一种基于大数据的呼叫中心客户智能排队系统及方法技术方案

本发明专利技术公开了一种基于大数据的呼叫中心客户智能排队系统及方法，属于智能排队技术领域。本发明专利技术包括以下步骤：步骤一：呼叫中心将客户通过各渠道发布的咨询信息录入呼叫中心数据库，呼叫中心数据库根据客户在咨询渠道上显示的相关信息对客户基本信息、客户个人信息、历史已解决问题和历史未解决问题进行查询；步骤二：基于故障树分析法对客户历史未解决问题的主导因素进行分析；步骤三：根据步骤二中的分析结果结合客户基本信息和客户个人信息变动情况对客户历史未解决问题能否顺利处理进行判断；步骤四：基于客户基本信息、客户个人信息、历史已解决问题和历史未解决问题对客户咨询信息的类型进行预测。询信息的类型进行预测。询信息的类型进行预测。

【技术实现步骤摘要】
一种基于大数据的呼叫中心客户智能排队系统及方法


[0001]本专利技术涉及智能排队
，具体为一种基于大数据的呼叫中心客户智能排队系统及方法。

技术介绍

[0002]随着通讯技术的不断发展，呼叫中心的规模与日俱增，现阶段国内拥有上千席的呼叫中心不在少数，其每日所产生的语音数据体量难以想象，属于典型的非结构化“大数据”。
[0003]现有的呼叫中心安排客户排队等待时，仅通过客户咨询时间先后决定客户排队序列，当客户在不具备一定条件下发布咨询时，人工坐席需要引导客户补充相应资料后才能处理客户咨询问题，此过程耗费人工坐席大量时间且无需工作技巧，进而降低人工坐席的工作效率，以及人工坐席在为客户处理问题时，由于事先不清楚客户咨询问题的类型，且无法对人工坐席处理时间进行预测，导致接入的人工坐席无法解答客户问题，需要转接至其他人工坐席并重新排队，或人工坐席单次问题处理时间过长，增加客户排队时间，降低了呼叫中心的服务效能，以及无法实现智能机器人与人工坐席共同为客户咨询问题进行解答，当人工坐席处于休息状态时，呼叫中心将无法正常运行，进而无法实现呼叫中心7
×
24小时智能化服务。

技术实现思路

[0004]本专利技术的目的在于提供一种基于大数据的呼叫中心客户智能排队系统及方法，以解决上述
技术介绍
中提出的问题。
[0005]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于大数据的呼叫中心客户智能排队方法，所述方法包括以下步骤：
[0006]步骤一：呼叫中心将客户通过各渠道发布的咨询信息录入呼叫中心数据库，呼叫中心数据库根据客户在咨询渠道上显示的相关信息对客户基本信息、客户个人信息、历史已解决问题和历史未解决问题进行查询，客户基本信息包括客户公司名称、公司地址和公司基本情况，渠道包括PC、电话、App、Wap、微信、微博等；
[0007]步骤二：基于故障树分析法对客户历史未解决问题的主导因素进行分析；
[0008]步骤三：根据步骤二中的分析结果结合客户基本信息和客户个人信息变动情况对客户历史未解决问题能否顺利处理进行判断；
[0009]步骤四：基于客户基本信息、客户个人信息、历史已解决问题和历史未解决问题对客户咨询信息的类型进行预测；
[0010]步骤五：根据步骤三的判断结果、步骤四的预测结果结合呼叫中心该类问题历史处理情况对该问题处理时长进行预测；
[0011]步骤六：根据步骤五中预测的问题处理时长结合人工坐席工作情况对客户排队顺序进行智能合理安排。
[0012]进一步的，所述步骤三中根据步骤二中的分析结果结合客户基本信息变动情况对客户历史未解决问题能否顺利处理进行判断的具体方法为：
[0013]当客户未解决问题属于公司层面时：
[0014]步骤三(Ⅰ).通过客户历史未解决问题故障树模型确定导致历史咨询问题未解决的中间事件和基本事件，中间事件包括技术问题、设备问题和技术不成熟，基本事件包括技术未更新、技术不适用于实际情况、无技术支撑、缺少设备和设备不符合需求，中间事件表示需要进一步分析的故障事件，基本事件表示分析中无需探明其发生原因的事件；
[0015]步骤三(Ⅱ).根据步骤三(Ⅰ)中中间事件出现的概率对客户历史未解决问题的主导因素进行分析确定，中间事件出现的概率通过数据库统计计算得出，具体的分析确定方法为：
[0016]设A＝技术未更新事件，B＝技术不适用于实际情况事件，C＝无技术支撑事件，D＝缺少设备事件，E＝设备不符合需求事件，F＝技术问题事件，G＝设备问题事件，H＝技术不成熟事件，则C、B、E事件发生的概率分别为：
[0017][0018][0019][0020]其中，q1表示技术问题事件发生的概率，q2表示设备问题事件发生的概率，q3表示技术不成熟事件发生的概率，q
A
表示技术未更新事件发生的概率，q
D
表示缺少设备事件发生的概率，由于A、D两事件发生的概率极低，所以可忽略不计；
[0021]对P(C)、P(B)和P(E)值的大小进行比较，确定最大值所代表的事件为客户公司层面历史未解决问题的主导因素；
[0022]步骤三(Ⅲ).判断客户基本信息的变动内容是否与步骤三(Ⅱ)中确定的主导因素相同，若相同，则认为客户公司层面历史未解决问题能够顺利进行，反之，则无法顺利进行；
[0023]当客户未解决问题属于个人层面时：
[0024]步骤三(1).通过客户历史未解决问题故障树模型确定导致历史咨询问题未解决的中间事件和基本事件，中间事件包括缺少信息和无法获取相关信息，基本事件包括信息未更新、信息丢失、信息被隐藏和信息未办理；
[0025]步骤三(2).根据步骤三(Ⅰ)中中间事件出现的概率对客户历史未解决问题的主导因素进行分析确定，中间事件出现的概率通过数据库统计计算得出，具体的分析确定方法为：
[0026]设Z＝缺少信息事件，X＝无法获取相关信息事件，V＝信息未更新事件，O＝信息丢失事件，P＝信息被隐藏事件，U＝信息未办理事件，则O、U事件发生的概率分别为：
[0027][0028][0029]其中，q4表示缺少信息事件发生的概率，q5表示无法获取相关信息事件发生的概率，q
V
表示信息未更新事件发生的概率，q
P
表示信息被隐藏事件发生的概率，由于V、P两事件发生的概率极低，所以可忽略不计；
[0030]对P(O)和P(U)值的大小进行比较，确定最大值所代表的事件为客户个人层面历史未解决问题的主导因素；
[0031]步骤三(3).判断客户个人信息的变动内容是否与步骤三(2)中确定的主导因素相同，若相同，则认为客户个人层面历史未解决问题能够顺利进行，反之，则无法顺利进行。
[0032]进一步的，所述步骤四中基于客户基本信息、历史已解决问题和历史未解决问题对客户咨询信息的类型进行预测的具体方法为：
[0033]步骤四(Ⅰ).设M＝客户基本信息事件，N＝历史问题未解决事件，则
[0034]步骤四(Ⅱ).基于步骤四(Ⅰ)中的内容对客户咨询问题的类型进行预测，具体的预测模型γ为：
[0035][0036]其中，P(MN)表示历史未解决问题中与客户基本信息有关事件占总事件的比例，表示历史已解决问题中与客户个人信息有关事件占总事件的比例，表示历史未解决问题中与客户个人信息有关事件占总事件的比例，表示历史已解决问题中与客户基本信息有关事件占总事件的比例，P(M)表示客户历史总咨询问题中与客户基本信息有关事件占总事件的比例，表示客户历史总咨询问题中与客户个人信息有关事件占总事件的比例，P(N)表示历史未解决问题中与客户信息有关事件占总事件的比例，表示历史已解决问题中与客户信息有关事件占总事件的比例，γ表示历史已解决问题与客户基本信息之间的相关程度，当γ＞0时，表示历史未解决问题与客户基本信息之间相关程度较大，当γ＝0时，表示历史未解决问题与客户基本信息之间相互独立，通过对客本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的呼叫中心客户智能排队方法，其特征在于：所述方法包括以下步骤：步骤一：呼叫中心将客户通过各渠道发布的咨询信息录入呼叫中心数据库，呼叫中心数据库根据客户在咨询渠道上显示的相关信息对客户基本信息、客户个人信息、历史已解决问题和历史未解决问题进行查询；步骤二：基于故障树分析法对客户历史未解决问题的主导因素进行分析；步骤三：根据步骤二中的分析结果结合客户基本信息和客户个人信息变动情况对客户历史未解决问题能否顺利处理进行判断；步骤四：基于客户基本信息、客户个人信息、历史已解决问题和历史未解决问题对客户咨询信息的类型进行预测；步骤五：根据步骤三的判断结果、步骤四的预测结果结合呼叫中心该类问题历史处理情况对该问题处理时长进行预测；步骤六：根据步骤五中预测的问题处理时长结合人工坐席工作情况对客户排队顺序进行智能合理安排。2.根据权利要求1所述的一种基于大数据的呼叫中心客户智能排队方法，其特征在于：所述步骤三中根据步骤二中的分析结果结合客户基本信息变动情况对客户历史未解决问题能否顺利处理进行判断的具体方法为：当客户未解决问题属于公司层面时：步骤三(Ⅰ).通过客户历史未解决问题故障树模型确定导致历史咨询问题未解决的中间事件和基本事件，中间事件包括技术问题、设备问题和技术不成熟，基本事件包括技术未更新、技术不适用于实际情况、无技术支撑、缺少设备和设备不符合需求；步骤三(Ⅱ).根据步骤三(Ⅰ)中中间事件出现的概率对客户历史未解决问题的主导因素进行分析确定，具体的分析确定方法为：设A＝技术未更新事件，B＝技术不适用于实际情况事件，C＝无技术支撑事件，D＝缺少设备事件，E＝设备不符合需求事件，F＝技术问题事件，G＝设备问题事件，H＝技术不成熟事件，则C、B、E事件发生的概率分别为：件，则C、B、E事件发生的概率分别为：件，则C、B、E事件发生的概率分别为：其中，q1表示技术问题事件发生的概率，q2表示设备问题事件发生的概率，q3表示技术不成熟事件发生的概率，q
A
表示技术未更新事件发生的概率，q
D
表示缺少设备事件发生的概率，由于A、D两事件发生的概率极低，所以可忽略不计；对P(C)、P(B)和P(E)值的大小进行比较，确定最大值所代表的事件为客户公司层面历史未解决问题的主导因素；
步骤三(Ⅲ).判断客户基本信息的变动内容是否与步骤三(Ⅱ)中确定的主导因素相同，若相同，则认为客户公司层面历史未解决问题能够顺利进行，反之，则无法顺利进行；当客户未解决问题属于个人层面时：步骤三(1).通过客户历史未解决问题故障树模型确定导致历史咨询问题未解决的中间事件和基本事件，中间事件包括缺少信息和无法获取相关信息，基本事件包括信息未更新、信息丢失、信息被隐藏和信息未办理；步骤三(2).根据步骤三(Ⅰ)中中间事件出现的概率对客户历史未解决问题的主导因素进行分析确定，具体的分析确定方法为：设Z＝缺少信息事件，X＝无法获取相关信息事件，V＝信息未更新事件，O＝信息丢失事件，P＝信息被隐藏事件，U＝信息未办理事件，则O、U事件发生的概率分别为：件，U＝信息未办理事件，则O、U事件发生的概率分别为：其中，q4表示缺少信息事件发生的概率，q5表示无法获取相关信息事件发生的概率，q
V
表示信息未更新事件发生的概率，q
P
表示信息被隐藏事件发生的概率，由于V、P两事件发生的概率极低，所以可忽略不计；对P(O)和P(U)值的大小进行比较，确定最大值所代表的事件为客户个人层面历史未解决问题的主导因素；步骤三(3).判断客户个人信息的变动内容是否与步骤三(2)中确定的主导因素相同，若相同，则认为客户个人层面历史未解决问题能够顺利进行，反之，则无法顺利进行。3.根据权利要求2所述的一种基于大数据的呼叫中心客户智能排队方法，其特征在于：所述步骤四中基于客户基本信息、历史已解决问题和历史未解决问题对客户咨询信息的类型进行预测的具体方法为：步骤四(Ⅰ).设M＝客户基本信息事件，N＝历史问题未解决事件，则步骤四(Ⅱ).基于步骤四(Ⅰ)中的内容对客户咨询问题的类型进行预测，具体的预测模型γ为：其中，P(MN)表示历史未解决问题中与客户基本信息有关事件占总事件的比例，表示历史已解决问题中与客户个人信息有关事件占总事件的比例，表示历史未解决问题中与客户个人信息有关事件占总事件的比例，表示历史已解决问题中与客户基本信息有关事件占总事件的比例，P(M)表示客户历史总咨询问题中与客户基本信息有关事件占总事件的比例，表示客户历史总咨询问题中与客户个人信息有关事件占总事件的比例，P(N)表示历史未解决问题中与客户信息有关事件占总事件的比例，表示
历史已解决问题中与客户信息有关事件占总事件的比例，γ表示历史已解决问题与客户基本信息之间的相关程度，当γ＞0时；步骤四(Ⅲ).基于步骤四(Ⅱ)中的初步预测结果结合客户信息变动内容对客户咨询问题的类型进行精准预测，具体的预测方法为：对客户信息变动情况进行预测，具体的预测模型T为：其中，表示客户基本信息变动的概率，表示客户个人信息变动的概率；通过步骤四(Ⅲ)预测客户咨询问题属于公司层面或个人层面后，对客户信息变动内容中的关键词进行提取，预测客户咨询问题具体属于个人/企业技术咨询层面、个人/企业服务咨询层面或企业/个人业务办理层面。4.根据权利要求3所述的一种基于大数据的呼叫中心客户智能排队方法，其特征在于：所述步骤五中根据步骤三的判断结果、步骤四的预测结果结合呼叫中心该类问题历史处理情况对该问题处理时长进行预测，具体的预测模型为：步骤五(Ⅰ).当预测客户历史未解决问题能够顺利进行时，通过客户信息变动程度对该问题的处理时长进行预测，具体的预测公式为：其中，t表示预测的该问题的处理时长，t
′
表示该问题在信息提供充足的情况下所需处理时长，λ表示客户未提供信息的重要程度；步骤五(Ⅱ).基于步骤五(Ⅰ)中的预测模型可知，当预测客户历史未解决问题无法顺利进行时，客户信息变动内容不属于客户需要提供的信息内容，此时预测该问题所需处理时长为0。5.根据权利要求4所述的一种基于大数据的呼叫中心客户智能排队方法，其特征在于：所述步骤六中根据步骤五中预测的问题处理时长结合人工坐席工作情况对客户排队顺序进行智能合理安排的具体方法为：步骤六(Ⅰ).当预测客户咨询问题所需时长为0时，将该客户转接给智能机器人进行处理，智能机器人根据客户需要提供的信息内容提示客户进行信息提供，客户信息补充后再通过步骤五(Ⅰ)中的预测模型对该客户问题处理时长进行预测；步骤六(Ⅱ).当预测客户咨询问题所需时长过长时，将该客户先转接给智能机器人提示客户提供未提供的信息内容，待客户全部提供后，若客户进行个人/企业业务办理和个人/企业服务咨询，则智能机器人根据深度学习结果为该客户进...

【专利技术属性】
技术研发人员：张波，何山，宋娜，姚柯程，许恒潇，
申请(专利权)人：山东沃伦通信技术有限公司，
类型：发明
国别省市：