[发明专利]一种外呼机器人分配方法

说明书

本发明涉及一种外呼机器人分配方法，包括步骤：1)客户来电，通过路由模块选择进入到不同的呼入技能组中；2)进入到呼入技能组后，依次通过主成分分析与多元回归分析方法预测因变量，即机器人拨打任务量所需要的时间；3)基于步骤2)的预测结果，利用时间序列模型和BP神经网络加权相结合的方法对预测结果进行自主机器学习，得到优化后的学习规律，进而对机器人坐席进行分配。与现有技术相比，本发明具有减少人力成本、提高预测精度，具备神经网络自主学习能力等优点。

技术领域

本发明涉及通信技术领域，尤其是涉及一种外呼机器人分配方法。

背景技术

呼叫中心是利用现代通信与计算机技术实现的一种综合信息服务系统，可以自动灵活地处理大量电话呼入和呼出业务；除此之外，呼叫中心可提供对企业所有通信数据的查询、汇总、统计分析等功能，辅助企业决策。当前，呼叫中心广泛应用于电信、金融、政府机构、电力、邮政等各行各业。

现有技术的呼叫中心中，电话客服系统主要通过人工坐席方式进行电话外呼和接听呼入电话的操作；其中，在外呼场景中，电话客服系统通过拨号系统将接通的电话转接给当前为空闲状态的人工坐席。由此可见，呼叫中心的规模受限于人工坐席的数量，如果要处理更多的电话外呼与呼入接听操作，呼叫中心需要雇佣更多的客服人员；单纯依赖人工坐席进行电话作业，使得呼叫中心面临大量人员招聘、培训、管理问题，以及雇佣人工的工资成本日渐增高。

随着语音机器人的出现，一些企业开始采用传统预测模型方法来对外呼机器人进行分配管理，如单一的回归预测模型或卡尔曼滤波预测模型等，然而传统的预测模型一般都是基于规则及数学函数建立的，存在如下问题：1、不同模型背后依赖的数学逻辑不同，应用场景局限性较大；2、基于因果预测模型，方程建立与局部规律的独立性为假定基础，长期预测偏差性较大；3、不需要大量数据解决历史数据少、序列完整性等问题的模型只适用于指数增长的中短期预测；4、预测系统未来时刻情况只与现在时刻有关与历史数据无关的模型不适宜于中长期预测。上述问题导致机器人分配结果准确率低下，且无法实现包含复杂内容的多轮对话交互。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种外呼机器人分配方法。

本发明的目的可以通过以下技术方案来实现：

一种外呼机器人分配方法，该方法包括如下步骤：

S1：客户来电，通过路由模块选择进入到不同的呼入技能组中。

S2：进入到呼入技能组后，依次通过主成分分析与多元回归分析方法预测机器人拨打任务量所需要的时间。具体内容为：

21)进入到呼入技能组后，获取外呼相关变量，采用主成分分析模型在相关变量中提取一组不相关变量，将这些变量作为主成分分析模型的主成分；所述外呼相关变量为实际生产数据，包括机器人工作时长、实际处理名单量和不同场景下的拨打成功量。所述不相关变量包括拨打名单量、拨打次数、接通量、未接通量、秒挂量、成功量、平均通话时长和CCOD通道数。

22)通过检查变量间的相关系数矩阵来判断保留的主成分数，筛选保留的主成分；

23)采用多元线性回归分析对主成分分析模型筛选出的主成分与因变量进行预测分析，获取因变量。

S3：基于步骤S2的预测结果，利用时间序列模型和BP神经网络加权相结合的方法对预测结果进行自主机器学习，得到优化后的学习规律，进而对机器人坐席进行分配。

进一步地，所述时间序列模型采用时间序列ARIMA模型。所述时间序列ARIMA模型的结构为：