智能云呼叫中心管理系统设计与实现

来源：核心期刊咨询网时间：12

摘要：摘 要：随着新一代IT技术的飞速发展，相对于传统的呼叫中心技术，云呼叫中心能够为企业提供更好的呼叫中心解决方案。文章设计实现了一个智能云呼叫中心，该呼叫中心基于云计算架构，使用神经网络技术实现客户分类，利用粗糙集方法实现智能排班，采用多重分形方法预测呼

　　摘 要：随着新一代IT技术的飞速发展，相对于传统的呼叫中心技术，云呼叫中心能够为企业提供更好的呼叫中心解决方案。文章设计实现了一个智能云呼叫中心，该呼叫中心基于云计算架构，使用神经网络技术实现客户分类，利用粗糙集方法实现智能排班，采用多重分形方法预测呼叫中心话务量，旨在为实现智能化呼叫中心的技术发展提供参考。

　　關键词：呼叫中心;云计算;粗糙集;神经网络;多重分形

　　引 言

　　随着数字经济的兴起和快速发展，云计算、大数据、物联网、人工智能等技术已经成为未来IT技术发展的新引擎。云计算已经成为IT技术的基础设施，各个行业纷纷利用云计算提高企业效率、降低成本、提升创新能力，对实现产业升级发挥重要作用。

　　呼叫中心利用计算机通信技术，处理来自企业或者用户的电话咨询、投诉、售后等服务，具备处理大量话务量的能力，可以自动地将任务分配坐席。系统能够记录来电信息、建立客户档案，是企业提高服务能力的一个必要手段。随着云计算技术的发展和普及，云呼叫中心应运而生，相较于传统的自建呼叫中心，云呼叫中心有以下的优点：

　　(1)成本低。服务器和相关硬件架设在云端，无须负担数据中心的管理和维护成本，可以按量付费，部署方便，可根据业务量动态扩展服务，尤其适合起步阶段的中小型企业。

　　(2)可伸缩。企业可以根据自身的业务量和员工人数灵活开通云终端，软硬件系统的升级和维护交给云服务供应商，可以有效降低企业运营成本。

　　(3)灵活性高。传统的呼叫中心，员工需要在固定的机位前办公，灵活性差，使用云平台可以不受办公地点的约束，随时随地都能够提供呼叫服务。

　　云呼叫中心架设在云端，借助云计算平台强大的大数据分析和处理能力，云呼叫中心愈发成为众多中小型企业的首选。基于此设计开发基于云计算架构的智能呼叫中心管理系统，使用基于粗糙集的神经网络方法进行客户分类，利用粗糙集方法进行智能排班管理，通过多重分形技术实现了话务量预测，最后给出了智能云呼叫中心整体框架设计。

　　1 关键技术

　　1.1 云计算架构

　　PaaS(平台即服务)是云计算的一种服务模式，为用户提供软件部署和运维平台，用户只需专注于应用开发，容易实现高可用、高伸缩性的系统。文章设计了基于PaaS的呼叫中心系统，架构图如图1所示。

　　云呼叫中心的核心是PaaS层，提供平台服务和业务服务，包括云呼叫中心平台服务和云呼叫中心业务服务：

　　(1)云呼叫中心平台服务。包括访问控制、呼叫服务、负载均衡和服务总线。服务总线集成系统中不同的组件，如工作流、第三方接口和通讯组件等。

　　(2)云呼叫中心业务服务。包括云平台业务所需服务，系统基于SOA架构，以Webservice方式对外提供服务。

　　1.2 客户分类

　　用户分类是平台能够吸引客户、挖掘客户和提供个性化服务的前提。提出的方法首先是根据历史客户信息，利用变精度粗糙集对信息系统进行属性约简，简化客户相关信息，然后利用BP算法训练网络，得到BP神经网络分类器，利用BP神经网络分类器对新客户信息进行分类得到客户类别，图2给出了变精度粗糙集结合神经网络分类的框架。

　　该方法使用变精度粗糙集进行特征选择，约简属性集，然后训练BP神经网络构造分类器。考虑到实际应用中客户信息普遍存在缺值现象，导致构造的信息表为不完备，因此使用基于相容关系的变精度粗糙集分布约简算法来约简属性集，其中参数β的选择是决定约简效果的一个重要因素。在完备的信息系统中，β的取值范围在一些固定区间上，使得上、下分布约简结果保持稳定，基于此给出了不完备信息系统下β值稳定区间的估计方法。

　　下面给出了计算上、下分布约简稳定区间的算法。

　　算法1 计算β参数临界点集算法

　　输入：不完备决策表S=(U，C∪D)

　　输出：上、下分布约简临界点及集BβP，BβP

　　步骤1：计算决策表S的所有相容类{SP(x1)，SP(x2)，…，

　　SP(x|U|)}。

　　步骤2：对论域U中每一个对象x，对SP(x)中的每一个决策值di，

　　计算SP(x)中带有决策值di的对象所占比重Ci。

　　如果1>C≥0.5，BβP←BβPUC，否则BβP←BβPUC。

　　步骤3：分别对BβP和BβP的元素排序，并输出上、下分布约简临界点集。

　　BP网训练过程主要包括两个阶段：输入样本，计算神经网络各层输出和网络误差;反向传播误差变化，修正各层权值。通过不断地计算实际输出和期望输出之间的误差，调整网络权重数据，直到实际误差小于期望误差，下面给出BP算法。

　　算法2 BP网络训练算法

　　输入：训练样本集合P

　　输出：网络的权矩阵V、W

　　步骤1：初始化权矩阵V和W，样本计数p←1，训练次数q←1，误差E←0，初始化训练精度Emin。

　　步骤2：将第p个样本输入到网络中，计算各层的输出。

　　步骤3：计算输出和预期输出值的误差E。

　　步骤4：根据各层的误差信号修正各层权值。

　　步骤5：若p　　步骤6：若E　　1.3 智能排班

　　呼叫中心可以自动应答客户的电话，将客户电话分发给坐席。将客户分配给合适的坐席，能够有效提高服务效率以及提升客户的满意度。坐席作为呼叫中心的核心资源，如何有效地动态对坐席进行排队，是提高呼叫中心服务效率的一个重要手段。设计基于属性加权的代价敏感粗糙集分类方法，建立与客户级别、客户历史记录、坐席业务量相关的动态排队策略，以提高服务质量。

　　首先根据专家经验建立代价矩阵，从客户信息表中提取测试代价和误分类代价最小的属性集，在此基础上给出最小总代价分类规则集，根据当前呼入用户的信息、当前空闲坐席信息和规则集，对当前坐席进行排队，做到让最适合的坐席为呼入客户提供优质服务。算法过程如图3所示。

　　下面给出了代价敏感粗糙集分类规则生成算法。

　　算法3 代价敏感粗糙集分类规则生成算法

　　输入：决策表S=(U，C∪D)，代价矩阵λ，测试代价函数T(x)

　　输出：分类规则集R

　　步骤1：计算。

　　步骤2：计算Cost=Miscost(x，B)+Testcost(x，B)。

　　步骤3：当C-B≠?时反复执行以下操作：

　　(1)对于每一个a∈C-B，计算=Miscost(x，B∪{a})+Testcost(x，B∪{a})，找到分类总代价最高的属性a'，令S=Cost-。

　　(2)若s≤0，则执行步骤4。

　　(3)B=B∪{a'}，Cost=。

　　步骤4：计算得到所有最小代价分类结果。

　　步骤5：根据ξ([x]B)导出规则集R。

　　1.4 话务量预测

　　有效地预测呼叫中心的话务量，是呼叫中心优化坐席配置的前提。呼叫中心每天的话务量可以看成时间序列数据，该数据具有一定的随机性，即话务量时间序列带有混沌形式。多重分形是对分形理论的进一步研究，能够较方便地得到非平稳时间序列标度指数和多重分形谱，可以有效地分析时间序列的多重分形特征，它为话务量时间序列分析和预测提供了一条有效的解决途径。本文设计了通过多重分形去趋势波动分析算法预测话务量的变化趋势，用以优化坐席排班，提高了工作效率。

　　算法4：多重分形去趋势波动分析算法

　　步骤1：构造去均值的和序列，Y(i)=[xk-x]， i=1，…，N，x = xk 。

　　步骤2：把和序列分解成2NS = 2int 个不重叠的长度为s的片段。

　　步骤3：对每一个片段计算去趋势值，yv(i)时第v个区间的拟合多项式。

　　当1≥v≥Ns时，

　　F2(v，s)={Y[( v - 1 )s + i] - yv( i )}2

　　当Ns>v≥2Ns时，

　　F2(v，s)={Y[N(v - NS)s+i]-yv( i )}2

　　步骤4：对所有片段上取q阶平均得到波动函数。

　　q=0时，有。

　　步骤5：分析Fq(s)与s双对数函数，确定波动函数的标度性，Fq(s)～sh(q)，根据勒让德变换：α=h(q)+qh'(q)，f(α)=q[α-h(q)]+1，计算f(α)-α。

　　对于具有多重分形特性的时间序列，其曲线是一个钟形，其中Δα(Δα=αmax-αmin)为曲线下开口的宽度，表示局部多重分形特性的分布范围，Δf(Δf = f(αmin)-f(αmax))为系统多重分形维数的分布范围，包括αmin和αmax在内的这些特性共同描述了该时间序列所代表系统的多重分形特性，这些特征也反映了时间序列未来的变化趋势，从而为坐席排班提供依据。

　　2 云计算架构下呼叫中心管理系统设计

　　呼叫中心管理系统采用结构化系统开发方法，首先，采用“自顶向下，逐层分解”的开发策略，然后通过结构化的设计方法，将云呼叫中心分为呼叫中心基础平台、呼叫中心坐席功能、呼叫中心业务管理和知识服务四个内部子系统，功能模块图如图4所示。

　　其中，呼叫中心基础平台主要包括：撥号计划、预拨号管理、拨号结果、速拨号码、录音记录、线路管理以及通话统计、系统参数、数据导入、工作时间、分组管理、队列状态、坐席状态监控能功能;呼叫中心坐席功能主要包括：通话记录、待拨号码、日程管理、公告管理、排队管理、排班管理、用户管理、角色管理、用户标识管理、用户在线统计等功能;呼叫中心业务管理主要包括：客户信息管理、客户关怀、客服记录、统计分析、报修管理、投诉管理、问卷管理等功能;知识服务包括：知识库管理、类别管理、智能响应、知识检索。

转载请注明来自：http://www.qikan2017.com/lunwen/dzi/22483.html