CN111382911A - 一种基于银行网点业务数据的高柜人员排班预测方法 - Google Patents

Abstract

本发明公开了一种基于银行网点业务数据的高柜人员排班预测方法，包括：获取网点截止第一时间节点前的第一历史数据；建立预测模型，基于所述第一历史数据生成所述第一时间节点后至第二时间节点期间内网点的预测所需排班数据；获取网点截止所述第二时间节点前的第二历史数据；建立测算模型，基于所述第二历史数据生成所述第一时间节点与第二时间节点之间网点的实际所需排班数据；基于所述实际所需排班数据和实际所需排班数据的差异修改所述预测模型的参数。本发明预测各个网点几天内的高柜排班人数，节省了人力成本，提高了效率。

Description

一种基于银行网点业务数据的高柜人员排班预测方法

技术领域

本发明属于银行排班领域，具体涉及一种基于银行网点业务数据的高柜人员排班预测方法。

背景技术

柜员是银行内部在柜台工作的人员的统称。前台柜员负责直接面向客户的柜面业务操作，查询，咨询等业务；后台柜员则负责无需面向客户的联行，票据交换，内部账务等业务处理及对接前台业务的复核，确认，授权等后续处理。

高柜可以简单理解为现金业务，包括个人储蓄，公司出纳等。高柜主要是办理现金业务，主要是针对个人客户，比如说存取款，同行汇款，办卡，开网银，挂失等业务。所以高柜柜员指的是经办个人业务及现金存取款业务的柜员。

各支行每天都需要对各个网点的高柜人员进行排班，确保每天都要有柜员在网点为客户提供服务，由于周末的人流量相对于工作日的较少，所以需要的柜员也比工作日少。柜员的排班方法根据各网点情况的不同也会有相应的变化，一般为上五休二，上二休一等，只要保证每天有人即可。

银行厅堂的流量相对于过去正在不断的减少，对柜面的刚需也在逐年下降，以前一个银行网点有4-5个窗口，而现行往往只有2-3个窗口。由于现在自助渠道已经十分发达，客户能在手机网上银行中办理越来越多的业务，导致去网点办理业务的人数在不断降低。

所以削减柜面，智能化机具，周末轮休或者停业等措施在逐渐发展。现在由于人工智能技术还不够发达无法彻底取代人工服务，但是可以预见在未来智能机具对人工的替代会越来越多，也许除了极少数的远程后台授权人员以外，大部分的业务都可以由机器来完成。在这个升级迭代的过程中，仍然需要适当的柜面人员，直到人工智能彻底完善。

高柜是银行接触客户最多，最直接的一个柜台。高柜人员的一言一行都影响着客户对整个银行的认知，将高柜人员称作为银行的品牌代言人也不为过。高柜人员的着装和精神面貌会直接影响客户对银行形象的判定。虽然员工和客户直接隔着一层玻璃，但是周到的服务，贴心的话语可以拉近与客户之间的距离，从而提升客户对银行的满意度。在客户眼里，每一个柜员都是专家，所以高柜人员在办理业务的同时还需要承担起教育客户的职责。比如详细告知客户办理业务的流程，解答客户的疑问，处理客户的异议等。

另一方面，高柜人员除了需要快速合理的办理业务之外，还需要处理一些营销方面的工作。在为客户办理业务的同时，可以通过查看客户的账户动态发现优质客户，及时通知大堂经理，对客户进行重点关注，做好客户的服务工作。由于柜面营销具有低成本，高效率的优点，所以柜员需要了解银行产品，当客户有需求时，能熟练向客户进行介绍。柜员在办理业务的同时，如果能够多关注一下客户的个人特征及账户动态，多向客户递送一次产品宣传单和名片，可以加深客户对他的印象，从而在有产品需求时和这位柜员联系。

如果各个网点能够结合其自身的一系列数据，来合理安排高柜人员的排班情况，对一些排班不足的繁忙网点增加人数，减少一些业务量不多的网点的人数，不仅能够提高各个网点的工作效率，还能够缓解客户排队问题和客户高峰时柜员压力，在满足内控制度的前提下，确保临柜柜员保持既满负荷又精神饱满的工作状态。

由于网点数量繁多，而且网点的地理位置分布不一致，导致了合理安排各地网点高柜人员的难度较大。如果没有一套行之有效的***，那么会导致一些业务较为繁忙的网点存在人手不足，和一些业务量比较稀少的网点存在人员冗余的情况。如果出现人员不足的情况，那么往往客户需要花费更多的时间来等待服务，会导致用户的满意度降低，可能会引发一些客户和柜员之间的矛盾。如果出现人员过多的情况，那么这些员工每天需要处理的业务量就很少，会导致柜员无事可做浪费时间的情况发生。

由于各地业务量和地理位置存在差异，并且每天顾客去网点办理业务的人数不固定，很难有一个统一的标准去分配员工。在这种前提下，如果仅仅根据当日的网点繁忙程度来安排下一日的高柜人员不是一个合理的方法。

每天都要统计当天的业务量等数据来预估未来的排班人数费时费力，并且有可能存在遗忘或者数据出错的情况。人工统计数据容易出错，会对下一日的排班人次产生影响，如果出现一些突发情况，不能够很好的应对，从而导致对人工排班准确性的怀疑，久而久之会对其产生抵触。

由于我们希望使用过去的数据预测未来，如果只根据前一天或者前几天的数据随机性较大，可能会遇到节假日等情况，无法挖掘出过去较长时间的业务规律。另外，时间序列可以反映某个现象发展变化的状态。通过对时间序列的分析，可以反映现象发展变化的趋势和规律，在通过对影响时间序列的各种因素进行测定，可以进一步解释现象变化的内在原因，为预测和决策提供可靠的数据支持。

发明内容

针对现有技术中存在的问题，本发明提供一种基于银行网点业务数据的高柜人员排班预测方法，本发明部分实施例能够来合理的安排各个网点的排班人数，尽可能的减少人员不足和人员冗余的情况发生。由于每天各个网点需要办理业务的人员具有不固定性，所以需要大量过去的样本来来寻找其隐藏的规律。通过分析各网点的业务量，业务时长等指标和各网点过去的排班人员数量，使用机器学习算法，可以建立一套基于过去数月的真实数据的模型，来预测未来几天各个网点的高柜人员排班情况。***会把模型预测出来的数据和真实排班人数做对比，划分成0,1,2三个不同的几个区间，分别代表排班人员不足，排班人员合适，排班人员过量。只要负责排班人员根据模型预测结构对未来几天网点的真实排班人数情况作出一些微调，使得各网点高柜人员排班变得合理，就可以提高每天安排高柜人员排班的效率。

为实现上述目的，本发明采用以下技术方案：

一种基于银行网点业务数据的高柜人员排班预测方法，包括：获取网点截止第一时间节点前的第一历史数据；建立预测模型，基于所述第一历史数据生成所述第一时间节点后至第二时间节点期间内网点的预测所需排班数据；获取网点截止所述第二时间节点前的第二历史数据；建立测算模型，基于所述第二历史数据生成所述第一时间节点与第二时间节点之间网点的实际所需排班数据；基于所述实际所需排班数据和实际所需排班数据的差异修改所述预测模型的参数。

优选地，所述历史数据包括网点每时间段内的业务量、业务时长、客户等待时长、实际的高柜人员排班人数。

优选地，所述客户等待时长包括超过10分钟和超过20分钟。

优选地，所述第一时间节点和所述第二时间节点之间相差一个工作日。

优选地，所述预测模型生成多个工作日网点的预测所需排班数据，所述测算模型生成每个工作日网点的实际所需排班数据。

优选地，将每个工作日网点的实际所需排班数据与对应的预测所述排班数据做比较，生成一组反应二者差异大小的比较数据，根据所述比较数据修改所述预测模型的参数。

优选地，所述测算模型和预测模型都使用梯度下降算法。

一种电子设备，包括：处理器；存储器，所述存储器中设置有可供所述处理器执行的可执行指令，所述可执行指令被执行后实现任一所述处理方法。

一种计算机可读存储介质，存储有计算机指令，所述计算机指令被处理器执行后实现任一所述处理方法的步骤。

与现有技术相比，本发明的有益效果为：

1.结合网点业务量，业务办理时长，用户等待时长等因素，使用GBDT算法学习过去一段周期内的真实高柜人员排班人员情况，预测未来几天各个网点的高柜排班人数，节省了人力成本，提高了效率；

2.使用过去三个月的数据当做训练样本，并且过滤了各个网点不营业的日子，该数据具有一定的周期性，避免了仅仅使用前一天的数据，提高了模型的可靠性；

3.同时训练了一个测算模型，会对每天真实的排班人员情况和预测结果做对比，然后调整预测模型，避免了由于过去各个网点由于排班情况不合理导致训练数据存在干扰导致模型会输出异常结果的情况，体现了模型良好的抗干扰能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

1.数据预处理

首先从银行的数据库中获取各网点关于高柜业务每日业务量的相关指标，包括业务量，业务时长，劳动组合指数，客户等待时长(超过10分钟和超过20分钟)，并且对同一个网点每一天的数据进行聚合，统计每天排班人员的情况，生成每一天的标签即每天高柜人员排班情况人数

由于各种相关指标可能存放在不同的表中，需要根据情况对各个表把相同日期和网点的字段进行拼接，汇总成一张表方便操作。

可能不是所有网点都是每天营业的，所以需要对表做过滤，排除数据中有网点不营业的日子，以免对数据产生干扰，最后生成预处理结果表。

2.生成训练数据

由于单纯的用前一天的数据来预测下一天的结果很难能找到其中隐藏的规律，并且会导致训练的模型效果不够稳定，所以选择将数据按照周期性来划分，即用前X天的特征来预测后Y天的高柜人员排班人数相对比较合理。所以需要在预处理结果表上做滑窗操作，对前X天的特征做拼接。

考虑到过去排班人数可能存在不准确的情况，所以仅仅使用过去的数据作为训练数据会对最终的预测效果产生影响。为了验证模型的准确性，还需要一套测算模型来预测当天的排班人数情况，即与当天真实排班人员情况做对比，然后可以根据对比结果对预测模型的预测结果做修正，提高模型的可信度。

3.训练模型

总共需要训练两套模型，分为测算模型和预测模型。

测算模型：用前X天的数据来测算第X+1天排班人员情况。

预测模型：则用前X天的数据来预测未来Y天的高柜人员排班情况。

预测模型是将前三个月各网点的业务量，业务繁忙程度，用户等待时长，劳动组合指数等当做模型的输入，通过梯度下降算法来预测未来7天的网点的排班情况，训练数据的标签为每天每个网点的高柜人员排班数量。

测算模型主要的功能是为了检验当天按照预测模型排班的结果是否合理，所以测算模型不仅需要前三个月各网点的数据，还需要当天网点的真实排班人数才能测算当天的排班情况。由于真实的排班情况是根据预测模型给出的结果来安排，所以需要把测算模型给出当天的应有的排班人数和预测模型给出的排班人数做对比，以此来验证当天排班人数的合理性，从而对预测模型做出一些微调，提高预测模型的准确性。通过使用不同的算法做对比，最终测算模型和预测模型都选择使用梯度下降算法。

4.***模块：用于控制整个***的流程，进行定点的模型训练和模型预测功能。

从数据库中读取预处理完成的原始表，把数据按照一级网点分行进行划分。

对每一个一级网点生成训练数据，然后调用模型算法训练模型。

模型训练完成之后，需要把所有的预测数据记录到数据库中，方便下次做预测的时候调用。每次预测需要从数据库中读取数据，计算出需要预测的起始日期和需要预测的天数。对数据库中存有这些字段的表进行预处理，处理完成后，更新数据库。

开始做预测时需要从数据库中读取需要预测时间段的所有包含训练特征的表来生成预测的训练数据和测算的训练数据。然后调用已经训练完成的模型对所有网点进行预测和测算。

尽管上述实施例已对本发明作出具体描述，但是对于本领域的普通技术人员来说，应该理解为可以在不脱离本发明的精神以及范围之内基于本发明公开的内容进行修改或改进，这些修改和改进都在本发明的精神以及范围之内。

Claims (9)

1.一种基于银行网点业务数据的高柜人员排班预测方法，其特征在于，包括：

获取网点截止第一时间节点前的第一历史数据；

建立预测模型，基于所述第一历史数据生成所述第一时间节点后至第二时间节点期间内网点的预测所需排班数据；

获取网点截止所述第二时间节点前的第二历史数据；

建立测算模型，基于所述第二历史数据生成所述第一时间节点与第二时间节点之间网点的实际所需排班数据；

基于所述实际所需排班数据和实际所需排班数据的差异修改所述预测模型的参数。

2.根据权利要求1所述的基于银行网点业务数据的高柜人员排班预测方法，其特征在于，所述历史数据包括网点每时间段内的业务量、业务时长、客户等待时长、实际的高柜人员排班人数。

3.根据权利要求2所述的基于银行网点业务数据的高柜人员排班预测方法，其特征在于，所述客户等待时长包括超过10分钟和超过20分钟。

4.根据权利要求1所述的基于银行网点业务数据的高柜人员排班预测方法，其特征在于，所述第一时间节点和所述第二时间节点之间相差一个工作日。

5.根据权利要求4所述的基于银行网点业务数据的高柜人员排班预测方法，其特征在于，所述预测模型生成多个工作日网点的预测所需排班数据，所述测算模型生成每个工作日网点的实际所需排班数据。

6.根据权利要求5所述的基于银行网点业务数据的高柜人员排班预测方法，其特征在于，将每个工作日网点的实际所需排班数据与对应的预测所述排班数据做比较，生成一组反应二者差异大小的比较数据，根据所述比较数据修改所述预测模型的参数。

7.根据权利要求1所述的基于银行网点业务数据的高柜人员排班预测方法，其特征在于，所述测算模型和预测模型都使用梯度下降算法。

8.一种电子设备，其特征在于，包括：

处理器；

存储器，所述存储器中设置有可供所述处理器执行的可执行指令，所述可执行指令被执行后实现所述权利要求1-7中任一所述处理方法。

9.一种计算机可读存储介质，其特征在于，存储有计算机指令，所述计算机指令被处理器执行后实现所述权利要求1-7中任一所述处理方法的步骤。

Images