一种针对客户探访的智能排班平台制造技术

本发明专利技术公开了一种针对客户探访的智能排班平台，根据距离进行聚类，并且针对AOI数据进行排班优化，一个商场点多一天不能排完，根据数量，计算出天数，采用VRP模型进行分配，所述聚类使用dbscan聚类算法，DBSCAN是基于密度空间的聚类算法，其可以用于凹数据集，适合用于不规则分布客户点的聚类分析，利用时空数据基于机器学习算法和相应的约束条件，实现自动化的客户回访，使得回访日程及路径规划实现工程化和自动化，只要运营人员更新客户数据以及相应的约束规则就可以自动完成回访日程安排，可以精确到小时级别，能够大幅提升客户回访的有效性，节约运营成本、提升运营效率，提高客户的满意度。

【技术实现步骤摘要】
一种针对客户探访的智能排班平台
本专利技术涉及智能控制
，具体为一种针对客户探访的智能排班平台。
技术介绍
排班是许多企业的一项日常管理工作内容，一套公平、合理的排班软件不仅能调用员工积极性,也能提高工作效率,对企业具有非常重要意义；业务人员拜访线下终端门店，科学管理客户拜访频次，业务人员划分区域，每个业务人员定区，定客户，定路线，定任务量，但是如何提高业务人员工作效率，摒弃繁琐的人工排班，一直是个目前无法解决的问题。
技术实现思路
本专利技术提供一种针对客户探访的智能排班平台，可以有效解决上述
技术介绍
中提出每个业务人员定区，定客户，定路线，定任务量，但是如何提高业务人员工作效率，摒弃繁琐的人工排班，一直是个目前无法解决的问题。为实现上述目的，本专利技术提供如下技术方案：一种针对客户探访的智能排班平台，根据距离进行聚类，并且针对AOI数据进行排班优化，一个商场点多一天不能排完，根据数量，计算出天数，采用VRP模型进行分配。根据上述技术方案，所述聚类使用dbscan聚类算法，DBSCAN是基于密度空间的聚类算法，其可以用于凹数据集，适合用于不规则分布客户点的聚类分析，DBSCAN需要确定两个参数：Eps为在一个点周围邻近区域的半径；MinPts为邻近区域内至少包含点的个数，Eps的选择根据实际问题而定，MinPts的选择通常采用k-距离图像法来确定，采用一种自适应DBSCAN聚类分析方法，通过利用数据集自身分布特性生成候选Eps和MinPts，自动寻找到聚类簇数量变化的稳定区间，此时对应的参数即为要选择的最优参数，同时针对样本数量巨大的情况对该方法进行了改进，将Eps和MinPts候选参数的选择由全局取期望值改成了抽样取期望值。根据上述技术方案，所述抽样取期望值包括如下步骤：步骤1：计算数据集D的距离分布矩阵，n为样本大小；步骤2：对距离矩阵的每一行元素进行升序排列，则第i列的元素随机取x个组成；步骤3：对中的所有元素取平均数，对所有的i值进行计算，最终得到Eps参数候选列表；步骤4：生成MinPts参数候选列表，在数据集D中随机选取x个对象，对于步骤3得到的Eps参数候选列表，依次计算每一个列表中的Eps候选值的领域对象数量，并计算对象数量的数学期望，作为数据集D的邻域密度阈值MinPts参数；式中：表示第i个对象的Eps邻域对象数量，x表示从数据集D中随机抽取的对象数；步骤5：依次选用列表和列表中的元素作为Eps和MinPts参数，输入DBSCAN算法中对数据集进行聚类分析，分别得到不同输入参数下对应的聚类簇数，当聚类簇数连续3次相同时，认为聚类结果趋于稳定，记该聚类簇数为最优聚类簇数M；步骤6：继续执行步骤5，直到聚类簇数不为M，则选择最后一次聚类簇数为M时对应的Eps和MinPts为最优参数。根据上述技术方案，所述步骤1中：；所述步骤2中中：；所述步骤3中MinPts参数，即：。根据上述技术方案，所述聚类进行由外向内进行聚类，优先对最外面离散的点进行聚类，优先进行规划，防止离散点规划不上情况。根据上述技术方案，所述抽样取期望值对优先级低的参数进行适当放宽处理，首先要保证把所有的点都排进去，但是出现点实在太多，会进行取舍，优先舍去的是等级低的、离散的点，然后会进行其他参数的调整，拜访时间间隔，每天拜访距离和每天工作时间，会按照参数限制的优先级进行调整。根据上述技术方案，所述智能排班平台包括客户信息录入、客户位置可视化、智能划分分区、智能排班计算，排班优化、结果输出和反馈优化。与现有技术相比，本专利技术的有益效果：本专利技术结构科学合理，使用安全方便，本专利技术集成基础服务算法、核心算法，基于算法进行客户回访的最优化排班结果，运营人员可以按照规划好的方案以及日程计划来有计划的进行相应的客户回访，根据具体的回访反馈，可监测回访任务状态、以及优化回访方案，在于将客户探访的规则和模型算法相结合，并且完成了工程化实现，通过基于地图的可视化UI界面输出，便于运营人员的使用和管理，且传统的排班算法需要依托规则、算法模型，对技术要求较高，运营和业务人员很难使用；本专利技术对后台规则和算法做封装，只需要通过操作前端UI界面即可实现智能排班的规划，排班的路径包含自驾、公交，本专利技术集成了这些路径，并打通各个接口，用户可以定制选择访问路径、访问时间，还可对客户的位置和周期做自动优化、实时数据分析等，针对回访效果的实时反馈，可以持续优化和更新。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是本专利技术的排班流程结构示意图；图2是本专利技术的平台结构示意图。具体实施方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。实施例：如图1-2所示，本专利技术提供技术方案，一种针对客户探访的智能排班平台，根据距离进行聚类，并且针对AOI数据进行排班优化，一个商场点多一天不能排完，根据数量，计算出天数，采用VRP模型进行分配。根据上述技术方案，聚类使用dbscan聚类算法，DBSCAN是基于密度空间的聚类算法，其可以用于凹数据集，适合用于不规则分布客户点的聚类分析，DBSCAN需要确定两个参数：Eps为在一个点周围邻近区域的半径；MinPts为邻近区域内至少包含点的个数，Eps的选择根据实际问题而定，MinPts的选择通常采用k-距离图像法来确定，采用一种自适应DBSCAN聚类分析方法，通过利用数据集自身分布特性生成候选Eps和MinPts，自动寻找到聚类簇数量变化的稳定区间，此时对应的参数即为要选择的最优参数，同时针对样本数量巨大的情况对该方法进行了改进，将Eps和MinPts候选参数的选择由全局取期望值改成了抽样取期望值。根据上述技术方案，抽样取期望值包括如下步骤：步骤1：计算数据集D的距离分布矩阵，n为样本大小；步骤2：对距离矩阵的每一行元素进行升序排列，则第i列的元素随机取x个组成；步骤3：对中的所有元素取平均数，对所有的i值进行计算，最终得到Eps参数候选列表；步骤4：生成MinPts参数候选列表，在数据集D中随机选取x个对象，对于步骤3得到的Eps参数候选列表，依次计算每一个列表中的Eps候选值的领域对象数量，并计算对象数量的数学期望，作为数据集D的邻域密度阈值MinPts参数；式中：表示第i个对象的Eps邻域对象数量，x表示从数据集D中随机抽取的对象数；步骤5：依次选用列表和列表中的元素作为Eps和MinPts参数，输入DBSCAN算法中对数据集进行聚类分析，分别得到不同输入参数下对应的聚类簇数，当聚类簇数连续3次相同时，认为聚类结果趋于稳定，记该聚类簇数为最优聚类簇数M；步骤6：继续执行步骤本文档来自技高网...

【技术保护点】
1.一种针对客户探访的智能排班平台，其特征在于：根据距离进行聚类，并且针对AOI数据进行排班优化，一个商场点多一天不能排完，根据数量，计算出天数，采用VRP模型进行分配。/n

【技术特征摘要】
1.一种针对客户探访的智能排班平台，其特征在于：根据距离进行聚类，并且针对AOI数据进行排班优化，一个商场点多一天不能排完，根据数量，计算出天数，采用VRP模型进行分配。


2.根据权利要求1所述的一种针对客户探访的智能排班平台，其特征在于，所述聚类使用dbscan聚类算法，DBSCAN是基于密度空间的聚类算法，其可以用于凹数据集，适合用于不规则分布客户点的聚类分析，DBSCAN需要确定两个参数：Eps为在一个点周围邻近区域的半径；MinPts为邻近区域内至少包含点的个数，Eps的选择根据实际问题而定，MinPts的选择通常采用k-距离图像法来确定，采用一种自适应DBSCAN聚类分析方法，通过利用数据集自身分布特性生成候选Eps和MinPts，自动寻找到聚类簇数量变化的稳定区间，此时对应的参数即为要选择的最优参数，同时针对样本数量巨大的情况对该方法进行了改进，将Eps和MinPts候选参数的选择由全局取期望值改成了抽样取期望值。


3.根据权利要求2所述的一种针对客户探访的智能排班平台，其特征在于，所述抽样取期望值包括如下步骤：
步骤1：计算数据集D的距离分布矩阵，n为样本大小；
步骤2：对距离矩阵的每一行元素进行升序排列，则第i列的元素随机取x个组成；
步骤3：对中的所有元素取平均数，对所有的i值进行计算，最终得到Eps参数候选列表；
步骤4：生成MinPts参数候选列表，在数据集D中随机选取x个对象，对于步骤3得到的Eps参数候选列表，依次计算每一个列表中的Eps候选值的领域对象数量，并计算对象数量的数学期望，作为数据集D的邻...

【专利技术属性】
技术研发人员：田鹏飞，张宇亭，谷守邦，孙伟，吴丹，储鑫淼，
申请(专利权)人：亿景智联北京科技有限公司，
类型：发明
国别省市：北京;11