目标事件的与极端事件的相似度。其中，极端事件可以为历史极端事件。
步骤902，若比对结果表示各历史事件与目标事件的相似度均小于预设的第一相似度阈值、且目标事件的与极端事件的相似度大于预设的第二相似度阈值，则基于目标事件生成危机事件告警信息，并输出危机事件告警信息。
在本申请实施例中，若比对结果表示各历史事件与目标事件的相似度均小于预设的第一相似度阈值、且目标事件的与极端事件的相似度大于预设的第二相似度阈值，则终端基于目标事件生成危机事件告警信息。然后，终端输出危机事件告警信息。其中，第二相似度阈值用于衡量目标事件与极端事件的相似程度。第二相似度阈值与第一相似度阈值可以相同，也可以不同。例如，第二相似度阈值可以为50％或60％。危机事件告警信息为高等级预警信息。
在一个示例中，终端基于目标事件，生成包含目标事件的危机事件告警信息。
在一个示例中，终端基于目标事件和目标事件的与极端事件的相似度，生成包含目标事件和目标事件的与极端事件的相似度的危机事件告警信息。
上述投诉预警方法中，基于预设的事件风险预测模型，分析目标事件，得到目标事件的与极端事件的相似度；若比对结果表示各历史事件与目标事件的相似度均小于预设的第一相似度阈值、且目标事件的与极端事件的相似度大于预设的第二相似度阈值，则基于目标事件生成危机事件告警信息，并输出危机事件告警信息。这样，分析目标事件的与极端事件的相似度，并在目标事件为新增事件、且与极端事件足够相似的情况下，生成并输出危机事件告警信息，使得客服中心的运维人员能够更好的应对投诉，提高投诉预警的准确性。
在一个实施例中，如图10所示，基于目标事件生成危机事件告警信息的具体过程包括以下步骤：
步骤1001，按照预设的事件类型，对目标事件聚类，得到目标事件的事件类型。
在本申请实施例中，终端按照预设的事件类型，对目标事件聚类，得到目标事件的事件类型。其中，事件类型包括：营销类、服务风险类、以及舆情与突发类。
步骤1002，基于历史事件的事件等级和影响清单，确定目标事件的事件影响范围。
在本申请实施例中，终端基于历史事件的事件等级和影响清单，确定目标事件的事件影响范围。
在一个示例中，终端确定与目标事件相似度最高的历史事件。然后，终端根据该历史事件的事件等级和影响清单，确定目标事件的事件影响范围。具体的，终端将该历史事件的事件等级和影响清单，作为目标事件的事件影响范围。
在一个示例中，终端确定与目标事件相似度超过预设的第一相似度阈值的多个历史事件。然后，终端根据该多个历史事件的事件等级和影响清单，确定目标事件的事件影响范围。
步骤1003，按照预设的事件影响范围阈值，对目标事件聚类，得到目标事件的事件等级。
在本申请实施例中，终端按照预设的事件影响范围阈值，对目标事件聚类，得到目标事件的事件等级。其中，事件等级用于表示事件的紧急或重要程度。
步骤1004，基于目标事件的事件类型、事件影响范围和事件等级，生成危机事件告警信息。
在本申请实施例中，终端基于目标事件的事件类型、事件影响范围和事件等级，生成危机事件告警信息。
在一个示例中，终端基于目标事件的事件类型、事件影响范围和事件等级，生成包含目标事件的事件类型、事件影响范围和事件等级的危机事件告警信息。
在一个示例中，终端基于目标事件的事件类型、事件影响范围和事件等级，形成事件分析结果清单。然后，终端基于事件分析结果清单，生成危机事件告警信息。
在一个示例中，若事件等级超过预设的事件等级阈值，则终端采用更高级别的告警方式，向用户输出危机事件告警信息。
上述投诉预警方法中，按照预设的事件类型，对目标事件聚类，得到目标事件的事件类型；基于历史事件的事件等级和影响清单，确定目标事件的事件影响范围；按照预设的事件影响范围阈值，对目标事件聚类，得到目标事件的事件等级；基于目标事件的事件类型、事件影响范围和事件等级，生成危机事件告警信息。这样，通过对目标事件聚类，确定目标事件的事件类型，基于历史事件的事件等级和影响清单，确定目标事件的事件影响范围，按照预设的事件影响范围阈值，对目标事件聚类，得到目标事件的事件等级，再基于目标事件的事件类型、事件影响范围和事件等级，生成危机事件告警信息，使得危机事件告警信息的对于目标事件的信息更加全面，提高投诉预警的准确性和全面性。
在一个实施例中，生成数字化处理结果的示例如图11-a和图11-b所示。该示例中示出了数据采集模块、模型模块、算法模块、数据存储模块、计算模块、能力开放模块、投诉运营可视化平台(又称可视化运营平台)、话务/工单系统(运营监控)和质检系统。数据采集模块用于从话务系统/平台、工单系统、业务支撑平台采集话务数据、工单数据、考核数据、运营数据和事件信息。业务支撑平台包括营销中心和服保中心等。数据采集模块将聚类数据发送至数据存储模块，将分级事件发送至计算模块。模型模块和算法模块经过工单处理配置与训练。模型模块为数据采集模块和计算模块提供模型支持，算法模块为计算模块提供算法支持。计算模块将趋势预测结果发送至数据存储模块，将投诉风险结果发送至能力开放模块，并接收能力开放模块发送的技能队列人员等信息。数据是存储模块将预测结果发送至能力开放模块，能力开放模块向投诉运营可视化平台进行数字孪生输出，向话务/工单系统(运营监控)进行危机预警推送，向质检系统进行投诉风险预警匹配技能处理。计算模块能够实现数据清洗、标准化换算、数据融合计算、趋势滚动分析和异常事件滚动分析。可视化运营平台能够进行边缘可视化计算，输出运营数字孪生，并接收能力开放模块发送的数字孪生数据整合。
应该理解的是，虽然如上所述的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的投诉预警方法的投诉预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个投诉预警装置实施例中的具体限定可以参见上文中对于投诉预警方法的限定，在此不再赘述。
在一个实施例中，如图12所示，提供了一种投诉预警装置1200，包括：第一获取模块1210、比对模块1220、第二获取模块1230、任务分解模块1240和监测模块1250，其中：
第一获取模块1210，用于获取满足投诉影响关联条件的目标事件；
比对模块1220，用于将所述目标事件与历史事件进行比对，得到所述目标事件的比对结果；
第二获取模块1230，用于基于所述比对结果和事件任务确定策略，获取所述目标事件对应的目标事件任务；
任务分解模块1240，用于对所述目标事件任务进行任务分解，得到所述目标事件任务的任务分解结果；
监测模块1250，用于基于所述任务分解结果进行投诉趋势监测，得到监测结果，并基于所述监测结果，进行投诉预警。
可选的，所述第二获取模块1230，具体用于：
若所述比对结果表示存在历史事件与所述目标事件的相似度超过预设的第一相似度阈值，则获取所述历史事件对应的事件任务，并将所述历史事件对应的事件任务，作为所述目标事件对应的目标事件任务；
若所述比对结果表示各历史事件与所述目标事件的相似度均小于预设的第一相似度阈值，则生成所述目标事件对应的投诉风险事件告警信息，并输出所述投诉风险事件告警信息；所述投诉风险事件告警信息用于指示用户为所述目标事件配置目标事件任务；
基于事件任务配置信息，获取所述目标事件对应的目标事件任务。
可选的，所述第一获取模块1210，具体用于：
采集客服中心的历史运营数据；
对所述历史运营数据聚类，得到所述历史运营数据的聚类结果，并基于所述聚类结果，对所述历史运营数据进行分类保存；
对分类后的所述历史运营数据进行数字孪生处理，得到数字化处理结果；
基于所述数字化处理结果，确定满足投诉影响关联条件的目标事件。
可选的，所述第一获取模块1210，具体用于：
基于所述数字化处理结果和预设的异常事件预测模型，预测满足投诉影响关联条件的目标事件。
可选的，所述第一获取模块1210，具体用于：
对分类后的所述历史运营数据进行数据清洗，得到所述历史运营数据的数据清洗结果；
对所述数据清洗结果进行标准化换算，得到所述历史运营数据的标准化换算结果；
基于预设的数字孪生算法，对所述标准化换算结果进行融合计算，得到数字化处理结果。
可选的，所述监测模块1250，具体用于：
采集客服中心的历史工单数据；
基于预设的异动工单识别模型，识别所述历史工单数据中的异动工单，并将所述异动工单聚类，得到异动工单聚类结果；
基于所述历史工单数据的业务标识，对所述历史工单数据进行业务场景聚类，得到业务场景聚类结果；
基于所述异动工单聚类结果和所述业务场景聚类结果，得到工单数据仓库；
根据预设的时序分片和业务分类，对所述工单数据仓库进行分片管理，得到分片管理结果；
基于所述任务分解结果和所述分片管理结果，进行投诉趋势监测，得到监测结果。
可选的，所述监测模块1250，具体用于：
按照预设的分片时间，统计新增工单数据，得到所述新增工单数据的统计数据；
基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗，得到数据清洗后的新增工单数据的统计数据；
基于所述任务分解结果、所述分片管理结果和所述数据清洗后的新增工单数据的统计数据，进行投诉趋势监测，得到监测结果。
可选的，所述监测模块1250，具体用于：
基于所述客服中心的历史投诉趋势参考数据、所述历史工单数据和所述业务分类，对所述新增工单数据的统计数据进行第一数据清洗，得到第一数据清洗后的新增工单数据的统计数据；
基于预设的周工单影响因子和月工单影响因子，对所述第一数据清洗后的新增工单数据的统计数据进行第二数据清洗，得到第二数据清洗后的新增工单数据的统计数据；
在所述第二数据清洗后的新增工单数据的统计数据中，剔除异常工单数据，得到数据清洗后的新增工单数据的统计数据。
可选的，所述装置1200还包括：
验证模块，用于对所述数据清洗后的新增工单数据的统计数据进行验证，得到验证结果；
返回模块，用于若所述验证结果不满足预设的验证条件，则返回所述基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗步骤。
可选的，所述装置1200还包括：
分析模块，用于基于预设的事件风险预测模型，分析所述目标事件，得到所述目标事件的与极端事件的相似度；
生成模块，用于若所述比对结果表示各历史事件与所述目标事件的相似度均小于预设的第一相似度阈值、且所述目标事件的与极端事件的相似度大于预设的第二相似度阈值，则基于所述目标事件生成危机事件告警信息，并输出所述危机事件告警信息。
可选的，所述生成模块，具体用于：
按照预设的事件类型，对所述目标事件聚类，得到所述目标事件的事件类型；
基于历史事件的事件等级和影响清单，确定所述目标事件的事件影响范围；
按照预设的事件影响范围阈值，对所述目标事件聚类，得到所述目标事件的事件等级；
基于所述目标事件的事件类型、事件影响范围和事件等级，生成危机事件告警信息。
上述投诉预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种投诉预警方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (15)

1.一种投诉预警方法，其特征在于，所述方法包括：
获取满足投诉影响关联条件的目标事件；
将所述目标事件与历史事件进行比对，得到所述目标事件的比对结果；
基于所述比对结果和事件任务确定策略，获取所述目标事件对应的目标事件任务；
对所述目标事件任务进行任务分解，得到所述目标事件任务的任务分解结果；
基于所述任务分解结果进行投诉趋势监测，得到监测结果，并基于所述监测结果，进行投诉预警。
2.根据权利要求1所述的方法，其特征在于，所述基于所述比对结果和事件任务确定策略，获取所述目标事件对应的目标事件任务包括：
若所述比对结果表示存在历史事件与所述目标事件的相似度超过预设的第一相似度阈值，则获取所述历史事件对应的事件任务，并将所述历史事件对应的事件任务，作为所述目标事件对应的目标事件任务；
若所述比对结果表示各历史事件与所述目标事件的相似度均小于预设的第一相似度阈值，则生成所述目标事件对应的投诉风险事件告警信息，并输出所述投诉风险事件告警信息；所述投诉风险事件告警信息用于指示用户为所述目标事件配置目标事件任务；
基于事件任务配置信息，获取所述目标事件对应的目标事件任务。
3.根据权利要求1所述的方法，其特征在于，所述获取满足投诉影响关联条件的目标事件包括：
采集客服中心的历史运营数据；
对所述历史运营数据聚类，得到所述历史运营数据的聚类结果，并基于所述聚类结果，对所述历史运营数据进行分类保存；
对分类后的所述历史运营数据进行数字孪生处理，得到数字化处理结果；
基于所述数字化处理结果，确定满足投诉影响关联条件的目标事件。
4.根据权利要求3所述的方法，其特征在于，所述基于所述数字化处理结果，确定满足投诉影响关联条件的目标事件包括：
基于所述数字化处理结果和预设的异常事件预测模型，预测满足投诉影响关联条件的目标事件。
5.根据权利要求3所述的方法，其特征在于，所述对分类后的所述历史运营数据进行数字孪生处理，得到数字化处理结果包括：
对分类后的所述历史运营数据进行数据清洗，得到所述历史运营数据的数据清洗结果；
对所述数据清洗结果进行标准化换算，得到所述历史运营数据的标准化换算结果；
基于预设的数字孪生算法，对所述标准化换算结果进行融合计算，得到数字化处理结果。
6.根据权利要求1所述的方法，其特征在于，所述基于所述任务分解结果进行投诉趋势监测，得到监测结果包括：
采集客服中心的历史工单数据；
基于预设的异动工单识别模型，识别所述历史工单数据中的异动工单，并将所述异动工单聚类，得到异动工单聚类结果；
基于所述历史工单数据的业务标识，对所述历史工单数据进行业务场景聚类，得到业务场景聚类结果；
基于所述异动工单聚类结果和所述业务场景聚类结果，得到工单数据仓库；
根据预设的时序分片和业务分类，对所述工单数据仓库进行分片管理，得到分片管理结果；
基于所述任务分解结果和所述分片管理结果，进行投诉趋势监测，得到监测结果。
7.根据权利要求6所述的方法，其特征在于，所述基于所述任务分解结果和所述分片管理结果，进行投诉趋势监测，得到监测结果包括：
按照预设的分片时间，统计新增工单数据，得到所述新增工单数据的统计数据；
基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗，得到数据清洗后的新增工单数据的统计数据；
基于所述任务分解结果、所述分片管理结果和所述数据清洗后的新增工单数据的统计数据，进行投诉趋势监测，得到监测结果。
8.根据权利要求7所述的方法，其特征在于，所述基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗，得到数据清洗后的新增工单数据的统计数据包括：
基于所述客服中心的历史投诉趋势参考数据、所述历史工单数据和所述业务分类，对所述新增工单数据的统计数据进行第一数据清洗，得到第一数据清洗后的新增工单数据的统计数据；
基于预设的周工单影响因子和月工单影响因子，对所述第一数据清洗后的新增工单数据的统计数据进行第二数据清洗，得到第二数据清洗后的新增工单数据的统计数据；
在所述第二数据清洗后的新增工单数据的统计数据中，剔除异常工单数据，得到数据清洗后的新增工单数据的统计数据。
9.根据权利要求7所述的方法，其特征在于，所述方法还包括：
对所述数据清洗后的新增工单数据的统计数据进行验证，得到验证结果；
若所述验证结果不满足预设的验证条件，则返回所述基于预设的数据清洗策略，对所述新增工单数据的统计数据进行数据清洗步骤。
10.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于预设的事件风险预测模型，分析所述目标事件，得到所述目标事件的与极端事件的相似度；
若所述比对结果表示各历史事件与所述目标事件的相似度均小于预设的第一相似度阈值、且所述目标事件的与极端事件的相似度大于预设的第二相似度阈值，则基于所述目标事件生成危机事件告警信息，并输出所述危机事件告警信息。
11.根据权利要求10所述的方法，其特征在于，所述基于所述目标事件生成危机事件告警信息包括：
按照预设的事件类型，对所述目标事件聚类，得到所述目标事件的事件类型；
基于历史事件的事件等级和影响清单，确定所述目标事件的事件影响范围；
按照预设的事件影响范围阈值，对所述目标事件聚类，得到所述目标事件的事件等级；
基于所述目标事件的事件类型、事件影响范围和事件等级，生成危机事件告警信息。
12.一种投诉预警装置，其特征在于，所述装置包括：
第一获取模块，用于获取满足投诉影响关联条件的目标事件；
比对模块，用于将所述目标事件与历史事件进行比对，得到所述目标事件的比对结果；
第二获取模块，用于基于所述比对结果和事件任务确定策略，获取所述目标事件对应的目标事件任务；
任务分解模块，用于对所述目标事件任务进行任务分解，得到所述目标事件任务的任务分解结果；
监测模块，用于基于所述任务分解结果进行投诉趋势监测，得到监测结果，并基于所述监测结果，进行投诉预警。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
15.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
CN202310932487.6A 2023-07-27 2023-07-27 投诉预警方法、装置、计算机设备和存储介质 Pending CN116797180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310932487.6A CN116797180A (zh) 2023-07-27 2023-07-27 投诉预警方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310932487.6A CN116797180A (zh) 2023-07-27 2023-07-27 投诉预警方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116797180A true CN116797180A (zh) 2023-09-22

Family

ID=88043866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310932487.6A Pending CN116797180A (zh) 2023-07-27 2023-07-27 投诉预警方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116797180A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171157A (zh) * 2023-10-31 2023-12-05 青岛场外市场清算中心有限公司 基于数据分析的清算数据采集清洗方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171157A (zh) * 2023-10-31 2023-12-05 青岛场外市场清算中心有限公司 基于数据分析的清算数据采集清洗方法
CN117171157B (zh) * 2023-10-31 2024-01-16 青岛场外市场清算中心有限公司 基于数据分析的清算数据采集清洗方法

Similar Documents

Publication Publication Date Title
US10666525B2 (en) Distributed multi-data source performance management
US10339484B2 (en) System and method for performing signal processing and dynamic analysis and forecasting of risk of third parties
US20190188616A1 (en) Risk simulation and assessment tool
US8861691B1 (en) Methods for managing telecommunication service and devices thereof
CN111614690B (zh) 一种异常行为检测方法及装置
US10225165B2 (en) Apparatus and method for processing data streams in a communication network
WO2016188380A1 (zh) 用户设备的确定方法及装置
KR20140131249A (ko) 광범위하게 측정된 비-파라메트릭, 다차원, 공간적 및 시간적 인간 행동 또는 기술적 관측을 처리하기 위한 네트워크 서버 장치, 및 이를 위한 관련 방법
CA2756198A1 (en) Digital analytics system
JP2013536488A5 (zh)
US11461795B2 (en) Method and system for automated detection, classification and prediction of multi-scale, multidimensional trends
CN111859384A (zh) 异常事件监控方法、装置、计算机设备及存储介质
CN116797180A (zh) 投诉预警方法、装置、计算机设备和存储介质
CN112817834B (zh) 数据表评估方法及装置
KR101660160B1 (ko) 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템
CN109670079B (zh) 基于监控系统的督察方法和系统
US20130041712A1 (en) Emerging risk identification process and tool
US8032302B1 (en) Method and system of modifying weather content
Yusuf et al. Causal inference methods and their challenges: the case of 311 data
US20210216927A1 (en) Systems And Methods For Identifying An Officer At Risk Of An Adverse Event
CN115423361A (zh) 风险视图的数据处理方法、装置、存储介质和设备
WO2008065399A1 (en) Organisation assessment and representation system and method
CN110677271B (zh) 基于elk的大数据告警方法、装置、设备及存储介质
US9625613B2 (en) Weather determination system and method
CN112183312A (zh) 基于智慧城市的城市管理事件处理方法

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