人工客服智能调度方法、装置、电子设备及存储介质与流程

1.本发明涉及人工智能技术领域，更具体地说，涉及一种人工客服智能调度方法、装置、电子设备及存储介质。


背景技术：

2.银行客服是银行与客户的桥梁和纽带，是银行客户关系维护的重要执行者，在银行业务拓展过程中占据着关键一环。如今，银行的客服工作多是采用智能客服和人工客服协作的方式，但是当智能客服无法较好解决客户问题时，人工客服将发挥着重要的作用。
3.那么，如果采用普适的排班制度，在咨询量较大时，人工客服一定程度上会无暇服务好每个客户的需求，进而影响客户体验和客户粘性；在咨询量较小时，无疑是对人工客服资源的浪费。


技术实现要素：

4.有鉴于此，为解决上述问题，本发明提供一种人工客服智能调度方法、装置、电子设备及存储介质，技术方案如下：
5.一种人工客服智能调度方法，所述方法包括：
6.获取人工客服在不同调度周期内的服务数据，所述不同调度周期包括历史调度周期和当前调度周期，所述服务数据用于表征所述人工客服的工作量；
7.对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理，并将经平滑处理的服务数据输入至第一预测模型，所述第一预测模型是基于最小二乘法训练得到的；
8.获取所述第一预测模型所输出的下一调度周期内的预测服务数据，并对所述预测服务数据进行反推处理得到所述下一调度周期内的目标服务数据；
9.根据所述目标服务数据生成所述下一调度周期内的调度数据。
10.优选的，所述对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理，包括：
11.采用移动平均法对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理。
12.优选的，所述采用移动平均法对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理，包括：
13.提取所述历史调度周期内的服务数据和所述当前调度周期内的服务数据的变化周期；
14.以所述变化周期作为所述移动平均法的参数，对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理。
15.优选的，所述对所述预测服务数据进行反推处理得到所述下一调度周期内的目标服务数据，包括：
16.在所述历史调度周期中确定与所述下一调度周期位于同一变化周期的目标历史调度周期；
17.根据所述目标历史调度周期内的服务数据、所述当前调度周期内的服务数据、所述预测服务数据和所述变化周期，计算所述目标服务数据。
18.优选的，所述根据所述目标服务数据生成所述下一调度周期内的调度数据，包括：
19.将所述目标服务数据输入至第二预测模型，所述第二预测模型是基于机器学习算法训练得到的；
20.获取所述第二预测模型所输出的所述调度数据，所述调度数据至少包括所述下一调度周期内所述人工客服的人数。
21.一种人工客服智能调度装置，所述装置包括：
22.获取模块，用于获取人工客服在不同调度周期内的服务数据，所述不同调度周期包括历史调度周期和当前调度周期，所述服务数据用于表征所述人工客服的工作量；
23.调度模块，用于对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理，并将经平滑处理的服务数据输入至第一预测模型，所述第一预测模型是基于最小二乘法训练得到的；获取所述第一预测模型所输出的下一调度周期内的预测服务数据，并对所述预测服务数据进行反推处理得到所述下一调度周期内的目标服务数据；根据所述目标服务数据生成所述下一调度周期内的调度数据。
24.优选的，用于对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理的所述调度模块，具体用于：
25.采用移动平均法对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理。
26.优选的，用于采用移动平均法对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理的所述调度模块，具体用于：
27.提取所述历史调度周期内的服务数据和所述当前调度周期内的服务数据的变化周期；以所述变化周期作为所述移动平均法的参数，对所述历史调度周期内的服务数据和所述当前调度周期内的服务数据进行平滑处理。
28.一种电子设备，所述电子设备包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现所述的人工客服智能调度方法。
29.一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行所述的人工客服智能调度方法。
30.相较于现有技术，本发明实现的有益效果为：
31.本发明提供一种人工客服智能调度方法、装置、电子设备及存储介质，能够对根据人工客服在以外调度周期内的服务数据来预测其在下一调度周期内的服务数据，即预测服务数据，而由于预测服务数据是基于平滑处理的服务数据所预测的，因此需再对预测服务数据进一步反推处理，以此获得下一调度周期内的目标服务数据，并基于目标服务数据生成下一调度周期内的调度数据。基于本发明能够对人工客服进行合理的调度，使得客服工作有条不紊的开展，实现对人工客服资源的高效利用，从而保证并提升服务质量，具有重要的现实意义。
附图说明
32.为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
33.图1为本发明实施例提供的人工客服智能调度方法的方法流程图；
34.图2为本发明实施例提供的人工客服智能调度方法的另一方法流程图；
35.图3为本发明实施例提供的人工客服智能调度方法的部分方法流程图；
36.图4为本发明实施例提供的人工客服智能调度装置的结构示意图。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
38.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
39.本发明实施例提供一种人工客服智能调度方法，该方法的方法流程图如图1所示，包括如下步骤：
40.s10，获取人工客服在不同调度周期内的服务数据，不同调度周期包括历史调度周期和当前调度周期，服务数据用于表征人工客服的工作量。
41.本发明实施例中，统计收集人工客服在不同调度周期内的服务数据，以此量化人工客服在不同调度周期内的工作量。举例来说，服务数据可以为人工客服呼入量，还可以为人工客服服务时长，本发明实施例对此不做限定。
42.s20，对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理，并将经平滑处理的服务数据输入至第一预测模型，第一预测模型是基于最小二乘法训练得到的。
43.本发明实施例中，为消除异常值的影响，对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理。举例来说，可以确定历史调度周期和当期调度周期内服务数据均值，将历史调度周期和当期调度周期内偏离该服务数据均值的程度大于阈值的服务数据进行剔除，进而将剩余的服务数据作为经平滑处理的服务数据输入第一预测模型中。
44.需要说明的是，第一预测模型的基础模型是lsm(least sqaure method，最小二乘法)模型，其通过最小化误差的平方使得lsm模型的回归函数尽可能很好的拟合样本值。当然，第一预测模型的输入即为样本值。此外，通过不断收集不同调度周期内的服务数据可以对第一预测模型进行修正和优化。
45.具体实现过程中，步骤s20中“对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理”可以采用如下步骤，方法流程图如图2所示：
46.s201，采用移动平均法对历史调度周期内的服务数据和当前调度周期内的服务数
据进行平滑处理。
47.需要说明的是，移动平均法用一组最近的实际数据值来预测未来一期或者几期的数据，有效地消除预测中的随机波动。
48.本发明实施例中，可以设置移动窗口，对位于移动窗口内的服务数据进行一次平滑处理。举例来说，历史调度周期包括周期1、周期2、周期3、周期4和周期5，当前调度周期为周期6，假设移动窗口为3，则移动平均法的平滑处理过程如下：
49.按照周期由小到大的次序依次移动该移动窗口：首先，周期1、周期2和周期3位于移动窗口内，则计算周期1内的服务数据、周期2内的服务数据和周期3内的服务数据的均值，并将该均值赋予周期3；进一步，周期2、周期3和周期4位于移动窗口内，则计算周期2内的服务数据、周期3内的服务数据和周期4内的服务数据的均值，并将该均值赋予周期4；再进一步，周期3、周期4和周期5位于移动窗口内，则计算周期3内的服务数据、周期4内的服务数据和周期5内的服务数据的均值，并将该均值赋予周期5；最后，周期4、周期5和周期6位于移动窗口内，则计算周期4内的服务数据、周期5内的服务数据和周期6内的服务数据的均值，并将该均值赋予周期6。
50.由此，经平滑处理的服务数据即周期3、4、5、6被赋予的服务数据的均值。将周期3、4、5、6被赋予的服务数据的均值输入第一预测模型中。
51.此外，步骤s201“采用移动平均法对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理”可以采用如下步骤：
52.提取历史调度周期内的服务数据和当前调度周期的服务数据的变化周期；以变化周期作为移动平均法的参数，对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理。
53.本发明实施例中，变化周期即为上述移动窗口。为确定移动窗口，可以对服务调度周期内的服务数据和当前调度周期内的服务数据进行周期提取，以确定服务数据的变化周期，这可通过现有诸如协方差运算工具来实现，本发明实施例对此不做限定。
54.当然，如果服务调度周期内的服务数据和当前调度周期内的服务数据不存在周期性，提取不到变化周期，则可以采用默认值作为移动窗口，比如2或3。
55.s30，获取第一预测模型所输出的下一调度周期内的预测服务数据，并对预测服务数据进行反推处理得到下一调度周期内的目标服务数据。
56.本发明实施例中，由于预测服务数据是基于平滑处理的服务数据所预测的，因此需再对预测服务数据进一步反推处理，以此获得下一调度周期内的目标服务数据。
57.继续以历史调度周期包括周期1～5、当前调度周期为周期6、移动窗口为3为例进行说明：输入第一预测模型中的是周期3、4、5、6被赋予的服务数据的均值，因此，第一预测模型输出的周期7内的预测服务数据是周期7被平滑后的服务数据，即预测服务数据是周期5、6、7的服务数据的均值。对此，预测服务数据＝(周期5内的服务数据+周期6内的服务数据+周期7内的服务数据)/3，其中，周期5和周期6内的服务数据是已获取到的、平滑处理前的数据，而周期7内的服务数据即下一调度周期内的目标服务数据。
58.具体实现过程中，步骤s30“对预测服务数据进行反推处理得到下一调度周期内的目标服务数据”可以采用如下步骤，方法流程图如图3所示：
59.s301，在历史调度周期中确定与下一调度周期位于同一变化周期的目标历史调度
周期。
60.本发明实施例中，为方便理解，继续以历史调度周期包括周期1～5、当前调度周期为周期6、移动窗口为3为例进行说明：
61.下一调度周期即周期7，变化周期与移动窗口相同，因此可以确定周期1～5中与周期6、周期7位于同一移动窗口内的是周期5。周期5即目标历史调度周期。
62.s302，根据目标历史调度周期内的服务数据、当前调度周期内的服务数据、预测服务数据和变化周期，计算目标服务数据。
63.本发明实施例中，预测服务数据＝(∑目标历史调度周期内的服务数据+当前调度周期内的服务数据+目标服务数据)/移动窗口，其中，预测服务数据、目标历史调度周期内的服务数据、当前调度周期内的服务数据和移动窗口已知，因此可以计算得到目标服务数据。
64.需要说明的是，目标历史调度周期内的服务数据、当前调度周期内的服务数据均为平滑处理前的数据。
65.s40，根据目标服务数据生成下一调度周期内的调度数据。
66.本发明实施例中，由于服务数据能够表征人工客服的工作量，因此在获得目标服务数据后，即可确定下一调度周期内人工客服的工作量，基于此可以按照已有规则生成下一调度周期内的调度数据。以服务数据为人工客服呼入量来说明，可以设置一个调度周期内每n个呼入量即匹配一个人工客服。这就可以为人工客服排班提供有力的参考，实现对客服资源的高效调度，间接保证了客户服务的质量。
67.具体实现过程中，步骤s40“根据目标服务数据生成下一调度周期内的调度数据”可以采用如下步骤：
68.将目标服务数据输入至第二预测模型，第二预测模型是基于机器学习算法训练得到的；获取第二预测模型所输出的调度数据，调度数据至少包括下一调度周期内人工客服的人数。
69.本发明实施例中，面对不同业务场景下的人工客服，可以训练该业务场景下预测调度方案的预测模型，即第二预测模型。在训练该第二预测模型时，考虑到相应业务场景下的调度细度，对其基础网络模型进行训练，举例来说，部分应用场景下调度方案仅需要考虑人工客服的人数，部分应用场景下调度方案不仅需要考虑人工客服的人数、还需要考虑人工客服的业务能力，部分应场景下则需要同时考虑人工客服在不同时段下的人数和业务能力等等。训练结束后的基础网络模型即第二预测模型。
70.针对不同业务场景，可以收集历史调度周期内的服务数据，将其作为训练样本，为该训练样本标注相应调度细度的调度方案，以上述第二部分应用场景为例，需要为训练样本标注“人工客服的人数+人工客服的标签”，该标签能够表征相应的人工客服的业务能力，比如标签1表示普通人工客服，标签2表示中级人工客服，标签3表示高级人工客服，普通人工客服、中级人工客服和高级人工客服的业务能力逐渐递增。
71.本发明实施例可以通过下一调度周期内的服务数据和人工客服的工作能力制定合理的客服排班制度，从而使客服们既能有条不紊地开展客服工作，又能保证客服资源的高效利用和客户服务质量。
72.基于上述实施例提供的人工客服智能调度方法，本发明实施例则对应提供一种执
行上述人工客服智能调度方法的装置，该装置的结构示意图如图4所示，包括：
73.获取模块10，用于获取人工客服在不同调度周期内的服务数据，不同调度周期包括历史调度周期和当前调度周期，服务数据用于表征人工客服的工作量；
74.调度模块20，用于对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理，并将经平滑处理的服务数据输入至第一预测模型，第一预测模型是基于最小二乘法训练得到的；获取第一预测模型所输出的下一调度周期内的预测服务数据，并对预测服务数据进行反推处理得到下一调度周期内的目标服务数据；根据目标服务数据生成下一调度周期内的调度数据。
75.可选的，用于对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理的调度模块20，具体用于：
76.采用移动平均法对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理。
77.可选的，用于采用移动平均法对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理的调度模块20，具体用于：
78.提取历史调度周期内的服务数据和当前调度周期内的服务数据的变化周期；以变化周期作为移动平均法的参数，对历史调度周期内的服务数据和当前调度周期内的服务数据进行平滑处理。
79.可选的，用于对预测服务数据进行反推处理得到下一调度周期内的目标服务数据的调度模块20，具体用于：
80.在历史调度周期中确定与下一调度周期位于同一变化周期的目标历史调度周期；根据目标历史调度周期内的服务数据、当前调度周期内的服务数据、预测服务数据和变化周期，计算目标服务数据。
81.可选的，用于根据目标服务数据生成下一调度周期内的调度数据的调度模块20，具体用于：
82.将目标服务数据输入至第二预测模型，第二预测模型是基于机器学习算法训练得到的；获取第二预测模型所输出的调度数据，调度数据至少包括下一调度周期内人工客服的人数。
83.需要说明的是，本发明实施例中各模块的细化功能可以参见上述人工客服智能调度方法实施例对应公开部分，在此不再赘述。
84.基于上述实施例提供的人工客服智能调度方法，本发明实施例则对应提供一种电子设备，电子设备包括：至少一个存储器和至少一个处理器；存储器存储有程序，处理器调用存储器存储的程序，程序用于实现人工客服智能调度方法。
85.基于上述实施例提供的人工客服智能调度方法，本发明实施例则对应提供一种存储介质，存储介质中存储有计算机可执行指令，计算机可执行指令用于执行人工客服智能调度方法。
86.需要说明的是，本发明提供的人工客服智能调度方法、装置、电子设备及存储介质可用于人工智能领域或金融领域。上述仅为示例，并不对本发明提供的人工客服智能调度方法、装置、电子设备及存储介质的应用领域进行限定。
87.以上对本发明所提供的一种人工客服智能调度方法、装置、电子设备及存储介质
进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
88.需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
89.还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
90.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。