一种工单智能分派方法
技术领域
本发明涉及专门适用于行政、商业、金融、管理、监督或预测目的的数据处理***或方法;其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理***或方法的技术领域,特别涉及一种工单智能分派方法。
背景技术
在管理工作中,针对不同的工作,往往通过派单的形式完成工作的分配,以求责任落实到人。以物业管理为例,凡是涉及到维修、报事、保洁、保绿等工作时,必须使用服务工单进行过程跟踪。
传统的管理软件中,客服人员在收到业主或客户的需求后形成工单,且主要依靠客服人员进行手工派单,而客服人员可能存在外包的情况、亦无法始终保持稳定的判断,故他们一方面对工单内容、紧急程度、需要时间等缺乏绝对客观、准确的判断,另一方面对物业员工擅长领域、是否空闲等信息无法实时获悉,进而导致重复沟通、派单效率低下、工作人员忙闲不一致等问题,最终导致客户满意度下降。
进一步来说,由于物业服务的工单涉及维修处理、报事处理、投诉处理、保洁处理等内容,其本身是为了完成客户诉求,往往客户处已经出现一定的问题,在工单数据量庞大、对于处理及时性又有较高的要求的整体环境下,分派工单的不妥极易导致物业与业主间的冲突。
人工分派、先沟通后分派的方式,沟通成本高、分派速度慢,经验判断直接分派又面临与实际处理人员的匹配程度低的问题;如何合理并快速地分派工单亟待解决。
发明内容
本发明解决了现有技术中存在的问题,提供了一种优化的工单智能分派方法,基于大数据、云计算、人工智能技术,将服务工单快速并合理地派发给物业员工,提升工单处理的整体效率。
本发明所采用的技术方案是,一种工单智能分派方法,所述方法包括以下步骤:
步骤1:获取工单历史数据,提取特征数据,对工单进行分类并构建工单特征模型;
所述特征数据包括工单历史数据中的工单类型、处理时长、关键词、工单关联图片;
提取特征数据包括以下步骤:
步骤1.2.1:提取工单历史数据中的工单类型和处理时长;
步骤1.2.2:对工单中的关键词进行模糊提取,与预设词库进行匹配,匹配成功,则以预设词库中的标准词作为关键词,否则,进行下一步;
步骤1.2.3:以工单类型和处理时长浮动预设时间为标准进行匹配,匹配成功,则以工单类型和处理时长对应的关键词作为提取的关键词,否则,进行下一步;
步骤1.2.4:获取工单关联图片,识别图像中的文字,所述文字包括工单内容和落款,对工单内容进行关键词的模糊提取并与预设词库进行匹配,对落款进行员工匹配,若关键词匹配度达到标准值且与落款对应员工的工作标识相符,则匹配成功,否则,报人工处理;
步骤2:获取员工基础信息数据,构建员工特征模型;
步骤3:构建工单特征模型和员工特征模型的匹配算法;
步骤4:获取待分派工单,对当前工单进行特征提取;
步骤5:计算工单和员工的匹配度,将工单分派至匹配度最高的员工,完成工单分派。
优选地,所述步骤1包括以下步骤:
步骤1.1:获取工单历史数据,清洗数据;
步骤1.2:提取工单历史数据中的工单类型、处理时长、关键词、工单关联图片;
步骤1.3:采用KNN监督式机器学习分类算法,使用上述工单数据进行训练,获得工单分类模型。
优选地,所述步骤1.1中,清洗数据包括删除重复的工单历史数据、对已经离职员工及已经取消的工单类型进行单独归类。
优选地,所述步骤2中,员工基础信息数据包括对应的工单类型、熟练程度、工龄、工单处理效率、客户评价,对熟练程度、工单处理效率和客户评价进行赋值。
优选地,若存在新员工,提取工单类型、熟练程度、工龄、工单处理效率的特征,以余弦相似度算法寻找最接近的员工,补充关联数据作为当前新员工的初始员工基础信息数据。
优选地,对工单分类结果进行标识,所述标识包括紧急程度、重要程度、预计处理时间。
优选地,所述步骤3中,匹配算法用于计算匹配度M,M=U*T*E*k1+L*S*P*k2 -C*k3,其中,U为工单紧急度,T为员工是否空闲,E为员工处理效率,L为工单重要度,S为员工专业能力,P为好评工单数,C为投诉工单数;k1、k2、k3为权重系数。
优选地,所述工单紧急度分为1~9级,工单重要度分为1~9级,当两者均大于等于6时,匹配专业能力强的员工,k2>k1且k3为0;其余情况,匹配空闲的员工,k1>k2。
优选地,所述空闲为以法定工作时间减去所有工单的预计处理时长。
优选地,所述分派包括工单批量分派和工单逐条分派;所述工单批量分派采用运筹与优化中的线性规划。
本发明涉及一种优化的工单智能分派方法,通过获取工单历史数据,提取特征数据,对工单进行分类并构建工单特征模型,获取员工基础信息数据,构建员工特征模型,基于前两者,构建工单特征模型和员工特征模型的匹配算法;在获取待分派工单后对当前工单进行特征提取,计算工单和员工的匹配度,将工单分派至匹配度最高的员工,完成工单分派。
本发明通过构建工单特征模型和员工特征模型的匹配算法,以大数据的辅助来进行客观数据的分析,派单的过程中人工参与的部分少,在派单前不需另行对接,保证了物业管理中服务工单分派的合理性和及时性,沟通成本小,分派速度快,客观派单,保证每一个员工在自己能力范围内能更多更好处理工单;在工单响应速度提升的情况下,客户满意度明显提升。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述,但本发明的保护范围并不限于此。
本发明涉及一种工单智能分派方法,所述方法包括以下步骤。
步骤1:获取工单历史数据,提取特征数据,对工单进行分类并构建工单特征模型。
所述步骤1包括以下步骤:
步骤1.1:获取工单历史数据,清洗数据;
所述步骤1.1中,清洗数据包括删除重复的工单历史数据、对已经离职员工及已经取消的工单类型进行单独归类。
步骤1.2:提取工单历史数据中的工单类型、处理时长、关键词、工单关联图片;
所述步骤1.2包括以下步骤:
步骤1.2.1:提取工单历史数据中的工单类型和处理时长;
步骤1.2.2:对工单中的关键词进行模糊提取,与预设词库进行匹配,匹配成功,则以预设词库中的标准词作为关键词,否则,进行下一步;
步骤1.2.3:以工单类型和处理时长浮动预设时间为标准进行匹配,匹配成功,则以工单类型和处理时长对应的关键词作为提取的关键词,否则,进行下一步;
步骤1.2.4:获取工单关联图片,识别图像中的文字,所述文字包括工单内容和落款,对工单内容进行关键词的模糊提取并与预设词库进行匹配,对落款进行员工匹配,若关键词匹配度达到标准值且与落款对应员工的工作标识相符,则匹配成功,否则,报人工处理。
步骤1.3:采用KNN监督式机器学习分类算法,使用上述工单数据进行训练,获得工单分类模型。
本发明中,通过已有经验及大数据的辅助,可以对工单进行更加详细的分类,并对这些分类设置紧急程度、重要程度、预计处理时长信息;工单的详细分类较多,以维修大类为例,可以细分为渗漏、透寒、排水、给水、供暖、强电、弱电、土建、烟道、景观等。
本发明中,从大量工单中提取特征数据,如从工单中直接获取工单类型和处理时长信息、通过提取工单内容描述中的关键词、通过图像识别技术分析工单图片来构建工单特征,借助监督式机器学习分类算法,获得工单特征模型。
本发明中,工单历史数据中的工单类型和处理时长为***内可追踪的,为事实性数据,直接获取;
工单中的关键词则需要进行识别和匹配,因为工作人员在记录工单的过程中不一定准确采用了规定用词,故采用模糊匹配,若匹配不上,则以工单类型和处理时长浮动预设时间为标准进行匹配,即在某个大类中、某个时长的处理时间一般可以匹配若干种工单操作;
若仍旧无法匹配,只能通过工单的关联图片,识别工单内容和落款,对工单内容进行关键词的模糊提取并与预设词库进行匹配,对落款进行员工匹配,若关键词匹配度达到标准值且与落款对应员工的工作标识相符,则匹配成功,即是指某个工作人员主要特长在于处理渗漏工单,而图片中又恰好识别到了“渗”、“水”等,视为匹配成功;
若还无法匹配,则报人工处理。
本发明中,对于数据的清洗标准并不统一,其原则为删掉无用数据,本领域技术人员可以依据需求自行设置。
步骤2:获取员工基础信息数据,构建员工特征模型。
所述步骤2中,员工基础信息数据包括对应的工单类型、熟练程度、工龄、工单处理效率、客户评价,对熟练程度、工单处理效率和客户评价进行赋值。
若存在新员工,提取工单类型、熟练程度、工龄、工单处理效率的特征,以余弦相似度算法寻找最接近的员工,补充关联数据作为当前新员工的初始员工基础信息数据。
对工单分类结果进行标识,所述标识包括紧急程度、重要程度、预计处理时间。
本发明中,熟练程度即所擅长的工单类型,以0~9代表擅长程度。
本发明中,为了避免在后续的匹配过程中,新员工可能会存在的冷启动情况,故对新员工首先进行基础赋值,以其基础数据、采用余弦相似度算法寻找最接近的老员工,以老员工的数据作为基础值、折算后补充到此新员工的信息中。
步骤3:构建工单特征模型和员工特征模型的匹配算法。
所述步骤3中,匹配算法用于计算匹配度M,M=U*T*E*k1+L*S*P*k2 -C*k3,其中,U为工单紧急度,T为员工是否空闲,E为员工处理效率,L为工单重要度,S为员工专业能力,P为好评工单数,C为投诉工单数;k1、k2、k3为权重系数。
所述工单紧急度分为1~9级,工单重要度分为1~9级,当两者均大于等于6时,匹配专业能力强的员工,k2>k1且k3为0;其余情况,匹配空闲的员工,k1>k2。
所述空闲为以法定工作时间减去所有工单的预计处理时长。
本发明中,k1、k2、k3为权重系数,本领域技术人员可依据需求自行调节。
本发明中,专业能力强是指熟练程度高的。
本发明中,每一个工单都有预计处理时长,分配给员工后,就以法定工作时间8小时(一日)减去预计处理时长;分配工单预计时长大于员工剩余工时,那么就表示员工无空闲。
步骤4:获取待分派工单,对当前工单进行特征提取。所述特征提取可以基于当前工单的紧急程度、重要程度、预计处理时间来进行人员预筛选,随后进行匹配度M的计算。
步骤5:计算工单和员工的匹配度,将工单分派至匹配度最高的员工,完成工单分派。
所述分派包括工单批量分派和工单逐条分派;所述工单批量分派采用运筹与优化中的线性规划,此为本领域技术人员容易理解的内容,本领域技术人员可以依需求自行设置。
本发明通过获取工单历史数据,提取特征数据,对工单进行分类并构建工单特征模型,获取员工基础信息数据,构建员工特征模型,基于前两者,构建工单特征模型和员工特征模型的匹配算法;在获取待分派工单后对当前工单进行特征提取,计算工单和员工的匹配度,将工单分派至匹配度最高的员工,完成工单分派。本发明通过构建工单特征模型和员工特征模型的匹配算法,以大数据的辅助来进行客观数据的分析,派单的过程中人工参与的部分少,在派单前不需另行对接,保证了物业管理中服务工单分派的合理性和及时性,沟通成本小,分派速度快,客观派单,保证每一个员工在自己能力范围内能更多更好处理工单;在工单响应速度提升的情况下,客户满意度明显提升。