一种投诉预测处理方法及装置制造方法及图纸

本申请提供一种投诉预测处理方法及装置，该方法包括：获取客户全旅程数据；对客户全旅程数据进行标准化处理，得到客户标准特征数据；将客户标准特征数据输入至投诉预测模型中进行投诉预测，得到投诉预测结果；基于投诉预测结果，生成投诉预防措施

【技术实现步骤摘要】
一种投诉预测处理方法及装置


[0001]本申请涉及客服
，具体而言，涉及一种投诉预测处理方法及装置
。

技术介绍

[0002]目前，金融领域中应对投诉的分析方法通常是基于单一维度进行分析与处理，并且往往是事后处理的
。
然而，在实践中发现，这种单一
、
滞后的分析并不能全面
、
智能
、
高效的进行投诉分析，具体的，其至少具有一下多种弊端：
[0003](1)
投诉处理效率低：银行员工需要花时间处理大量的投诉，而且可能存在沟通不畅
、
理解偏差等问题，导致投诉处理不及时
、
不准确
、
不全面
。
[0004](2)
投诉处理不公：某些投诉可能会被隐瞒或被忽略，或者某些员工对投诉的处理可能存信息不全
、
准准确导致处理不公
。
这些情况可能导致客户对银行的服务产生负面情绪，影响银行的形象和信誉
。
[0005](3)
缺乏数字化技术支持，无法快速识别客户痛点，无法充分利用现代技术来提高投诉处理效率和准确性，且无法提供更有针对性的解决方案
。

技术实现思路

[0006]本申请实施例的目的在于提供一种投诉预测处理方法及装置，能够基于全生命周期的多元数据和大数据人工智能技术进行全过程
、
全方位的投诉预测分析，从而能够在客诉之前高效
、
准确地定位投诉问题，进而在预防客诉方法面和应对投诉方面都起到良好的效果，有利于减少投诉情况的发生，且能够提高用户满意度
。
[0007]本申请第一方面提供了一种投诉预测处理方法，包括：
[0008]获取客户全旅程数据；
[0009]对所述客户全旅程数据进行标准化处理，得到客户标准特征数据；
[0010]将所述客户标准特征数据输入至投诉预测模型中进行投诉预测，得到投诉预测结果；
[0011]基于所述投诉预测结果，生成投诉预防措施
。
[0012]在上述实现过程中，该方法可以优先获取客户全旅程数据；然后，对客户全旅程数据进行标准化处理，得到客户标准特征数据；再后，将客户标准特征数据输入至投诉预测模型中进行投诉预测，得到投诉预测结果；最后，再基于投诉预测结果，生成投诉预防措施
。
可见，该方法能够基于全生命周期的多元数据和大数据人工智能技术进行全过程
、
全方位的投诉预测分析，从而能够在客诉之前高效
、
准确地定位投诉问题，进而在预防客诉方法面和应对投诉方面都起到良好的效果，有利于减少投诉情况的发生，且能够提高用户满意度
。
[0013]进一步地，所述获取客户全旅程数据的步骤之前，所述方法还包括：
[0014]获取客户全旅程训练数据和投诉相关特征训练数据；所述投诉相关特征训练数据包括产品特征训练数据和客服特征训练数据；
[0015]对所述客户全旅程训练数据和所述投诉相关特征训练数据进行标准化处理，得到
客户标准特征训练数据和投诉相关标准特征训练数据；
[0016]基于预设的机器学习模型
、
所述客户标准特征训练数据和所述投诉相关标准特征训练数据进行模型训练，得到投诉预测模型
。
[0017]进一步地，所述对所述客户全旅程训练数据和所述投诉相关特征训练数据进行标准化处理，得到客户标准特征训练数据和投诉相关标准特征训练数据的步骤包括：
[0018]对所述客户全旅程训练数据和所述投诉相关特征训练数据进行数据清洗处理和归类处理，得到客户标准特征训练数据和投诉相关标准特征训练数据
。
[0019]进一步地，所述方法还包括：
[0020]基于关联度分析算法对所述投诉预测模型进行效果评估，得到评估结果；
[0021]基于所述评估结果对所述预测模型进行调优
。
[0022]进一步地，所述客户全旅程训练数据用于表示从客户开立账户到离开银行这一过程中所有的记录和数据；所述客户全旅程训练数据至少包括所述客户的年龄
、
性别
、
收入水平中的一种；
[0023]所述投诉相关特征训练数据至少包括所述客户对服务的满意度
、
投诉率
、
服务时间
、
产品基本信息
、
产品关键数据
、
被投诉信息
、
行员基本信息
、
客服关键数据中的一种
。
[0024]本申请第二方面提供了一种投诉预测处理装置，所述投诉预测处理装置包括：
[0025]第一获取单元，用于获取客户全旅程数据；
[0026]第一标准化单元，用于对所述客户全旅程数据进行标准化处理，得到客户标准特征数据；
[0027]预测单元，用于将所述客户标准特征数据输入至投诉预测模型中进行投诉预测，得到投诉预测结果；
[0028]生成单元，用于基于所述投诉预测结果，生成投诉预防措施
。
[0029]在上述实现过程中，该装置可以通过第一获取单元获取客户全旅程数据；通过第一标准化单元对客户全旅程数据进行标准化处理，得到客户标准特征数据；通过预测单元将客户标准特征数据输入至投诉预测模型中进行投诉预测，得到投诉预测结果；再通过生成单元来基于投诉预测结果，生成投诉预防措施
。
可见，该装置能够基于全生命周期的多元数据和大数据人工智能技术进行全过程
、
全方位的投诉预测分析，从而能够在客诉之前高效
、
准确地定位投诉问题，进而在预防客诉方法面和应对投诉方面都起到良好的效果，有利于减少投诉情况的发生，且能够提高用户满意度
。
[0030]进一步地，所述投诉预测处理装置还包括：
[0031]第二获取单元，用于获取客户全旅程训练数据和投诉相关特征训练数据；所述投诉相关特征训练数据包括产品特征训练数据和客服特征训练数据；
[0032]第二标准化单元，用于对所述客户全旅程训练数据和所述投诉相关特征训练数据进行标准化处理，得到客户标准特征训练数据和投诉相关标准特征训练数据；
[0033]训练单元，用于基于预设的机器学习模型
、
所述客户标准特征训练数据和所述投诉相关标准特征训练数据进行模型训练，得到投诉预测模型
。
[0034]进一步地，所述第二标准化单元，具体用于对所述客户全旅程训练数据和所述投诉相关特征训练数据进行数据清洗处理和归类处理，得到客户标准特征训练数据和投诉相关标准特征训练数据
。
[0053]请参看图1，图1为本实施例提供的一种投诉预测处理方法的流程示意图
。
其中，该投诉预测处理方法包括：
[0054]S101、
获取客本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种投诉预测处理方法，其特征在于，包括：获取客户全旅程数据；对所述客户全旅程数据进行标准化处理，得到客户标准特征数据；将所述客户标准特征数据输入至投诉预测模型中进行投诉预测，得到投诉预测结果；基于所述投诉预测结果，生成投诉预防措施
。2.
根据权利要求1所述的投诉预测处理方法，其特征在于，所述获取客户全旅程数据的步骤之前，所述方法还包括：获取客户全旅程训练数据和投诉相关特征训练数据；所述投诉相关特征训练数据包括产品特征训练数据和客服特征训练数据；对所述客户全旅程训练数据和所述投诉相关特征训练数据进行标准化处理，得到客户标准特征训练数据和投诉相关标准特征训练数据；基于预设的机器学习模型
、
所述客户标准特征训练数据和所述投诉相关标准特征训练数据进行模型训练，得到投诉预测模型
。3.
根据权利要求2所述的投诉预测处理方法，其特征在于，所述对所述客户全旅程训练数据和所述投诉相关特征训练数据进行标准化处理，得到客户标准特征训练数据和投诉相关标准特征训练数据的步骤包括：对所述客户全旅程训练数据和所述投诉相关特征训练数据进行数据清洗处理和归类处理，得到客户标准特征训练数据和投诉相关标准特征训练数据
。4.
根据权利要求2所述的投诉预测处理方法，其特征在于，所述方法还包括：基于关联度分析算法对所述投诉预测模型进行效果评估，得到评估结果；基于所述评估结果对所述预测模型进行调优
。5.
根据权利要求2所述的投诉预测处理方法，其特征在于，所述客户全旅程训练数据用于表示从客户开立账户到离开银行这一过程中所有的记录和数据；所述客户全旅程训练数据至少包括所述客户的年龄
、
性别
、
收入水平中的一种；所述投诉相关特征训练数据至少包括所述客户对服务的满意度
、
投诉率
、
服务时间
、
产品基本...

【专利技术属性】
技术研发人员：刘申云，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：