基于大数据分析的智能客服系统研究与设计

吴子辰++陈鑫++王磊等

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能够处理的呼叫次数。

2.2 客服专员能力建模

通过对客服专员能力模型较为精确的掌握客服系统的服务能力，为业务决策提供支撑。评价客服专员的力指标（Xi）构成，由如下几个指标项完成：

①业务知识能力（Xi1）：

业务知识能力描述了该专员在面向特定领域，所具备的知识能力。业务能力高的客服专业为用户提供服务的能力也会更好。

②客服专员完成任务效率（依据过往历史数据）：

任务效率Xi3=■

各批次任务完成及时率为依据历史数据，系统自动进行评价，分为四个等级：及时、较为及时、有延迟、延迟；

③客户专业任务负载（当前状态）：

Xi4=■

④客户满意度：

Xi5由客服系统的客户满意度调查系统统计给出；单一客服专业中具备的服务能力为：

Xi=a（Xi1+Xi2）+βXi3+？酌Xi4+λXi5，

其中：各项能力指标的权值会实际运行之后，再逐一确定给出一个较为合理的值，智能客服系统会根据客服专业的实际操作的历史数据，自动调整参数。客户人员总体能力：

X=■■X■

2.3 话务系统建模

数据智能分析中心主要采用上述研究成果，通过的历史话务数据的分析，为上层的业务提供智能化管理。该模块处理流程图，如图1所示。

针对第二个重点，建立话务高峰风险预测模型，利用模型分析数据并且建立健全的客服应急服务机制，该模型利用客服系统积累的历史数据，分析特定的规律，找出各种系统在不同时间段内的咨询或者报QC规律，根据分析的规律，模型给每个系统做出一个相对客观的风险评估，给出相关应用系统在某个时间段或者特定环境下的风险值，风险值越高，表示越需要在客服专员的分配上给与更多的考虑，通过这样的风险预测模型评估数据，可以整合有限的客服专员力量来做出更多的服务，响应公司精细化管理，资源集约化的号召。

针对第三个重点，根据模型分析历史话务数据，获取应用系统健康状况分析指标，利用该模型，可以分析出两个系统健康状况指标，分别是“系统设计合理程度”和“系统缺陷比例”，这两个指标是分析系统健康状况的重要指标。利用该模型分析一段时间段内通过电话咨询应用系统使用方法的数量，分析结果数量越大，说明系统的可用性越差，设计月不合理，分析的结果可以作为该应用系统人性化设计及易操作性设计升级的理论数据支撑；利用该模型分析一段时间段内电话报QC的数量，分析结果数量越大，说明系统缺陷越多（一般情况下，系统存在缺陷的时候，需要报QC，或者存在流程和业务无法流转是，也会报QC），通过分析结果，可以得出一个可靠的理论数据支撑。

3 系统实现

在第2节研究的基础上，本文构建了一个智能客服系统，它总的架构，如图2所示。

该系统主要分三层，分别是业务层、中间层和数据层。数据层主要是存储采集到的各类业务数据，为数据智能分析中心提供基础；业务层主要提供如下一些业务。

3.1 坐席跟踪状态

可以了解当天每个坐席在每个时间段的工作状态。如图3所示。

3.2 话务量分析

通过对历史数据的统计分析，可以较好的预测话务量及工单量来分析话务高峰走向，根据预测结果及时调度客服专员，比如预警预告，曲线图表等表现方式，提前向客服管理人员进行预告预知，帮助客服管理人员进行客服专员服务方向调整决策，避开潮汐式话务高峰时，客服人员分配不合理的尴尬。如图4所示。

3.3 按业务分类统计分析

业务话务量统计模型可以统计某天全部话务量，同时也可以统计保修、咨询、QC的话务量。如图5所示。

3.4 话务高峰风险预测模型

通过该模型，分析历史存量数据，可出特定话务队列的风险预测值，并且通过图表或者图形给客服管理人员提供一个话务风险预测数据，利用该数据，可以做一些提前预测，避免一些规律性的风险发生。如图6所示。

可以同时展现“今日”、“昨日”、“上周”、“上月”、“去年”。默认只显示“今日”和“昨日”两条曲线，“上周”、“上月”、“去年”三条曲线默认不显示。如图7所示。

蓝色的实线表示当日实际的接听量曲线走向，橙色虚线表示预测的接听量走向，红色虚线表示预测接听量阀值。话务量接近或者超过阀值，会在下方显示预警信息的表格。如图8所示。

橙色曲线表示明日预测的接听量走向，红色曲线表示接听量阀值。

4 总结与展望

本文在研究话务历史数据的基础之上，提出了一个数据分析模型，该模型既考虑了历史数据因素，又兼顾了客服专员的业务能力，在设定客服质量标准的前提下，实时、动态的调整和分配客户专员。通过实验可以看出它能够较好的预测特定业务量的增长趋势，能够基本解决现有客服系统存在的问题，因此为后续客服智能系统的研究具有一定的参考价值。

参考文献：

[1] 李楠.话务量分析与预测的研究和系统实现[D].北京：北京邮电大学，2005.

[2] 张辉，白波.客服中心话务量预测方法对比分析[J].山东通信技术，2012，（3）.