CN116862182A - 基于数字孪生的排班方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种基于数字孪生的排班方法、装置、电子设备及存储介质，涉及信息处理技术领域。该方法包括，通实时获取话务运营数据，根据聚类模型对话务运营数据进行聚类，其中，运营数据包括话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据；根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生；根据话务运营数字孪生，确定排班方案。本公开通过数字孪生技术，基于实时获取话务运营数据实现话务运营数字孪生，能够提供精准的话务排班。

Description

基于数字孪生的排班方法、装置、电子设备及存储介质

技术领域

本公开涉及信息处理技术领域，尤其涉及一种基于数字孪生的排班方法、装置、电子设备及存储介质。

背景技术

随着呼叫中心规模、业务复杂化，如何做好话务运营与排班已成为运营人员的最大压力。如何精准预测呼叫中心工作量，并基于工作量安排适当数量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。对于人员规模小的呼叫中心，一般都是采用手工排班方式，借助EXCEL等工具进行话务分析及排班；针对大型呼叫中心，会使用运营管理系统及排班系统进行辅助。

现有技术中，运营管理系统与排班系统为两套独立的系统，系统间没有交集；针对排班而言，一般采用的是任务型预测或话务分析型预测排班，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排班，依赖于机器自学习优化算法以提升准确度，但历史数据、算法都是较为固定的逻辑数据，与话务中心的真实服务并不匹配。因此出现话务排班不精准的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供一种基于数字孪生的排班方法、装置、电子设备及存储介质，至少在一定程度上克服由于相关技术中话务排班不精准的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供了一种基于数字孪生的排班方法，包括：实时获取话务运营数据，根据聚类模型对所述话务运营数据进行聚类，其中，所述运营数据包括话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据；根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生；根据话务运营数字孪生，确定排班方案。

在一些实施例中，所述根据话务运营数字孪生，确定排班方案包括：基于话务运营数字孪生，根据预先配置的时间分片对时间段内的坐席需求滚动更新，确定排班方案。

在一些实施例中，所述根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生包括：基于数字孪生模型，对聚类后的话务运营数据进行融合计算，确定话务运营数字孪生数据底座；对话务运营数字孪生数据底座执行基于时间片的滚动分析，确定滚动分析结果，其中，所述滚动分析包括话务增量趋势滚动分析、异常事件发生概率滚动分析；根据所述聚类后的话务运营数据和所述滚动分析结果，确定话务运营数字孪生。

在一些实施例中，在所述对话务运营数字孪生数据底座执行基于时间片的滚动分析，确定滚动分析结果之前，所述方法还包括：对聚类后的话务运营数据进行数据清洗，确定第一数据；对所述第一数据进行标准化换算，确定第二数据；基于数字孪生模型，对第二数据进行融合计算，确定话务运营数字孪生数据底座。

在一些实施例中，所述运营数据还包括话单数据，所述对话务运营数字孪生数据底座执行基于时间片的滚动分析，确定滚动分析结果包括：对话务运营数字孪生数据底座中话单数据将按预设时序进行统计，输出统计数据，其中，所述预设时序包括时间分片、日、周、月；根据话务影响因子，对所述统计数据进行清洗，确定第三数据；根据异动话务数据，对所述第三数据进行清洗，确定第四数据；对第四数据进行预设时序话务的增量趋势分析，确定滚动分析结果，其中，所述预设时序话务包括时间分片话务、日话务、周话务、月话务。

在一些实施例中，所述运营数据还包括营销类事件信息、服务风险类事件信息、舆情与突发事件信息，在所述实时获取话务运营数据，根据聚类模型对所述话务运营数据进行聚类之后，所述方法还包括：基于历史事件等级和影响清单对运营数据的事件信息进行筛选，根据配置的影响范围阈值对运营数据的事件信息进行二次聚类；根据运营数据的事件信息的特征，结合历史事件等级和影响清单对运营数据的事件信息分析，确定事件分析结果清单，其中，所述事件分析结果清单包括新增事件的等级、新增事件与历史极端事件的相似度、事件影响范围；根据事件分析结果清单，判断新增事件是否为已有历史案例；若否，则确定危机事件告警信息；当所述危机事件告警信息中新增事件与历史极端事件的相似度大于配置的阈值，则触发预警。

在一些实施例中，所述根据事件分析结果清单，判断新增事件是否为已有历史案例之后，所述方法还包括：若是，则提取历史案例任务模型；基于风险事件模型对所述历史案例任务模型中的任务进行分析与任务分解，确定任务月度的话务量需求、任务日话务量需求，输出阈值参考值；基于历史话务趋势，执行时间分片的话务增量趋势分析，输出分析结果。

根据本公开的另一个方面，还提供了一种基于数字孪生的排班装置，包括：话务运营数据获取模块，用于实时获取话务运营数据，根据聚类模型对所述话务运营数据进行聚类，其中，所述运营数据包括话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据；话务运营数字孪生确定模块，用于根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生；排班方案确定模块，用于根据话务运营数字孪生，确定排班方案。

根据本公开的另一个方面，还提供了一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的基于数字孪生的排班方法。

根据本公开的另一个方面，还提供了一种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任意一项所述的基于数字孪生的排班方法。

根据本公开的另一个方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任意一项的基于数字孪生的排班方法。

本公开的实施例中提供的基于数字孪生的排班方法，通实时获取话务运营数据，根据聚类模型对话务运营数据进行聚类，其中，运营数据包括话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据；根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生；根据话务运营数字孪生，确定排班方案。本公开通过数字孪生技术，基于实时获取话务运营数据实现话务运营数字孪生，能够提供精准的话务排班。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开实施例中一种基于数字孪生的排班系统结构的示意图；

图2示出本公开实施例中一种基于数字孪生的排班方法流程图；

图3示出本公开实施例中一种基于数字孪生的排班方法一具体实例的流程图；

图4示出本公开实施例中一种基于数字孪生的排班方法又一具体实例的流程图；

图5示出本公开实施例中一种基于数字孪生的排班方法再一具体实例的流程图；

图6示出本公开实施例中一种基于数字孪生的排班方法另外一具体实例的流程图；

图7示出本公开实施例中一种基于数字孪生的排班方法一具体实例的流程图；

图8示出本公开实施例中一种基于数字孪生的排班装置示意图；

图9示出本公开实施例中一种基于数字孪生的话务运行数字孪生装置原理图；

图10示出本公开实施例中一种基于数字孪生的话务运行数字孪生装置运行原理图；

图11示出本公开实施例中一种基于数字孪生的事件识别与事件分析的需求滚动预测的装置运行流程图；

图12示出本公开实施例中一种基于数字孪生的话务统计分析与趋势滚动预测的装置运行流程图；

图13示出本公开实施例中一种计算机设备的结构框图；

图14示出本公开实施例中一种计算机可读存储介质示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

下面结合附图，对本公开实施例的具体实施方式进行详细说明。

图1示出了可以应用本公开实施例中基于数字孪生的排班方法的示例性应用系统架构示意图。如图1所示，该系统架构可以包括终端设备101、网络102和服务器103。

网络102用以在终端设备101和服务器103之间提供通信链路的介质，可以是有线网络，也可以是无线网络。

可选地，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、互联网安全协议(InternetProtocol Security，IPSec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。

终端设备101可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、智能音箱、智能手表、可穿戴设备、增强现实设备、虚拟现实设备等。

可选地，不同的终端设备101中安装的应用程序的客户端是相同的，或基于不同操作系统的同一类型应用程序的客户端。基于终端平台的不同，该应用程序的客户端的具体形态也可以不同，比如，该应用程序客户端可以是手机客户端、PC客户端等。

服务器103可以是提供各种服务的服务器，例如对用户利用终端设备101所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。

可选地，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。

本领域技术人员可以知晓，图1中的终端设备、网络和服务器的数量仅仅是示意性的，根据实际需要，可以具有任意数目的终端设备、网络和服务器。本公开实施例对此不作限定。

在上述系统架构下，本公开实施例中提供了一种基于数字孪生的排班方法，该方法可以由任意具备计算处理能力的电子设备执行。

在一些实施例中，本公开实施例中提供的基于数字孪生的排班方法可以由上述系统架构的终端设备执行；在另一些实施例中，本公开实施例中提供的基于数字孪生的排班方法可以由上述系统架构中的服务器执行；在另一些实施例中，本公开实施例中提供的基于数字孪生的排班方法可以由上述系统架构中的终端设备和服务器通过交互的方式来实现。

图2示出本公开实施例中一种基于数字孪生的排班方法流程图，如图2所示，本公开实施例中提供的基于数字孪生的排班方法包括如下步骤：

S202，实时获取话务运营数据，根据聚类模型对话务运营数据进行聚类，其中，运营数据包括话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据。

需要说明的是，上述聚类模型是可以是确定类别来对样本数据进行分类，聚类的主要目的就是将样本划分为由类似的对象组成的多个类的过程。进行聚类后，可以在每个类中使用统计模型进行数据分析或者在不同类之间进行相关性探究。

例如，实时获取话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据，并根据聚类模型对数据进行聚类。

S204，根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生。

需要说明的是，上述数字孪生可以是仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。上述数字孪生模型可以是对实体产品、生产流程或产品使用的一种智能化和虚拟化的表示(或模型)。上述话务运营数字孪生可以是对话务运营的数字孪生。

S206，根据话务运营数字孪生，确定排班方案。

需要说明的是，上述排班方案可以是坐席排班。例如，排班方案为安排适当数量的坐席来处理客户需求。

本公开通过数字孪生技术，基于实时获取话务运营数据实现话务运营数字孪生，能够提供精准的话务排班。

在本公开的一个实例中，根据话务运营数字孪生，确定排班方案包括：基于话务运营数字孪生，根据预先配置的时间分片对时间段内的坐席需求滚动更新，确定排班方案。能够根据配置的时间分片对时间段内的坐席需求执行动态更新。

需要说明的是，上述时间分片可以是预设的时段，例如十五分钟。上述滚动可以是在时间段内按照预先配置的时段依次移动。例如，对一小时内的坐席需求通过十五分钟的时间分片来滚动根新，需要滚动四次。

在本公开的一个实施例中，如图3所示，本公开实施例中提供的基于数字孪生的排班方法，可以通过如下步骤来确定确定话务运营数字孪生，能够将物理设备的属性映射到虚拟空间中，对数据进行更全面地分析：

S302，基于数字孪生模型，对聚类后的话务运营数据进行融合计算，确定话务运营数字孪生数据底座；

S304，对话务运营数字孪生数据底座执行基于时间片的滚动分析，确定滚动分析结果，其中，滚动分析包括话务增量趋势滚动分析、异常事件发生概率滚动分析；

S306，根据聚类后的话务运营数据和滚动分析结果，确定话务运营数字孪生。

需要说明的是，上述时间片可以是时间的总区间，包括从开始时间到结束时间的时间区间。例如，七月一号到七月三号。

在本公开的一个实施例中，如图4所示，本公开实施例中提供的基于数字孪生的排班方法，可以通过如下步骤来确定话务运营数字孪生数据底座，能够提高数据可用性，进一步提升话务运营数字孪生数据底座的准确性：

S402，对聚类后的话务运营数据进行数据清洗，确定第一数据；

S404，对第一数据进行标准化换算，确定第二数据；

S406，基于数字孪生模型，对第二数据进行融合计算，确定话务运营数字孪生数据底座。

例如，通过各端系统采集包括话务数据、事件信息、考勤、坐席服务、业务树、运营数据等热线运营的相关原始数据；基于数据聚类模型、分析模型、事件关系模型对采集的原始数据进行聚类，形成数据仓库；执行数据清洗，数据清洗后执行标准化换算，使数据仓库数据具备更高的可用性；基于数字孪生模型、数据孪生算法，对数据进行融合计算，形成话务运营数字孪生数据底座。

在本公开的一个实施例中，如图5所示，本公开实施例中提供的基于数字孪生的排班方法，可以通过如下步骤来确定滚动分析结果，能够提高数据可用性，进一步提升滚动分析结果的准确性：

S502，对话务运营数字孪生数据底座中话单数据将按预设时序进行统计，输出统计数据，其中，预设时序包括时间分片、日、周、月；

S504，根据话务影响因子，对统计数据进行清洗，确定第三数据；

S506，对第四数据进行预设时序话务的增量趋势分析，确定滚动分析结果，其中，预设时序话务包括时间分片话务、日话务、周话务、月话务。

在本公开的一个实施例中，如图6所示，本公开实施例中提供的基于数字孪生的排班方法，可以通过如下步骤来进行预警，能够实时向运营管理人员推送危机预警：

S602，基于历史事件等级和影响清单对运营数据的事件信息进行筛选，根据配置的影响范围阈值对运营数据的事件信息进行二次聚类；

S604，数据的事件信息分析，确定事件分析结果清单，其中，事件分析结果清单包括新增事件的等级、新增事件与历史极端事件的相似度、事件影响范围；

S606，根据事件分析结果清单，判断新增事件是否为已有历史案例；

S608，若否，则确定危机事件告警信息；

S610，当危机事件告警信息中新增事件与历史极端事件的相似度大于配置的阈值，则触发预警。

在本公开的一个实施例中，如图7所示，本公开实施例中提供的基于数字孪生的排班方法，可以通过如下步骤输出分析结果，能够对话务增量趋势进行动态分析：

S702，若是，则提取历史案例任务模型；

S704，基于风险事件模型对历史案例任务模型中的任务进行分析与任务分解，确定任务月度的话务量需求、任务日话务量需求，输出阈值参考值；

S706，基于历史话务趋势，执行时间分片的话务增量趋势分析，输出分析结果。

需要注意的是，本公开技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定，本公开实施例中获取的个人、客户和人群等相关的个人身份数据、操作数据、行为数据等多种类型的数据，均已获得授权。

基于同一发明构思，本公开实施例中还提供了一种基于数字孪生的排班装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。

图8示出本公开实施例中一种基于数字孪生的排班装置示意图，如图8所示，该装置包括：话务运营数据获取模块81，话务运营数字孪生确定模块82，排班方案确定模块83和预警模块84。

其中，话务运营数据获取模块81，用于实时获取话务运营数据，根据聚类模型对话务运营数据进行聚类，其中，运营数据包括话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据；

话务运营数字孪生确定模块82，用于根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生；

排班方案确定模块83，用于根据话务运营数字孪生，确定排班方案。

在本公开的一个实施例中，上述排班方案确定模块还用于：基于话务运营数字孪生，根据预先配置的时间分片对时间段内的坐席需求滚动更新，确定排班方案。

在本公开的一个实施例中，上述话务运营数字孪生确定模块还用于：基于数字孪生模型，对聚类后的话务运营数据进行融合计算，确定话务运营数字孪生数据底座；对话务运营数字孪生数据底座执行基于时间片的滚动分析，确定滚动分析结果，其中，滚动分析包括话务增量趋势滚动分析、异常事件发生概率滚动分析；根据聚类后的话务运营数据和滚动分析结果，确定话务运营数字孪生。

在本公开的一个实施例中，上述话务运营数字孪生确定模块还用于：对聚类后的话务运营数据进行数据清洗，确定第一数据；对第一数据进行标准化换算，确定第二数据；基于数字孪生模型，对第二数据进行融合计算，确定话务运营数字孪生数据底座。

在本公开的一个实施例中，上述话务运营数字孪生确定模块还用于：对话务运营数字孪生数据底座中话单数据将按预设时序进行统计，输出统计数据，其中，预设时序包括时间分片、日、周、月；根据话务影响因子，对统计数据进行清洗，确定第一数据；根据异动话务数据，对第一数据进行清洗，确定第二数据；对第二数据进行预设时序话务的增量趋势分析，确定滚动分析结果，其中，预设时序话务包括时间分片话务、日话务、周话务、月话务。

在本公开的一个实施例中，上述基于数字孪生的排班装置还包括预警模块84，用于：基于历史事件等级和影响清单对运营数据的事件信息进行筛选，根据配置的影响范围阈值对运营数据的事件信息进行二次聚类；根据运营数据的事件信息的特征，结合历史事件等级和影响清单对运营数据的事件信息分析，确定事件分析结果清单，其中，事件分析结果清单包括新增事件的等级、新增事件与历史极端事件的相似度、事件影响范围；根据事件分析结果清单，判断新增事件是否为已有历史案例；若新增事件不是已有历史案例，则确定危机事件告警信息；当危机事件告警信息中新增事件与历史极端事件的相似度大于配置的阈值，则触发预警。

在本公开的一个实施例中，上述预警模块还用于：若新增事件是已有历史案例，则提取历史案例任务模型；基于风险事件模型对历史案例任务模型中的任务进行分析与任务分解，确定任务月度的话务量需求、任务日话务量需求，输出阈值参考值；基于历史话务趋势，执行时间分片的话务增量趋势分析，输出分析结果。

此处需要说明的是，上述话务运营数据获取模块81，话务运营数字孪生确定模块82和排班方案确定模块83对应于方法实施例中的S202～S206，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

图9示出本公开实施例中一种基于数字孪生的话务运行数字孪生装置原理图，如图9所示，该装置包括：数据采集模块901，数据存储模块902，算法模块903，模型模块904，计算模块905，能力开放模块906。

其中，数据采集模块：与各平台(话务系统/平台)、支撑系统(业务支撑平台)对接，实时获取话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据，并根据聚类模型对数据进行聚类。

数据存储模块：用于存放聚类后的数据仓库数据、事件信息数据及预测分析数据、数字孪生数据底座。

算法模块：用于存放数据分析、数字孪生相关算法，如：增量预测算法、指数算法、饱和曲线算法等。

模型模块：用于存放模型，如：话务聚类模型、话务趋势分析模型、事件风险等级模型、危机事件模型等。

计算模块：用于执行聚类计算、模型匹配、趋势计算、智能排班及数字孪生数据底座计算能力。

能力开放模块：与外部系统对接，提供数据底座、话务分析、智能排班及预警信息推送能力。

本公开通过风险事件识别判断是否出现新的风险事件或极端事件或存在出现极端事件的可能，及时与运营管理系统联动，输出话务危机预警/告警；基于热线话务数字孪生，为排班系统提供分技能队列的坐席需求预测，结合排班系统中的班组(人员)信息，提供智能排班推荐；基于话务运营数字孪生对坐席需求执行滚动更新，匹配现有的排班是否存在坐席缺口，当缺口超出阈值时，及时与运营管理系统联动推送话务危机告警。

在具体运行时，上述基于数字孪生的排班装置执行流程为：通过数据采集模块采集话务清单、事件信息、考勤数据、坐席服务数据等，并做好聚类存放在数据存储模块；计算模块根据配置参数，调用算法模块、模型模块中的话务运营算法、运营模型、事件模型等，构建话务运营数字孪生，计算模块通过调用预测算法、预测模型执行话务云供应趋势预测，计算模块当发现话务运营异常，通过能力开放模块向运营管理系统推送预警/告警；计算模块通过获取当前排班信息，集合话务趋势，判断是否存在坐席需求缺口，向运营管理系统推送预警/告警。计算模块结合班组信息，通过能力开放模块向排班系统提供滚动的坐席需求，提供智能排班推荐。

图10示出本公开实施例中一种基于数字孪生的话务运行数字孪生装置运行原理图，如图10所示，该装置包括：数据采集模块901，数据存储模块902，算法模块903，模型模块904，计算模块905，能力开放模块906。

在具体运行时，数据采集模块通过各端系统采集包括话务数据、事件信息、考勤、坐席服务、业务树、运营数据等热线运营的相关原始数据；

基于数据聚类模型、分析模型、事件关系模型等对采集的原始数据进行聚类，形成数据仓库，保存在数据存储模块中；

计算模块调用事件分析模型、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，结合包括回归算法、事件预测算法等，从数据仓库获取最新缓存的数据执行计算；

包括执行数据清洗，数据清洗后执行标准化换算，使数据仓库数据具备更高的可用性；

基于数字孪生模型、数据孪生算法，对数据进行融合计算，形成话务运营数字孪生数据底座；

计算模块基于数字孪生，基于话务预测模型、风险事件识别模型、异常事件概率模型集合回归算法、聚类算法、离散分析算法等执行基于时间片的话务增量趋势滚动分析、异常事件发生概率滚动分析；

计算模块将话务运营数字孪生数据、滚动分析结果通过能力开放模块向可视化运营平台推送分析数据；

结合可视化运营平台云1001计算能力，输出话务运营数字孪生。

图11示出本公开实施例中一种基于数字孪生的事件识别与事件分析的需求滚动预测的装置运行流程图，如图11所示，该运行流程包括如下步骤：

S1101，通过数据采集模块从话务系统/话务平台采集实时的话单数据；

S1102，根据话务聚类模型、异动话务模型、异动特征模型等对话单执行移动话务聚类；基于话单的业务标识(含话务小结)，对话务进行业务场景聚类；形成可用的数据仓库；

S1103，数据聚类后，结合历史话单数据，根据配置时序分片、业务分类策略，以最小粒度数据对采集的话单进行筛选与分片管理；

S1104，根据数据存储规则与策略，对历史数据进行清理，使存储资源循环利用，保障存储资源的利用率；

S1105，根据更新的筛选话单执行关数据包括，按分片时间/日/周/月等时序进行统计，输出统计数据。

S1106，综合历史统计级数据、历史话单数据对更新缓存的数据执行业务级别的数据清理；

S1107，通过算法对历史话单数据(A’)，结合周话务影响因子(Cw)、月话务影响因子(Cm)，对数据执行二次清洗，其中，上述算法为：A＝A’×Cw×Cm，A为二次清洗后的数据；

S1108，结合数据仓库中的异动话务数据，对数据执行三次清洗(即在现有的统计数据中剔除异常的话单再执行统计)；

S1109，对数据清洗后的结果进行结果验证，通过S值与(A±R％)的匹配情况进行分析，S值和R为预设参数，根据结果复合生产需求，则执行后续的话务分析S1110，若出现则返回S1106(修正清洗)；

S1110，对清洗后的数据执行时间分片话务、日话务、月话务的增量趋势分析。

本公开基于实时的时序分片分析及危机事件匹配，结合排班信息，可实时向运营管理人员推送危机预警；本公开基于多维度的话务预测，提升排班的可用性，减少运营人员排班耗时；本公开能够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；本公开基于现有的技术，可以通过构建话务预测分析装置或云化部署各模块即可实现。

图12示出本公开实施例中一种基于数字孪生的话务统计分析与趋势滚动预测的装置运行流程图，如图12所示，该装置包括：

S1201，通过数据采集模块从各业务支撑系统采集对客服有影响的事件；

S1202，根据事件聚类模型，将事件分为三类：营销类事件、服务风险类事件、舆情与突发事件；形成事件聚类数据仓库；

S1203，数据聚类后，基于历史事件等级及影响清单对事件可能的影响范围进行筛选，根据配置的影响范围阈值对事件进行二次聚类；

S1204，根据事件的特征，结合历史事件等级及影响清单，事件风险模型等对事件执行分析，主要包括：事件等级、极端事件相似度、事件影响范围阈值；

S1205，输出新增事件的等级、新增事件与历史极端事件的相似度、事件影响范围，形成事件分析结果清单(事件等级及影响清单记录)；

S1206，利用事件比对模型与算法，执行新增的事件进行比对分析；若判断为已有历史案例，则提取历史案例任务模型；

S1207，若判断不存在历史案例，则生成危机事件告警信息；若极端事件相似度大于配置的阈值(例如配置的阈值为60％)，则触发高等级预警；

S1208，获取历史案例任务模型后，基于风险事件模型对任务进行分析与任务分解，主要分解为：任务月度的话务量需求、任务日话务量需求，输出阈值参考值；

S1209，基于历史话务趋势、执行时间分片的话务增量趋势分析，输出分析结果。

对于新增的风险事件，运维人员接收预警后配置事件处理任务，配置完成后，系统重新返回S1208执行话务趋势分析。

本公开通过采集实时的话务数据、事件信息、服务数据形成话务运营数字孪生，基于话务运营数字孪生实现根据配置的时间分片对时间段内的坐席需求执行动态更新，为运营人员提供智能排班推荐、风险事件与极端事件告警、排班缺口告警；利用系统自动化、智能化能力，降低排班分析的压力，减少排班人员修正的工作量，降低排班处理耗时；同时利用智能化提升坐席人员的利用率，实现降本增效。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图13来描述根据本公开的这种实施方式的电子设备1300。图13显示的电子设备1300仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图13所示，电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于：上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1310执行，使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

例如，所述处理单元1310可以执行上述方法实施例的如下步骤：实时获取话务运营数据，根据聚类模型对话务运营数据进行聚类，其中，运营数据包括话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据；根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生；根据话务运营数字孪生，确定排班方案。

存储单元1320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)13201和/或高速缓存存储单元13202，还可以进一步包括只读存储单元(ROM)13203。

存储单元1320还可以包括具有一组(至少一个)程序模块13205的程序/实用工具13204，这样的程序模块13205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1300也可以与一个或多个外部设备1340(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1300交互的设备通信，和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且，电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机程序产品，该计算机程序产品包括：计算机程序，所述计算机程序被处理器执行时实现上述基于数字孪生的排班方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。图14示出本公开实施例中一种计算机可读存储介质示意图，如图14所示，该算机可读存储介质1400上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种基于数字孪生的排班方法，其特征在于，包括：

实时获取话务运营数据，根据聚类模型对所述话务运营数据进行聚类，其中，所述运营数据包括话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据；

根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生；

根据话务运营数字孪生，确定排班方案。

2.根据权利要求1所述的基于数字孪生的排班方法，其特征在于，所述根据话务运营数字孪生，确定排班方案包括：

基于话务运营数字孪生，根据预先配置的时间分片对时间段内的坐席需求滚动更新，确定排班方案。

3.根据权利要求1所述的基于数字孪生的排班方法，其特征在于，所述根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生包括：

基于数字孪生模型，对聚类后的话务运营数据进行融合计算，确定话务运营数字孪生数据底座；

对话务运营数字孪生数据底座执行基于时间片的滚动分析，确定滚动分析结果，其中，所述滚动分析包括话务增量趋势滚动分析、异常事件发生概率滚动分析；

根据所述聚类后的话务运营数据和所述滚动分析结果，确定话务运营数字孪生。

4.根据权利要求3所述的基于数字孪生的排班方法，其特征在于，在所述对话务运营数字孪生数据底座执行基于时间片的滚动分析，确定滚动分析结果之前，所述方法还包括：

对聚类后的话务运营数据进行数据清洗，确定第一数据；

对所述第一数据进行标准化换算，确定第二数据；

基于数字孪生模型，对第二数据进行融合计算，确定话务运营数字孪生数据底座。

5.根据权利要求3所述的基于数字孪生的排班方法，其特征在于，所述运营数据还包括话单数据，所述对话务运营数字孪生数据底座执行基于时间片的滚动分析，确定滚动分析结果包括：

对话务运营数字孪生数据底座中话单数据将按预设时序进行统计，输出统计数据，其中，所述预设时序包括时间分片、日、周、月；

根据话务影响因子，对所述统计数据进行清洗，确定第三数据；

根据异动话务数据，对所述第三数据进行清洗，确定第四数据；

对第四数据进行预设时序话务的增量趋势分析，确定滚动分析结果，其中，所述预设时序话务包括时间分片话务、日话务、周话务、月话务。

6.根据权利要求5所述的基于数字孪生的排班方法，其特征在于，所述运营数据还包括营销类事件信息、服务风险类事件信息、舆情与突发事件信息，在所述实时获取话务运营数据，根据聚类模型对所述话务运营数据进行聚类之后，所述方法还包括：

基于历史事件等级和影响清单对运营数据的事件信息进行筛选，根据配置的影响范围阈值对运营数据的事件信息进行二次聚类；

根据运营数据的事件信息的特征，结合历史事件等级和影响清单对运营数据的事件信息分析，确定事件分析结果清单，其中，所述事件分析结果清单包括新增事件的等级、新增事件与历史极端事件的相似度、事件影响范围；

根据事件分析结果清单，判断新增事件是否为已有历史案例；

若否，则确定危机事件告警信息；

当所述危机事件告警信息中新增事件与历史极端事件的相似度大于配置的阈值，则触发预警。

7.根据权利要求6所述的基于数字孪生的排班方法，其特征在于，所述根据事件分析结果清单，判断新增事件是否为已有历史案例之后，所述方法还包括：

若是，则提取历史案例任务模型；

基于风险事件模型对所述历史案例任务模型中的任务进行分析与任务分解，确定任务月度的话务量需求、任务日话务量需求，输出阈值参考值；

基于历史话务趋势，执行时间分片的话务增量趋势分析，输出分析结果。

8.一种基于数字孪生的排班装置，其特征在于，包括：

话务运营数据获取模块，用于实时获取话务运营数据，根据聚类模型对所述话务运营数据进行聚类，其中，所述运营数据包括话务数据、业务数据、坐席服务数据、考勤数据、事件信息数据；

话务运营数字孪生确定模块，用于根据数字孪生模型结合聚类后的话务运营数据，确定话务运营数字孪生；

排班方案确定模块，用于根据话务运营数字孪生，确定排班方案。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的基于数字孪生的排班方法。

10.一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1～7中任意一项所述的基于数字孪生的排班方法。