一种客服系统策略优化方法、分时策略优化系统及介质技术方案

本发明专利技术提供一种客服系统策略优化方法、分时策略优化系统及介质，该方法包括：获取客服系统中预设时间段内人工客服和智能客服的服务数据；利用深度学习方法将所述服务数据作为训练集训练对应的模型，得到训练好的模型文件；根据所述训练好的模型文件预测得到不同时间段内的人工客服请求次数和智能客服请求次数；根据所述不同时间段内的人工客服请求次数和智能客服请求次数进行策略优化，以实现不同时间段内人工客服和智能客服的动态分配。该方法、分时策略优化系统及介质能够解决现有的客户服务系统存在智能客服请求业务应答不准确，人工客服等待时间过长，运营商人力成本过高的问题。问题。问题。

【技术实现步骤摘要】
一种客服系统策略优化方法、分时策略优化系统及介质


[0001]本专利技术涉及互联网信息
，尤其涉及一种客服系统策略优化方法、分时策略优化系统及介质。

技术介绍

[0002]客户服务系统因其便捷性高、处理业务简单等优点被应用在运营商客服业务中。由于一般的客服业务只能进行定额的人工和智能客服安排，无法实现人力、成本和时间的最优化解决方案，
[0003]因此，随着用户的不断增加，客服系统处理用户请求的过程中也遇到了很多问题，例如智能客服请求业务应答不准确，人工客服等待时间过长，运营商人力成本过高等问题。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对现有技术的上述不足，提供一种客服系统策略优化方法、分时策略优化系统及介质，用以解决现有的客户服务系统存在智能客服请求业务应答不准确，人工客服等待时间过长，运营商人力成本过高的问题。
[0005]第一方面，本专利技术提供一种客服系统策略优化方法，所述方
[0006]法包括：
[0007]获取客服系统中预设时间段内人工客服和智能客服的服务数据；
[0008]利用深度学习方法将所述服务数据作为训练集训练对应的模型，得到训练好的模型文件；
[0009]根据所述训练好的模型文件预测得到不同时间段内的人工客服请求次数和智能客服请求次数；
[0010]根据所述不同时间段内的人工客服请求次数和智能客服请求次数进行策略优化，以实现不同时间段内人工客服和智能客服的动态分配。
[0011]进一步地，所述服务数据包括服务统计次数、统计时间、客户类型、请求业务类型、处理单个业务时间；
[0012]所述模型为卷积神经网络CNN模型。
[0013]进一步地，所述利用深度学习方法将所述服务数据作为训练集训练对应的模型，得到训练好的模型文件之前，所述方法还包括：
[0014]对所述服务数据进行清洗。
[0015]进一步地，所述根据所述不同时间段内的人工客服请求次数和智能客服请求次数进行策略优化，以实现不同时间段内人工客服和智能客服的动态分配，具体包括：
[0016]对于人工客服请求次数小于智能客服请求次数的时间段，赋予智能客服更大的决策权重；以及，
[0017]对于人工客服请求次数大于或等于智能客服请求次数的时间段，赋予人工客服更大的决策权重。
[0018]进一步地，所述根据所述不同时间段内的人工客服请求次数和智能客服请求次数进行策略优化，以实现不同时间段内人工客服和智能客服的动态分配，具体包括：
[0019]对于智能客服请求次数小于或等于人工客服请求次数的时间段，赋予人工客服更大的决策权重；以及，
[0020]对于智能客服请求次数大于人工客服请求次数的时间段，赋予智能客服更大的决策权重。
[0021]进一步地，所述方法还包括：
[0022]在人工客服请求次数高于智能客服请求次数的时间段优先使用人工客服为用户服务。
[0023]进一步地，所述方法还包括：
[0024]动态采集当前时段内人工客服和智能客服的服务数据；
[0025]根据动态采集的所述服务数据对所述模型进行再训练。
[0026]第二方面，本专利技术提供一种分时策略优化系统，包括：
[0027]服务数据获取模块，用于获取客服系统中预设时间段内人工客服和智能客服的服务数据；
[0028]模型训练模块，与所述服务数据获取模块连接，用于利用深度学习方法将所述服务数据作为训练集训练对应的模型，得到训练好的模型文件；
[0029]请求次数预测模块，与所述模型训练模块连接，用于根据所述训练好的模型文件预测得到不同时间段内的人工客服请求次数和智能客服请求次数；
[0030]策略优化模块，与所述请求次数预测模块连接，用于根据所述不同时间段内的人工客服请求次数和智能客服请求次数进行策略优化，以实现不同时间段内人工客服和智能客服的动态分配。
[0031]进一步地，所述服务数据包括服务统计次数、统计时间、客户类型、请求业务类型、处理单个业务时间；
[0032]所述模型为卷积神经网络CNN模型。
[0033]第三方面，本专利技术提供一种分时策略优化系统，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现上述第一方面所述的客服系统策略优化方法。
[0034]第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的客服系统策略优化方法。
[0035]本专利技术提供的客服系统策略优化方法、分时策略优化系统及介质。首先获取客服系统中预设时间段内人工客服和智能客服的服务数据；然后利用深度学习方法将所述服务数据作为训练集训练对应的模型，得到训练好的模型文件；再根据所述训练好的模型文件预测得到不同时间段内的人工客服请求次数和智能客服请求次数；最后根据所述不同时间段内的人工客服请求次数和智能客服请求次数进行策略优化，以实现不同时间段内人工客服和智能客服的动态分配。本专利技术通过动态指导相应时间段内的客服人力资源安排，能够大大提高客服的应答效率，并且能够降低人力资源成本，在企业收益和客服满意度方面做到相对最优的效果，解决了现有的客户服务系统存在智能客服请求业务应答不准确，人工
客服等待时间过长，运营商人力成本过高的问题。
附图说明
[0036]图1为本专利技术实施例1的一种客服系统策略优化方法的流程图；
[0037]图2为本专利技术实施例2的一种分时策略优化系统的结构示意图；
[0038]图3为本专利技术实施例3的一种分时策略优化系统的结构示意图。
具体实施方式
[0039]为使本领域技术人员更好地理解本专利技术的技术方案，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0040]可以理解的是，此处描述的具体实施例和附图仅仅用于解释本专利技术，而非对本专利技术的限定。
[0041]可以理解的是，在不冲突的情况下，本专利技术中的各实施例及实施例中的各特征可相互组合。
[0042]可以理解的是，为便于描述，本专利技术的附图中仅示出了与本专利技术相关的部分，而与本专利技术无关的部分未在附图中示出。
[0043]可以理解的是，本专利技术的实施例中所涉及的每个单元、模块可仅对应一个实体结构，也可由多个实体结构组成，或者，多个单元、模块也可集成为一个实体结构。
[0044]可以理解的是，在不冲突的情况下，本专利技术的流程图和框图中所标注的功能、步骤可按照不同于附图中所标注的顺序发生。
[0045]可以理解的是，本专利技术的流程图和框图中，示出了按照本专利技术各实施例的系统、装置、设备、方法的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可代表一个单元、模块、程序段、代码，其包含用于实现规定的功能的可执行指令。而且，框图和流程图中的每个方框或方框的组合，可用实现规定的功能的基于硬件的系统实现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种客服系统策略优化方法，其特征在于，包括：获取客服系统中预设时间段内人工客服和智能客服的服务数据；利用深度学习方法将所述服务数据作为训练集训练对应的模型，得到训练好的模型文件；根据所述训练好的模型文件预测得到不同时间段内的人工客服请求次数和智能客服请求次数；根据所述不同时间段内的人工客服请求次数和智能客服请求次数进行策略优化，以实现不同时间段内人工客服和智能客服的动态分配。2.根据权利要求1所述的方法，其特征在于，所述服务数据包括服务统计次数、统计时间、客户类型、请求业务类型、处理单个业务时间；所述模型为卷积神经网络CNN模型。3.根据权利要求2所述的方法，其特征在于，所述利用深度学习方法将所述服务数据作为训练集训练对应的模型，得到训练好的模型文件之前，所述方法还包括：对所述服务数据进行清洗。4.根据权利要求1所述的方法，其特征在于，所述根据所述不同时间段内的人工客服请求次数和智能客服请求次数进行策略优化，以实现不同时间段内人工客服和智能客服的动态分配，具体包括：对于人工客服请求次数小于智能客服请求次数的时间段，赋予智能客服更大的决策权重；以及，对于人工客服请求次数大于或等于智能客服请求次数的时间段，赋予人工客服更大的决策权重。5.根据权利要求1所述的方法，其特征在于，所述根据所述不同时间段内的人工客服请求次数和智能客服请求次数进行策略优化，以实现不同时间段内人工客服和智能客服的动态分配，具体包括：对于智能客服请求次数小于或等于人工客服请求次数的时间段，赋予人工客服更大的决策权重；以及，对于智能客服...

【专利技术属性】
技术研发人员：邓美丽，渠春艳，王根茂，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：