CN117151672A - 用于药企销售人员的智能排班方法、设备及存储介质 - Google Patents

用于药企销售人员的智能排班方法、设备及存储介质 Download PDF

Info

Publication number
CN117151672A
CN117151672A CN202311430141.2A CN202311430141A CN117151672A CN 117151672 A CN117151672 A CN 117151672A CN 202311430141 A CN202311430141 A CN 202311430141A CN 117151672 A CN117151672 A CN 117151672A
Authority
CN
China
Prior art keywords
data
predicted value
value
neural network
intelligent scheduling
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.)
Granted
Application number
CN202311430141.2A
Other languages
English (en)
Other versions
CN117151672B (zh
Inventor
施玉清
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.)
Jiangsu Renjia Information Technology Co ltd
Original Assignee
Jiangsu Renjia Information Technology Co 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 Jiangsu Renjia Information Technology Co ltd filed Critical Jiangsu Renjia Information Technology Co ltd
Priority to CN202311430141.2A priority Critical patent/CN117151672B/zh
Publication of CN117151672A publication Critical patent/CN117151672A/zh
Application granted granted Critical
Publication of CN117151672B publication Critical patent/CN117151672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1093—Calendar-based scheduling for persons or groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能排班技术领域，尤其涉及一种用于药企销售人员的智能排班方法、设备及存储介质，其中方法包括：采集历史排班数据，并对所述历史排班数据进行预处理；基于预设的神经网络预测模型预测未来的业务需求量并生成预测值区间，动态训练所述神经网络预测模型并不断修正模型参数；测算当前销售人员的能力值区间，基于预测值区间和能力值区间生成最终预测值；基于最终预测值对药企的销售人员进行智能排班处理。本申请有效解决了如何对其销售人员进行智能排班以最大程度化实现该公司销售人力资源的最优配置的问题。

Description

用于药企销售人员的智能排班方法、设备及存储介质
技术领域
本申请涉及智能排班技术领域，尤其涉及一种用于药企销售人员的智能排班方法、设备及存储介质。
背景技术
在医疗领域中医药企业是药品生产的主要来源地，药品生产之后药企需要对其进行销售，而医院则是各大药企的药品最为主要的销售渠道。随着医药行业的不断发展，各个药企之间的竞争也愈发激烈，因此各大药企需要安排其销售人员拜访医院并对其生产的药品进行推荐。
各大药企在安排其销售人员对医院进行拜访时需要使用人工排班方法，良好的销售人员排班方案能够在一定程度上帮助销售团队提高推广产品的效率。具体的，首先药企需要整合已有的客户数据、产品数据以及销售人员数据，同时药企也能够设定自定义规则，例如对于某个医院的周/月拜访次数进行限制。智能匹配适合的产品以及销售人员之后，生成各药企销售人员的排班方案，同时规划销售人员的拜访路线，其中在规划销售人员每天的拜访路线时，会综合考虑多个因素，例如客户地理位置、销售人员的工作时间、工作区域等，以使规划的拜访路线更为合理高效。
但是目前各个药企在对其销售人员进行排班时，由于各药企业务量的不断增加以及排班任务的复杂情况，人工排班已经无法实现药企销售人力资源的最优配置。综上所述，各个药企如何对其销售人员进行智能排班以最大程度化实现该公司销售人力资源的最优配置是目前面临的难题。
发明内容
本申请提供了一种用于药企销售人员的智能排班方法、设备及存储介质，可以解决如何对其销售人员进行智能排班以最大程度化实现该公司销售人力资源的最优配置的问题。本申请提供如下技术方案：
第一方面，本申请提供一种用于药企销售人员的智能排班方法，所述方法包括：
采集历史排班数据，并对所述历史排班数据进行预处理；
基于预设的神经网络预测模型预测未来的业务需求量并生成预测值区间，动态训练所述神经网络预测模型并不断修正模型参数；
测算当前销售人员的能力值区间，基于预测值区间和能力值区间生成最终预测值；
基于最终预测值对药企的销售人员进行智能排班处理。
在一个具体的可实施方案中，所述采集历史排班数据，对历史排班数据进行预处理包括：
依次对所述历史排班数据进行数据清洗、归一化处理和标准化处理操作；
所述数据清洗包括首先对采集到的所述历史排班数据的空值进行删除，再对采集重复的所述历史排班数据进行去重；
所述标准化处理中则采用Z-Score方法对所述历史排班数据进行处理，如下式：其中，zi为标准化后数据，xi为原始数据，u为样本参数均值，N为样本总数。
在一个具体的可实施方案中，所述基于预设的神经网络预测模型预测未来的业务需求量并生成预测值区间包括：
基于预处理后的所述历史排班数据计算达标值；
通过计算得出的所述达标值与常数1进行比较，并对所述历史排班数据进行分类得到第一历史数据和第二历史数据；
分别将所述第一历史数据和所述第二历史数据输入预设的所述神经网络预测模型中，生成第一预测值和第二预测值，所述第一预测值和所述第二预测值之间的区间即为预测值区间。
在一个具体的可实施方案中，所述历史排班数据包括该药企过去某段时间内的拜访业务安排总量、拜访业务完成总量以及拜访业务成功总量；
所述达标值的计算公式如下：
其中k为达标值，x为拜访业务安排总量，y为拜访业务完成总量，z为拜访业务成功总量。在一个具体的可实施方案中，所述测算当前销售人员的能力值区间，基于预测值区间和能力值区间生成最终预测值包括：
使用遗传算法对药企中当前销售人员的预计完成值进行测算，得到最大完成值和最小完成值，所述最大完成值和所述最小完成值之间的区间即为当前销售人员的能力值区间；
若是所述预测值区间与所述能力值区间存在交集时，计算两者产生的交集的端点的平均数并生成最终预测值；
若是当所述预测值区间与所述能力值区间不存在交集时，计算两者最靠近的两个端点的平均数并生成最终预测值。
在一个具体的可实施方案中，所述神经网络预测模型为RAN神经网络，所述RAN神经网络的隐节点输出的计算公式如下：其中，R为输入矢量，dn是神经网络中的第n个隐节点的数据中心，wn为该隐节点的宽度，xn是该隐节点的输出；
所述RAN神经网络的网络输出的计算公式如下：其中，Wn为隐节点与输出节点的连接权值，k为相应的输出偏移量，y为网络输出，隐层各隐节点采用激活函数实现映射。
在一个具体的可实施方案中，所述动态训练所述神经网络预测模型并不断修正模型参数包括：
初始化RAN网络结构；
依次输入样本（R，T），其中T为输入矢量R所对应的期望输出量，计算RAN网络输出y，遍历所有隐节点数据中心，找到离样本最近的隐节点数据中心，并计算它们之间的距离D；
判断是否同时满足RAN学习算法的距离准则和误差准则，若满足则分配新的隐节点，若不满足则进行下一步；其中，距离准则为当前输入样本离最近的隐节点数据中心的距离超过某一确定的距离阈值M，即D>M，其中距离阈值M应能覆盖整个输入空间；误差准则为神经网络的输出与样本输出的偏差大于某一定值N，即；其中N为网络输出的期望精度，如果现有网络的误差大于N,则通过增加一个新隐节点纠正误差；
通过梯度下降法调节连接权值W、隐节点数据中心d以及偏移量k，使得神经网络的输出与样本输出的偏差小于某一定值N，即满足动态训练参数更新后的RAN神经网络。
在一个具体的可实施方案中，所述基于最终预测值对药企的销售人员进行智能排班处理之后还包括：
对智能排班任务以及服务事项进行管理并生成记录；
校验并保存记录；
其中所述对智能排班任务以及服务事项进行管理并生成记录包括管理自定义字段并配置校验规则、为药企进行排班任务管理、对排班任务进行分批管理、基于任务批次以及自定义字段以及校验规则生成记录；
所述校验并保存记录包括解析任务批次数据并判断任务批次数据所对应的消息队列、获取并校验消息队列中待处理的数据、使用取值器对字段进行取值并对字段值进行初步校验、将取值器获取到的字段值进行合并，生成待合规校验的数据以及根据配置的校验顺序依次对数据进行合规校验。
第二方面，本申请提供一种电子设备，所述设备包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现第一方面的一种用于药企销售人员的智能排班方法。
第三方面，本申请提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序被处理器执行时用于实现第一方面的一种用于药企销售人员的智能排班方法。
综上所述，本申请的有益效果至少包括：
1）在记录生成后对数据进行常规校验后，将校验通过的数据预先存储到ES中，如此在后续进行频次或者次数校验的时候查询已经存在的记录时预先存储的数据就会被查询出来，这样其他线程在进行合规校验时就能查询到这些数据并用于校验，从而不易出现超限制的情况。
2）在校验合规时根据合规规则进行加锁操作，让所有的要素都通过相同的生成操作并从并发变成串行，从而一个一个处理，尽可能避免重复。
3）通过得出预测值区间，再结合现有销售人员的能力值区间确定出最终预测值，从而能够设定较为合理的且成功率较高的预测值。
通过预设的神经网络预测模型对历史排班数据进行分析，得出预测值区间，再结合现有销售人员的能力值区间确定出最终预测值，同时动态训练预测模型并不断修正模型参数，从而能够设定较为合理的且成功率较高的预测值对销售人员进行智能排班操作，进而尽可能最大程度化实现各药企公司销售人力资源的最优配置。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的用于药企销售人员的智能排班方法的流程示意图一。
图2是本申请一个实施例提供的基于预设的神经网络预测模型预测未来的业务需求量并生成预测值区间的流程示意图。
图3是本申请一个实施例提供的RAN网络的结构图。
图4是本申请一个实施例提供的RAN神经网络训练过程的流程示意图。
图5是本申请一个实施例提供的用于药企销售人员的智能排班方法的流程示意图二。
图6是本申请一个实施例提供的对智能排班任务以及服务事项进行管理并生成记录的流程示意图。
图7是本申请一个实施例提供的校验并保存记录的流程示意图。
图8是本申请一个实施例提供的用于药企销售人员的智能排班的电子设备框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更为明显易懂，下面结合附图，对本申请的具体实施方式做详细的说明。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
本申请中的术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
可选地，本申请以各个实施例提供的用于药企销售人员的智能排班方法用于电子设备中为例进行说明，该电子设备为终端或服务器，终端可以为手机、计算机、平板电脑等，本实施例不对电子设备的类型作限定。
参照图1，是本申请一个实施例提供的用于药企销售人员的智能排班方法的流程示意图，该方法至少包括以下几个步骤：
步骤S101，采集历史排班数据，并对历史排班数据进行预处理。
步骤S102，基于预设的神经网络预测模型预测未来的业务需求量并生成预测值区间。
步骤S103，测算当前销售人员的能力值区间，基于预测值区间和能力值区间生成最终预测值。
步骤S104，划分药企的优先级。
步骤S105，基于最终预测值对药企的销售人员进行排班处理。
根据本申请实施例的方案，首先通过预设的神经网络预测模型对历史排班数据进行分析，得出预测值区间，再结合现有销售人员的能力值区间确定出最终预测值，同时动态训练预测模型并不断修正模型参数，从而能够设定较为合理的且成功率较高的预测值对销售人员进行智能排班操作，进而尽可能最大程度化实现各药企公司销售人力资源的最优配置。
在步骤S101中，历史排班数据包括该药企过去某段时间内的拜访业务安排总量、拜访业务完成总量以及拜访业务成功总量。其中该药企过去的某段时间能够以月或者周为时间单位，本实施例不对时间单位作限定。在另一个示例中，对历史排班数据进行预处理包括依次对历史排班数据进行数据清洗、归一化处理和标准化处理操作。其中，数据清洗包括首先对采集到的历史排班数据的空值进行删除，再对采集重复的历史排班数据进行去重。而标准化处理中则采用Z-Score方法对历史排班数据进行处理，如下式：其中，zi为标准化后数据，xi为原始数据，u为样本参数均值，N为样本总数。通过上述操作对历史排班数据进行预处理，一方面能够提升数据质量，减少数据分析成本，另一方面以便后续的模型进行输入输出操作。
在步骤S102中，神经网络预测模型可以是卷积神经网络，或者是长短时记忆网络，本申请的实施例不对神经网络预测模型的具体类型作限定。
参照图2，是本申请一个实施例提供的基于预设的神经网络预测模型预测未来的业务需求量并生成预测值区间的流程示意图，该步骤包括：
步骤S1021，基于预处理后的历史排班数据计算达标值k。
其中k的计算公式如下：k=z/x-y
其中x为拜访业务安排总量，y为拜访业务完成总量，z为拜访业务成功总量。
步骤S1022，通过计算得出的达标值k与常数1进行比较对历史排班数据进行分类。具体的，将计算得到的达标值k大于等于1的历史排班数据分为第一历史数据，将计算得到的达标值k小于1的历史排班数据分为第二历史数据。
步骤S1023，将分类之后的历史数据输入预设的神经网络预测模型并生成预测值区间。
历史数据分类之后，分别将第一历史数据和第二历史数据输入预设的神经网络预测模型中，生成第一预测值和第二预测值，第一预测值和第二预测值之间的区间即为预测值区间。
在步骤S102中，本申请具体使用了RAN神经网络预测未来的业务需求量，RAN网络是一种动态的单隐层径向基函数神经网络，相应的训练算法为RAN学习算法，能够根据输入数据的新颖性动态增加隐层神经元个数。图3示出了RAN网络的结构图，其中，R=（R1，R2，…Rn）为输入矢量,dn是网络中的第n个隐节点的数据中心，wn为该隐节点的宽度，xn是该隐节点的输出，输出的计算公式如下：此外，Wn为隐节点与输出节点的连接权值，k为相应的输出偏移量，y为网络输出，其中隐层输出求加权和，从而实现对整个输入空间的函数映射。隐层各隐节点采用激活函数实现映射。网络输出y是各隐节点输出xn的加权和，再加上偏移量k，加权程度由Wn决定，即/>在实施中，RAN学习算法根据新颖性条件来决定分配新的隐层节点或调整现有隐层节点的参数，RAN网络没有隐层神经元，第一个样本数据为（x1，E1），其中x1为样本向量，E1为初始的期望输出，用于网络的初始化操作。若是网络没有隐节点被激活时，偏移量k为网络的默认输出。若是网络存在隐节点被激活，输出如下：/>参照图4，为本申请实施例提供的RAN神经网络训练过程的流程示意图，该过程至少包括以下几个步骤：
S1021’，初始化RAN网络结构。
S1022’，依次输入样本（R，T），其中T为输入矢量R所对应的期望输出量，计算RAN网络输出y，遍历所有隐节点数据中心，找到离样本最近的隐节点数据中心，并计算它们之间的距离D。
S1023’，判断是否同时满足RAN学习算法的距离准则和误差准则，若满足则分配新的隐节点，若不满足则转至S1024’。
可选地，距离准则为当前输入样本离最近的隐节点数据中心的距离超过某一确定的距离阈值M，即D>M，其中距离阈值M应能覆盖整个输入空间。
可选地，误差准则为神经网络的输出与样本输出的偏差大于某一定值N，即其中N为网络输出的期望精度，如果现有网络的误差大于N,则通过增加一个新隐节点纠正误差。
S1024’，通过梯度下降法调节连接权值W、隐节点数据中心d以及偏移量k，使得神经网络的输出与样本输出的偏差小于某一定值N，即满足 。可选地，如果当前神经网络的输出与新样本输出的偏差较小或样本输入离已有的数据中心都较近时,则不分配新隐节点, 此时用梯度下降法调节连接权值W、隐节点数据中心d以及偏移量k来逐步减小该偏差。
S1025’，动态训练参数更新后的RAN神经网络。
在步骤S103中，使用遗传算法对药企中当前销售人员的预计完成值进行测算，得到最大完成值和最小完成值，最大完成值和最小完成值之间的区间即为当前销售人员的能力值区间。其中，基于预测值区间和能力值区间生成最终预测值包括两种情况：一是当预测值区间与能力值区间存在交集时，计算两者产生的交集的端点的平均数并生成最终预测值。二是当预测值区间与能力值区间不存在交集时，计算两者最靠近的两个端点的平均数并生成最终预测值。
综上所述，本申请中的神经网络预测模型应用了RAN网络结构和RAN学习算法，动态分配隐层节点,并应用梯度下降法调整RAN网络结构的参数，能够较好地提升预测模型的预测性能。
在步骤104中，由于进行智能排班时药企的数量可能存在较多，因此需要先划分各药企的优先级，根据药企的优先级将数据投入对应优先级的队列，不同优先级客户的数据处理也不会相互影响。
在实施中，通过RocketMQ对各药企的智能排班任务进行分批次处理，也可以使用其他工具，本申请不对工具的具体类型做出限定。具体的，每次导入智能排班任务时均会发送消息至RocketMQ队列，针对不同的优先级创建对应的RocketMQ队列，再根据药企的优先级将数据投入到对应优先级的队列。利用多队列处理多药企智能排班任务，如此能够尽可能避免所有药企的数据堆积在同一队列，不易出现队列堵塞的情况。
在步骤S105中，药企的优先级划分之后，将药企的智能排班任务批次导入并发送到RocketMQ队列后，获取到相应的队列消息之后会进行排班操作，同时生成排班记录。
参照图5，是本申请一个实施例提供的用于药企销售人员的智能排班方法的流程示意图。该实施例中，该智能排班方法除包含前述步骤S101至步骤S105之外，还包括：
步骤S106，对智能排班任务以及服务事项进行管理并生成记录。
步骤S107，校验并保存记录。
参照图6，是本申请一个实施例提供的对智能排班任务以及服务事项进行管理并生成记录的流程示意图，该方法至少包括以下几个步骤：
S1061、管理自定义字段并配置校验规则。
在实施中，为用户提供友好的交互界面并设置管理员权限，允许管理员自定义和编辑字段及其属性，同时设定校验规则。
S1062、为药企进行排班任务管理。
可选地，为企业制定相应的推广任务，推广任务包括任务时间、任务简介、任务实施区域、包含的服务事项以及相关推广的产品等。
S1063、对排班任务进行分批管理。
具体的，基于药企制定的任务，管理员能够将任务按照时间划分成不同的批次，相关业务人员可以针对不同批次的任务进行相应的产品推广或者问卷调研等活动。
S1064、基于任务批次、自定义字段以及校验规则生成记录。
具体的，基于药企用户所导入的任务批次和业务人员数据数据，并根据任务批次所在的任务、服务事项所配置的字段以及校验规则生成指定数量的记录。需要注意的是，记录的生成逻辑应考虑字段的数据类型、长度限制以及校验规则设定的合规性，以确保生成的记录符合预期。
参照图7，是本申请一个实施例提供的校验并保存记录的流程示意图，该方法至少包括以下几个步骤：
S1071、解析任务批次数据并判断任务批次数据所对应的消息队列。
具体的，生成记录之后，首先获取药企用户所导入任务批次的明细数据，并提取出数据中对应的任务信息、服务事项信息以及业务人员信息，随后根据服务事项配置及任务批次的总金额计算该任务批次需生成的记录总数，根据任务管理药企信息判断该任务批次数据应该投入哪个优先级的消息队列进行处理。
S1072、获取并校验消息队列中待处理的数据。
在实施中，首先获取消息队列中待处理的数据，并对数据中的任务批次以及业务人员等信息进行校验，从而排除数据有误的数据。其中，合规校验时容易存在数据并发生成的问题，可能会导致生成的记录超过合规要求的数量或者其他限制条件，因此通过预存储已生成记录的方式，在记录生成后对数据进行常规校验后，再将校验通过的数据预先存储到ES中，如此在后续进行频次或者次数校验的时候查询已经存在的记录时预先存储的数据就会被查询出来，这样其他线程在进行合规校验时就能查询到这些数据并用于校验，从而不易出现超限制的情况。
需要注意的是，在实施中，数据并发进行合规校验可能出现相同数据同时进行校验的情况，由于数据都符合合规规则，因此可能会出现在生成记录的所有要素都相同的情况下，记录的每个字段都有可能拿到相同的数据，在并发的情况下就有可能会出现所有字段值都相同的情况，因此需要在校验合规时根据合规规则进行加锁操作，让所有的要素都通过相同的生成操作，从并发变成串行，从而逐个进行处理，尽可能避免数据重复。
S1073、使用取值器对字段进行取值并对字段值进行初步校验。
具体的，获取到基础逻辑校验通过的数据之后，首先根据对应服务事项字段的配置信息初始化对应字段的取值器，随后按照程序所配置的字段取值顺序使用相应的取值器进行字段的取值，并在获取字段值的过程中针对字段值进行初步校验，从而尽可能避免获取到的数据本身不合规的情况发生。
S1074、将取值器获取到的字段值进行合并，生成待合规校验的数据。
S1075、根据配置的校验顺序依次对数据进行合规校验。
在实施中，合规开始前会基于当前服务事项配置对后续合规校验需要使用的handler进行初始化，当接收到需要进行校验的数据时会根据程序配置的校验顺序依次对数据进行合规校验。其中，服务事项的合规规则配置有很多不同的组合，常规的判断方式可能会存在符合了其中一个规则却不符合其他规则的情况，逐个规则循环进行校验又会影响整体记录生成的时效，因此在获取记录执行日期时，同步校验所有规则并记录所有符合各个规则的执行日期，再将各个规则的执行日期取交集，将最终的执行日期集合进行剩余频次的校验，最终确定符合所有合规规则的执行日期。
S1076、数据合规校验完成或者批次所需生成记录数达到任务要求时保存已生成记录。
综上所述，在实施中，以终端字段为例在取值器初始化时会根据企业、任务、服务事项配置确定终端获取时需要的终端类型、终端区域及敏感词等终端获取时的限制条件。随后取值器初始化完毕后会依次进行字段取值，整体取值过程中各个取值器会返回各种信号，记录生成模块会根据取值器返回的信号来判断是否需要继续记录的生成还是中断当前正常生成的动作。在取值时会依据初始化时获得的条件查询到所有可用的终端数据，然后根据服务事项配置确定终端使用次数等，使用过的终端如果不符合服务事项设置的合规条件将不会再次被使用，当所有可用终端都被使用完以后终端取值器会返回终端穷举信号，记录生成模块接收到终端穷举的信号会停止当前记录生成操作，整个生成流程会结束并将已生成记录进行保存。
参照图7，综上所述，首先通过对历史排班数据进行分析，得出预测值区间，再结合现有销售人员的能力值区间确定出最终预测值，从而能够设定较为合理的且成功率较高的预测值对销售人员进行智能排班操作，进而尽可能最大程度化实现各药企公司销售人力资源的最优配置。
图8是本申请一个实施例提供的电子设备的框图。该设备至少包括处理器401和存储器402。
处理器401可以包括一个或多个处理核心，比如：4核心处理器、8核心处理器等。处理器401可以采用DSP（Digital Signal Processing，数字信号处理）、FPGA（Field－Programmable Gate Array，现场可编程门阵列）、PLA（Programmable Logic Array，可编程逻辑阵列）中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU（Central ProcessingUnit，中央处理器）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器401可以在集成有GPU（Graphics Processing Unit，图像处理器），GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器401还可以包括AI（Artificial Intelligence，人工智能）处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器402可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器402还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器402中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器401所执行以实现本申请中方法实施例提供的用于药企销售人员的智能排班方法。
在一些实施例中，电子设备还可选包括有：外围设备接口和至少一个外围设备。处理器401、存储器402和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地，外围设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。
当然，电子设备还可以包括更少或更多的组件，本实施例对此不作限定。
可选地，本申请还提供有一种计算机可读存储介质，计算机可读存储介质中存储有程序，程序由处理器加载并执行以实现上述方法实施例的用于药企销售人员的智能排班方法。
可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，计算机可读存储介质中存储有程序，程序由处理器加载并执行以实现上述方法实施例的用于药企销售人员的智能排班方法。
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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种用于药企销售人员的智能排班方法，其特征在于，所述方法包括：
采集历史排班数据，并对所述历史排班数据进行预处理；
基于预设的神经网络预测模型预测未来的业务需求量并生成预测值区间，动态训练所述神经网络预测模型并不断修正模型参数；
测算当前销售人员的能力值区间，基于预测值区间和能力值区间生成最终预测值；
基于最终预测值对药企的销售人员进行智能排班处理。
2.根据权利要求1所述的用于药企销售人员的智能排班方法，其特征在于，所述采集历史排班数据，并对所述历史排班数据进行预处理包括：
依次对所述历史排班数据进行数据清洗、归一化处理和标准化处理操作；
所述数据清洗包括首先对采集到的所述历史排班数据的空值进行删除，再对采集重复的所述历史排班数据进行去重；
所述标准化处理中则采用Z-Score方法对所述历史排班数据进行处理，如下式：其中，zi为标准化后数据，xi为原始数据，u为样本参数均值，N为样本总数。
3.根据权利要求1所述的用于药企销售人员的智能排班方法，其特征在于，所述基于预设的神经网络预测模型预测未来的业务需求量并生成预测值区间包括：
基于预处理后的所述历史排班数据计算达标值；
通过计算得出的所述达标值与常数1进行比较，并对所述历史排班数据进行分类得到第一历史数据和第二历史数据；
分别将所述第一历史数据和所述第二历史数据输入预设的所述神经网络预测模型中，生成第一预测值和第二预测值，所述第一预测值和所述第二预测值之间的区间即为预测值区间。
4.根据权利要求3所述的用于药企销售人员的智能排班方法，其特征在于，所述历史排班数据包括该药企过去某段时间内的拜访业务安排总量、拜访业务完成总量以及拜访业务成功总量；
所述达标值的计算公式如下：其中k为达标值，x为拜访业务安排总量，y为拜访业务完成总量，z为拜访业务成功总量。
5.根据权利要求1所述的用于药企销售人员的智能排班方法，其特征在于，所述测算当前销售人员的能力值区间，基于预测值区间和能力值区间生成最终预测值包括：
使用遗传算法对药企中当前销售人员的预计完成值进行测算，得到最大完成值和最小完成值，所述最大完成值和所述最小完成值之间的区间即为当前销售人员的能力值区间；
若是所述预测值区间与所述能力值区间存在交集时，计算两者产生的交集的端点的平均数并生成最终预测值；
若是当所述预测值区间与所述能力值区间不存在交集时，计算两者最靠近的两个端点的平均数并生成最终预测值。
6.根据权利要求1所述的用于药企销售人员的智能排班方法，其特征在于，所述神经网络预测模型为RAN神经网络，所述RAN神经网络的隐节点输出的计算公式如下：其中，R为输入矢量，dn是神经网络中的第n个隐节点的数据中心，wn为该隐节点的宽度，xn是该隐节点的输出；
所述RAN神经网络的网络输出的计算公式如下：其中，Wn为隐节点与输出节点的连接权值，k为相应的输出偏移量，y为网络输出，隐层各隐节点采用激活函数实现映射。
7.根据权利要求6所述的用于药企销售人员的智能排班方法，其特征在于，所述动态训练所述神经网络预测模型并不断修正模型参数包括：
初始化RAN网络结构；
依次输入样本（R，T），其中T为输入矢量R所对应的期望输出量，计算RAN网络输出y，遍历所有隐节点数据中心，找到离样本最近的隐节点数据中心，并计算它们之间的距离D；
判断是否同时满足RAN学习算法的距离准则和误差准则，若满足则分配新的隐节点，若不满足则进行下一步；其中，距离准则为当前输入样本离最近的隐节点数据中心的距离超过某一确定的距离阈值M，即D>M，其中距离阈值M应能覆盖整个输入空间；误差准则为神经网络的输出与样本输出的偏差大于某一定值N，即；其中N为网络输出的期望精度，/>为神经网络的输出，如果现有网络的误差大于N,则通过增加一个新隐节点纠正误差；
通过梯度下降法调节连接权值W、隐节点数据中心d以及偏移量k，使得神经网络的输出与样本输出的偏差小于某一定值N，即满足；
动态训练参数更新后的RAN神经网络。
8.根据权利要求1所述的用于药企销售人员的智能排班方法，其特征在于，所述基于最终预测值对药企的销售人员进行智能排班处理之后还包括：
对智能排班任务以及服务事项进行管理并生成记录；
校验并保存记录；
其中所述对智能排班任务以及服务事项进行管理并生成记录包括管理自定义字段并配置校验规则、为药企进行排班任务管理、对排班任务进行分批管理、基于任务批次以及自定义字段以及校验规则生成记录；
所述校验并保存记录包括解析任务批次数据并判断任务批次数据所对应的消息队列、获取并校验消息队列中待处理的数据、使用取值器对字段进行取值并对字段值进行初步校验、将取值器获取到的字段值进行合并，生成待合规校验的数据以及根据配置的校验顺序依次对数据进行合规校验。
9.一种电子设备，其特征在于，所述设备包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现如权利要求1至8任一项所述的一种用于药企销售人员的智能排班方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有程序，所述程序被处理器执行时用于实现如权利要求1至8任一项所述的一种用于药企销售人员的智能排班方法。
CN202311430141.2A 2023-10-31 2023-10-31 用于药企销售人员的智能排班方法、设备及存储介质 Active CN117151672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311430141.2A CN117151672B (zh) 2023-10-31 2023-10-31 用于药企销售人员的智能排班方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311430141.2A CN117151672B (zh) 2023-10-31 2023-10-31 用于药企销售人员的智能排班方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117151672A true CN117151672A (zh) 2023-12-01
CN117151672B CN117151672B (zh) 2024-01-26

Family

ID=88897271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311430141.2A Active CN117151672B (zh) 2023-10-31 2023-10-31 用于药企销售人员的智能排班方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117151672B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844915A (zh) * 2017-11-29 2018-03-27 信雅达系统工程股份有限公司 一种基于话务预测的呼叫中心的自动排班方法
CN109978293A (zh) * 2017-12-27 2019-07-05 顺丰科技有限公司 一种多任务智能排班方法、装置、设备和存储介质
CN114077976A (zh) * 2021-11-30 2022-02-22 中国建设银行股份有限公司 排班处理方法、装置、设备及存储介质
CN114118691A (zh) * 2021-10-21 2022-03-01 上海浦东发展银行股份有限公司 基于业务量的排班方案处理方法、装置、设备和介质
CN115630943A (zh) * 2022-11-04 2023-01-20 中国工商银行股份有限公司 智能排班方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844915A (zh) * 2017-11-29 2018-03-27 信雅达系统工程股份有限公司 一种基于话务预测的呼叫中心的自动排班方法
CN109978293A (zh) * 2017-12-27 2019-07-05 顺丰科技有限公司 一种多任务智能排班方法、装置、设备和存储介质
CN114118691A (zh) * 2021-10-21 2022-03-01 上海浦东发展银行股份有限公司 基于业务量的排班方案处理方法、装置、设备和介质
CN114077976A (zh) * 2021-11-30 2022-02-22 中国建设银行股份有限公司 排班处理方法、装置、设备及存储介质
CN115630943A (zh) * 2022-11-04 2023-01-20 中国工商银行股份有限公司 智能排班方法及装置

Also Published As

Publication number Publication date
CN117151672B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
US11106486B2 (en) Techniques to manage virtual classes for statistical tests
Qu et al. A two-phase approach to scheduling multi-category outpatient appointments–a case study of a women’s clinic
CN108537399B (zh) 一种物料需求量的预测方法及装置
Brüggemann et al. The discrete lot-sizing and scheduling problem: Complexity and modification for batch availability
JP6536028B2 (ja) 発注計画決定装置、発注計画決定方法および発注計画決定プログラム
US10445341B2 (en) Methods and systems for analyzing datasets
CN113065882A (zh) 一种商品处理方法、装置及电子设备
Bootaki et al. New bi-objective robust design-based utilisation towards dynamic cell formation problem with fuzzy random demands
CN113130052A (zh) 医生推荐方法、医生推荐装置、终端设备及存储介质
Bertsimas et al. Hospital-wide inpatient flow optimization
Chang et al. Ant colony optimization system for a multi-quantitative and qualitative objective job-shop parallel-machine-scheduling problem
CN117151672B (zh) 用于药企销售人员的智能排班方法、设备及存储介质
CN117331678A (zh) 面向异构算力联邦的多集群作业资源规格计算方法和系统
Millhiser et al. Optimal admission control in series production systems with blocking
US10460010B2 (en) Computing scenario forecasts using electronic inputs
Desmet et al. Safety stock optimisation in two-echelon assembly systems: normal approximation models
CN116737373A (zh) 负载均衡方法、装置、计算机设备、存储介质
Zhang et al. A double-layered optimisation approach for the integrated due date assignment and scheduling problem
US20220374558A1 (en) Systems and methods for trade-off visual analysis
CN115358532A (zh) 设备作业的工单生成方法、装置、计算机设备
CN114520773A (zh) 一种服务请求的响应方法、装置、服务器及存储介质
CN111242487B (zh) 一种基于workflow的动态精准任务分配方法及分配系统
Kilic et al. Order acceptance in food processing systems with random raw material requirements
Baloch et al. Inventory planning for self-serve pharmacy kiosks: A fill rate maximization approach
AU2019200112A1 (en) Reciprocal distribution calculating method and reciprocal distribution calculating system for cost accounting

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
GR01 Patent grant
GR01 Patent grant