CN112651635A - 风险识别方法、装置、电子设备及存储介质 - Google Patents
风险识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112651635A CN112651635A CN202011581133.4A CN202011581133A CN112651635A CN 112651635 A CN112651635 A CN 112651635A CN 202011581133 A CN202011581133 A CN 202011581133A CN 112651635 A CN112651635 A CN 112651635A
- Authority
- CN
- China
- Prior art keywords
- target
- work order
- complaint work
- risk
- complaint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 208000035985 Body Odor Diseases 0.000 description 1
- 206010006326 Breath odour Diseases 0.000 description 1
- 208000032139 Halitosis Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 206010040904 Skin odour abnormal Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 208000019206 urinary tract infection Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种风险识别方法、装置、电子设备及存储介质。其中,风险识别方法通过获取目标投诉工单对应至少一个参数类型的参数数据;根据所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的目标风险等级,其中,所述风险识别模型根据样本投诉工单对应所述至少一个参数类型的参数数据,以及风险等级训练得到。本申请实施例提供的技术方案能够提高投诉工单的安全风险等级的识别准确度。
Description
技术领域
本申请实施例涉及计算机应用技术领域,尤其涉及一种风险识别方法、装置、电子设备及存储介质。
背景技术
目前,客服接到客户的投诉时,打开空白的电子表单,在空白的电子表单中记录与投诉相关的内容以创建投诉工单。同时,客服还会基于自身的经验确定投诉工单的风险等级,以及根据投诉工单的风险等级将投诉工单分配给相匹配的客服处理。然而,这种采用人工方式确定投诉工单的风险等级不够准确,当然,很容易因为分配的客服不够专业导致投诉升级。
发明内容
本申请实施例提供一种风险识别方法、装置、电子设备及存储介质,用以提高投诉工单的安全风险等级的识别准确度。
第一方面,本申请实施例中提供了一种风险识别方法,包括:
获取目标投诉工单对应至少一个参数类型的参数数据;
根据所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的目标风险等级,其中,所述风险识别模型根据样本投诉工单对应所述至少一个参数类型的参数数据,以及风险等级训练得到。
第二方面,本申请实施例提供了一种风险识别装置,包括:
获取模块,用于获取目标投诉工单对应至少一个参数类型的参数数据;
识别模块,用于根据所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的目标风险等级,其中,所述风险识别模型根据样本投诉工单对应所述至少一个参数类型的参数数据,以及风险等级训练得到。
第三方面,本申请实施例提供了一种电子设备,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
获取目标投诉工单对应至少一个参数类型的参数数据;
根据所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的目标风险等级,其中,所述风险识别模型根据样本投诉工单对应所述至少一个参数类型的参数数据,以及风险等级训练得到。
第四方面,本申请实施例提供了一种存储有计算机程序的计算机可读存储介质当所述计算机程序被处理器执行时,致使所述处理器实现上述方法中的步骤。
本申请实施例中,利用训练好的风险识别模型对目标投诉工单的至少一个参数类型的参数数据进行识别,以得到目标投诉工单的风险等级。由此,基于目标投诉工单的至少一个参数类型的参数数据实现自动、高效、准确地识别目标投诉工单的风险等级。当然,后续基于目标投诉工单的风险等级,可以使得分配目标投诉工单更为合理,降低了因为分配的处理人不够专业导致投诉升级的情形出现。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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示出了本申请提供的一种风险识别方法一个实施例的流程图;
图2示出了本申请提供的一种风险识别装置一个实施例的结构示意图;
图3示出了本申请提供的一种电子设备一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示出了本申请提供的一种风险识别方法一个实施例的流程图。本申请实施例提供的风险识别方法,可以应用于APP、浏览器(browser)、小程序,但并不以此为限。其中,小程序是一种不需要下载安装即可以使用的一种轻量级应用程序(简称轻应用),轻应用通常具有易于实现,功能简单高效、方便使用等特点。随着计算机技术的发展,带来了新的应用开发模式,比如,大型平台应用服务的提供者,除了基于自身平台应用为终端用户提供自有服务外,还为开发者提供例如高效的开发框架,平台自身的功能模块或者第三方服务应用,都可以通过所提供的开发框架,以非常高效的方式进行开发和部署,并以很好的兼容性和稳定性接入平台主应用。在此开发模式下开发的应用,除了能够实现前述的优势外,还可以依托于应用平台的品牌,用户等优势,实现多方互利的局面,例如,一方面,应用的接入丰富了平台的服务,另一方面又节约了所接入应用的推广成本,更重要的是节约了用户的访问时间,提高了应用的触达效率。轻应用可以依托于主应用而运行,也即以主应用作为运行容器运行,例如,可以从主应用中提供的接口启动,由主应用分配运行环境等,同时,又在功能和运行特性等方便保持一定的独立性。
如图1所示,该风险识别方法包括以下步骤:
101:获取目标投诉工单对应至少一个参数类型的参数数据。
本申请实施例提供的风险识别方法可以适用于提供服务的业务***中。例如,提供家政服务的业务***、提供打车服务的业务***以及提供银行服务的业务***等等。
以提供家政服务的业务***为例,该业务***可以基于客户的用工需求为客户推荐合适的劳动者、基于劳动者的找工作需求为劳动者推荐合适的客户以及基于家政经纪人的签约需求发起客户与劳动者的签约操作等。同时,业务***还支持投诉功能,在发生投诉事件时,业务***支持创建一个投诉工单来记录与投诉事件相关的内容。
实际应用中,针对任一目标投诉工单的风险识别操作,可以在创建目标投诉工单的创建节点触发,也可以在为目标投诉工单分配处理人的分配节点触发,也可以在创建节点与分配节点之间的任一时间节点触发,具体可以根据实际业务需求设定。
具体的,可以通过业务***提供的API接口从业务***中获取目标投诉工单,获取目标投诉工单对应至少一个参数类型的参数数据,以及将目标投诉工单对应至少一个参数类型的参数数据输入到风险识别模型进行识别,以得到该目标投诉工单的目标风险等级。其中,用于风险识别的参数类型根据具体业务需求进行设置。
其中,获取目标投诉工单对应至少一个参数类型的参数数据时,可以通过信息抽取技术从目标投诉工单中抽取该目标投诉工单对应至少一个参数类型的参数数据。或者,对目标投诉工单进行截图,利用图片识别技术对截图进行识别,获取该目标投诉工单对应至少一个参数类型的参数数据。当然,并不限于此。
可选的,为了更为客观、准确地识别出目标投诉工单的目标风险等级,根据投诉类别、投诉标签、责任预判结果、用户等级以及跟进记录等至少一个参数类型的参数数据对目标投诉工单的风险等级进行识别。
其中,不同的业务场景有不同的投诉类别,每个业务场景根据具体的业务需求设置投诉类别。投诉标签用于刻画投诉事件的特征,投诉标签可以视为细分的投诉类别。责任预判结果可以理解为引起投诉事件的责任人。跟进记录为客服处理目标投诉工单的工作记录。
为了便于理解,以家政服务场景为例进行说明。
投诉类别可以包括劳动者技能、劳动者行为、劳动者健康、经纪人问题等。
针对劳动者技能的投诉标签,可以包括***、肺炎、败血症、安抚/哄睡、喂养不当/泡奶等标签。
针对劳动者行为的投诉标签,可以包括迟到/早退、个人卫生习惯、欺骗行为、不听客户意见、未主动出示证件、玩手机、挑拨他人关系、携带危险物品等。
针对劳动者健康的投诉标签,可以包括口臭/体味、说方言/口音重、体检/健康证过期、带病上户、体力透支/吃不消等。
针对经纪人问题的投诉标签,可以包括劳动者未签署合同上户、实际上户劳动者与***不一致、与客户冲突、经纪人更换频繁、长期匹配不到合适劳动者等。
针对责任预判结果,可以包括劳动者责任、经纪人责任、客户责任、无需判断责任、无法判断责任等。
针对用户等级,可以包括黄金会员,白金会员,普通会员等。
针对跟进记录,可以包括投诉工单开始处理时间、处理用时、备注信息,备注信息可以记录客服与客户的沟通内容、是否关闭投诉工单,其中,在成功解决投诉工单的问题时可以关闭投诉工单。
102:根据至少一个参数类型的参数数据,利用风险识别模型识别目标投诉工单的目标风险等级,其中,风险识别模型根据样本投诉工单对应至少一个参数类型的参数数据,以及风险等级训练得到。
其中,风险识别模型是训练好的模型,可以自动识别投诉工单的风险等级。可选的,风险识别模型具体按照如下方式预先训练获得:确定样本投诉工单及对应的风险等级;提取样本投诉工单对应至少一个参数类型的参数训练数据;将所述至少一个参数类型的参数训练数据作为模型输入,所述风险等级作为训练标签,训练所述风险识别模型。
其中,在训练风险识别模型时,需要准备多个不同风险等级的样本投诉工单,以及根据样本投诉工单的处理结果标注其风险等级。
其中,风险等级越高,投诉工单可引发的风险事件后果的严重程度越高。例如,风险等级包括高风险、低风险。若样本投诉工单的处理结果指示发生了严重后果,则样本投诉工单的风险等级设置为高风险。若样本投诉工单的处理结果指示未发生了严重后果,则样本投诉工单的风险等级设置为低风险。以家政服务场景为例,严重后果可以包括订单退单、订单退款、向客户理赔等,若投诉工单出现上述严重后果,可以理解为出现了投诉升级的情形。
其中,风险识别模型可以是训练好的神经网络。其中,神经网络包括但并限于卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent NeuralNetworks,RNN)、长短期记忆网络(Long Short-Term Memory,LSTM)。
训练时,依次将每个样本投诉工单的至少一个参数类型的参数训练数据作为待训练的神经网络的输入参数,以及将每个样本投诉工单的风险等级作为待训练的神经网络的期望输出结果,不断地训练神经网络,直至神经网络的损失函数收敛,以完成风险识别模型的训练。其中,损失函数可以是任意的损失函数。优先地,为了提高模型的预测准确性,损失函数可以为交叉熵代价函数。有关训练神经网络的更多介绍详见相关技术。
可选的,为了更为客观、准确地预测投诉工单的风险等级,可以根据至少一个参数类型对严重后果的影响程度,为至少一个参数类型配置相应的权重。风险识别模型在预测投诉工单的风险等级时,可以根据每个参数类型的参数训练数据计算该参数类型的风险得分,对至少一个参数类型的风险得分进行加权求和,得到投诉工单的总风险得分。若总风险得分大于预设风险得分阈值,则识别投诉工单的风险等级为高风险,反之识别投诉工单的风险等级为低风险。
可选的,样本投诉工单可以是历史投诉工单。此外,在利用风险识别模型预测出目标投诉工单的风险等级之后,还可以将目标投诉工单及其等下等级进行保存,作为历史投诉工单。
本申请实施例提供的风险识别方法,利用训练好的风险识别模型对目标投诉工单的至少一个参数类型的参数数据进行识别,以得到目标投诉工单的风险等级。由此,基于目标投诉工单的至少一个参数类型的参数数据实现自动、高效、准确地识别目标投诉工单的风险等级。当然,后续基于目标投诉工单的风险等级,可以使得分配目标投诉工单更为合理,降低了因为分配的处理人不够专业导致投诉升级的情形出现。
实际应用中,可能存在投诉工单合理分配的需求。为了满足合理分配投诉工单的需求,可选的,在所述预测所述目标投诉工单的安全风险等级之后,还可以根据风险等级与客服级别的对应关系,确定所述目标风险等级对应的目标客服级别;将所述目标投诉工单分配给具有所述目标客服级别的客服。
其中,客服级别根据实际业务场景进行设置,例如普通客服、高级客服。其中,普通客服的级别低于高级客服,高级客服的工作能力强于普通客服的工作能力。
需要指出的是,可以通过向客服的终端设备发送通知信息,以通知客服其有分配的目标投诉工单需要处理。通知信息可以包括目标投诉工单的处理建议,例如,目标投诉工单的风险等级比较高,处理时注意安抚客户的情绪,避免出现投诉升级等情形出现。
可以理解的是,根据目标投诉工单的风险等级为目标投诉工单分配相应客服,可以实现客服资源的合理配置。同时,风险等级较高的目标投诉工单分配给客户级别较高的客服,可以有效地阻止发生严重后果。
实际应用中,为了及时通知客服处理目标投诉工单以提高目标投诉工单的处理效率,可以采用多种通知方式通知客服,例如,短信通知、邮件通知或者利用即时聊天软件通知等。
实际应用中,相同客户级别的客服可能不止一个。可选的,为了提高目标投诉工单的处理效率,在将所述目标投诉工单分配给具有所述目标客服级别的客服时,可以获取相同客服级别下多个客服各自的未完成投诉工单的数量;将所述目标投诉工单分配给未完成投诉工单的数量最少的客服。
例如,高级客服有3个,高级客服1有5个未处理投诉工单,高级客服2有3个未处理投诉工单,高级客服3有2个未处理投诉工单,这时,应该将目标投诉工单分配给高级客服3。
实际应用中,尽管某个客服的未完成投诉工单的数量较少,但是可能存在一些因素造成该客服没有精力处理目标投诉工单。因此,可选的,为了提高目标投诉工单的处理效率,在将所述目标投诉工单分配给具有所述目标客服级别的客服时,可以获取目标客服级别下多个客服各自的未完成投诉工单的数量;按照数量从少到多的顺序,从多个客服中选择排序靠前的N个候选客服,其中,其中,N为正整数;向N个候选客服发送分配审批请求;若接收到目标客服返回的同意分配的审批结果,则将目标投诉工单分配给目标客服,其中,目标客服为N个候选客服中任一个。其中,在向N个候选客服发送分配审批请求时,可以向N个候选客服的终端设备发送分配审批请求,N个候选客服通过其终端设备获知并处理分配审批请求。
沿用上例,N为2,可以将高级客服2、高级客服3为候选客服。若高级客服2、高级客服3均返回了同意分配的审批结果,这时,可以从高级客服2、高级客服3任选一个作为目标客服。
当然,如果有多个候选客服返回同意分配的审批结果,则可以从多个候选客服选择未完成投诉工单的数量最少的一个候选客服作为目标客服。沿用上例,若高级客服2、高级客服3均返回了同意分配的审批结果,这时,这时选择高级客服3为目标客服。
当然,实际情形中,可能没有一个候选客服返回同意分配的审批结果,这时可以强制地将目标投诉工单分配给任一候选客服。
在本申请的一些实施例中,在将所述目标投诉工单分配给具有所述目标客服级别的客服之后,还可以检测所述目标投诉工单的跟进记录是否更新;若所述目标投诉工单的跟进记录进行了更新,且更新结果指示未解决所述目标投诉工单的投诉问题,则获取所述目标投诉工单的更新后的至少一个参数类型的参数数据,根据更新后的所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的更新后的目标风险等级。
实际应用中,当前分配的客服可能没有解决目标投诉工单的投诉问题,或则,在指定的时间段内当前分配的客服没有启动处理目标投诉工单,这时可以为目标投诉工单重新分配一个新的客服。由于跟进记录更新后,目标投诉工单的风险等级可能会发生改变,因此,在重新为目标投诉工单分配新的客服时,需要重新预测目标投诉工单的风险等级。
当然,若更新结果指示已成功解决所述目标投诉工单的投诉问题,将所述目标投诉工单标记为已解决的投诉工单。已解决的投诉工单可以进行关闭,以减少对业务***的存储资源的占用。
图2示出了本申请提供的一种风险识别装置一个实施例的结构示意图。该风险识别装置可以由硬件和/或软件组成,用于执行风险识别方法。参见图2,该风险识别装置可以包括:
获取模块201,用于获取目标投诉工单对应至少一个参数类型的参数数据;
识别模块202,用于根据所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的目标风险等级,其中,所述风险识别模型根据样本投诉工单对应所述至少一个参数类型的参数数据,以及风险等级训练得到。
在本申请一些实施例中,所述至少一个参数类型包括投诉类别、投诉标签、责任预判结果、用户等级以及跟进记录。
在本申请一些实施例中,该装置还包括分配模块;
分配模块用于:
根据风险等级与客服级别的对应关系,确定所述目标风险等级对应的目标客服级别;
将所述目标投诉工单分配给具有所述目标客服级别的客服。
在本申请一些实施例中,具有所述目标客服级别的客服的数量为多个,分配模块将所述目标投诉工单分配给具有所述目标客服级别的客服具体是:
获取所述目标客服级别下多个客服各自的未完成投诉工单的数量;
按照数量从少到多的顺序,从所述多个客服中选择排序靠前的N个候选客服,其中,其中,N为正整数;
向所述N个候选客服发送分配审批请求;
若接收到所述目标客服返回的同意分配的审批结果,则将所述目标投诉工单分配给所述目标客服,其中,所述目标客服为所述N个候选客服中任一个。
在本申请一些实施例中,该装置还包括检测模块,用于
在分配模块将所述目标投诉工单分配给具有所述目标客服级别的客服之后,检测所述目标投诉工单的跟进记录是否更新;
若所述目标投诉工单的跟进记录进行了更新,且更新结果指示未解决所述目标投诉工单的投诉问题,则触发获取模块201获取所述目标投诉工单的更新后的至少一个参数类型的参数数据,以及触发识别模块202根据更新后的所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的更新后的目标风险等级。
在本申请一些实施例中,检测模块还用于:
若更新结果指示已成功解决所述目标投诉工单的投诉问题,将所述目标投诉工单标记为已解决的投诉工单。
在本申请一些实施例中,所述风险识别模型具体按照如下方式预先训练获得:
确定样本投诉工单及对应的风险等级;
提取样本投诉工单对应至少一个参数类型的参数训练数据;
将所述至少一个参数类型的参数训练数据作为模型输入,所述风险等级作为训练标签,训练所述风险识别模型。
图2所述的风险识别装置可以执行图1所示实施例所述的风险识别方法,其实现原理和技术效果不再赘述。对于上述实施例中的风险识别装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
对于上述实施例中的风险识别装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在一个可能的设计中,图2所示实施例的风险识别装置配置到电子设备中,如图3所示,该电子设备可以包括存储组件301以及处理组件302;
所述存储组件一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行。
所述处理组件用于:
获取目标投诉工单对应至少一个参数类型的参数数据;根据所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的目标风险等级,其中,所述风险识别模型根据样本投诉工单对应所述至少一个参数类型的参数数据,以及风险等级训练得到。
其中,处理组件902可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件301被配置为存储各种类型的数据以支持在终端的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
可选的,电子设备包括显示组件,显示组件可以为电致发光(EL)元件、液晶显示器或具有类似结构的微型显示器、或者视网膜可直接显示或类似的激光扫描式显示器。
当然,电子设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和***接口模块之间提供接口,上述***接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
如在本文所使用的,“电子设备”可以是远程web服务器、服务器、计算机联网设备、芯片组、台式计算机、笔记本式计算机、工作站,或任何其他处理设备或者装备。
其中,该电子设备可以为物理设备或者云计算平台提供的弹性计算主机等,此时电子设备即可以是指云服务器,上述处理组件、存储组件等可以是从云计算平台租用或购买的基础服务器资源。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图1所示实施例的风险识别方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种风险识别方法,其特征在于,包括:
获取目标投诉工单对应至少一个参数类型的参数数据;
根据所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的目标风险等级,其中,所述风险识别模型根据样本投诉工单对应所述至少一个参数类型的参数数据,以及风险等级训练得到。
2.根据权利要求1所述的方法,其特征在于,所述至少一个参数类型包括投诉类别、投诉标签、责任预判结果、用户等级以及跟进记录。
3.根据权利要求1所述的方法,其特征在于,利用风险识别模型识别所述目标投诉工单的目标风险等级之后,还包括:
根据风险等级与客服级别的对应关系,确定所述目标风险等级对应的目标客服级别;
将所述目标投诉工单分配给具有所述目标客服级别的客服。
4.根据权利要求3所述的方法,其特征在于,具有所述目标客服级别的客服的数量为多个,将所述目标投诉工单分配给具有所述目标客服级别的客服包括:
获取所述目标客服级别下多个客服各自的未完成投诉工单的数量;
按照数量从少到多的顺序,从所述多个客服中选择排序靠前的N个候选客服,其中,其中,N为正整数;
向所述N个候选客服发送分配审批请求;
若接收到所述目标客服返回的同意分配的审批结果,则将所述目标投诉工单分配给所述目标客服,其中,所述目标客服为所述N个候选客服中任一个。
5.根据权利要求3所述的方法,其特征在于,在将所述目标投诉工单分配给具有所述目标客服级别的客服之后,还包括:
检测所述目标投诉工单的跟进记录是否更新;
若所述目标投诉工单的跟进记录进行了更新,且更新结果指示未解决所述目标投诉工单的投诉问题,则获取所述目标投诉工单的更新后的至少一个参数类型的参数数据,根据更新后的所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的更新后的目标风险等级。
6.根据权利要求3所述的方法,其特征在于,还包括:
若更新结果指示已成功解决所述目标投诉工单的投诉问题,将所述目标投诉工单标记为已解决的投诉工单。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述风险识别模型具体按照如下方式预先训练获得:
确定样本投诉工单及对应的风险等级;
提取样本投诉工单对应至少一个参数类型的参数训练数据;
将所述至少一个参数类型的参数训练数据作为模型输入,所述风险等级作为训练标签,训练所述风险识别模型。
8.一种风险识别装置,其特征在于,包括:
获取模块,用于获取目标投诉工单对应至少一个参数类型的参数数据;
识别模块,用于根据所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的目标风险等级,其中,所述风险识别模型根据样本投诉工单对应所述至少一个参数类型的参数数据,以及风险等级训练得到。
9.一种电子设备,其特征在于,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
获取目标投诉工单对应至少一个参数类型的参数数据;
根据所述至少一个参数类型的参数数据,利用风险识别模型识别所述目标投诉工单的目标风险等级,其中,所述风险识别模型根据样本投诉工单对应所述至少一个参数类型的参数数据,以及风险等级训练得到。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,当所述计算机程序被处理器执行时,致使所述处理器实现权利要求1-7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581133.4A CN112651635A (zh) | 2020-12-28 | 2020-12-28 | 风险识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581133.4A CN112651635A (zh) | 2020-12-28 | 2020-12-28 | 风险识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651635A true CN112651635A (zh) | 2021-04-13 |
Family
ID=75363519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011581133.4A Pending CN112651635A (zh) | 2020-12-28 | 2020-12-28 | 风险识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651635A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801563A (zh) * | 2021-04-14 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 风险评估方法和装置 |
CN113269247A (zh) * | 2021-05-24 | 2021-08-17 | 平安科技(深圳)有限公司 | 投诉预警模型的训练方法、装置、计算机设备及存储介质 |
CN113342961A (zh) * | 2021-07-07 | 2021-09-03 | 上海华客信息科技有限公司 | 客户电话投诉处理方法、***、设备及存储介质 |
CN113342962A (zh) * | 2021-07-07 | 2021-09-03 | 上海华客信息科技有限公司 | 客服方法、***、设备及存储介质 |
CN113592315A (zh) * | 2021-08-04 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 一种处理纠纷单的方法和装置 |
CN113610399A (zh) * | 2021-08-09 | 2021-11-05 | 广州品唯软件有限公司 | 一种客服后台的风险监控方法、***及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354762A (zh) * | 2015-11-11 | 2016-02-24 | 国网山东省电力公司电力科学研究院 | 一种电力客服业务工单识别与分配***及方法 |
CN109858702A (zh) * | 2019-02-14 | 2019-06-07 | 中国联合网络通信集团有限公司 | 客户升级投诉的预测方法、装置、设备及可读存储介质 |
CN110163432A (zh) * | 2019-05-17 | 2019-08-23 | 北京三快在线科技有限公司 | 一种订单识别的方法及装置 |
CN110349039A (zh) * | 2019-06-13 | 2019-10-18 | 中国平安人寿保险股份有限公司 | 投诉风险评估方法、***、计算机设备及可读存储介质 |
CN111105137A (zh) * | 2019-11-19 | 2020-05-05 | 泰康保险集团股份有限公司 | 工单派发方法、装置、介质及电子设备 |
CN111340323A (zh) * | 2018-12-19 | 2020-06-26 | ***通信集团湖南有限公司 | 一种投诉服务请求自动派单方法及*** |
-
2020
- 2020-12-28 CN CN202011581133.4A patent/CN112651635A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354762A (zh) * | 2015-11-11 | 2016-02-24 | 国网山东省电力公司电力科学研究院 | 一种电力客服业务工单识别与分配***及方法 |
CN111340323A (zh) * | 2018-12-19 | 2020-06-26 | ***通信集团湖南有限公司 | 一种投诉服务请求自动派单方法及*** |
CN109858702A (zh) * | 2019-02-14 | 2019-06-07 | 中国联合网络通信集团有限公司 | 客户升级投诉的预测方法、装置、设备及可读存储介质 |
CN110163432A (zh) * | 2019-05-17 | 2019-08-23 | 北京三快在线科技有限公司 | 一种订单识别的方法及装置 |
CN110349039A (zh) * | 2019-06-13 | 2019-10-18 | 中国平安人寿保险股份有限公司 | 投诉风险评估方法、***、计算机设备及可读存储介质 |
CN111105137A (zh) * | 2019-11-19 | 2020-05-05 | 泰康保险集团股份有限公司 | 工单派发方法、装置、介质及电子设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801563A (zh) * | 2021-04-14 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 风险评估方法和装置 |
CN112801563B (zh) * | 2021-04-14 | 2021-08-17 | 支付宝(杭州)信息技术有限公司 | 风险评估方法和装置 |
CN113269247A (zh) * | 2021-05-24 | 2021-08-17 | 平安科技(深圳)有限公司 | 投诉预警模型的训练方法、装置、计算机设备及存储介质 |
CN113269247B (zh) * | 2021-05-24 | 2023-09-01 | 平安科技(深圳)有限公司 | 投诉预警模型的训练方法、装置、计算机设备及存储介质 |
CN113342961A (zh) * | 2021-07-07 | 2021-09-03 | 上海华客信息科技有限公司 | 客户电话投诉处理方法、***、设备及存储介质 |
CN113342962A (zh) * | 2021-07-07 | 2021-09-03 | 上海华客信息科技有限公司 | 客服方法、***、设备及存储介质 |
CN113592315A (zh) * | 2021-08-04 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 一种处理纠纷单的方法和装置 |
CN113610399A (zh) * | 2021-08-09 | 2021-11-05 | 广州品唯软件有限公司 | 一种客服后台的风险监控方法、***及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651635A (zh) | 风险识别方法、装置、电子设备及存储介质 | |
US10162884B2 (en) | System and method for auto-suggesting responses based on social conversational contents in customer care services | |
US20100332270A1 (en) | Statistical analysis of data records for automatic determination of social reference groups | |
JP6546180B2 (ja) | ネットワークサブジェクトの社会的関係タイプの取得 | |
US20200273050A1 (en) | Systems and methods for predicting subscriber churn in renewals of subscription products and for automatically supporting subscriber-subscription provider relationship development to avoid subscriber churn | |
US20190258983A1 (en) | Objective evidence-based worker skill profiling and training activation | |
US20140067472A1 (en) | System and Method For Segmenting A Customer Base | |
US20070116241A1 (en) | Support case management system | |
US10762423B2 (en) | Using a neural network to optimize processing of user requests | |
CN108805332B (zh) | 一种特征评估方法和装置 | |
CN112104505A (zh) | 应用推荐方法、装置、服务器和计算机可读存储介质 | |
CN113393299A (zh) | 推荐模型训练方法、装置、电子设备和存储介质 | |
US11587094B2 (en) | Customer service ticket evaluation using multiple time-based machine learning models customer | |
CN112131479A (zh) | 数据的处理方法、装置、设备和存储介质 | |
CN112671984B (zh) | 服务模式切换方法、装置、机器人客服及存储介质 | |
CN111625720B (zh) | 数据决策项目执行策略的确定方法、装置、设备和介质 | |
WO2024041043A1 (zh) | 书籍推荐方法、计算设备及计算机存储介质 | |
CN112989236B (zh) | 一种信息展示方法、装置、电子设备及存储介质 | |
CN111046156A (zh) | 奖励数据的确定方法、装置和服务器 | |
CN115914363A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN114581130A (zh) | 基于客户画像的银行网点派号方法及装置、存储介质 | |
JP2020004137A (ja) | 評価装置、評価方法および評価プログラム | |
CN114943517A (zh) | 基于物联网的电子招聘匹配方法、***以及存储介质 | |
CN112581153B (zh) | 资源分配方法、资源分配装置、存储介质和电子设备 | |
CN114066513A (zh) | 一种用户分类的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |