客服人员标签画像构建方法、装置、电子设备及存储介质

技术领域

本发明涉及大数据处理技术领域，尤其涉及客服人员标签画像构建方法、装置、电子设备及存储介质。

背景技术

客服，即客户服务，体现了一种以客户满意为导向的价值观。客服热线区作为面向客户的第一线，需要带给客户良好的体验。

然而，由于客服人员数量庞大、场地分散、需要处理的问题繁杂且数量多，客服处理事务的质量难以保证。

并且，当前对客服人员的管理体系非常松散，没有直观量化评价体系，无法针对短板进行能力的快速提升。

发明内容

本发明提供客服人员标签画像构建方法、装置、电子设备及存储介质，用以解决现有技术中客服人员的管理松散、无法客观评价的缺陷。

本发明提供一种客服人员标签画像的构建方法，包括：获取基础数据；其中，基础数据包括与客服人员相关的数据；对基础数据进行文本处理，获得样本数据；对样本数据进行建模，获得客服人员模型；基于预设维度，以利用客服人员模型构建客服人员标签画像。

根据本发明提供的一种客服人员标签画像的构建方法，基于预设维度，以利用客服人员模型构建客服人员标签画像，包括：基于客服人员模型，将样本数据按照预设维度进行评分，得到每个维度的评分结果；基于每个维度的评分结果构建客服人员标签画像；其中，客服人员标签画像为雷达图，每个维度的评分结果作为雷达图的变量。

根据本发明提供的一种客服人员标签画像的构建方法，对基础数据进行文本处理，获得样本数据，包括：对基础数据进行文本挖掘和自然语言处理，得到分词文本；将分词文本编码为数值向量，其中数值向量作为样本数据。

根据本发明提供的一种客服人员标签画像的构建方法，对基础数据进行文本挖掘和自然语言处理，得到分词文本，包括：基于预设词语对基础数据进行扫描，生成包括客服人员的相关数据的有向无环图；对有向无环图采用动态规划查找最大概率路径,确定基于词语出现频率的最大切分组合，得到分词文本。

根据本发明提供的一种客服人员标签画像的构建方法，对样本数据进行建模，获得客服人员模型，包括：通过支持向量积算法和决策树算法进行建模，获得客服人员模型。

根据本发明提供的一种客服人员标签画像的构建方法，基础数据还包括投诉数据、质检数据、满意度回访数据中的至少一种。

根据本发明提供的一种客服人员标签画像的构建方法，基础数据还包括网络资讯数据、网络状态数据、方案库数据、弱覆盖数据和网络资源数据中的至少一种。

本发明还提供一种客服人员标签画像的构建装置，包括：获取数据模块，用于获取基础数据；其中，基础数据包括与客服人员相关的数据；文本处理模块，用于对基础数据进行文本处理，获得样本数据；建模处理模块，用于对样本数据进行建模，获得客服人员模型；标签画像模块，用于基于预设维度，以利用客服人员模型构建客服人员标签画像。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一种客服人员标签画像的构建方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种客服人员标签画像的构建方法。

本发明提供的客服人员标签画像构建方法、装置、电子设备及存储介质，包括：获取基础数据；其中，基础数据包括与客服人员相关的数据；对基础数据进行文本处理，获得样本数据；对样本数据进行建模，获得客服人员模型；基于预设维度，以利用客服人员模型构建客服人员标签画像。通过上述方式，本发明利用获取的基础数据，通过文本处理和数据建模，将与客服人员相关的数据转化为机器模型，并基于预设维度对客服人员模型进行标签化管理，完成客服人员标签画像构建。客服人员标签画像用于对客服人员的业务能力、服务规范、服务技巧以量化标准的方式客观的表示及准确高效评估。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明客服人员标签画像的构建方法一实施例的流程示意图；

图2是本发明客服人员标签画像一实施例的示意图；

图3是本发明客服人员标签画像的构建装置一实施例的结构示意图；

图4是本发明电子设备一实施例的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

本发明提供一种客服人员标签画像的构建方法，请参阅图1，图1是本发明客服人员标签画像的构建方法一实施例的流程示意图。在本实施例中，客服人员标签画像的构建方法包括步骤S110~S140，各步骤具体如下：

S110：获取基础数据。

获取的基础数据可以为后续行为分析作为依据。其中，基础数据包括与客服人员相关的数据。

基础数据是客服人员处理过的工单的相关的数据，例如，投诉数据、质检数据、满意度回访数据等。投诉数据是指电子运维后的投诉工单；质检数据是指客服人员处理事务后被内部抽检的质检结果；满意度回访数据是指客服人员处理事务后客户对该客服人员的评价。

基础数据还是与客服人员处理过的工单相关的其他数据，例如通信质量相关的数据，即网络资讯数据、网络状态数据、方案库数据、弱覆盖数据、网络资源数据等。其他数据可以在后续作为影响客服人员服务质量的初筛数据。例如，如果有投诉数据显示客服人员处理工单过程不及时，但是其他数据又证明了是网络状态延迟导致的，此次的投诉数据就不作为构建客服人员标签画像的数据。

基础数据可以通过获取网络投诉管理系统获取。可选地，还可以通过网络投诉管理系统获取一站式导航数据作为基础数据。

S120：对基础数据进行文本处理，获得样本数据。

可选地，根据基础数据进行文本处理，获得样本数据的步骤，包括：对基础数据进行文本挖掘和自然语言处理（Nature Language Processing，NLP），得到分词文本；将所述分词文本编码为数值向量，其中所述数值向量作为所述样本数据。

在一些实施例中，文本挖掘可以使用结巴分词等工具实现。结巴分词可以基于Trie树+维特比等算法实现最大概率的词语切分。

可选地，结巴分词基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（Directed Acyclic Graph，DAG)；有向无环图指的是一个无回路的有向图。有向无环图的生成树个数等于入度非零的节点的入度积。

采用动态规划查找最大概率路径,找出基于词频的最大切分组合；对于未登录词，采用了基于汉字成词能力的隐马尔可夫模型（Hidden Markov Model，HMM），使用了维特比算法。

Trie树是一种哈希树的变种，可以用于统计、排序和保存大量的字符串（但不仅限于字符串），即文本词频统计。Trie树是利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率比哈希树高。

Trie树的实现方法为：从根结点开始一次搜索；取得要查找关键词的第一个字母，并根据该字母选择对应的子树并转到该子树继续进行检索；在相应的子树上，取得要查找关键词的第二个字母,并进一步选择对应的子树进行检索。迭代上述过程，在某个结点处，关键词的所有字母已被取出，则读取附在该结点上的信息，即完成查找。

隐马尔可夫模型是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其隐马尔可夫模型可以被认为是一个概括的混合模型中的隐藏变量（或变量），它控制的混合成分被选择为每个观察，通过马尔可夫过程而不是相互独立相关。

维特比算法一种动态规划算法用于寻找最有可能产生观测事件序列的-维特比路径-隐含状态序列。简要地，维特比算法的基础可以概括成下面三点：

1.如果概率最大的路径p(或者说最短路径)经过某个点，比如途中的X

2.从S到E的路径必定经过第i个时刻的某个状态，假定第i个时刻有k个状态，那么如果记录了从S到第i个状态的所有k个节点的最短路径，最终的最短路径必经过其中一条，这样，在任意时刻，只要考虑非常有限的最短路即可；

3.结合以上两点，假定当从状态i进入状态i+1时，从S到状态i上各个节的最短路径已经找到，并且记录在这些节点上，那么在计算从起点S到第i+1状态的某个节点X

在一些实施例中，对所述基础数据进行文本挖掘和自然语言处理，得到分词文本的步骤，包括：

基于预设词语对基础数据进行扫描，生成包括客服人员的相关数据的有向无环图；对有向无环图采用动态规划查找最大概率路径,确定基于词语出现频率的最大切分组合，得到分词文本。

自然语言处理是指利用人类交流所使用的自然语言与机器进行交互通讯的技术。通过人为的对自然语言的处理，使得计算机对其能够可读并理解。本文挖掘后可以保留的重要信息，自然语言处理可以将重要信息处理为机器可以理解的语言，从而形成样本数据。

举个例子，对基础数据进行结巴分词，得到文本；将文本编码为数值向量，其中数值向量作为样本数据。以上方式，通过机器智能的分词、词性标注、词形还原、依赖关系解析、命名实体识别、序列标注、句子关系识别等一系列的数据分析，将人类语言转换成计算机能理解的符号或将机器语言转换成人可以理解的语言。

S130：对样本数据进行建模，获得客服人员模型。

可选地，对样本数据进行建模处理，获得客服人员模型的步骤，包括：

对样本数据进行聚类算法处理、机器学习和预测算法处理，得到客服人员模型。例如，对数值向量进行分类，使用TF-IDF编码，通过支持向量积算法（Support VectorMachine，SVM）和决策树算法进行建模，获得客服人员模型。

TF-IDF（term frequency–inverse document frequency）是一种用于信息检索与数据挖掘的常用加权技术，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。

支持向量积算法是一种监督式学习的方法，它是将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。

决策树(Decision Tree，DT)是一种基本的分类与回归方法。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。决策树学习的算法是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得对各个子数据集有一个最好的分类的过程。包含特征选择、决策树的生成和决策树的剪枝过程。

如果样本数据的特征数量很多，在决策树学习开始时对特征进行选择，只留下对训练数据有足够分类能力的特征。决策树的生成对应模型的局部选择，决策树的剪枝对应于模型的全局选择。决策树的生成只考虑局部最优，决策树的剪枝则考虑全局最优。

在一些实施例中，通过支持向量积算法和决策树算法对数值向量进行建模，获得客服人员模型。

S140：基于预设维度，以利用客服人员模型构建客服人员标签画像。

预设维度是需要针对客服人员的行为进行评估的维度，其中，基于预设维度，以利用客服人员模型构建客服人员标签画像的步骤，包括：

基于客服人员模型，将样本数据按照预设维度进行评分，得到每个维度的评分结果；基于每个维度的评分结果构建所述客服人员标签画像；其中，客服人员标签画像为雷达图，每个维度的评分结果作为所述雷达图的变量。

雷达图是以从同一点开始的轴上表示的三个或更多个定量变量的二维图表的形式显示多变量数据的图形方法。

在一些实施例中，预设维度可以包括业务分类准确性、话术执行准确性、地址准确性、预处理准确性、综合处理准确性等。基于预设维度可以对客服人员的服务进行客观评价。需要说明的是，预设维度可以进行个性化的定制，以满足不同的场景需求。

在一些实施例中，基础数据可以包括投诉数据，投诉数据包括客服人员处理的投诉工单；因此，基于预设维度，以利用客服人员模型构建客服人员标签画像的步骤，包括：

获取客服人员处理的所有投诉工单；对每条投诉工单，可以按照业务分类准确性、话术执行准确性、地址准确性、预处理准确性、综合处理准确性这五个维度，构建客服人员标签画像的雷达图。

其中，业务分类准确性是指在客服人员处理过的工单中，是否按照客户沟通的需求，将工单派发到合适的部门；话术执行准确性是指在客服人员处理过的工单中，是否礼貌用语以带给客户舒适的体验；地址准确性是指在客服人员处理过的工单中，是否准确记录客户的地址信息；预处理准确性是指在客服人员处理过的工单中，是否按照客服需求登记好所需的信息；综合处理准确性指在客服人员处理过的工单中，是否准确记录了其他信息。

可选地，客服人员标签画像的各个维度以准确性的百分比方式展示，请参阅图2，图2是本发明客服人员标签画像一实施例的示意图。

图2中以业务分类准确性、话术执行准确性、地址准确性、预处理准确性、综合处理准确性的五个维度，构建客服人员标签画像，并且每个维度都给出了客服人员的评分。综合处理准确性为87分、业务分类准确性是93分，话术执行准确性是80分，地址准确性是73分，预处理准确性是99分。

通过显性展示所有客服人员的画像和各项指标准确性情况，可以分析出现有客服人员在业务水平、沟通技巧、服务能力方面存在哪些短板，针对这些短板和历史投诉工单处理情况进行有针对性的改进，整体的提升客服人员各方面能力，为后续投诉处理精准、高效奠定坚实的基础。

综上，本实施例的客服人员标签画像的构建方法，利用大数据，通过自然语言处理，将数据转化为机器模型，通过相关的建模算法对客服的投诉处理行为进行建模，并对投诉处理结果进行标签化管理，按照模型进行AI计算完成客服人员画像构建，可以直观准确的量化评估客服人员投诉处理过程中的业务能力、沟通技巧、服务水平、处理准确性，减少管理成本，便于客服人员能力有针对性的快速提升，减少投诉处理时长。

此外，在一些实施例中，还可以通过大数据分析结合机器计算，对投诉工单进行有效质检，确保投诉问题的准确传递，结合满意度回访，对每个客户的投诉工单进行校验，通过自动质检代替人工质检，做到客户的投诉得到真实、有效的完成处理，校验投诉工单的状态，使得投诉处理完成闭环管理，最终达到提高客户满意度提升的目的。

下面对本发明提供的客服人员标签画像的构建装置进行描述，下文描述的客服人员标签画像的构建装置与上文描述的客服人员标签画像的构建方法可相互对应参照。

请参阅图3，图3是本发明客服人员标签画像的构建装置一实施例的结构示意图。在本实施例中，客服人员标签画像的构建装置可以包括获取数据模块310、文本处理模块320、建模处理模块330和标签画像模块340。具体地：

获取数据模块310，用于获取基础数据；其中，基础数据包括与客服人员相关的数据；

文本处理模块320，用于对基础数据进行文本处理，获得样本数据；

建模处理模块330，用于对样本数据进行建模，获得客服人员模型；

标签画像模块340，用于基于预设维度、以利用客服人员模型构建客服人员标签画像。

在一些实施例中，标签画像模块340用于：

基于客服人员模型，将样本数据按照预设维度进行评分，得到每个维度的评分结果；基于每个维度的评分结果构建客服人员标签画像；其中，客服人员标签画像为雷达图，每个维度的评分结果作为雷达图的变量。

在一些实施例中，文本处理模块320用于：

对基础数据进行文本挖掘和自然语言处理，得到分词文本；将分词文本编码为数值向量，其中数值向量作为样本数据。

在一些实施例中，文本处理模块320用于：

基于预设词语对基础数据进行扫描，生成包括客服人员的相关数据的有向无环图；对有向无环图采用动态规划查找最大概率路径,确定基于词语出现频率的最大切分组合，得到分词文本。

在一些实施例中，建模处理模块330用于：

通过支持向量积算法和决策树算法进行建模，获得客服人员模型。

在一些实施例中，基础数据包括投诉数据、质检数据、满意度回访数据。

在一些实施例中，基础数据还包括投诉数据、质检数据、满意度回访数据中的至少一种。

本发明还提供一种电子设备，请参阅图4，图4是本发明电子设备一实施例的结构示意图。在本实施例中，电子设备可以包括存储器(memory)420、处理器(processor)410及存储在存储器420上并可在处理器410上运行的计算机程序。处理器410执行程序时实现上述各方法所提供的客服人员标签画像的构建方法。

可选地，电子设备还可以包括通信总线430和通信接口(CommunicationsInterface)440，其中，处理器410，通信接口440，存储器420通过通信总线430完成相互间的通信。处理器410可以调用存储器420中的逻辑指令，以执行客服人员标签画像的构建方法，该方法包括：

获取基础数据；其中，基础数据包括与客服人员相关的数据；对基础数据进行文本处理，获得样本数据；对样本数据进行建模，获得客服人员模型；基于预设维度，以利用客服人员模型构建客服人员标签画像。

此外，上述的存储器420中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的客服人员标签画像的构建方法，其步骤和原理在上述方法已详细介绍，在此不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。