基于大数据的外呼方法、电子装置及计算机可读存储介质
文献发布时间:2023-06-19 11:19:16
技术领域
本发明涉及一种外呼方法,尤其涉及一种基于大数据的外呼方法、电子装置及计算机可读存储介质。
背景技术
目前大型的外呼场景的构建需求一般来自大型电信运营厂商,银行以及其它需要持续维系用户关系的机构,其构建模式主要体现为全国各省市都设有外呼中心,外呼中心展开对每个所属区域的营销,用户维系以及费用催缴等的任务。每一个区域将会承担日拨打量在平均几十万至百万级别的业务量。在预测式外呼的构成方式中,外呼控制是大量降低外呼呼损率(用户接听却没有坐席)的重要环节,在已经提前决定好的外呼名单上进行拨打尽可能的减少双方等待的时间。
因此有必要提供一种基于大数据的外呼方法、电子装置及计算机可读存储介质,可以大量降低呼损率,提高外呼的营销效果。
发明内容
本发明所要解决的技术问题是提供基于大数据的外呼方法、电子装置及计算机可读存储介质,通过将所述外呼名单根据智能模型算法分为高概率用户和普通用户,从而大量降低呼损率,大大提高外呼的营销效果。
本发明为解决上述技术问题而采用的技术方案是提供一种基于大数据的外呼方法,包括如下步骤:
获取外呼名单和外部用户数据;
根据所述外呼名单和所述外部用户数据构建智能模型算法,所述智能模型算法获取的信息包括用户个人数据、用户套餐属性、用户接听时段以及用户同类型套餐营销结果;
根据所述智能模型算法输出预测结果,将所述外呼名单分为高概率用户和普通用户,所述高概率用户为预测营销成功率高于第一阈值的用户;
将所述高概率用户分配至坐席在高概率接听时间段进行外呼。
优选地,还包括获取实际营销成功率,若所述实际营销成功率高于第二阈值,则将所述第一阈值调低,若所述实际营销成功率低于第二阈值,则将所述第一阈值调高。
优选地,所述外呼名单通过文件上传导入或第三方API导入。
优选地,所述智能模型算法包括XGBoost,LightGBM,GBDT,Adaboost算法。
优选地,还包括以下步骤:
将外呼名单号码、预测成功外呼的概率以及推荐的外呼时间段展示给所述坐席。
优选地,所述智能模型算法基于决策树的算法群和衍生变量转化,所述基于决策树的算法群包括使用回归树,所述回归树包括节点内样本均值、均方误差以及对数误差,所述衍生变量转化包括将变量延展或收缩;
所述回归树通过以下公式计算:
其中,N为D集合中的样本数量,y
所述衍生变量的延展包括将获取的用户身份证号变量转化为区域、年龄、生日、性别变量,所述衍生变量的收缩包括将用户的购买行为转化为对同类产品的用户偏好变量。
优选地,将实际营销结果和所述预测结果进行比较,以获得预测结果准确率,将预测营销成功而实际营销结果未成功的号码重新加入所述智能算法模型以提升所述预测结果准确率。
优选地,所述根据所述智能模型算法输出预测结果包括构建多个分类器对所述智能模型算法获取的信息进行预测,将所述多个分类器的预测结果集成后输出预测结果。
本发明为解决上述技术问题还采用的技术方案是提供一种电子装置,包括存储器和处理器,所述存储器用于存储被所述处理器执行的基于大数据的外呼系统,所述基于大数据的外呼系统包括:
数据准备模块,其用于获取外呼名单和外部用户数据;
智能模块,其用于根据所述外呼名单和所述外部用户数据构建智能模型算法,所述智能模型算法获取的信息包括用户个人数据、用户套餐属性、用户接听时段以及用户同类型套餐营销结果;
预测结果模块,其用于根据所述智能模型算法输出预测结果,将所述外呼名单分为高概率用户和普通用户,所述高概率用户为预测营销成功率高于第一阈值的用户;
外呼模块,其用于将所述高概率用户分配至坐席在高概率接听时间段进行外呼。
本发明为解决上述技术问题还采用的技术方案是提供一种计算机可读存储介质,所述计算机可读存储介质内存储有基于大数据的外呼系统,所述基于大数据的外呼系统可被至少一个处理器所执行,使得所述至少一个处理器执行如上所述的基于大数据的外呼方法的步骤。
本发明对比现有技术有如下的有益效果:本发明提供的基于大数据的外呼方法、电子装置及计算机可读存储介质,通过将所述外呼名单根据智能模型算法分为高概率用户和普通用户,从而大量降低呼损率,大大提高外呼的营销效果;
进一步地,获取实际营销成功率,若所述实际营销成功率高于第二阈值,则将所述第一阈值调低,若所述实际营销成功率低于第二阈值,则将所述第一阈值调高,通过获取的实际营销成功率,调整第一阈值,从而动态调整高概率用户的名单;
进一步地,所述智能模型算法基于决策树的算法群和衍生变量转化,所述基于决策树的算法群包括使用节点内样本均值、均方误差以及对数误差,所述衍生变量转化包括将变量延展或收缩,通过延展或收缩衍生变量可以向智能模型算法提供更有效的变量,从而提高智能模型算法输出的预测结果的准确度。
附图说明
图1为本发明实施例中一种基于大数据的外呼方法的流程图;
图2为本发明另一实施例中一种基于大数据的外呼方法的流程图;
图3为本发明实施例中一种电子装置的硬件架构示意图;
图4为本发明另一施例中一种电子装置的硬件架构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
在以下描述中,为了提供本发明的透彻理解,阐述了很多具体的细节。然而,本发明可以在没有这些具体的细节的情况下实践,这对本领域普通该技术人员来说将是显而易见的。因此,具体的细节阐述仅仅是示例性的,具体的细节可以由奔放的精神和范围而变化并且仍被认为是在本发明的精神和范围内。
现在参看图1,图1为本发明实施例中一种基于大数据的外呼方法的流程图。本发明实施例提供了一种基于大数据的外呼方法,包括如下步骤:
S101:获取外呼名单和外部用户数据;
S102:根据所述外呼名单和所述外部用户数据构建智能模型算法,所述智能模型算法获取的信息包括用户个人数据、用户套餐属性、用户接听时段以及用户同类型套餐营销结果;
S103:根据所述智能模型算法输出预测结果,将所述外呼名单分为高概率用户和普通用户,所述高概率用户为预测营销成功率高于第一阈值的用户;
S104:将所述高概率用户分配至坐席在高概率接听时间段进行外呼。
在具体实施中,还包括获取实际营销成功率,若所述实际营销成功率高于第二阈值,则将所述第一阈值调低,若所述实际营销成功率低于第二阈值,则将所述第一阈值调高。
所述外呼名单通过文件上传导入或第三方API导入,完成号码导入之后,获取外部用户数据,可以对外部用户数据进行查询并计算,还可以获得用户拨打记录和本次拨打情况。
所述智能模型算法包括XGBoost,LightGBM,GBDT,Adaboost算法。XGBoost 是一个优化的分布式梯度增强库,旨在实现高效,灵活和便携。它在Gradient Boosting框架下实现机器学习算法。XGBoost提供并行树提升(也称为GBDT,GBM),可以快速准确地解决许多数据科学问题。相同的代码在主要的分布式环境(Hadoop, SGE,MPI)上运行,并且可以解决数十亿个示例之外的问题。LightGBM(Light Gradient Boosting Machine)是微软开源的一个实现GBDT算法的框架,支持高效率的并行训练。GBDT是机器学习中一个长盛不衰的模型,其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型,该模型具有训练效果好、不易过拟合等优点。Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。
智能模型算法获取的信息包括用户个人数据、用户套餐属性、用户接听时段以及用户同类型套餐营销结果可以按照预定的规则转化成其它衍生变量,例如自动将身份证信息转化为省市-地市-出生年月-性别,转化后的数据用于决策输出预测结果。
将设定第一阈值用于区分用户,例如第一阈值可以是60%-80%,优选为70%,大于这个阈值的用户将会被判定为高概率用户,小于这个阈值的用户将被判定为普通用户。高概率的用户将被设定为在本次拨打任务的高峰期内进行拨打,例如用户接听率最高为早上9点至10点,则将高概率用户设定在高接听时间段内进行拨打。
将依照完成这个任务所需的坐席人数将高概率用户和普通用户的数量平均分布在每天的名单中。如果前一天有未完成的任务将平均分布至其余任务中,当平均每天的呼叫任务量超出最初任务的20%时,新未完成的任务将向后顺延一天以保证每天的任务能够正常进行。
在具体实施中,还包括以下步骤:将外呼名单号码、预测成功外呼的概率以及推荐的外呼时间段展示给所述坐席。例如:外呼名单号码可以是1552……、预测成功外呼的概率可以是50%,推荐的外呼时间段可以是上午10点至11点;外呼名单号码还可以是1301……、预测成功外呼的概率可以是75%,推荐的外呼时间段可以是上午9点至10点。预测值班的经理可以对当天的坐席数量和具体情况进行调整。
所述智能模型算法基于决策树的算法群和衍生变量转化,所述基于决策树的算法群包括使用回归树,所述回归书包括节点内样本均值、均方误差以及对数误差,所述衍生变量转化包括将变量延展或收缩;
所述回归树通过以下公式计算:
其中,N为D集合中的样本数量,y
所述衍生变量的延展包括将获取的用户身份证号变量转化为区域、年龄、生日、性别变量,所述衍生变量的收缩包括将用户的购买行为转化为对同类产品的用户偏好变量。
将实际营销结果和所述预测结果进行比较,以获得预测结果准确率,将预测营销成功而实际营销结果未成功的号码重新加入所述智能算法模型以提升所述预测结果准确率。完成重新训练后,所述智能算法模型可以重新执行预测任务。
所述根据所述智能模型算法输出预测结果包括构建多个分类器对所述智能模型算法获取的信息进行预测,将所述多个分类器的预测结果集成后输出预测结果。
在具体实施中,多个分类器的方式是量化分类好的用户特征的纯度,进行对比后进行挑选。分类器分为以下3个大类,基于信息增益的方式(ID3),基于信息增益率的方式(C4.5),基于基尼系数的方式(CART)。基于信息增益(ID3)方式的分类器将决策树算法中的根节点分类的权重最高,并向下递减找出最优解。同时将最优解的模型接入“测试工程”模块进行结果演练,并自动选择出对应此预测任务纯度最高的模型,既在信息增益、信息增益率、基尼系数的方式中找出对于预设的测试样本集中,最能区分人群的模型构建方式。特征(feature)与标签(label)之间的映射代表的是该用户某个特性对于该用户的行为的之间的联系,联系的结果是一个数值代表的类别,也就是预测值。
现在参看图2,图2为本发明另一实施例中一种基于大数据的外呼方法的流程图。
本发明实施例提供了一种基于大数据的外呼方法,包括如下步骤:
S201:获取外呼名单和外部用户数据;
S202:根据所述外呼名单和所述外部用户数据构建智能模型算法,所述智能模型算法获取的信息包括用户个人数据、用户套餐属性、用户接听时段以及用户同类型套餐营销结果;
S203:根据所述智能模型算法输出预测结果,将所述外呼名单分为高概率用户和普通用户,所述高概率用户为预测营销成功率高于第一阈值的用户;
S204:将所述高概率用户分配至坐席在高概率接听时间段进行外呼;
S205:将外呼名单号码、预测成功外呼的概率以及推荐的外呼时间段展示给所述坐席。
例如:外呼名单号码可以是1552……、预测成功外呼的概率可以是50%,推荐的外呼时间段可以是上午10点至11点;外呼名单号码还可以是1301……、预测成功外呼的概率可以是75%,推荐的外呼时间段可以是上午9点至10点。预测值班的经理可以对当天的坐席数量和具体情况进行调整。
现在参看图3,图3为本发明实施例中一种电子装置的硬件架构示意图。本发明实施例还提供了一种电子装置30,包括存储器301和处理器302,所述存储器301 用于存储被所述处理器302执行的基于大数据的外呼系统304,所述基于大数据的外呼系统304包括:
数据准备模块3041,其用于获取外呼名单和外部用户数据;
智能模块3042,其用于根据所述外呼名单和所述外部用户数据构建智能模型算法,所述智能模型算法获取的信息包括用户个人数据、用户套餐属性、用户接听时段以及用户同类型套餐营销结果;
预测结果模块3043,其用于根据所述智能模型算法输出预测结果,将所述外呼名单分为高概率用户和普通用户,所述高概率用户为预测营销成功率高于第一阈值的用户;
外呼模块3044,其用于将所述高概率用户分配至坐席在高概率接听时间段进行外呼。
在具体实施中,所述电子装置30还包括网络接口303。
所述存储器301至少包括一种类型的计算机可读存储介质,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。所述处理器302可以是中央处理器(CentralProcessing Unit,CPU)、控制器、微控制器、微处理器、或其它数据处理芯片。该处理器302通常用于控制所述电子装置30的总体操作,例如执行与所述电子装置20进行数据交互或者通信相关的控制和处理等。所述网络接口303可包括无线网络接口或有线网络接口,该网络接口303通常用于在所述电子装置30与其它电子装置之间建立通信连接。
需要指出的是,图3仅示出了具有部件301、302、303和304的电子装置,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
现在参看图4,图4为本发明另一施例中一种电子装置的硬件架构示意图。本发明实施例还提供了一种电子装置40,包括存储器401和处理器402,所述存储器 401用于存储被所述处理器402执行的基于大数据的外呼系统404,所述基于大数据的外呼系统404包括:
数据准备模块4041,其用于获取外呼名单和外部用户数据;
智能模块4042,其用于根据所述外呼名单和所述外部用户数据构建智能模型算法,所述智能模型算法获取的信息包括用户个人数据、用户套餐属性、用户接听时段以及用户同类型套餐营销结果;
预测结果模块4043,其用于根据所述智能模型算法输出预测结果,将所述外呼名单分为高概率用户和普通用户,所述高概率用户为预测营销成功率高于第一阈值的用户;
外呼模块4044,其用于将所述高概率用户分配至坐席在高概率接听时间段进行外呼;
显示模块4045,其用于将外呼名单号码、预测成功外呼的概率以及推荐的外呼时间段展示给所述坐席。
本发明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内存储有基于大数据的外呼系统,所述基于大数据的外呼系统可被至少一个处理器所执行,使得所述至少一个处理器执行如上所述的基于大数据的外呼方法的步骤。
综上,本发明提供的基于大数据的外呼方法、电子装置及计算机可读存储介质,通过将所述外呼名单根据智能模型算法分为高概率用户和普通用户,从而大量降低呼损率,大大提高外呼的营销效果;
进一步地,获取实际营销成功率,若所述实际营销成功率高于第二阈值,则将所述第一阈值调低,若所述实际营销成功率低于第二阈值,则将所述第一阈值调高,通过获取的实际营销成功率,调整第一阈值,从而动态调整高概率用户的名单;
进一步地,所述智能模型算法基于决策树的算法群和衍生变量转化,所述基于决策树的算法群包括使用节点内样本均值、均方误差以及对数误差,所述衍生变量转化包括将变量延展或收缩,通过延展或收缩衍生变量可以向智能模型算法提供更有效的变量,从而提高智能模型算法输出的预测结果的准确度;
进一步地,通过分析历史营销结果数据计算出影响营销结果的关键因素,然后对当前的待呼叫号码进行判断,筛选出一批高概率的外呼号码配备专属的坐席或经验丰富的坐席进行营销任务,剩余的普通概率用户则使用批量拨打的方式处理,随后返回预测与实际拨打结果的对比,从而修正下一次的精准外呼预测。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
- 基于大数据的外呼方法、电子装置及计算机可读存储介质
- 断点外呼方法、电子装置及计算机可读存储介质