基于大数据分析的智能客服系统研究与设计.doc

基于大数据分析的智能客服系统研究与设计 　　摘 要：根据呼叫中心的历史数据，较为准确的、高效的预测话务业务量趋势，合理调度和编排客服人员，提升客服系统服务保障质量，是当前各类客服系统面临的关键问题。文章首先通过对已有话务数据进行建模、分析，构建出话务数据业务的变化趋势；然后智能客服系统采用高峰增员、低峰减员、实时预警等规则对客服人员进行自动编排，在保持一定客服人员的数量下，既调动了客服的人员的积极性，又有效的保证了客服系统的响应速度。 　　关键词：话务量；客服系统；数据建模；呼叫中心 　　中图分类号：TP311.13 文献标识码：A 文章编号：1006-8937（2016）12-0084-04 　　1 概 述 　　客户服务系统是围绕服务展开的，它的核心理念是客户满意度和客户忠诚度，是通过取得顾客满意和忠诚来促进相互有利的交换，最终实现营销绩效的改进。通过优质服务塑造和强化公司良好的公共形象，创造有利的舆论环境，争取有利的政府政策，最终实现公司的长期发展。客户服务系统是集计算机技术、通信技术、网络技术、计算机电信集成（CTI）技术、自动呼叫分配（ACD）技术、交互式语音应答（IVR）技术以及数据库技术等于一体的网络化综合业务服务系统。系统通过人工服务和自动服务的方式，利用电话、传真、eMail、短信等多种手段，为客户提供业务咨询、信息查询、故障报修、投诉举报、订阅服务、客户回访等7×24小时服务。 　　然而当前话务系统还存在的以下几个问题，主要表现在以下几个方面： 　　①在一些特殊情况下，由于局部短时间内集中呼入电话量剧增，大大超过客服中心坐席的同时接听数，使大量的客户电话处在排队等待状态，造成客户电话拥堵而无法接入。例如：在月底的时候，“咨询量”或者“报QC量”都会比其他时间段高，如何通过话务量及工单量来分析话务高峰走向并根据话务高峰走向来调整客服专员的人员数量以及分配服务方向提高系统的响应速度； 　　②现有系统业务较为分散，不能有效的集中调度所有资源，造成业务受理不均衡，极大的影响了客服系统的效率。再加上没有一套较好的风险预测模型，不能对各类业务的变化趋势做出预判； 　　③对自身系统的质量的评估：即当期还没有一套指导性的评价指标来评测一个客服系统自身的健壮性； 　　要解决上述三大问题，就必须要能够建立一个有效的数据分析模型，从过往海量的历史数据中，分析出客服系统所对应的业务变化趋势，充分挖掘现有资源（客服专员）的能力，实现客服系统效率的最大化。 　　2 话务数据分析建模 　　为了能够有效的解决当前话务系统所面临的问题，本文提出了一个话务数据模型，它需要具备对两种资源的处理能力： 　　第一是利用数据模型分析历史数据，根据历史数据合理预测特定时间段的工作量；分析历史存量数据，进行客服话务高峰预测，为建立健全的客服应急服务机制提供客观可靠的数据支撑；最重要利用数据模型分析历史数据，获取对应用系统的健壮程度。 　　第二是能够对客户专员（包括自动语音）能力进行自动评估，并根据业务的需求，及时做出恰当的调度安排。 　　2.1 话务数据分析 　　2.1.1 系统容量规模分析 　　话务量（话务量强度的简称）是指单位时间内发生的呼叫数与每次呼叫平均占用时长的乘积。目前国际通用的话务量单位是爱尔兰Erlang，公式为： 　　A=C*t 　　A是话务量（单位为Erl）；C是呼叫次数（单位是个）；t是每次呼叫平均占用时长（单位是小时）。 　　话务量的大小与用户数量、用户通信的频繁程度、每次通信占用的时间长度以及观测的时间长度有关。单位时间内通信的次数越多，每次通信占用的时间越长，观测的时间越长，那么话务量就越大。由于通信次数、每次通信占用时间的长短等都是变化着的，所以话务量也是一个随时间变化的量，即是一个“随机变量”。话务客服系统的基本模型，见表1。 　　2.1.2 话务量基本计算 　　相关指标数值，见表2。 　　下面根据构建的呼叫模型计算话务量数值，涉及到的公式如下： 　　忙时呼叫次数=系统用户数x（平均每用户每月呼叫次数一每月天数）x忙日集中系数x忙时集中系数； 　　忙时呼叫人工座席次数=忙时呼叫次数x人工业务呼叫量占总呼叫量百分比； 　　忙时呼叫自动语音服务次数=忙时呼叫次数x（1一人工业务呼叫量占总呼叫量百分比）。 　　2.1.3 规模初步计算 　　每个座席每小时能够处理的呼叫次数=3 600 s+人工座席平均处理时长x人工座席最大工作负荷； 　　每路自动语音业务每小时能够处理的呼叫次数=3 600 s十自动语音业务平均处理时长； 　　人工座席数量=忙时呼叫人工座席次数令每个座席每小时能够处理的呼叫次数； 　　自动台（IVR）数量=忙时呼叫自动语音服务次数令每路自动语音业务每时