一种基于画像匹配的呼叫分配方法

技术领域

本申请涉及智能客服技术领域，尤其涉及一种基于画像匹配的呼叫分配方法。

背景技术

呼叫分配方法是队列收到呼叫请求后分配给坐席的规则, 常用的规则有：轮询振铃、最少通话振铃、递增振铃、随机振铃、全部振铃。这种分配方法只是从坐席角度进行分配，无法满足大数据背景下的需要。并且在现有画像匹配的模式下，例如通过匹配，a客户应该分配给b坐席，但是a客户在接通时，b坐席正在占用中，那么此种匹配模式则存在缺陷，客户与坐席之间的匹配程度不高，因此整体上不能够有效提高总体的营销成功率。

发明内容

本申请提供了一种基于画像匹配的呼叫分配方法，基于画像的匹配方法，首先建立客户画像与坐席画像，根据深度学习模型，对客户画像的呼叫信息要素与空闲的坐席画像的应答信息要素分别计算，得出空闲的坐席画像对应客户画像的营销成功率的预测值，再对空闲的坐席画像分别与客户画像进行排列组合，得出各个组合的总体的营销成功率的预测值并按照各个组合的总体的营销成功率的预测值从高到低进行排序，最后按照总体的营销成功率的预测值高的组合方案进行呼叫分配。通过实时计算得到分配方案的最优解，使得客户与坐席之间匹配程度最优，提升总体的匹配效果，进而提升全部业务坐席的整体的营销成功率。

一种基于画像匹配的呼叫分配方法，其特征在于，包括以下步骤：

S1：获取客户的呼叫信息要素，建立客户画像；

S2：获取全部的坐席的应答信息要素，建立坐席画像；

S3：确定当前时间发起的呼叫请求的数量为N；

S4：确定当前时间被接入的呼叫请求的数量为M，M小于或等于N；

S5：确定当前时间所有的空闲的坐席数量为K，找到当前所有的空闲的坐席A1、A2……AK；

S6：根据深度学习模型，对M个客户画像的呼叫信息要素与K个空闲的坐席画像的应答信息要素分别计算，得出K个空闲的坐席画像对应M个客户画像的营销成功率的预测值；

S7：对K个空闲的坐席画像分别与M个客户画像进行排列组合，得出各个组合的总体的营销成功率的预测值并按照各个组合的总体的营销成功率的预测值从高到低进行排序；

S8：按照总体的营销成功率的预测值高的组合方案进行话务分配。

进一步地，S1中建立客户画像而搜集的客户的呼叫信息要素具体包括：

客户个人基础信息、客户历史消费水平、客户历史营销成功率、客户历史评级。

进一步地，S2中建立坐席画像而搜集的全部的坐席的应答信息要素具体包括：

坐席拨打时长、坐席业务类型、坐席接入数量、坐席历史营销成功率、坐席用户满意度。

进一步地，S6中得出K个坐席画像对应M个客户画像的营销成功率的预测值的具体计算方法为：

S6-1：将K个坐席画像与M个客户画像作为参数，输入到深度学习模型；

S6-2：通过多头注意力算法进行训练；

S6-3：得出K个空闲的坐席画像对应M个客户画像的营销成功率的预测值。

进一步地，S7中对K个坐席分别与M个客户进行排列组合，得出各个组合的总体的营销成功率的预测值的具体计算方法为：

排列组合穷尽所有的组合方式的成功率预测值之后进行加权计算。

由以上技术方案可知，本申请的有益效果如下，首先建立客户画像与坐席画像，可根据不同坐席的业务差异，有针对性的获取不同的客户的呼叫信息要素来建立客户画像，对建立坐席画像而搜集的全部的坐席的应答信息要素也可在实践中进行动态调整，以适应不同的营销场景，能够更加准确的预测坐席画像对应客户画像的营销成功率。接着确定当前时间所有的空闲的坐席数量与当前时间发起的呼叫请求的数量，然后确定当前时间被接入的呼叫请求的数量，根据深度学习模型，对客户画像的呼叫信息要素与空闲的坐席画像的应答信息要素分别计算，得出空闲的坐席画像对应客户画像的营销成功率的预测值，再对空闲的坐席画像分别与客户画像进行排列组合，得出各个组合的总体的营销成功率的预测值并按照各个组合的总体的营销成功率的预测值从高到低进行排序，最后按照总体的营销成功率的预测值高的组合方案进行呼叫分配。通过计算各个组合的总体的营销成功率的预测值，实时计算得到分配方案的最优解，使得客户与坐席之间匹配程度最优，提升总体的匹配效果，进而提升全部业务坐席的总体的营销成功率。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为一种基于画像匹配的呼叫分配方法的流程图。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的：本申请的一些方面相一致的系统和方法的示例。

如图1所示，一种基于画像匹配的呼叫分配方法，其特征在于，具体包括以下内容：

首先获取客户的呼叫信息要素，建立客户画像；建立客户画像而搜集的客户的呼叫信息要素具体包括为：

客户个人基础信息、客户历史消费水平、客户历史营销成功率、客户历史评级。

获取全部的坐席的应答信息要素，建立坐席画像；建立坐席画像而搜集的全部的坐席的应答信息要素具体包括为：

坐席拨打时长、坐席业务类型、坐席接入数量、坐席历史营销成功率、坐席用户满意度。

本技术方案可根据不同坐席的业务差异，有针对性的获取不同的客户的呼叫信息要素来建立客户画像，对建立坐席画像而搜集的全部的坐席的应答信息要素也不限于上述列举，在实践中可进行动态调整，适应不同的营销场景，能够更加准确的预测坐席画像对应客户画像的营销成功率。

确定当前时间发起的呼叫请求的数量为N，确定当前时间被接入的呼叫请求数量为M，M小于或等于N。通过确定当前时间被接入的呼叫请求数量为M，能够提高客户与坐席之间沟通的效率，避免客户等待时间过长，有利于提升坐席对客户的整体的营销成功率。

确定当前时间所有的空闲的坐席数量为K，找到当前所有的空闲的坐席A1、A2……AK。通过确定当前时间所有的空闲的坐席数量，能够避免传统画像匹配模式的情况下出现a客户应该给b坐席，但a客户在接通时，b坐席正在接通中，那a客户就无法分给b，由此增加了a客户的等待时间，对a客户的情绪产生负面影响，同时影响了坐席的营销成功率。

根据深度学习模型，对M个客户画像的呼叫信息要素与K个空闲的坐席画像的应答信息要素分别计算，得出K个空闲的坐席画像对应M个客户画像的营销成功率的预测值，具体计算方法为：

首先将K个坐席画像与M个客户画像作为参数，输入到深度学习模型；通过多头注意力算法进行训练；得出K个空闲的坐席画像对应M个客户画像的营销成功率的预测值。后续的匹配只需要拿到对应的画像数据就可以得到营销成功率的预测值。

对K个空闲的坐席画像分别与M个客户画像进行排列组合，得出各个组合的总体的营销成功率的预测值，具体计算方法为：

排列组合穷尽所有的组合方式的成功率预测值之后进行加权计算。

排列组合穷尽所有的总体营销成功率预测值之后，通过加权计算得出总体营销成功率预测值最大的组合，按照该组合方案进行呼叫分配。

按照各个组合的总体的营销成功率的预测值从高到低进行排序，通过计算组合的总体的营销成功率，既可以保证每个客户与对应坐席之间的营销成功率，又能够保证所有的空闲的坐席与对应客户的整体营销成功率。使得效率提高并且营销成功率最大化。

最后按照总体的营销成功率的预测值高的组合方案进行话务分配。使得客户与坐席的匹配程度最优，有利于营销成功率的提升。

综上所述，本技术方案首先建立客户画像与坐席画像，确定当前时间所有的空闲的坐席数量与当前时间发起的呼叫请求的数量，然后确定当前时间能被接通的呼叫请求的数量，根据深度学习模型，对客户画像的呼叫信息要素与空闲的坐席画像的应答信息要素分别计算，得出空闲的坐席画像对应客户画像的营销成功率的预测值，再对空闲的坐席画像分别与客户画像进行排列组合，得出各个组合的总体的营销成功率的预测值并按照各个组合的总体的营销成功率的预测值从高到低进行排序，最后按照总体的营销成功率的预测值高的组合方案进行呼叫分配。通过实时计算得到分配方案的最优解，使得客户与坐席之间匹配程度最优，提升总体的匹配效果，进而提升全部业务坐席的总体的营销成功率。

以上提供的具体实施方式只是本申请总的构思下的示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。