CN116957242A - 一种银行网点排班方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了一种银行网点排班方法、装置、设备及介质，可应用于大数据领域或金融领域。将业务办理量和客户预约信息输入到银行网点业务预测模型中，输出在第二时间段内待办理的业务类型、每个业务类型的第一预测业务量，以及业务类型的分布时段预测信息；根据第一预测业务量、分布时段预测信息和角色人员的预设处理量，确定在每个子时间段内所需各角色人员数量。通过银行网点业务预测模型进行预测，预测在未来的第二时间段的业务情况，进而预测在每个子时间段内需要的各种角色人员数量，从而合理安排人员排班，优先安排服务满意度较高的在岗人员进行排班，做到在精简银行网点、降低运营成本的同时，保障银行网点对客服务能力，提升客户满意度。

Description

一种银行网点排班方法、装置、设备及介质

技术领域

本申请涉及大数据领域，特别涉及一种银行网点排班方法、装置、设备及介质。

背景技术

随着银行网点转型工作的推进，银行网点逐步向特色化精简化方向发展。精简化的银行网点，常常因为人员岗位角色配置不足，导致银行网点对客服务能力降低、客户业务无法受理，客户多去大型的银行网点办理银行业务，对中小型银行网点造成无形的客户流失。因此，如何在精简银行网点、降低运营成本的同时，能够保障银行网点对客服务能力，提升客户满意度，变得十分迫切。

发明内容

有鉴于此，本申请的目的在于提供一种银行网点排班方法、装置、设备及介质，从而做到在精简银行网点、降低运营成本的同时，保障银行网点对客服务能力，提升客户满意度。其具体方案如下：

一方面，本申请提供了一种银行网点排班方法，包括：

获取第一时间段内在第一网点的业务办理量和客户预约信息；所述客户预约信息包括预约业务类型和预约办理时间；

将所述业务办理量和所述客户预约信息输入到银行网点业务预测模型中，输出在第二时间段内待办理的业务类型、每个所述业务类型的第一预测业务量，以及所述业务类型的分布时段预测信息；所述第二时间段位于所述第一时间段之后，且包括多个子时间段；所述分布时段预测信息包括在多个所述子时间段内，每个所述业务类型的第二预测业务量；

根据所述第一预测业务量、所述分布时段预测信息和角色人员的预设处理量，确定在每个所述子时间段内所需各角色人员数量；所述角色人员与所述业务类型具有对应关系；

获取在所述第二时间段内的在岗人员集合；所述在岗人员集合包括位于所述第一网点内的第一在岗人员和所述第一在岗人员的服务满意度；

判断在所述在岗人员集合中，是否具有与所述业务类型对应的第一在岗人员；若是，则根据所述第一在岗人员的服务满意度从高到低，从所述第一在岗人员中挑选预设数量的第二在岗人员，生成人员排班计划；所述预设数量与所述子时间段内所需各角色人员数量相同；所述人员排班计划包括所述第二在岗人员的工作网点、工作角色和工作时段。

另一方面，本申请实施例还提供了一种银行网点排班装置，包括：

第一获取单元，用于获取第一时间段内在第一网点的业务办理量和客户预约信息；所述客户预约信息包括预约业务类型和预约办理时间；

处理单元，用于将所述业务办理量和所述客户预约信息输入到银行网点业务预测模型中，输出在第二时间段内待办理的业务类型、每个所述业务类型的第一预测业务量，以及所述业务类型的分布时段预测信息；所述第二时间段位于所述第一时间段之后，且包括多个子时间段；所述分布时段预测信息包括在多个所述子时间段内，每个所述业务类型的第二预测业务量；

确定单元，用于根据所述第一预测业务量、所述分布时段预测信息和角色人员的预设处理量，确定在每个所述子时间段内所需各角色人员数量；所述角色人员与所述业务类型具有对应关系；

第二获取单元，用于获取在所述第二时间段内的在岗人员集合；所述在岗人员集合包括位于所述第一网点内的第一在岗人员和所述第一在岗人员的服务满意度；

判断单元，用于判断在所述在岗人员集合中，是否具有与所述业务类型对应的第一在岗人员；若是，则根据所述第一在岗人员的服务满意度从高到低，从所述第一在岗人员中挑选预设数量的第二在岗人员，生成人员排班计划；所述预设数量与所述子时间段内所需各角色人员数量相同；所述人员排班计划包括所述第二在岗人员的工作网点、工作角色和工作时段。

另一方面，本申请实施例还提供了一种计算机设备，所述计算机设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行所述的银行网点排班方法。

另一方面，本申请实施例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用于存储计算机程序，所述计算机程序用于执行所述的银行网点排班方法。

本申请实施例提供了一种银行网点排班方法、装置、设备及介质，获取第一时间段内在第一网点的业务办理量和客户预约信息；客户预约信息包括预约业务类型和预约办理时间；将业务办理量和客户预约信息输入到银行网点业务预测模型中，输出在第二时间段内待办理的业务类型、每个业务类型的第一预测业务量，以及业务类型的分布时段预测信息；第二时间段位于第一时间段之后，且包括多个子时间段；分布时段预测信息包括在多个子时间段内，每个业务类型的第二预测业务量；根据第一预测业务量、分布时段预测信息和角色人员的预设处理量，确定在每个子时间段内所需各角色人员数量；角色人员与业务类型具有对应关系；获取在所述第二时间段内的在岗人员集合；在岗人员集合包括位于第一网点内的第一在岗人员和第一在岗人员的服务满意度；判断在在岗人员集合中，是否具有与业务类型对应的第一在岗人员；若是，则根据第一在岗人员的服务满意度从高到低，从第一在岗人员中挑选预设数量的第二在岗人员，生成人员排班计划；预设数量与子时间段内所需各角色人员数量相同；人员排班计划包括第二在岗人员的工作网点、工作角色和工作时段。

可见，在本申请实施例中，可以根据已经办理的业务办理量和客户预约的业务类型和办理时间，通过银行网点业务预测模型进行预测，预测在未来的第二时间段的业务情况，进而预测在每个子时间段内需要的各种角色人员数量，从而合理安排人员排班，此外，优先安排服务满意度较高的在岗人员进行排班，从而做到在精简银行网点、降低运营成本的同时，保障银行网点对客服务能力，提升客户满意度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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它的附图。

图1示出了本申请实施例提供的一种银行网点排班方法的流程示意图；

图2为本申请实施例提供的一种银行网点排班系统架构图；

图3为本申请实施例提供的又一种银行网点排班方法的流程示意图；

图4为本申请实施例提供的一种银行网点排班装置的结构框图；

图5为本申请实施例提供的一种计算机设备的结构图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

为了便于理解，下面结合附图对本申请实施例提供的一种银行网点排班方法、装置、设备及介质进行详细的说明。

参考图1所示，为本申请实施例提供的一种银行网点排班方法的流程示意图，该方法可以包括以下步骤。

S101，获取第一时间段内在第一网点的业务办理量和客户预约信息。

在本申请实施例中，可以获取在第一时间段内，在第一网点的业务办理量和客户预约信息，其中，业务办理量为在第一时间段内已经办理的业务量和业务种类，客户预约信息为在第一时间段内的客户的预约信息，客户预约信息可以包括待办理的预约业务类型和待办理的预约办理时间。业务办理量和客户预约信息可以有部分信息重叠，即客户在第一时间段内进行了预约同时也完成了办理，也可以不重叠，在此不做具体限定。

在本申请实施例中，可以进行模型训练，得到银行网点业务预测模型和人员服务时长与服务满意度预测模型，其中，银行网点业务预测模型可以用来预测未来时间段内的银行网点的等待办理的业务类型，各个业务类型的业务数量和各个业务类型的时间分布情况，以便合理安排人员进行排班。人员服务时长与服务满意度预测模型用来预测在岗人员的服务满意度，以便提高客户的满意程度。

具体地，可以采集历史数据作为第一训练集数据和第二训练集数据的，第一训练集数据可以包括银行网点受理业务类型、第二人员岗位角色信息、人员在各岗位角色下受理业务时间段和受理业务量、未受理业务信息以及客户办理业务时间段，第二训练集数据包括人员服务时长和客户满意度。

其中，业务类型可以包括开卡、挂失、转账等，银行网点受理业务类型为过去一段时间银行网点所受理的业务类型，第二人员岗位角色信息为过去一段时间银行工作人员和岗位角色的对应关系，比如，工作人员甲在9:00-10:00的岗位角色为银行柜台工作人员，直接面向客户服务，在10:00-11:30的岗位角色为办公室内的工作人员，工作人员乙在9:00-11:30的岗位角色为大厅接待人员。人员在各岗位角色下受理业务时间段和受理业务量，举例可以为，工作人员甲的岗位角色为银行柜台工作人员时，受理业务时间段为9:00-10:00，受理业务量为5件，工作人员乙的岗位角色为大厅接待人员时，受理业务时间段为9:00-11:30，受理业务量为17件。未受理业务信息可以为客户已经取号但中途离开未办理业务的业务类型和客户信息，客户办理业务时间段可以为每个客户办理业务的具体时间段，可以为从取号开始至业务办理结束的这段时间，客户满意度可以为客户在业务办理结束后给予的满意度评价。

具体地，可以根据第一训练集数据对第一预设模型进行训练，得到银行网点业务预测模型。根据第二训练集数据对第二预设模型进行训练，得到人员服务时长与服务满意度预测模型。

S102，将业务办理量和客户预约信息输入到银行网点业务预测模型中，输出在第二时间段内待办理的业务类型、每个业务类型的第一预测业务量，以及业务类型的分布时段预测信息。

在本申请实施例中，可以将业务办理量和客户预约信息输入到训练好的银行网点业务预测模型中，从而输出在第二时间段内待办理的业务类型、每个业务类型的第一预测业务量，以及业务类型的分布时段预测信息。可以预测未来一段时间内客户可能会办理的业务类型，针对不同的业务类型，还可以具体预测出对应的业务量。

其中，第二时间段位于第一时间段之后，第二时间段包括多个子时间段，分布时段预测信息包括在多个子时间段内，每个业务类型的第二预测业务量，也就是说，针对不同的子时间段，对应有业务类型和业务数量，比如，分布时段预测信息可以为，在第一子时间段9:00-10:00内，业务类型A的业务数量为x件，业务类型C的业务数量为y件；在第二子时间段10:00-11:00内，业务类型B的业务数量为z件，业务类型C的业务数量为p件，业务类型D的业务数量为q件。可以理解的是，对于每个业务类型而言，第一预测业务量等于在不同子时间段内的多个第二预测业务量之和。

具体地，预测出第二时间段内待办理的业务类型能够针对性的分配能够办理该业务类型的工作人员进行值班，避免对于某个业务类型工作人员无法办理，导致降低客户满意度，预测出每个业务类型的第一预测业务量，能够从整体上把握业务类型的业务量，便于合理分配工作人员的数量，比如，办理业务类型C的业务量较多，则增加工作人员的值班数量，从而提高办理速度。

预测出业务类型的分布时段预测信息，能够根据时间段更加细致的分配工作人员，将更多的工作人员集中在某个业务量较多的时间段，比如，周五上午客户较多，则增加工作人员，将全部的工作窗口开通，周一下午客户较少，则可以减少工作人员，仅开通部分工作窗口，也就是说，分布时段预测信息能够更加细致的反应不同子时间段的办理业务类型和业务量的细微差别，从而有针对性的为客户提供服务，提高客户满意度。

S103，根据第一预测业务量、分布时段预测信息和角色人员的预设处理量，确定在每个子时间段内所需各角色人员数量。

在本申请实施例中，第一预测业务量可以反映每个业务类型的总业务量，分布时段预测信息可以反映每个子时间段的业务分布情况，业务类型和办理该业务类型的角色人员具有对应关系，角色人员的预设处理量可以表示每个角色人员在一段时间内的可处理的业务数量，比如假设每个角色人员平均一小时处理业务类型A的业务数量为5件，根据第一预测业务量、分布时段预测信息和角色人员的处理量，第一预测业务量可以从整体上约束处理每个业务类型的角色人员的总数量，分布时段预测信息可以从每个子时间段上约束每个业务类型的角色人员的数量，从而可以确定出每个子时间段内需要的各种角色人员的数量。

S104，获取在所述第二时间段内的在岗人员集合。

在本申请实施例中，可以获取在岗人员集合，在第二时间段内的在岗人员集合表示在第二时间段内可以正常工作的人员集合，在岗人员集合包括位于第一网点内的第一在岗人员，以及第一在岗人员的服务满意度。第一在岗人员表示第一网点内可以值班的人员，第一在岗人员的数量可以小于或等于第一网点的工作人员总数量，第一在岗人员的服务满意度越高，表示客户对该在岗人员的服务情况越满意。

其中，第一在岗人员的服务满意度可以为预先获取的固定值，可以为根据人员服务时长与服务满意度预测模型预测得到的，本领域技术人员可根据实际情况进行选择。

在一种可能的实现方式中，获取在岗人员集合可以包括，根据人员岗位角色信息和人员请休假信息，筛选在第二时间段的第一在岗人员，其中，人员岗位角色信息包括各个人员和岗位角色之间的对应关系，比如工作人员张三的岗位角色有岗位角色m和岗位角色n，工作人员李四的岗位角色为岗位角色n。人员请休假信息表示工作人员请假，无法安排其在第二时间段值班，从而筛选得到能够安排值班的第一在岗人员。

具体地，将第一在岗人员的工作时长和工作饱和度输入到人员服务时长与服务满意度预测模型中，从而预测第一在岗人员的服务满意度，其中，第一在岗人员的工作时长可以包括第一在岗人员在本周的总工作时长，可以包括第一在岗人员今天连续工作的时长，工作饱和度为第一在岗人员的工作时长与工作时长上限的比值，比如，工作饱和度可为本周的总工作时长与本周的工作时长上限的比值，也可以为今天连续工作的时长与每天工作时长上限的比值。

具体地，工作时长和工作饱和度越高，表示工作人员近一段时间工作强度较大，后续再安排其值班会进一步加大其工作强度，容易导致服务质量变差，服务满意度降低，因此，利用人员服务时长与服务满意度预测模型能够精准预测在岗人员的服务满意度，从而提高客户的满意度。

S105，判断在在岗人员集合中，是否具有与业务类型对应的第一在岗人员；若是，则根据第一在岗人员的服务满意度从高到低，从第一在岗人员中挑选预设数量的第二在岗人员，生成人员排班计划。

在本申请实施例中，在在岗人员集合中，可以判断是否具有能够办理业务类型的第一在岗人员，如果存在，则可以根据第一在岗人员的服务满意度从高到低依次选择预设数量的第二在岗人员，预设数量与子时间段内所需各角色人员数量相同，也就是说，在子时间段内所需的角色人员A的数量为r个，则挑选服务满意度位于前r的第一在岗人员，作为第二在岗人员。选取未来服务满意度较高的人员完成本网点内人员可处理的业务，同步对第二在岗人员标注为已排班，从而生成人员排班计划，能够降低用人成本。其中，人员排班计划可以包括第二在岗人员的工作网点、工作角色和工作时段。

这样，可以根据已经办理的业务办理量和客户预约的业务类型和办理时间，通过银行网点业务预测模型进行预测，预测在未来的第二时间段的业务情况，进而预测在每个子时间段内需要的各种角色人员数量，从而合理安排人员排班，此外，优先安排服务满意度较高的在岗人员进行排班，从而做到在精简银行网点、降低运营成本的同时，保障银行网点对客服务能力，提升客户满意度。

此外，还可以生成客户满意度分析结果，根据工作饱和度，对工作人员请休假给予相关指导意见、人力绩效考核指导意见，从而提高工作人员的服务满意度。

在本申请实施例中，对于有些不常办理的业务类型，能够办理该业务类型的工作人员数量较少，甚至有的工作网点没有能够办理该业务类型的工作人员，即，在在岗人员集合中不具有与业务类型对应的第一在岗人员时，表示，第一网点内没有能够办理该业务类型的工作人员，则可以将该业务类型计入待跨网点协作业务清单。

具体地，可以将第一网点周围的其他网点记为第二网点，对于多个第二网点，可以获取每个第二网点中的第三在岗人员，第三在岗人员与业务类型具有对应关系，表示第三在岗人员可以办理该业务类型。

具体地，可以根据每个第二网点与第一网点之间的距离，以及第三在岗人员的服务满意度，优先挑选距离第一网点较近的第二网点，以及服务满意度较高的第三在岗人员，确定出第四在岗人员，将第四在岗人员的信息添加到人员排班计划，第四在岗人员的信息包括第四在岗人员的工作网点、工作角色和工作时段。

也就是说，对待跨网点协作业务清单的业务类型，依照网点距离的由近及远，优先选取临近第一网点且服务满意度高的在岗人员，以完成跨网点协作业务，对第二在岗人员和第四在岗人员进行整合，形成人员排班计划。

在本申请实施例中，还可以根据第四在岗人员的工作网点和工作时段，向客户发送推荐办理时间和推荐办理地点，以便客户跨网点办理业务类型的业务。具体地，推荐办理时间也就是第三在岗人员的工作时段，推荐办理地点也就是第四在岗人员的工作网点。

在某些场景下，比如能够办理该业务的第四在岗人员的数量较少，且等待办理该业务类型的客户较为分散，此时可以将客户集中在同一网点进行办理，推荐客户前往该网点，避免工作人员在网点之间奔波浪费时间，从而降低用户的等待时间，快速的为用户办理业务。

在本申请实施例中，可以利用银行网点排班系统执行该方法，参考图2所示，为本申请实施例提供的一种银行网点排班系统架构图，银行网点排班系统包括交互模块、消息服务模块、客户预约模块、银行网点智能排班模块和机器学习模块。

具体地，交互模块可以提供交互访问功能，包含启用/停止服务代理、录入/维护机器学习库、管理维护银行网点人员信息、岗位角色配置、请休假信息、查阅分析报告等；消息服务模块，可以进行消息通知，向银行网点工作人员转发排班情况消息通知，还可以向客户发送预约业务办理时间通知。客户预约模块，可以提供客户业务办理预约功能，能够将客户预约信息同步至机器学习模块供分析使用。

银行网点智能排班模块，提供银行网点人员信息管理、岗位角色配置、请休假管理、网点业务受理与客户满意度分析报告查阅等功能，包含接收记录交互模块的银行网点人员信息、岗位角色配置、请休假信息，同步银行网点人员信息、岗位角色配置、请休假信息至机器学习模块，接收机器学习模块的银行网点人员排班计划，形成最终人员排班计划，并通过消息服务向银行网点作业人员发送消息通知、向客户发送预约业务办理时间通知，生成网点业务受理与客户满意度分析报告，接收交互模块的分析报告查询请求等。

机器学习模块，可以使用服务代理收集的历史信息，包含银行网点受理业务、网点人员岗位角色配置、人员在各岗位角色下受理业务时段与受理业务量、未受理客户业务、客户办理业务时段、客户满意度等，对机器学习算法进行模型训练，形成网点业务种类、业务量、客户办理业务时段预测能力、网点所需人员岗位角色、服务时段的分析识别能力，结合当前银行网点业务办理量、客户预约信息、人员岗位角色配置、人员当前时长与工作饱和度、人员请休假情况，给出跨网点协作的银行网点人员排班计划与网点业务受理与客户满意度分析结果；包含接收交互模块录入维护的特征与学习算法模型、读取计算存储模块的整合汇总信息进行特征提取与学习算法模型训练，形成网点业务种类、业务量、客户办理业务时段预测能力、网点所需人员岗位角色、服务时段的分析识别能力。

计算存储模块，具有数据信息整合汇总功能，能够接收服务代理收集获取的银行网点受理业务、网点人员岗位角色配置、人员在各岗位角色下受理业务时段与受理业务量、未受理客户业务、客户办理业务时段、客户满意度等历史信息，整合汇总后的信息发送至机器学习模块；

服务代理，提供信息采集获取功能，包含银行网点受理业务、网点人员岗位角色配置、人员在各岗位角色下受理业务时段与受理业务量、未受理客户业务、客户办理业务时段、客户满意度等历史信息转发至计算存储；采集当前银行网点业务办理量、人员岗位角色配置、人员当前时长与工作饱和度信息发送至机器学习模块。应用系统，提供银行业务处理功能；基础资源，提供上述模块、系统运行所需基础资源，包含计算、存储、网络等。

具体地，参考图3所示，为本申请实施例提供的又一种银行网点排班方法的流程示意图。

步骤1：排班人员可以通过交互模块启用服务代理，通过交互模块录入或维护特征与学习算法模型至机器学习模块，执行步骤2；

步骤2：服务代理，采集获取银行网点受理业务、网点人员岗位角色配置、人员在各岗位角色下受理业务时段与受理业务量、未受理客户业务、客户办理业务时段、客户满意度等历史信息，转发至计算存储模块；计算存储模块，对接收的银行网点受理业务、网点人员岗位角色配置、人员在各岗位角色下受理业务时段与受理业务量、未受理客户业务、客户办理业务时段、客户满意度等历史信息进行标准规范整合汇总处理，形成整合汇总信息供机器学习模块使用；

步骤3：机器学习模块，读取计算存储模块中整合汇总后的信息提取特征数据，对学习算法模型训练，形成银行网点业务种类、业务量、客户办理业务时段预测能力、网点所需人员岗位角色、服务时段的分析识别能力；

步骤4：排班人员，通过交互模块向银行网点智能排班模块录入或维护银行网点人员信息、岗位角色配置、请休假信息；银行网点智能排班模块，向机器学习模块同步银行网点人员信息、岗位角色配置、请休假信息；

步骤5：客户通过客户预约模块进行业务办理预约登记，预约信息同步至机器学习模块；

步骤6：机器学习模块，使用训练后的学习算法模型，对当前银行网点业务办理量、客户预约信息、人员岗位角色配置、人员当前时长与工作饱和度、人员请休假情况进行综合分析识别，预测银行网点业务量、业务各时段的岗位角色需求量，结合当前中心人员岗位角色配置、人员当前工作时长与工作饱和度，推算网点未来业务种类与业务量、时段角色需求量相匹配的银行网点人员与角色需求数；结合人员请休假人员信息，筛选与网点业务需求相匹配的可用人员；对筛选出的可用人员进行服务成本计算(包含人力成本与跨网点办公成本)，选取最优成本、满足银行网点业务受理所需的人员排班计划，产出人员排班计划、人员网点匹配计划、人员角色工作时段切换计划，将人员排班计划、人员网点匹配计划、人员角色工作时段切换计划、网点业务受理与客户满意度分析结果发送至银行网点智能排班模块；

步骤7：银行网点智能排班模块，接收并解析机器学习模块的人员排班计划、人员网点匹配计划、人员角色工作时段切换计划、网点业务受理与客户满意度分析结果，生成最终的人员排班计划(包含人员工作网点、工作角色、工作时段等)，并生成排班通知与业务受理通知转发至消息服务；生成网点业务受理与客户满意度分析报告供后续查阅；

步骤8：消息服务，接收银行网点智能排班模块的排班通知与业务受理通知，向银行网点作业人员转发排班消息、向客户发送预约业务办理时间消息；

步骤9：排班人员，通过交互模块查看排班结果、网点业务受理与客户满意度分析报告。

本申请实施例提供了一种银行网点排班方法，获取第一时间段内在第一网点的业务办理量和客户预约信息；客户预约信息包括预约业务类型和预约办理时间；将业务办理量和客户预约信息输入到银行网点业务预测模型中，输出在第二时间段内待办理的业务类型、每个业务类型的第一预测业务量，以及业务类型的分布时段预测信息；第二时间段位于第一时间段之后，且包括多个子时间段；分布时段预测信息包括在多个子时间段内，每个业务类型的第二预测业务量；根据第一预测业务量、分布时段预测信息和角色人员的预设处理量，确定在每个子时间段内所需各角色人员数量；角色人员与业务类型具有对应关系；获取在所述第二时间段内的在岗人员集合；在岗人员集合包括位于第一网点内的第一在岗人员和第一在岗人员的服务满意度；判断在在岗人员集合中，是否具有与业务类型对应的第一在岗人员；若是，则根据第一在岗人员的服务满意度从高到低，从第一在岗人员中挑选预设数量的第二在岗人员，生成人员排班计划；预设数量与子时间段内所需各角色人员数量相同；人员排班计划包括第二在岗人员的工作网点、工作角色和工作时段。

可见，在本申请实施例中，可以根据已经办理的业务办理量和客户预约的业务类型和办理时间，通过银行网点业务预测模型进行预测，预测在未来的第二时间段的业务情况，进而预测在每个子时间段内需要的各种角色人员数量，从而合理安排人员排班，此外，优先安排服务满意度较高的在岗人员进行排班，从而做到在精简银行网点、降低运营成本的同时，保障银行网点对客服务能力，提升客户满意度。

基于以上银行网点排班方法，本申请实施例还提供了一种银行网点排班装置，参考图4所示，为本申请实施例提供的一种银行网点排班装置的结构框图，该装置可以包括：

第一获取单元201，用于获取第一时间段内在第一网点的业务办理量和客户预约信息；所述客户预约信息包括预约业务类型和预约办理时间；

处理单元202，用于将所述业务办理量和所述客户预约信息输入到银行网点业务预测模型中，输出在第二时间段内待办理的业务类型、每个所述业务类型的第一预测业务量，以及所述业务类型的分布时段预测信息；所述第二时间段位于所述第一时间段之后，且包括多个子时间段；所述分布时段预测信息包括在多个所述子时间段内，每个所述业务类型的第二预测业务量；

确定单元203，用于根据所述第一预测业务量、所述分布时段预测信息和角色人员的预设处理量，确定在每个所述子时间段内所需各角色人员数量；所述角色人员与所述业务类型具有对应关系；

第二获取单元204，用于获取在所述第二时间段内的在岗人员集合；所述在岗人员集合包括位于所述第一网点内的第一在岗人员和所述第一在岗人员的服务满意度；

判断单元205，用于判断在所述在岗人员集合中，是否具有与所述业务类型对应的第一在岗人员；若是，则根据所述第一在岗人员的服务满意度从高到低，从所述第一在岗人员中挑选预设数量的第二在岗人员，生成人员排班计划；所述预设数量与所述子时间段内所需各角色人员数量相同；所述人员排班计划包括所述第二在岗人员的工作网点、工作角色和工作时段。

具体地，所述第二获取单元，用于：

根据人员岗位角色信息和人员请休假信息，筛选在所述第二时间段的第一在岗人员；所述人员岗位角色信息包括各个人员和岗位角色之间的对应关系；

将所述第一在岗人员的工作时长和工作饱和度输入到人员服务时长与服务满意度预测模型中，预测所述第一在岗人员的服务满意度；所述工作饱和度为所述第一在岗人员的工作时长与工作时长上限的比值。

具体地，所述装置还包括：

采集单元，用于采集第一训练集数据和第二训练集数据，所述第一训练集数据包括银行网点受理业务类型、第二人员岗位角色信息、人员在各岗位角色下受理业务时间段和受理业务量、未受理业务信息以及客户办理业务时间段；所述第二训练集数据包括人员服务时长和客户满意度；

训练单元，用于根据所述第一训练集数据对第一预设模型进行训练，得到所述银行网点业务预测模型；根据所述第二训练集数据对第二预设模型进行训练，得到所述人员服务时长与服务满意度预测模型。

具体地，所述装置还包括：

第一处理单元，用于第二在所述在岗人员集合中不具有与所述业务类型对应的第一在岗人员时，将所述业务类型计入待跨网点协作业务清单；

第三获取单元，用于获取多个第二网点中的第三在岗人员；所述第三在岗人员与所述业务类型具有对应关系；

第一确定单元，用于根据每个所述第二网点与所述第一网点之间的距离，以及所述第三在岗人员的服务满意度，确定第四在岗人员；

添加单元，用于将第四在岗人员的信息添加到所述人员排班计划；所述第四在岗人员的信息包括所述第四在岗人员的工作网点、工作角色和工作时段。

具体地，所述装置还包括：

发送单元，用于根据所述第四在岗人员的工作网点和工作时段，向客户发送推荐办理时间和推荐办理地点，以便所述客户跨网点办理所述业务类型的业务。

本申请实施例提供了一种银行网点排班装置，可以根据已经办理的业务办理量和客户预约的业务类型和办理时间，通过银行网点业务预测模型进行预测，预测在未来的第二时间段的业务情况，进而预测在每个子时间段内需要的各种角色人员数量，从而合理安排人员排班，此外，优先安排服务满意度较高的在岗人员进行排班，从而做到在精简银行网点、降低运营成本的同时，保障银行网点对客服务能力，提升客户满意度。

又一方面，本申请实施例提供了一种计算机设备，参见图5，该图示出了本申请实施例提供的一种计算机设备的结构图，所述设备包括处理器310以及存储器320：

所述存储器310用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器320用于根据所述程序代码中的指令执行上述实施例提供的银行网点排班方法。

该计算机设备可以包括终端设备或服务器，前述的银行网点排班装置可以配置在该计算机设备中。

又一方面，本申请实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的银行网点排班方法。

另外，本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的银行网点排班方法。

需要说明的是，本发明提供的一种银行网点排班方法、装置、设备及介质可用于大数据领域或金融领域。上述仅为示例，并不对本发明提供的一种银行网点排班方法、装置、设备及介质的应用领域进行限定。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：Read-only Memory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

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它实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅是本申请的优选实施方式，虽然本申请已以较佳实施例披露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。

Claims (10)

1.一种银行网点排班方法，其特征在于，包括：

获取第一时间段内在第一网点的业务办理量和客户预约信息；所述客户预约信息包括预约业务类型和预约办理时间；

将所述业务办理量和所述客户预约信息输入到银行网点业务预测模型中，输出在第二时间段内待办理的业务类型、每个所述业务类型的第一预测业务量，以及所述业务类型的分布时段预测信息；所述第二时间段位于所述第一时间段之后，且包括多个子时间段；所述分布时段预测信息包括在多个所述子时间段内，每个所述业务类型的第二预测业务量；

根据所述第一预测业务量、所述分布时段预测信息和角色人员的预设处理量，确定在每个所述子时间段内所需各角色人员数量；所述角色人员与所述业务类型具有对应关系；

获取在所述第二时间段内的在岗人员集合；所述在岗人员集合包括位于所述第一网点内的第一在岗人员和所述第一在岗人员的服务满意度；

判断在所述在岗人员集合中，是否具有与所述业务类型对应的所述第一在岗人员；若是，则根据所述第一在岗人员的服务满意度从高到低，从所述第一在岗人员中挑选预设数量的第二在岗人员，生成人员排班计划；所述预设数量与所述子时间段内所需各角色人员数量相同；所述人员排班计划包括所述第二在岗人员的工作网点、工作角色和工作时段。

2.根据权利要求1所述的方法，其特征在于，所述获取在所述第二时间段内的在岗人员集合包括：

根据人员岗位角色信息和人员请休假信息，筛选在所述第二时间段的所述第一在岗人员；所述人员岗位角色信息包括各个人员和岗位角色之间的对应关系；

将所述第一在岗人员的工作时长和工作饱和度输入到人员服务时长与服务满意度预测模型中，预测所述第一在岗人员的服务满意度；所述工作饱和度为所述第一在岗人员的工作时长与工作时长上限的比值。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

采集第一训练集数据和第二训练集数据，所述第一训练集数据包括银行网点受理业务类型、第二人员岗位角色信息、人员在各岗位角色下受理业务时间段和受理业务量、未受理业务信息以及客户办理业务时间段；所述第二训练集数据包括人员服务时长和客户满意度；

根据所述第一训练集数据对第一预设模型进行训练，得到所述银行网点业务预测模型；根据所述第二训练集数据对第二预设模型进行训练，得到所述人员服务时长与服务满意度预测模型。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述在岗人员集合中不具有与所述业务类型对应的第一在岗人员时，将所述业务类型计入待跨网点协作业务清单；

获取多个第二网点中的第三在岗人员；所述第三在岗人员与所述业务类型具有对应关系；

根据每个所述第二网点与所述第一网点之间的距离，以及所述第三在岗人员的服务满意度，确定第四在岗人员；

将第四在岗人员的信息添加到所述人员排班计划；所述第四在岗人员的信息包括所述第四在岗人员的工作网点、工作角色和工作时段。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据所述第四在岗人员的工作网点和工作时段，向客户发送推荐办理时间和推荐办理地点，以便所述客户跨网点办理所述业务类型的业务。

6.一种银行网点排班装置，其特征在于，包括：

第一获取单元，用于获取第一时间段内在第一网点的业务办理量和客户预约信息；所述客户预约信息包括预约业务类型和预约办理时间；

处理单元，用于将所述业务办理量和所述客户预约信息输入到银行网点业务预测模型中，输出在第二时间段内待办理的业务类型、每个所述业务类型的第一预测业务量，以及所述业务类型的分布时段预测信息；所述第二时间段位于所述第一时间段之后，且包括多个子时间段；所述分布时段预测信息包括在多个所述子时间段内，每个所述业务类型的第二预测业务量；

确定单元，用于根据所述第一预测业务量、所述分布时段预测信息和角色人员的预设处理量，确定在每个所述子时间段内所需各角色人员数量；所述角色人员与所述业务类型具有对应关系；

第二获取单元，用于获取在所述第二时间段内的在岗人员集合；所述在岗人员集合包括位于所述第一网点内的第一在岗人员和所述第一在岗人员的服务满意度；

判断单元，用于判断在所述在岗人员集合中，是否具有与所述业务类型对应的第一在岗人员；若是，则根据所述第一在岗人员的服务满意度从高到低，从所述第一在岗人员中挑选预设数量的第二在岗人员，生成人员排班计划；所述预设数量与所述子时间段内所需各角色人员数量相同；所述人员排班计划包括所述第二在岗人员的工作网点、工作角色和工作时段。

7.根据权利要求6所述的装置，其特征在于，所述第二获取单元，用于：

根据人员岗位角色信息和人员请休假信息，筛选在所述第二时间段的第一在岗人员；所述人员岗位角色信息包括各个人员和岗位角色之间的对应关系；

将所述第一在岗人员的工作时长和工作饱和度输入到人员服务时长与服务满意度预测模型中，预测所述第一在岗人员的服务满意度；所述工作饱和度为所述第一在岗人员的工作时长与工作时长上限的比值。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

采集单元，用于采集第一训练集数据和第二训练集数据，所述第一训练集数据包括银行网点受理业务类型、第二人员岗位角色信息、人员在各岗位角色下受理业务时间段和受理业务量、未受理业务信息以及客户办理业务时间段；所述第二训练集数据包括人员服务时长和客户满意度；

训练单元，用于根据所述第一训练集数据对第一预设模型进行训练，得到所述银行网点业务预测模型；根据所述第二训练集数据对第二预设模型进行训练，得到所述人员服务时长与服务满意度预测模型。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-5中任意一项所述的银行网点排班方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1-5中任意一项所述的银行网点排班方法。