CN115438821A - 一种智能排队方法和相关装置 - Google Patents
一种智能排队方法和相关装置 Download PDFInfo
- Publication number
- CN115438821A CN115438821A CN202211123299.0A CN202211123299A CN115438821A CN 115438821 A CN115438821 A CN 115438821A CN 202211123299 A CN202211123299 A CN 202211123299A CN 115438821 A CN115438821 A CN 115438821A
- Authority
- CN
- China
- Prior art keywords
- client
- target
- business
- service
- information
- 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
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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开一种智能排队方法和相关装置,可应用于金融领域,获取目标客户在目标业务办理场所的排队序号;基于排队序号确定排列在目标客户之前的待处理客户;采集多个维度的信息数据,多个维度的信息数据包括目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息,进而通过时长预测模型预测待处理客户的业务办理时长;根据待处理客户的业务办理时长预测目标客户的等待时长;根据等待时长反馈目标客户的等待情况,以便目标客户根据等待情况选择排队策略。由此可以较为精确的了解在目标业务办理场所排队的等待时长,从而合理安排个人时间,有效提升客户网点服务体验,提高客户粘性。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种智能排队方法和相关装置。
背景技术
随着金融行业的发展,银行网点的服务在银行获取客户和增加客户粘性等方面具有重要意义。
然而,银行网点在柜台办理业务时,不同客户办理业务时长参差不齐,客户无法动态掌握自身排队时长,往往流失客户或影响客户体验。对于这类现象,银行网点通过在线排队***,实时通知客户当前排队位置。
然而,这种排队方式导致客户的排队体验不好,影响银行的个人客户服务水平,降低客户粘性。
发明内容
为了解决上述技术问题,本申请提供了一种智能排队方法和相关装置,通过预测等待时长,从而使得客户可以较为精确的了解在目标业务办理场所排队的等待时长,从而掌握整体业务办理进度,可灵活选择是否等待或到其他网点办理业务,合理安排个人时间,有效提升客户网点服务体验,提高客户粘性。
第一方面,本申请实施例提供一种智能排队方法,所述方法包括:
获取目标客户在目标业务办理场所的排队序号;
基于所述排队序号,确定排列在所述目标客户之前的待处理客户;
采集多个维度的信息数据,所述多个维度的信息数据包括所述目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息;
基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测所述待处理客户的业务办理时长;
根据所述待处理客户的业务办理时长预测所述目标客户的等待时长;
根据所述目标客户的等待时长反馈所述目标客户的等待情况,以便所述目标客户根据所述等待情况选择排队策略。
在一种可能的实现方式中,所述基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测所述待处理客户的业务办理时长,包括:
基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,得到特征向量值;
基于所述特征向量值,通过时长预测模型预测所述待处理客户的业务办理时长。
在一种可能的实现方式中,所述基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,得到特征向量值,包括:
获取所述多个维度对应的属性映射关系表,所述属性映射关系表包括对应维度下的信息数据和对应的权重数值;
基于所述属性映射关系表确定对应维度下的目标权重数值;
基于所述目标权重数值确定所述特征向量值。
在一种可能的实现方式中,所述根据所述目标客户的等待时长反馈所述目标客户等待情况,包括:
根据所述目标客户的等待时长确定等待时长级别;
将所述等待时长级别作为所述目标客户的等待情况向所述目标客户反馈。
在一种可能的实现方式中,所述方法还包括:
获取在所述目标业务办理场所的预设范围内的候选业务办理场所;
确定所述候选业务办理场所的所述目标客户的等待时长;
推荐所述候选业务办理场所及所述候选业务办理场所对应的等待时长。
在一种可能的实现方式中,所述获取在所述目标业务办理场所的预设范围内的候选业务办理场所,包括:
若确定所述等待时长超出预设时长,获取在所述目标业务办理场所的预设范围内的候选业务办理场所。
在一种可能的实现方式中,所述获取在所述目标业务办理场所的预设范围内的候选业务办理场所,包括:
响应于业务办理场所获取操作,获取在所述目标业务办理场所的预设范围内的候选业务办理场所。
第二方面,本申请实施例提供一种智能排队装置,所述装置包括:
获取单元,用于获取目标客户在目标业务办理场所的排队序号;
确定单元,用于基于所述排队序号,确定排列在所述目标客户之前的待处理客户;
采集单元,用于采集多个维度的信息数据,所述多个维度的信息数据包括所述目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息;
预测单元,用于基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测所述待处理客户的业务办理时长;
所述预测单元,还用于根据所述待处理客户的业务办理时长预测所述目标客户的等待时长;
反馈单元,用于根据所述目标客户的等待时长反馈所述目标客户的等待情况,以便所述目标客户根据所述等待情况选择排队策略。
在一种可能的实现方式中,所述预测单元具体用于:
基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,得到特征向量值;
基于所述特征向量值,通过时长预测模型预测所述待处理客户的业务办理时长。
在一种可能的实现方式中,所述预测单元具体用于:
获取所述多个维度对应的属性映射关系表,所述属性映射关系表包括对应维度下的信息数据和对应的权重数值;
基于所述属性映射关系表确定对应维度下的目标权重数值;
基于所述目标权重数值确定所述特征向量值。
在一种可能的实现方式中,所述反馈单元具体用于:
根据所述目标客户的等待时长确定等待时长级别;
将所述等待时长级别作为所述目标客户的等待情况向所述目标客户反馈。
在一种可能的实现方式中,所述装置还包括推荐单元:
所述获取单元,还用于获取在所述目标业务办理场所的预设范围内的候选业务办理场所;
所述确定单元,还用于确定所述候选业务办理场所的所述目标客户的等待时长;
所述推荐单元,用于推荐所述候选业务办理场所及所述候选业务办理场所对应的等待时长。
在一种可能的实现方式中,所述获取单元,具体用于:
若确定所述等待时长超出预设时长,获取在所述目标业务办理场所的预设范围内的候选业务办理场所。
在一种可能的实现方式中,所述获取单元,具体用于:
响应于业务办理场所获取操作,获取在所述目标业务办理场所的预设范围内的候选业务办理场所。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器;
其中,在所述存储器中存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令;当所述指令被所述处理器执行时,使得所述计算机设备执如第一方面中任一项所述的方法。
第四方面,本申请实施例提供一种计算机存储介质,包括计算机指令,当所述计算机指令在计算机设备上运行时,所述计算机设备执行如第一方面中任一项所述的方法。
由上述技术方案可以看出,当需要进行智能排队时,获取目标客户在目标业务办理场所的排队序号;基于排队序号,确定排列在目标客户之前的待处理客户;采集多个维度的信息数据,多个维度的信息数据包括目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息;基于窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测待处理客户的业务办理时长;根据待处理客户的业务办理时长预测目标客户的等待时长;根据目标客户的等待时长反馈目标客户的等待情况,以便目标客户根据等待情况选择排队策略。可见,本方案通过预测等待时长,从而使得客户可以较为精确的了解在目标业务办理场所排队的等待时长,从而掌握整体业务办理进度,可灵活选择是否等待或到其他网点办理业务,合理安排个人时间,有效提升客户网点服务体验,提高客户粘性。
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简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种智能排队方法的流程图;
图2为本申请实施例提供的一种智能排队***的架构示例图;
图3为本申请实施例提供的一种智能排队装置的结构图。
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,显然,所描述的实施例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,本领域普通技术人员在没有做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。
银行网点通过在线排队***,实时通知客户当前排队位置。然而,这种排队方式并不能精确预测整体排队时长或当前进行中办理的业务需等待的时长,从而导致客户无法合理安排个人时间,客户体验较差。例如,某个客户(例如目标客户)到银行网点办理业务时,领取到的排队序号是12,目前正在办理业务的客户的排队序号是5,目标客户与办理业务的客户之间仅间隔6个人,那么目标客户可能觉得仅间隔6个客户,等待的时间不会很长,进而在此处等待。然而,由于各种原因,可能导致目标客户等待了将近一个小时都没有排到,从而为目标客户带来不好的体验。
针对上述技术问题,本申请提供一种智能排队方法,该方法可以获取目标客户在目标业务办理场所的排队序号;基于排队序号,确定排列在目标客户之前的待处理客户;采集多个维度的信息数据,多个维度的信息数据包括目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息;基于窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测待处理客户的业务办理时长;根据待处理客户的业务办理时长预测目标客户的等待时长;根据目标客户的等待时长反馈目标客户的等待情况,以便目标客户根据等待情况选择排队策略。可见,本方案通过预测等待时长,从而使得客户可以较为精确的了解在目标业务办理场所排队的等待时长,从而掌握整体业务办理进度,可灵活选择是否等待或到其他网点办理业务,合理安排个人时间,有效提升客户网点服务体验,提高客户粘性。
本申请实施例提供的方法可以应用于计算机设备上,该计算机设备可以集成智能排队***,从而执行本申请实施例提供的方法。计算机设备例如可以是终端设备或服务器,终端设备例如可以是智能终端、计算机、个人数字助理(Personal Digital Assistant,简称PDA)、平板电脑等设备。服务器可以是独立的服务器,也可以是集群中的服务器。
需要说明的是,本发明提供的智能排队方法及相关装置可用于金融领域的银行网点排队的场景,此时,目标业务办理场所可以是目标银行网点。当然也可以用于其他领域,例如通讯领域在通讯营业厅办理业务排队的场景,此时,目标业务办理场所可以是目标通讯营业厅,等等。上述仅为示例,并不对本申请提供的智能排队方法及相关装置的应用领域进行限定。
接下来,将结合附图对本申请实施例提供的智能排队方法进行介绍。参见图1所示,所述方法包括:
S101、获取目标客户在目标业务办理场所的排队序号。
当目标客户需要在目标业务办理场所办理业务时,目标客户可以根据自己需要办理的业务进行预约,从而领取排队序号。其中,该预约可以是通过目标客户自己的终端远程进行预约,也可以是在目标业务办理场所通过该目标业务办理场所中的终端进行预约。
业务办理场所是***业务的场所,例如可以包括银行网点、通讯营业厅、购票大厅等等。目标业务办理场所可以是目标客户选择的、用于办理业务的某个业务办理场所。
在本申请实施例中,当需要进行等待时长预测时,可以先获取目标客户领取到的排队序号,进而基于排队序号进行后续等待时长的预测。
需要说明的是,本申请实施例提供的方法的执行时机可以包括多种,一种可以是在领取排队序号的同时进行等待时长的预测,进而使得目标客户在领取到排队序号的同时,领取到等待情况。另一种可以是在目标客户需要查看等待情况时,主动执行触发操作,从而触发执行本申请实施例提供的方法。
S102、基于所述排队序号,确定排列在所述目标客户之前的待处理客户。
基于排队序号,可以确定排列在目标客户之前的待处理客户,从而预测轮到目标客户办理业务时,目标客户需要等待的时长,即等待时长。其中,待处理客户可以是排列在目标客户之前且等待办理业务的客户,包括正在办理业务以及还未办理业务的客户。
S103、采集多个维度的信息数据,所述多个维度的信息数据包括所述目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息。
由于在目标业务办理场所办理业务时,有很多因素可能影响业务办理速度,进而导致所需等待的时长可能有所不同。因此,为了准确预估目标客户的等待时长,可以采集多个维度的信息数据,该多个维度的信息数据可以是影响业务办理速度的各种信息。在一些情况下,多个维度的信息数据可以包括目标业务办理场所的窗口信息(即窗口维度)、每个窗口的柜员的业务经验情况(即柜员维度)以及待处理客户的客户基础信息(即待处理客户维度)和待办理业务的类型信息(即待办理业务维度)。其中,目标业务办理场所的窗口信息可以包括可办理对应业务的活动窗口数量、窗口是否空闲等;柜员的业务经验情况可以包括工作年限、工作职级、客户评价、行内评价、业务处理笔数、业务相应时长等;待处理客户的客户基础信息可以包括如姓名、年龄、学历、职业等信息;在金融领域,待办理业务的类型信息可以包括业务大类(负债业务、资产业务、中间业务)、业务子类(存款业务、借款业务、贷款业务、现金资产业务、交易业务、清算业务、支付结算业务等等)。
S104、基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测所述待处理客户的业务办理时长。
基于目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测待处理客户的业务办理时长。
在一种可能的实现方式中,S104的实现方式可以是基于窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息,得到特征向量值。进而基于特征向量值,通过时长预测模型预测待处理客户的业务办理时长。
在得到特征向量值时,可以得到的是每个维度的特征向量值,例如窗口维度对应的特征向量值、柜员维度对应的特征向量值、待处理客户维度对应的特征向量值、待办理业务维度对应的特征向量值。在一些情况下,有些维度的信息数据还可能包括多个子维度的信息数据,每个子维度的信息数据具有对应的权重数值,进而影响每个维度的特征向量值的计算。基于此,在本申请实施例中,基于窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息,得到特征向量值的方式可以是获取多个维度对应的属性映射关系表,属性映射关系表包括对应维度下的信息数据和对应的权重数值;基于属性映射关系表确定对应维度下的目标权重数值;基于目标权重数值确定特征向量值。例如可以是基于目标权重值和对应的信息数据进行加权求和得到对应的特征向量值。
需要说明的是,多个维度对应的属性映射关系表可以是多个维度中存在多个子维度的维度下的属性映射关系表,例如,在本申请实施例中,柜员维度和待处理客户维度可能分别包括多个子维度,故可以确定柜员的属性映射关系表和待处理客户的属性映射关系表。其中,柜员的属性映射关系表可以参见表1所示,待处理客户的属性映射关系表可以参见表2所示。
表1
表2
从表1中可以看出,柜员维度包括的多个子维度例如可以是工作年限、工作职级、客户评价、行内评价、业务处理笔数、业务相应时长等,每个子维度下的信息数据具有对应的权重数值,例如子维度为工作年限,该子维度下的信息数据是5年以上,则其对应的目标权重数值可以是0.9,以此类推。待处理客户维度包括的多个子维度可以是年龄、学历、职业等,每个子维度下的信息数据具有对应的权重数值,例如子维度为年龄,该子维度下的信息数据是40-60岁,则其对应的目标权重数值可以是0.6,以此类推。
在一种可能的实现方式中,由于特征向量值是多维度特征,不同维度特征对于预测待处理客户的业务办理时长的重要程度可能不同,有些维度的特征的重要程度可能比较高,而有些维度的特征的重要程度可能比较低。在这种情况下,为了减少输入时长预测模型的数据量,降低预测复杂度,在得到特征向量值之前可以对信息数据进行降维处理,从而根据降维处理后的信息数据及对应的目标权重数值得到特征向量值。
其中,降维处理可以是将重要程度较低的维度的数据去除,例如可以根据信息数据的权重数值,去除权重数值低于某一阈值的信息数据,从而实现降维处理。在一种可能的实现方式中,降维处理可以是利用信息增益函数或主成分分析法(Principle ComponentAnalysis,PCA)。
需要说明的是,时长预测模型可以是预先训练好的,其训练过程中所采用的训练样本包括多个维度的信息数据,多个维度的样本信息数据包括样本业务办理场所的窗口信息、每个窗口的柜员的业务经验情况、待处理样本客户的客户基础信息和待办理样本业务的类型信息以及等待时长标签,待处理样本客户是排列在历史客户之前且等待办理业务的样本客户。在进行训练时,可以基于样本业务办理场所的窗口信息、每个窗口的柜员的业务经验情况、待处理样本客户的客户基础信息和待办理样本业务的类型信息,通过初始网络模型得到业务办理预测时长,然后基于业务办理预测时长得到历史客户的预测等待时长,进而基于预测等待时长与等待时长标签之间的差距对初始网络模型进行优化得到时长预测模。
需要说明的是,在使用多个维度的样本信息数据过程中,可以标准化样本信息数据,加速模型训练的收敛速度。
在一种可能的情况下,可以将80%的样本数据划分为训练样本,20%的样本数据划分为测试样本。利用80%的样本数据作为训练样本,对决策树模型进行机器学习,训练得到一个时长预测模型,利用20%的样本数据测试模型的正确性,持续优化,最终得出一个正确性较高的时长预测模型。
S105、根据所述待处理客户的业务办理时长预测所述目标客户的等待时长。
基于待处理客户的业务办理时长可以预测目标客户的等待时长,例如可以将所有待处理客户的业务办理时长相加得到目标客户的等待时长。
S106、根据所述目标客户的等待时长反馈所述目标客户的等待情况,以便所述目标客户根据所述等待情况选择排队策略。
根据目标客户的等待时长反馈所述目标客户的等待情况,以便目标客户根据等待情况选择排队策略。其中,排队策略例如可以包括继续排队等待、更换为其他业务办理场所、暂时取消办理业务等。
可以理解的是,在本申请实施例中,根据目标客户的等待时长反馈目标客户的等待情况的方式可以包括多种,本申请以两种为例进行介绍。一种方式可以是直接将目标客户的等待时长作为目标客户的等待情况向目标客户反馈,从而便于目标客户直接根据等待时长选择排队策略。
在一些情况下,等待时长可以反映目标客户等待的具体时长,然而目标客户可能难以了解该等待时长是长,还是短,是正常等待,还是等待时间过程,还是说是较短的等待。在这种情况下,为了便于目标客户了解等待时长的级别,便于更好的选择排队策略,另一种反馈等待情况的方式可以是根据目标客户的等待时长确定等待时长级别,进而将等待时长级别作为目标客户的等待情况向目标客户反馈。
其中,等待级别可以根据实际情况划分为多种级别,例如可以包括较快(15分钟以下的等待时长,可以记为C1)、中等(15分钟~30分钟的等待时长,可以记为C2)、较慢(30分钟以上的等待时长,可以记为C3),也可进一步细分等级,本申请实施例对等待级别的划分方式及划分粒度不做限定。
通过反馈等待级别,可以便于目标客户了解等待时长的级别,了解在该目标业务办理场所办理业务的大致水平,从而便于更好的选择排队策略,合理安排个人时间,提升客户体验。
需要说明的是,在本申请实施例中,为了便于目标客户在选择排队策略时,尤其是有意向更换为其他业务办理场所时有更好的体验,本申请实施例提供的方法还可以获取在目标业务办理场所的预设范围内的候选业务办理场所,确定候选业务办理场所的目标客户的等待时长,从而为目标客户推荐候选业务办理场所及候选业务办理场所对应的等待时长,以便目标客户进行选择。
需要说明的是,触发推荐候选业务办理场所的时机可以包括多种,一种可以是通过智能排队***自动判断是否有推荐需求,从而在有推荐需求的情况下自动触发推荐候选业务办理场所。在这种情况下,获取在目标业务办理场所的预设范围内的候选业务办理场所的方式可以是若确定等待时长超出预设时长,获取在目标业务办理场所的预设范围内的候选业务办理场所。其中,通过确定等待时长是否超出预设时长判断是否有推荐需求,若等待时长超出预设时长,则说明等待时长可能过长,目标客户可能不想在目标业务办理场所继续等待下去,可能有推荐需求,以便更换到候选业务办理场所。否则,可以不进行候选业务办理场所的推荐。
另一种可以是基于目标客户的触发操作推荐候选业务办理场所。在这种情况下,获取在目标业务办理场所的预设范围内的候选业务办理场所的方式可以是响应于业务办理场所获取操作,获取在目标业务办理场所的预设范围内的候选业务办理场所。例如,当向目标客户反馈等待情况后,若目标客户觉得等待时间较长,希望了解附近是否有其他业务办理场所并且等待时间较短,则目标客户可以触发业务办理场所获取操作。具体的,目标客户可以在目标业务办理场所中的终端上执行业务办理场所获取操作,也可以在自己的终端上执行业务办理场所获取操作,本申请实施例对此不做限定。
由上述技术方案可以看出,当需要进行智能排队时,获取目标客户在目标业务办理场所的排队序号;基于排队序号,确定排列在目标客户之前的待处理客户;采集多个维度的信息数据,多个维度的信息数据包括目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息;基于窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测待处理客户的业务办理时长;根据待处理客户的业务办理时长预测目标客户的等待时长;根据目标客户的等待时长反馈目标客户的等待情况,以便目标客户根据等待情况选择排队策略。可见,本方案通过预测等待时长,从而使得客户可以较为精确的了解在目标业务办理场所排队的等待时长,从而掌握整体业务办理进度,可灵活选择是否等待或到其他网点办理业务,合理安排个人时间,有效提升客户网点服务体验,提高客户粘性。
需要说明的是,本申请实施例提供的方法可以基于图2所示的架构实现,该架构中可以包括数据采集模块201、属性映射关系表模块202、特征向量提取模块203、预处理模块204、模型训练模块205、预测模块206和推荐模块207。其中,数据采集模块201可以用于执行S101-S103的步骤,以及进行候选业务办理场所的推荐;属性映射关系表模块202和特征向量提取模块203可以用于执行S104中的步骤,其中属性映射关系表模块202用于根据表1或表2得到对应的目标权重数值,特征向量提取模块203用于得到特征向量值;预处理模块204可以用于执行S104中的步骤,例如对采集的原生数据(例如多个维度的信息数据)进行预处理,预处理的目的是将原生数据转换为利于模型训练的数据;模型训练模块205可以用于执行S104中模型训练的步骤,例如选定合适的机器学习模型(即初始网络模型),样本数据划分为训练样本和测试样本,通过这些数据训练最优模型,得到时长预测模型;预测模块206用于利用时长预测模型对目标客户的等待时长级别进行预测;推荐模块207用于搜索预设范围内的候选业务办理场所,利用时长预测模型进行评估等待时长,给出候选业务办理场所。
基于前述实施例提供的智能排队方法,本申请实施例还提供一种智能排队装置,参见图3,所述装置包括:
获取单元301,用于获取目标客户在目标业务办理场所的排队序号;
确定单元302,用于基于所述排队序号,确定排列在所述目标客户之前的待处理客户;
采集单元303,用于采集多个维度的信息数据,所述多个维度的信息数据包括所述目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息;
预测单元304,用于基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测所述待处理客户的业务办理时长;
所述预测单元304,还用于根据所述待处理客户的业务办理时长预测所述目标客户的等待时长;
反馈单元305,用于根据所述目标客户的等待时长反馈所述目标客户的等待情况,以便所述目标客户根据所述等待情况选择排队策略。
在一种可能的实现方式中,所述预测单元具体用于:
基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,得到特征向量值;
基于所述特征向量值,通过时长预测模型预测所述待处理客户的业务办理时长。
在一种可能的实现方式中,所述预测单元具体用于:
获取所述多个维度对应的属性映射关系表,所述属性映射关系表包括对应维度下的信息数据和对应的权重数值;
基于所述属性映射关系表确定对应维度下的目标权重数值;
基于所述目标权重数值确定所述特征向量值。
在一种可能的实现方式中,所述反馈单元具体用于:
根据所述目标客户的等待时长确定等待时长级别;
将所述等待时长级别作为所述目标客户的等待情况向所述目标客户反馈。
在一种可能的实现方式中,所述装置还包括推荐单元:
所述获取单元,还用于获取在所述目标业务办理场所的预设范围内的候选业务办理场所;
所述确定单元,还用于确定所述候选业务办理场所的所述目标客户的等待时长;
所述推荐单元,用于推荐所述候选业务办理场所及所述候选业务办理场所对应的等待时长。
在一种可能的实现方式中,所述获取单元,具体用于:
若确定所述等待时长超出预设时长,获取在所述目标业务办理场所的预设范围内的候选业务办理场所。
在一种可能的实现方式中,所述获取单元,具体用于:
响应于业务办理场所获取操作,获取在所述目标业务办理场所的预设范围内的候选业务办理场所。
由上述技术方案可以看出,当需要进行智能排队时,获取目标客户在目标业务办理场所的排队序号;基于排队序号,确定排列在目标客户之前的待处理客户;采集多个维度的信息数据,多个维度的信息数据包括目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息;基于窗口信息、每个窗口的柜员的业务经验情况以及待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测待处理客户的业务办理时长;根据待处理客户的业务办理时长预测目标客户的等待时长;根据目标客户的等待时长反馈目标客户的等待情况,以便目标客户根据等待情况选择排队策略。可见,本方案通过预测等待时长,从而使得客户可以较为精确的了解在目标业务办理场所排队的等待时长,从而掌握整体业务办理进度,可灵活选择是否等待或到其他网点办理业务,合理安排个人时间,有效提升客户网点服务体验,提高客户粘性。
本申请实施例提供一种计算机设备,包括存储器和处理器;其中,在所述存储器中存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令;当所述指令被所述处理器执行时,使得所述计算机设备执如前述实施例中任一所述的方法。
本申请实施例提供一种计算机存储介质,包括计算机指令,当所述计算机指令在计算机设备上运行时,所述计算机设备执行如前述实施例中任一所述的方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:read-only memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及***实施例仅仅是示意性的,其中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劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种智能排队方法,其特征在于,所述方法包括:
获取目标客户在目标业务办理场所的排队序号;
基于所述排队序号,确定排列在所述目标客户之前的待处理客户;
采集多个维度的信息数据,所述多个维度的信息数据包括所述目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息;
基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测所述待处理客户的业务办理时长;
根据所述待处理客户的业务办理时长预测所述目标客户的等待时长;
根据所述目标客户的等待时长反馈所述目标客户的等待情况,以便所述目标客户根据所述等待情况选择排队策略。
2.根据权利要求1所述的方法,其特征在于,所述基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测所述待处理客户的业务办理时长,包括:
基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,得到特征向量值;
基于所述特征向量值,通过时长预测模型预测所述待处理客户的业务办理时长。
3.根据权利要求2所述的方法,其特征在于,所述基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,得到特征向量值,包括:
获取所述多个维度对应的属性映射关系表,所述属性映射关系表包括对应维度下的信息数据和对应的权重数值;
基于所述属性映射关系表确定对应维度下的目标权重数值;
基于所述目标权重数值确定所述特征向量值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标客户的等待时长反馈所述目标客户等待情况,包括:
根据所述目标客户的等待时长确定等待时长级别;
将所述等待时长级别作为所述目标客户的等待情况向所述目标客户反馈。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
获取在所述目标业务办理场所的预设范围内的候选业务办理场所;
确定所述候选业务办理场所的所述目标客户的等待时长;
推荐所述候选业务办理场所及所述候选业务办理场所对应的等待时长。
6.根据权利要求5所述的方法,其特征在于,所述获取在所述目标业务办理场所的预设范围内的候选业务办理场所,包括:
若确定所述等待时长超出预设时长,获取在所述目标业务办理场所的预设范围内的候选业务办理场所。
7.根据权利要求5所述的方法,其特征在于,所述获取在所述目标业务办理场所的预设范围内的候选业务办理场所,包括:
响应于业务办理场所获取操作,获取在所述目标业务办理场所的预设范围内的候选业务办理场所。
8.一种智能排队装置,其特征在于,所述装置包括:
获取单元,用于获取目标客户在目标业务办理场所的排队序号;
确定单元,用于基于所述排队序号,确定排列在所述目标客户之前的待处理客户;
采集单元,用于采集多个维度的信息数据,所述多个维度的信息数据包括所述目标业务办理场所的窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息;
预测单元,用于基于所述窗口信息、每个窗口的柜员的业务经验情况以及所述待处理客户的客户基础信息和待办理业务的类型信息,通过时长预测模型预测所述待处理客户的业务办理时长;
所述预测单元,还用于根据所述待处理客户的业务办理时长预测所述目标客户的等待时长;
反馈单元,用于根据所述目标客户的等待时长反馈所述目标客户的等待情况,以便所述目标客户根据所述等待情况选择排队策略。
9.一种计算机设备,其特征在于,包括存储器和处理器;
其中,在所述存储器中存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令;当所述指令被所述处理器执行时,使得所述计算机设备执如权利要求1-7中任一项所述的方法。
10.一种计算机存储介质,其特征在于,包括计算机指令,当所述计算机指令在计算机设备上运行时,所述计算机设备执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123299.0A CN115438821A (zh) | 2022-09-15 | 2022-09-15 | 一种智能排队方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123299.0A CN115438821A (zh) | 2022-09-15 | 2022-09-15 | 一种智能排队方法和相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115438821A true CN115438821A (zh) | 2022-12-06 |
Family
ID=84249372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211123299.0A Pending CN115438821A (zh) | 2022-09-15 | 2022-09-15 | 一种智能排队方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115438821A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757456A (zh) * | 2023-08-21 | 2023-09-15 | 上海银行股份有限公司 | 基于bfs的银行业务流程可视化管理***及方法 |
CN117273627A (zh) * | 2023-08-10 | 2023-12-22 | 国网浙江省电力有限公司杭州供电公司 | 一种基于ai技术的预受理时限管控*** |
CN117764343A (zh) * | 2023-12-22 | 2024-03-26 | 北京小趣智品科技有限公司 | 一种任务派单方法及*** |
-
2022
- 2022-09-15 CN CN202211123299.0A patent/CN115438821A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273627A (zh) * | 2023-08-10 | 2023-12-22 | 国网浙江省电力有限公司杭州供电公司 | 一种基于ai技术的预受理时限管控*** |
CN116757456A (zh) * | 2023-08-21 | 2023-09-15 | 上海银行股份有限公司 | 基于bfs的银行业务流程可视化管理***及方法 |
CN116757456B (zh) * | 2023-08-21 | 2023-11-03 | 上海银行股份有限公司 | 基于bfs的银行业务流程可视化管理***及方法 |
CN117764343A (zh) * | 2023-12-22 | 2024-03-26 | 北京小趣智品科技有限公司 | 一种任务派单方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115438821A (zh) | 一种智能排队方法和相关装置 | |
US11080608B2 (en) | Agent aptitude prediction | |
CN110009417B (zh) | 目标客户筛选方法、装置、设备及计算机可读存储介质 | |
CN112926699A (zh) | 异常对象识别方法、装置、设备及存储介质 | |
CN110969528A (zh) | 交易渠道路由方法、装置、服务器及计算机存储介质 | |
CN112561691B (zh) | 一种客户授信预测方法、装置、设备及存储介质 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
US8412563B2 (en) | Method and system for analyzing and optimizing distribution of work from a plurality of queues | |
CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
US20160035026A1 (en) | Online trading systems and methods | |
US20220414684A1 (en) | Multi-Modal Regression to Predict Customer Intent to Contact a Merchant | |
CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN111476657A (zh) | 信息推送方法、装置及*** | |
JP7043248B2 (ja) | 休廃業予測システム | |
CN116362895A (zh) | 理财产品推荐方法、装置及存储介质 | |
CN110930238A (zh) | 提高审核任务效率的方法、装置、设备和计算机可读介质 | |
CN112669154B (zh) | 外币兑换业务开办预测实现方法、装置及计算机设备 | |
CN111445325B (zh) | ***信息处理方法、装置、***及存储介质 | |
CN116308370A (zh) | 异常交易识别模型的训练方法、异常交易识别方法及装置 | |
CN113450208A (zh) | 贷款风险变动预警、模型训练方法和装置 | |
CN113591444A (zh) | 一种信息填写方法、装置及电子设备 | |
CN112434083A (zh) | 一种基于大数据的事件处理方法和装置 | |
CN108074083B (zh) | 一种请求处理方法、服务器及客户端 | |
WO2020031199A1 (en) | Method and system for valuation and forecasting for entities |
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 |