买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京及时语智能科技有限公司

摘要：本发明公开了一种基于数据分析的对话客服在线工作管理系统，涉及数据处理、数据管理技术领域，本发明通过实时监控和数据分析，及时掌握业务量、对话数量和工单流转情况，通过历史数据分析和趋势预测，预测未来业务量并合理调整客服人员数量和资源配置，有效提高处理效率和服务水平，同时采用贝叶斯网络模型进行因果推断，对问题件进行分析，并输出解决建议和改进措施，提高问题处理的准确性和效率，再将业务量趋势分析、投诉原因统计和工单流转情况数据以直观的图表形式展示在监控显示器上，使管理人员能够直观地了解业务状况并及时做出调整。

主权项：1.一种基于数据分析的对话客服在线工作管理系统，其特征在于，包括：实时监控模块，部署汇总监控显示器，所述实时监控模块实时监控业务量、对话数量、工单流转情况，并通过汇总监控显示器进行可视化展示；同时根据历史数据和趋势分析，预测未来业务量，用于调整客服人员数量和资源分配；问题件管理模块，该模块用于监控滞留件、损坏件、投诉件，对滞留件、损坏件、投诉件进行监控和归纳，所述问题件管理模块分为投诉分析模块和坏件处理模块；工单管理模块，用于跟踪工单的流转情况，标记、分类存在流转滞留问题的工单，输出工单处理周期统计和流转效率分析结果；数据分析模块，用于将业务量趋势分析、投诉原因统计、工单流转情况进行整合，以可视化数据展示在汇总监控显示器；所述历史数据和趋势分析包括：日常高峰期和低谷期的业务量变化情况，以及季节性和促销活动对业务量的影响；同时结合当前业务量的监控数据，利用时间序列分析对后续作业人员数量进行调整；所述调整客服人员数量和资源分配步骤具体包括：收集历史业务量数据，对历史业务量数据使用ADF检验进行平稳性检验；根据自相关函数ACF和偏自相关函数PACF的图形，确定ARIMA模型的阶数，包括自回归阶数p、差分阶数d和滑动平均阶数q，采用ACF和PACF的截尾和周期性确定p和q的值；使用估计的参数拟合ARIMA模型，得到模型的系数和残差；对拟合的模型进行残差分析，检查残差序列是否服从正态分布，是否存在自相关、偏自相关；使用拟合好的ARIMA模型对未来业务量进行预测，根据模型的回归方程和参数，结合历史数据，得到未来每个时间点的业务量预测值；所述ARIMA模型构建步骤具体包括：基于实时监控模块所监控数据，绘制历史业务量数据的自相关函数ACF和偏自相关函数PACF图形，自相关函数ACF公式：其中Yt表示时间序列的观测值，是时间序列的均值，Yt-k表示当前观测值Yt与滞后k期的观测值间的自相关，ACFk表示k阶自相关系数，t表示时间序列的当前观测值的索引或时间点，n表示时间序列的总观测值数量，即时间序列的长度k为要计算自相关的滞后数，即当前观测值与滞后k期的观测值之间的时间间隔；偏自相关函数PACF公式：其中Γ为协方差函数，PACFk为k阶偏自相关系数，Yt-k·Yt-1...Yt-k+1表示当前观测值Yt与滞后k期的观测值间的偏自相关；根据ACF图形，观察截尾和周期性的情况，确定p值，同时进行差分稳定时间序列并得到差分阶数d即差分次数；根据PACF图形，观察截尾和周期性的情况，确定q值，基于确定的p和q，设构建ARIMA模型为ARIMAp,d,q；所述未来业务量预测方法具体为：使用最大似然估计得到的参数自回归系数估计值滑动平均系数估计值和方差估计值拟合ARIMA模型，则：Yt＝c+φ1Yt-1+θ1εt-1+εt，其中c表示模型截距，φ1为自回归系数即当前观测值与前一观测值间关系，θ1为滑动平均系数即当前观测值与前一期误差项间关系，εt-1表示时间序列在t-1的误差项，εt表示在时间点t的误差项；将估计得到的参数代入模型中，得到拟合好的ARIMA模型；然后对拟合好的模型进行残差分析，采用Shapiro-Wilk检验法验证残差序列是否服从正态分布、采用偏自相关函数PACF检查残差序列是否存在自相关和偏自相关；最后使用拟合好的ARIMA模型对未来业务量进行预测，根据模型的回归方程和参数，结合历史数据，得到业务量预测值；所述坏件处理模块用于分析问题件出现的原因和频率，同时进行问题件统计和分类，根据历史处理方式和客户满意度，对不同类型的问题件输出解决建议和改进措施，具体的：收集历史问题件的数据，包括问题件的类型、数量、处理时长；基于问题件数据，采用贝叶斯网络构建因果关系模型，然后使用贝叶斯网络进行因果推断，计算各个因素对问题件出现的影响程度；使用最大似然估计法估计模型参数，利用BIC信息准则评估模型拟合优度；根据因果关系分析的结果，方便提出针对性地改进建议和决策支持，从而帮助优化问题件处理流程和策略；所述进行因果推断步骤具体步骤包括：贝叶斯网络模型包括问题件类型损坏件、滞留件、投诉件、处理时长，季节性因素作为问题件变量，以客户满意度、处理方式作为因果变量；构建贝叶斯网络模型，确定节点之间的依赖关系；对每个节点估计其条件概率分布；使用变量消去算法进行因果推断，计算各个因素对问题件出现的影响程度；通过计算后验概率分布，分析不同因素对问题件类型和处理时长的影响程度；所述贝叶斯网络模型构建方法包括：设贝叶斯网络模型包括问题件类型W和处理时长T作为问题件变量，以客户满意度S和处理方式M作为因果变量；根据实际应用场景确定节点间依赖关系，构建有向图表示贝叶斯网络结构，估计每个节点条件概率分布，设问题件类型W，估计为PWM,T,S；处理时长T，估计为PTW,M,S；客户满意度S，估计为PST,M；使用高斯混合模型估计条件概率PWM,T,S，高斯混合模型概率密度函数：其中，k'是高斯分布的数量，πi是第i个高斯分布的混合系数，ηW|μi,Σi是第i个高斯分布的概率密度函数，μi和Σi分别是第i个高斯分布的均值和协方差矩阵；采用隐马尔可夫模型估计条件概率PTW,M,S，具体步骤包括：确定隐马尔可夫模型的结构，包括隐藏状态和可观察状态，隐藏状态表示问题件类型，可观察状态表示处理时长；初始化隐马尔可夫模型的参数，包括状态转移概率矩阵、观察概率矩阵和初始状态概率向量；同样采用期望最大化EM算法估计模型参数，在E步骤中计算每个数据点对应的隐藏状态序列的后验概率；在M步骤中根据E步骤的后验概率更新模型的参数转移概率矩阵、观察概率矩阵和初始状态概率向量；使用训练好的隐马尔可夫模型进行预测，利用前向算法计算给定观察序列下的状态序列的概率分布，并根据概率分布对处理时长进行预测；采用贝叶斯线性回归模型估计条件概率PS|T,M，具体步骤包括：确定贝叶斯线性回归模型的结构，包括回归系数和误差项，为回归系数和误差项设定先验分布，设回归系数服从正态分布，误差项服从零均值的正态分布；使用马尔可夫链蒙特卡罗法推断后验分布，通过先验分布和观测数据计算后验分布，从而得到回归系数和误差项的后验分布；根据后验分布得到的样本，计算回归系数和误差项的后验均值作为参数的估计值；对于新的输入T,M，根据估计得到的回归系数和误差项的后验均值，使用线性回归模型进行预测，得到状态S的预测值；使用EM算法估计模型参数，E步骤：其中γzn',i是数据点Wn'属于第i个高斯分布的后验概率，Wn'为数据点n′的观察点，πi·ηWn'|μi,Σi表示数据点n′对于第i个高斯分布的响应度；M步骤：其中N是样本数量，πi是第i个高斯分布的混合系数，μi是第i个高斯分布的均值，Σi是第i个高斯分布的协方差矩'阵，T表示为观测数据集。

全文数据：

权利要求：

百度查询： 北京及时语智能科技有限公司 一种基于数据分析的对话客服在线工作管理系统