CN116993218A - 基于人工智能的指标分析方法、装置、设备及存储介质 - Google Patents
基于人工智能的指标分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116993218A CN116993218A CN202311004580.7A CN202311004580A CN116993218A CN 116993218 A CN116993218 A CN 116993218A CN 202311004580 A CN202311004580 A CN 202311004580A CN 116993218 A CN116993218 A CN 116993218A
- Authority
- CN
- China
- Prior art keywords
- index
- data
- index data
- preset
- model
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 122
- 238000012545 processing Methods 0.000 claims abstract description 87
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 230000002776 aggregation Effects 0.000 claims abstract description 33
- 238000004220 aggregation Methods 0.000 claims abstract description 33
- 230000005856 abnormality Effects 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 22
- 238000012544 monitoring process Methods 0.000 abstract description 19
- 230000000875 corresponding effect Effects 0.000 description 115
- 239000003795 chemical substances by application Substances 0.000 description 32
- 230000008569 process Effects 0.000 description 13
- 238000007726 management method Methods 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于人工智能领域与金融科技领域,涉及一种基于人工智能的指标分析方法,包括:采集目标坐席的作业数据;对作业数据进行聚合处理得到指标数据;调用异常探测模型对指标数据进行异常探测处理生成对应的异常探测结果;基于预设的指标预测模型对指标数据进行预测处理生成对应的指标走势预测结果;确定与目标坐席对应的目标管理人员;将异常探测结果与指标走势预测结果推送至目标管理人员。本申请还提供一种基于人工智能的指标分析装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,指标数据可存储于区块链中。本申请可应用于金融领域的坐席指标分析场景,有效提高了指标异常监控的处理效率,保证了生成的指标预测结果的准确度。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域,尤其涉及基于人工智能的指标分析方法、装置、计算机设备及存储介质。
背景技术
在金融科技公司,例如保险公司、银行等通常会设置有负责日常的客户服务热线电话的接听和答复工作的人员,即坐席。坐席往往具备基本的应变能力和情绪调节能力,及时且准确地为客户解答疑问或者提供解决方案等的能力。在坐席作业时,需要兼顾各种指标的达成。具体的指标如:通话时长、通话次数、微信沟通时长、等指标。对于指标数据通常需要进行异常监控处理。现有的指标异常监控处理的方式,通常是主管人员在业务系统中进行主动查看坐席指标数据,并根据业务系统内预先配置的异常检测规则来发现有当前坐席的指标数据是否存在异常,并及时通知对应团队或者坐席处理。这种指标异常监控处理方式需要投入较多的人力进行指标数据的定时监控,从而导致处理效率低下,且无法保证生成的指标异常结果的准确度。
发明内容
本申请实施例的目的在于提出一种基于人工智能的指标分析方法、装置、计算机设备及存储介质,以解决现有的指标异常监控处理方式需要投入较多的人力进行指标数据的定时监控,从而导致处理效率低下,且无法保证生成的指标异常结果的准确度的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的指标分析方法,采用了如下所述的技术方案:
采集目标坐席的作业数据;
对所述作业数据进行聚合处理,得到对应的指标数据;
调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;
调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;
确定与所述目标坐席对应的目标管理人员;
将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。
进一步的,所述对所述作业数据进行聚合处理,得到对应的指标数据的步骤,具体包括:
调用与所述作业数据对应的聚合公式;
基于所述聚合公式对所述作业数据进行聚合处理,得到聚合后的作业数据;
将所述聚合后的作业数据作为所述指标数据。
进一步的,在所述调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果的步骤之前,还包括:
获取预先采集的第一指标数据样本;
构建基于one class SVM算法的初始探测模型;
基于预设的模型训练次数,使用所述第一指标数据样本对所述始探测模型进行训练,得到训练后的指定探测模型;
基于预设的模型精度条件对所述指定探测模型进行验证;
若验证通过,将所述指定探测模型作为所述异常探测模型。
进一步的,在所述调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果的步骤之前,还包括:
获取预先采集的历史时间周期内的第二指标数据样本;其中,所述第二指标数据样本包括坐席在所述历史时间周期中的第一时间段内的第一指标数据,以及与所述第一时间段对应的预设时间间隔后的坐席的第二指标数据;
基于预设的弹性网络回归算法构建初始预测模型;
将所述第二指标数据样本中的所述第一指标数据作为所述初始预测模型的输入,将所述第二指标数据样本中的所述第二指标数据作为所述初始预测模型的输出,对所述初始预测模型进行训练,得到训练好的初始预测模型;
将所述训练好的初始预测模型作为所述指标预测模型。
进一步的,所述将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员的步骤,具体包括:
确定与所述目标管理人员对应的信息推送方式;
获取与所述信息推送方式对应的所述目标管理人员的通讯信息;
基于所述通讯信息,将所述异常探测结果与所述指标走势预测结果推送给所述目标管理人员。
进一步的,在所述调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果的步骤之后,还包括:
对所述指标走势预测结果进行分析,判断所述指标走势预测结果中是否存在不符合预设走势标准的指定指标;
若是,获取与所述指定指标对应的指定指标走势预测结果;
基于所述指定指标与所述指定指标走势预测结果生成对应的调整提醒信息;
将所述调整提醒信息推送至所述目标坐席的作业界面。
进一步的,在所述对所述作业数据进行聚合处理,得到对应的指标数据的步骤之后,还包括:
获取预设的报表生成规则;
基于所述报表生成规则对所述指标数据进行统计分析,生成与所述目标坐席对应的指标统计报表;
存储所述指标统计报表。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的指标分析装置,采用了如下所述的技术方案:
采集模块,用于采集目标坐席的作业数据;
第一处理模块,用于对所述作业数据进行聚合处理,得到对应的指标数据;
第二处理模块,用于调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;
第三处理模块,用于调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;
第一确定模块,用于确定与所述目标坐席对应的目标管理人员;
第一推送模块,用于将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
采集目标坐席的作业数据;
对所述作业数据进行聚合处理,得到对应的指标数据;
调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;
调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;
确定与所述目标坐席对应的目标管理人员;
将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
采集目标坐席的作业数据;
对所述作业数据进行聚合处理,得到对应的指标数据;
调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;
调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;
确定与所述目标坐席对应的目标管理人员;
将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先采集目标坐席的作业数据;然后对所述作业数据进行聚合处理,得到对应的指标数据;之后调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;以及调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;后续确定与所述目标坐席对应的目标管理人员;最后将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。本申请实施例在生成目标坐席的指标数据后,通过指标预测模型的使用可以快速准确地生成与指标数据对应的异常探测结果,以及通过指标预测模型的使用可以快速准确地生成与指标数据对应的指标走势预测结果,实现了对于坐席的指标数据的异常监控的自动化与标准化的监测处理,有效提高了指标异常监控的处理效率,并且可以防止人为生成指标异常结果的遗漏问题,有效保证了生成的指标预测结果的准确度。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,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他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的基于人工智能的指标分析方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的指标分析装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于人工智能的指标分析方法一般由服务器/终端设备执行,相应地,基于人工智能的指标分析装置一般设置于服务器/终端设备中。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于人工智能的指标分析方法的一个实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。本申请实施例提供的基于人工智能的指标分析方法能够应用于任意一种需要进行坐席指标分析的场景中,则该基于人工智能的指标分析方法能够应用于这些场景的产品中,例如,金融保险领域中的坐席指标分析。所述的基于人工智能的指标分析方法,包括以下步骤:
步骤S201,采集目标坐席的作业数据。
在本实施例中,基于人工智能的指标分析方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获取目标坐席的作业数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。在金融保险的坐席作业的业务场景下,目标坐席可为保险公司的坐席。上述作业数据是指目标坐席在进行作业时的基础数据,例如可以包括电话沟通的开始、结束时间、微信沟通的时间、沟通的客户信息等数据。
步骤S202,对所述作业数据进行聚合处理,得到对应的指标数据。
在本实施例中,上述对所述作业数据进行聚合处理,得到对应的指标数据的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S203,调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果。
在本实施例中,通过将指标数据输入至异常探测模型内,通过异常探测模型对该指标数据进行异常探测处理,以将指标数据中的正常数据映射到高维特征空间中,使得正常数据点能够被一个超平面所包围,并通过计算每一个指标数据与超平面的距离,来判断出该指标数据是否为异常点,以得到与每一个指标数据对应的异常探测结果。其中,对于上述异常探测模型的训练构建过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S204,调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果。
在本实施例中,通过将指标数据输入至指标预测模型内,通过指标预测模型对该指标数据进行预测处理,即对该指标数据进行回归预测处理以得到相应的回归预测结果,该回归预测结果即为与该指标数据对应的指标走势预测结果。其中,指标走势预测结果是目标坐席在与当前时刻对应的下一个时间间隔中指标的后续指标走向。对于上述指标预测模型的训练构建过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S205,确定与所述目标坐席对应的目标管理人员。
在本实施例中,可通过获取目标坐席的坐席信息对预设的管理数据表进行查询,以从该管理数据表中查询出与该坐席信息对应的目标人员信息,并将该目标人员信息对应的管理人员作为上述目标管理人员。其中,上述管理数据表为根据实际的坐席管理分配信息预先构建的存储有多个坐席的坐席信息,以及各个坐席信息一一对应的管理人员的人员信息。
步骤S206,将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。
在本实施例中,通过将指标数据对应的异常探测结果与指标走势预测结果推送至所述目标管理人员,以智能提醒管理人员后续执行针对性的处理工作,对目标坐席进行督导,调整工作,有利于提高目标管理人员的工作体验。其中,上述将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
本申请首先采集目标坐席的作业数据;然后对所述作业数据进行聚合处理,得到对应的指标数据;之后调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;以及调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;后续确定与所述目标坐席对应的目标管理人员;最后将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。本申请在生成目标坐席的指标数据后,通过指标预测模型的使用可以快速准确地生成与指标数据对应的异常探测结果,以及通过指标预测模型的使用可以快速准确地生成与指标数据对应的指标走势预测结果,实现了对于坐席的指标数据的异常监控的自动化与标准化的监测处理,有效提高了指标异常监控的处理效率,并且可以防止人为生成指标异常结果的遗漏问题,有效保证了生成的指标预测结果的准确度。
在一些可选的实现方式中,步骤S202包括以下步骤:
调用与所述作业数据对应的聚合公式。
在本实施例中,上述作业数据是指目标坐席在进行作业时的基础数据,例如可包括电话沟通的开始、结束时间、微信沟通的时间、沟通的客户信息等数据。对于不同作业类型的作业数据,预先会根据实际的业务需求创建有该作业类型一一匹配的聚合公式,例如,累加坐席电话沟通的总时长的公式,累加坐席处理的客户数量的公式,等等。
基于所述聚合公式对所述作业数据进行聚合处理,得到聚合后的作业数据。
在本实施例中,可将作业数据作为参数带入至聚合公式内的对应位置后,从而可以计算出聚合后的作业数据。
将所述聚合后的作业数据作为所述指标数据。
在本实施例中,指标数据可包括目标坐席的通时、通话次数、微信沟通时长、维护客户数量、挂零率、投诉件的数量、质检件成功率、承接断点数量、日响应率等指标。
本申请通过调用与所述作业数据对应的聚合公式;然后基于所述聚合公式对所述作业数据进行聚合处理,得到聚合后的作业数据;后续将所述聚合后的作业数据作为所述指标数据。本申请基于聚合公式的使用对作业数据进行聚合处理,可以实现自动快速且准确地生成坐席的指标数据,提高了指标数据的生成效率,保证了生成的指标数据的准确度。
在本实施例的一些可选的实现方式中,在步骤S203之前,上述电子设备还可以执行以下步骤:
获取预先采集的第一指标数据样本。
在本实施例中,上述第一指标数据样本可为预先采集的历史时间周期内的指标数据。其中,对于历史时间周期的选取不做具体限定,例如可选取距离当前时间的前半年作为该历史时间周期。
构建基于one class SVM算法的初始探测模型。
在本实施例中,one class SVM(Support Vector Machine)是一种无监督学习算法,用于离群点检测。它的目标是通过仅使用正常数据来建模,识别出与正常模式不同的异常数据点。one class SVM的工作原理如下:数据映射:将正常数据映射到高维特征空间中,使得正常数据点能够被一个超平面所包围。这个超平面被称为决策边界。寻找最优超平面:通过最大化超平面与正常数据之间的间隔,寻找一个最优的分割超平面,使得异常点尽可能远离该超平面。这意味着决策边界要尽可能远离正常数据点。异常检测:对于新的数据点,通过计算其与超平面的距离,来判断该数据点是否为异常。距离较大的数据点更有可能是异常点。one class SVM的关键在于如何选择合适的超平面,以使得正常数据被尽可能包围,而异常数据则被远离。这是通过优化一个目标函数来实现的,其中包括最小化超平面到最近正常数据点的距离和最大化超平面与正常数据之间的间隔。基于one class SVM算法的探测模型,不需要异常数据进行训练,只需要正常数据即可。对于高维数据和复杂的数据分布具有较好的适应性。并且可以通过调整模型参数来控制异常点的检测灵敏度。
基于预设的模型训练次数,使用所述第一指标数据样本对所述始探测模型进行训练,得到训练后的指定探测模型。
在本实施例中,对于上述模型训练次数的选取不做具体限定,可根据实际的模型训练需求进行设置。
基于预设的模型精度条件对所述指定探测模型进行验证。
在本实施例中,对于上述模型精度条件的选取不做具体限定,可根据实际的模型训练需求进行设置。如果训练后的指定探测模型符合该模型精度条件,则判定指定探测模型通过验证。
若验证通过,将所述指定探测模型作为所述异常探测模型。
本申请通过获取预先采集的第一指标数据样本;然后构建基于one class SVM算法的初始探测模型;之后基于预设的模型训练次数,使用所述第一指标数据样本对所述始探测模型进行训练,得到训练后的指定探测模型;后续基于预设的模型精度条件对所述指定探测模型进行验证;若验证通过,将所述指定探测模型作为所述异常探测模型。本申请通过基于模型训练次数,使用预先采集的第一指标数据样本对基于one class SVM算法构建的初始探测模型进行训练,可以快速地训练生成应用于对指标数据进行异常探测处理的异常探测模型,提高了异常探测模型的构建效率,有利于后续可以使用该异常探测模型来准确地对坐席的指标数据进行异常探测处理,以实现自动准确地生成与坐席的指标数据对应的异常探测结果。
在一些可选的实现方式中,在步骤S204之前,上述电子设备还可以执行以下步骤:
获取预先采集的历史时间周期内的第二指标数据样本。
在本实施例中,对于上述历史时间周期的选取不做具体限定,例如可选取距离当前时间的前一年作为该历史时间周期。其中,所述第二指标数据样本包括坐席在所述历史时间周期中的第一时间段内的第一指标数据,以及与所述第一时间段对应的预设时间间隔后的坐席的第二指标数据。第二指标数据是指在第一时间段对应的下一个周期的指标走向数据。另外,对于上述预设时间间隔的选取不做具体限定,例如可采用一小时作为该预设时间间隔。
基于预设的弹性网络回归算法构建初始预测模型。
在本实施例中,弹性网络回归(Elastic Net Regression)是一种结合了岭回归(Ridge Regression)和lasso回归(Lasso Regression)的线性回归模型。它通过同时惩罚绝对值和平方值来达到选择特征和拟合数据的目的。弹性网络回归不仅可以像岭回归那样缩小系数,还可以像lasso回归那样选择特征。相比于岭回归和lasso回归,弹性网络回归的优点是可以在数据高度相关时自动选择特征,减小矩阵奇异性的影响。弹性网络回归广泛应用于特征选择和回归预测中。它可以处理高维数据集,抵制噪声干扰和过拟合现象。同时,它还可以处理缺失值和异常值的数据,具有较强的健壮性。
将所述第二指标数据样本中的所述第一指标数据作为所述初始预测模型的输入,将所述第二指标数据样本中的所述第二指标数据作为所述初始预测模型的输出,对所述初始预测模型进行训练,得到训练好的初始预测模型。
在本实施例中,在将所述第二指标数据样本中的所述第一指标数据作为所述初始预测模型的输入,将所述第二指标数据样本中的所述第二指标数据作为所述初始预测模型的输出,对所述初始预测模型进行训练的过程中,初始预测模型对数据第一指标数据与第二指标数据进行回归统计分析,学习第一指标数据与第二指标数据之间的输入输出关系,得到训练好的可用于预测模型的输入输出关系的参数模型,即训练好的初始预测模型。
将所述训练好的初始预测模型作为所述指标预测模型。
本申请通过获取预先采集的历史时间周期内的第二指标数据样本;然后基于预设的弹性网络回归算法构建初始预测模型;之后将所述第二指标数据样本中的所述第一指标数据作为所述初始预测模型的输入,将所述第二指标数据样本中的所述第二指标数据作为所述初始预测模型的输出,对所述初始预测模型进行训练,得到训练好的初始预测模型;后续将所述训练好的初始预测模型作为所述指标预测模型。本申请通过使用预先采集的第二指标数据样本对弹性网络回归算法构建的初始探测模型进行训练,可以快速地训练生成应用于对指标数据进行走势预测处理的指标预测模型,提高了指标预测模型的构建效率,有利于后续可以使用该指标预测模型来准确地对坐席的指标数据进行指标走势预测处理,以实现自动准确地生成与坐席的指标数据对应的指标走势预测结果。
在一些可选的实现方式中,步骤S206包括以下步骤:
确定与所述目标管理人员对应的信息推送方式。
在本实施例中,对于不同的管理人员,会预先根据该管理人员的工作习惯配置与该管理人员对应的信息接收的推送方式。其中,推送方式可包括邮件、内网、手机、电脑等推送方式。
获取与所述信息推送方式对应的所述目标管理人员的通讯信息。
在本实施例中,示例性的,如果信息推送方式为邮件,则获取目标管理人员的邮件地址作为相应的通讯信息。如果信息推送方式为手机,则获取目标管理人员的手机号码作为相应的通讯信息。
基于所述通讯信息,将所述异常探测结果与所述指标走势预测结果推送给所述目标管理人员。
在本实施例中,通过判断当前时间是否为工作时间,若是,则基于所述通讯信息,将所述异常探测结果与所述指标走势预测结果推送给所述目标管理人员,以提高信息推送的智能性,避免对目标管理人员造成不必要的干扰。
本申请通过确定与所述目标管理人员对应的信息推送方式;然后获取与所述信息推送方式对应的所述目标管理人员的通讯信息;后续基于所述通讯信息,将所述异常探测结果与所述指标走势预测结果推送给所述目标管理人员。本申请通过使用与所述目标管理人员对应的信息推送方式,来进行异常探测结果与所述指标走势预测结果的信息推送,有效提高了信息推送的智能性。
在本实施例的一些可选的实现方式中,在步骤S204之后,上述电子设备还可以执行以下步骤:
对所述指标走势预测结果进行分析,判断所述指标走势预测结果中是否存在不符合预设走势标准的指定指标。
在本实施例中,上述预设走势标准为根据预先执行的指标测试流程来确定出的符合实际的指标走势的标准数据。指标数据的数量包括多个,且上述指标走势预测结果的数量包括多个。对于每一个指标,可通过将指标的指标走势预测结果与该指标的预设走势标准进行比较,以确定出该指标的指标走势预测结果是否与该预设走势标准匹配,如果两者匹配则判定该指标的指标走势预测结果符合对应的预设走势标准,而如果两者不匹配则判定该指标的指标走势预测结果符合对应的预设走势标准。
若是,获取与所述指定指标对应的指定指标走势预测结果。
在本实施例中,可通过从所有指标走势预测结果中筛选出与该指定指标对应的指定指标走势预测结果。
基于所述指定指标与所述指定指标走势预测结果生成对应的调整提醒信息。
在本实施例中,可通过获取预设的调整信息模板,再将所述指定指标与所述指定指标走势预测结果填充至该调整信息模板被的对应位置处,以生成相应的调整提醒信息。其中,上述调整信息模板为根据实际的用于向坐席进行工作调整提醒的业务需求构建的信息模板。
将所述调整提醒信息推送至所述目标坐席的作业界面。
在本实施例中,通过将调整提醒信息推送至所述目标坐席的作业界面,使得目标坐席可以基于该调整提醒信息,对走势不理想的指定指标进行相应的工作调整,以避免指定指标出现变差、异常的情况。
本申请通过对所述指标走势预测结果进行分析,判断所述指标走势预测结果中是否存在不符合预设走势标准的指定指标;若是,获取与所述指定指标对应的指定指标走势预测结果;之后基于所述指定指标与所述指定指标走势预测结果生成对应的调整提醒信息;后续将所述调整提醒信息推送至所述目标坐席的作业界面。本申请在通过使用指标预测模型生成目标坐席的指标数据对应的指标走势预测结果后,还会智能对对所述指标走势预测结果进行分析以筛选出指标走势预测结果中存在的不符合预设走势标准的指定指标,进而会根据指定指标以及相应的指定指标走势预测结果生成调整提醒信息,并将该调整提醒信息推送至所述目标坐席的作业界面,以便于目标坐席可以基于该调整提醒信息,对走势不理想的指定指标进行相应的工作调整,从而可以以避免指定指标出现变差、异常的情况,有利于提高目标坐席的工作效果,提高目标坐席的工作体验。
在本实施例的一些可选的实现方式中,在步骤S202之后,上述电子设备还可以执行以下步骤:
获取预设的报表生成规则。
在本实施例中,上述报表生成规则为根据用于统计分析坐席的指标数据,并形成报表以方便管理人员或者坐席查看自己的指标数据的需求预先构建的规则。
基于所述报表生成规则对所述指标数据进行统计分析,生成与所述目标坐席对应的指标统计报表。
存储所述指标统计报表。
在本实施例中,对于上述指标统计报表的存储方式不做具体限定,例如可采用区块链存储、网盘存储、本地数据库存储等方式。
本申请通过获取预设的报表生成规则;然后基于所述报表生成规则对所述指标数据进行统计分析,生成与所述目标坐席对应的指标统计报表;后续存储所述指标统计报表。本申请在对所述作业数据进行聚合处理生成对应的指标数据后,还会智能地使用报表生成规则对该指标数据进行统计分析,以自动生成与目标坐席对应的指标统计报表,提高了指标统计报表的生成效率,并且有利于后续管理人员或者坐席能够快速地查看自身的指标数据,提高了坐席的工作体验。另外,通过对指标统计报表进行存储,可以保证生成的指标统计报表的安全性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要强调的是,为进一步保证上述指标数据的私密和安全性,上述指标数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于人工智能的指标分析装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于人工智能的指标分析装置300包括:加载模块301、调用模块302、收集模块303、生成模块304以及处理模块305。其中:
采集模块301,用于采集目标坐席的作业数据;
第一处理模块302,用于对所述作业数据进行聚合处理,得到对应的指标数据;
第二处理模块303,用于调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;
第三处理模块304,用于调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;
第一确定模块305,用于确定与所述目标坐席对应的目标管理人员;
第一推送模块306,用于将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的指标分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一处理模块302包括:
调用子模块,用于调用与所述作业数据对应的聚合公式;
处理子模块,用于基于所述聚合公式对所述作业数据进行聚合处理,得到聚合后的作业数据;
第一确定子模块,用于将所述聚合后的作业数据作为所述指标数据。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的指标分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的指标分析装置还包括:
第一获取模块,用于获取预先采集的第一指标数据样本;
第一构建模块,用于构建基于one class SVM算法的初始探测模型;
第一训练模块,用于基于预设的模型训练次数,使用所述第一指标数据样本对所述始探测模型进行训练,得到训练后的指定探测模型;
验证模块,用于基于预设的模型精度条件对所述指定探测模型进行验证;
第一确定模块,用于若验证通过,将所述指定探测模型作为所述异常探测模型。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的指标分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的指标分析装置还包括:
第二获取模块,用于获取预先采集的历史时间周期内的第二指标数据样本;其中,所述第二指标数据样本包括坐席在所述历史时间周期中的第一时间段内的第一指标数据,以及与所述第一时间段对应的预设时间间隔后的坐席的第二指标数据;
第二构建模块,用于基于预设的弹性网络回归算法构建初始预测模型;
第二训练模块,用于将所述第二指标数据样本中的所述第一指标数据作为所述初始预测模型的输入,将所述第二指标数据样本中的所述第二指标数据作为所述初始预测模型的输出,对所述初始预测模型进行训练,得到训练好的初始预测模型;
第二确定模块,用于将所述训练好的初始预测模型作为所述指标预测模型。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的指标分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一推送模块306包括:
第二确定子模块,用于确定与所述目标管理人员对应的信息推送方式;
获取子模块,用于获取与所述信息推送方式对应的所述目标管理人员的通讯信息;
推送子模块,用于基于所述通讯信息,将所述异常探测结果与所述指标走势预测结果推送给所述目标管理人员。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的指标分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的指标分析装置还包括:
判断模块,用于对所述指标走势预测结果进行分析,判断所述指标走势预测结果中是否存在不符合预设走势标准的指定指标;
第三获取模块,用于若是,获取与所述指定指标对应的指定指标走势预测结果;
第一生成模块,用于基于所述指定指标与所述指定指标走势预测结果生成对应的调整提醒信息;
第二推送模块,用于将所述调整提醒信息推送至所述目标坐席的作业界面。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的指标分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的指标分析装置还包括:
第四获取模块,用于获取预设的报表生成规则;
第二生成模块,用于基于所述报表生成规则对所述指标数据进行统计分析,生成与所述目标坐席对应的指标统计报表;
存储模块,用于存储所述指标统计报表。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的指标分析方法的步骤一一对应,在此不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于人工智能的指标分析方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于人工智能的指标分析方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先采集目标坐席的作业数据;然后对所述作业数据进行聚合处理,得到对应的指标数据;之后调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;以及调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;后续确定与所述目标坐席对应的目标管理人员;最后将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。本申请实施例在生成目标坐席的指标数据后,通过指标预测模型的使用可以快速准确地生成与指标数据对应的异常探测结果,以及通过指标预测模型的使用可以快速准确地生成与指标数据对应的指标走势预测结果,实现了对于坐席的指标数据的异常监控的自动化与标准化的监测处理,有效提高了指标异常监控的处理效率,并且可以防止人为生成指标异常结果的遗漏问题,有效保证了生成的指标预测结果的准确度。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人工智能的指标分析方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先采集目标坐席的作业数据;然后对所述作业数据进行聚合处理,得到对应的指标数据;之后调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;以及调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;后续确定与所述目标坐席对应的目标管理人员;最后将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。本申请实施例在生成目标坐席的指标数据后,通过指标预测模型的使用可以快速准确地生成与指标数据对应的异常探测结果,以及通过指标预测模型的使用可以快速准确地生成与指标数据对应的指标走势预测结果,实现了对于坐席的指标数据的异常监控的自动化与标准化的监测处理,有效提高了指标异常监控的处理效率,并且可以防止人为生成指标异常结果的遗漏问题,有效保证了生成的指标预测结果的准确度。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于人工智能的指标分析方法,其特征在于,包括下述步骤:
采集目标坐席的作业数据;
对所述作业数据进行聚合处理,得到对应的指标数据;
调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;
调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;
确定与所述目标坐席对应的目标管理人员;
将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。
2.根据权利要求1所述的基于人工智能的指标分析方法,其特征在于,所述对所述作业数据进行聚合处理,得到对应的指标数据的步骤,具体包括:
调用与所述作业数据对应的聚合公式;
基于所述聚合公式对所述作业数据进行聚合处理,得到聚合后的作业数据;
将所述聚合后的作业数据作为所述指标数据。
3.根据权利要求1所述的基于人工智能的指标分析方法,其特征在于,在所述调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果的步骤之前,还包括:
获取预先采集的第一指标数据样本;
构建基于one class SVM算法的初始探测模型;
基于预设的模型训练次数,使用所述第一指标数据样本对所述始探测模型进行训练,得到训练后的指定探测模型;
基于预设的模型精度条件对所述指定探测模型进行验证;
若验证通过,将所述指定探测模型作为所述异常探测模型。
4.根据权利要求1所述的基于人工智能的指标分析方法,其特征在于,在所述调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果的步骤之前,还包括:
获取预先采集的历史时间周期内的第二指标数据样本;其中,所述第二指标数据样本包括坐席在所述历史时间周期中的第一时间段内的第一指标数据,以及与所述第一时间段对应的预设时间间隔后的坐席的第二指标数据;
基于预设的弹性网络回归算法构建初始预测模型;
将所述第二指标数据样本中的所述第一指标数据作为所述初始预测模型的输入,将所述第二指标数据样本中的所述第二指标数据作为所述初始预测模型的输出,对所述初始预测模型进行训练,得到训练好的初始预测模型;
将所述训练好的初始预测模型作为所述指标预测模型。
5.根据权利要求1所述的基于人工智能的指标分析方法,其特征在于,所述将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员的步骤,具体包括:
确定与所述目标管理人员对应的信息推送方式;
获取与所述信息推送方式对应的所述目标管理人员的通讯信息;
基于所述通讯信息,将所述异常探测结果与所述指标走势预测结果推送给所述目标管理人员。
6.根据权利要求1所述的基于人工智能的指标分析方法,其特征在于,在所述调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果的步骤之后,还包括:
对所述指标走势预测结果进行分析,判断所述指标走势预测结果中是否存在不符合预设走势标准的指定指标;
若是,获取与所述指定指标对应的指定指标走势预测结果;
基于所述指定指标与所述指定指标走势预测结果生成对应的调整提醒信息;
将所述调整提醒信息推送至所述目标坐席的作业界面。
7.根据权利要求1所述的基于人工智能的指标分析方法,其特征在于,在所述对所述作业数据进行聚合处理,得到对应的指标数据的步骤之后,还包括:
获取预设的报表生成规则;
基于所述报表生成规则对所述指标数据进行统计分析,生成与所述目标坐席对应的指标统计报表;
存储所述指标统计报表。
8.一种基于人工智能的指标分析装置,其特征在于,包括:
采集模块,用于采集目标坐席的作业数据;
第一处理模块,用于对所述作业数据进行聚合处理,得到对应的指标数据;
第二处理模块,用于调用预设的异常探测模型对所述指标数据进行异常探测处理,生成与所述指标数据对应的异常探测结果;
第三处理模块,用于调用预设的指标预测模型对所述指标数据进行预测处理,生成与所述指标数据对应的指标走势预测结果;
第一确定模块,用于确定与所述目标坐席对应的目标管理人员;
第一推送模块,用于将所述异常探测结果与所述指标走势预测结果推送至所述目标管理人员。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的指标分析方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的指标分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004580.7A CN116993218A (zh) | 2023-08-09 | 2023-08-09 | 基于人工智能的指标分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004580.7A CN116993218A (zh) | 2023-08-09 | 2023-08-09 | 基于人工智能的指标分析方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993218A true CN116993218A (zh) | 2023-11-03 |
Family
ID=88533656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311004580.7A Pending CN116993218A (zh) | 2023-08-09 | 2023-08-09 | 基于人工智能的指标分析方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993218A (zh) |
-
2023
- 2023-08-09 CN CN202311004580.7A patent/CN116993218A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111506723A (zh) | 问答响应方法、装置、设备及存储介质 | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN115237724A (zh) | 基于人工智能的数据监控方法、装置、设备及存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN114090407A (zh) | 基于线性回归模型的接口性能预警方法及其相关设备 | |
CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN118041977A (zh) | 微服务组件的处理方法、装置、计算机设备及存储介质 | |
CN118212072A (zh) | 基于人工智能的数据评估方法、装置、设备及存储介质 | |
CN116467297A (zh) | 监管数据推送和异常自查方法、装置、设备及其存储介质 | |
CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 | |
CN118261720A (zh) | 基于人工智能的产品分析方法、装置、设备及存储介质 | |
CN116796133A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN115829763A (zh) | 数据报送方法、装置、计算机设备及存储介质 | |
CN116523662A (zh) | 基于人工智能的预测方法、装置、计算机设备及存储介质 | |
CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 | |
CN117217182A (zh) | 基于人工智能的报告生成方法、装置、设备及存储介质 | |
CN116795632A (zh) | 任务处理方法、装置、计算机设备及存储介质 | |
CN116308468A (zh) | 客户对象分类方法、装置、计算机设备及存储介质 | |
CN116823486A (zh) | 一种权益类资产分析调整方法、装置、设备及其存储介质 | |
CN117112383A (zh) | 基于人工智能的性能分析方法、装置、设备及存储介质 |
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 |