客户来电预测方法、装置、计算机设备和存储介质与流程

1.本技术涉及数据处理技术领域，特别是涉及一种客户来电预测方法、装置、计算机设备和存储介质。


背景技术：

2.在物流行业中，客服中心是最接近客户的物流业务环节之一，客户通过客服中心的客服坐席能够表达服务需求，而物流企业通过分析客户来电相关数据能够更为深入地了解客户需求，甚至预测客户需求。但是，客服坐席存在客服成本较高的问题，比如客服坐席不仅需要耗费客服代表与工单处理人员等人工成本，还需要耗费话务费用。由此，如何对客户来电进行预测，以基于客户来电预测结果向客户提供更准确的主动服务，从而客服成本是值得关注的问题。
3.目前，通常是由业务人员对运单的相关业务数据进行人工分析，并根据分析结果预测运单相应的客户是否会来电。但是，该种客户来电预测方式，受限于业务人员的预测经验，使得客户来电预测结果不稳定，从而存在客户来电预测的准确性较低的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高客户来电预测准确性的客户来电预测方法、装置、计算机设备和存储介质。
5.一种客户来电预测方法，所述方法包括：
6.获取目标在途运单的历史业务数据；
7.根据每个目标在途运单的历史业务数据得到相应的业务特征数据；
8.从预存储的客户来电习惯特征集中，提取所述每个目标在途运单对应的客户来电习惯特征数据；
9.根据所述每个目标在途运单对应的业务特征数据与客户来电习惯特征数据，得到相应的目标特征数据；
10.通过已训练好的客户来电预测模型，根据所述目标特征数据进行客户来电预测，得到未来预设时间段内的来电客户名单。
11.在其中一个实施例中，所述获取目标在途运单的历史业务数据，包括：
12.获取当前时间；
13.在所述当前时间与预配置的客户来电预测时间一致时，确定所述当前时间的目标在途运单；每个预测周期内预配置有两个客户来电预测时间；
14.获取每个目标在途运单的历史业务数据。
15.在其中一个实施例中，所述通过已训练好的客户来电预测模型，根据所述目标特征数据进行客户来电预测，得到未来预设时间段内的来电客户名单，包括：
16.将所述目标特征数据输入已训练好的客户来电预测模型，得到相应的目标运单来电标签与来电意图；
17.根据所述目标运单来电标签与所述来电意图，得到未来预设时间段内的来电客户名单，以及所述来电客户名单中每个客户对应的来电意图。
18.在其中一个实施例中，所述客户来电预测模型的训练步骤，包括：
19.获取训练样本集；所述训练样本集包括样本在途运单对应的样本特征数据与样本运单来电标签；
20.根据所述训练样本集进行模型训练，得到已训练好的客户来电预测模型。
21.在其中一个实施例中，所述获取训练样本集，包括：
22.获取样本在途运单对应的历史业务数据，以及在相应客户来电预测时间的未来预设时间段内的客户来电数据；
23.根据所述样本在途运单的历史业务数据与所述客户来电习惯特征集，得到相应样本特征数据；
24.根据所述样本在途运单的客户来电数据确定相应样本运单来电标签；
25.根据所述样本特征数据与所述样本运单来电标签得到训练样本集。
26.在其中一个实施例中，所述根据所述训练样本集进行模型训练，得到已训练好的客户来电预测模型，包括：
27.根据所述训练样本集进行模型训练得到客户来电预测模型；
28.获取测试样本集；
29.根据所述测试样本集对所述客户来电预测模型进行测试得到测试结果；
30.当所述测试结果满足预设测试条件时，将所述客户来电预测模型确定为已训练好的客户来电预测模型。
31.在其中一个实施例中，所述方法还包括：
32.按照预配置的更新周期定期获取每个客户对应的目标来电数据与目标运单数据；
33.根据所述目标来电数据与所述目标运单数据，更新预存储的客户来电习惯特征集。
34.一种客户来电预测装置，所述装置包括：
35.业务数据获取模块，用于获取目标在途运单的历史业务数据；
36.业务特征提取模块，用于根据每个目标在途运单的历史业务数据得到相应的业务特征数据；
37.习惯特征提取模块，用于从预存储的客户来电习惯特征集中，提取所述每个目标在途运单对应的客户来电习惯特征数据；
38.特征数据获取模块，用于根据所述每个目标在途运单对应的业务特征数据与客户来电习惯特征数据，得到相应的目标特征数据；
39.客户来电预测模块，用于通过已训练好的客户来电预测模型，根据所述目标特征数据进行客户来电预测，得到未来预设时间段内的来电客户名单。
40.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各方法实施例中的步骤。
41.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各方法实施例中的步骤。
42.上述客户来电预测方法、装置、计算机设备和存储介质，通过获取目标在途运单的
历史业务数据，根据每个目标在途运单的历史业务数据得到相应的业务特征数据，从预存储的客户来电习惯特征集中提取每个目标在途运单对应的客户来电习惯特征数据，并根据每个目标在途运单对应的业务特征数据与客户来电习惯特征数据，能够全面获取到影响客户来电的目标特征数据，进一步地，通过已训练好的客户来电预测模型，根据目标特征数据预测相应客户在未来预设时间段内是否会来电，得到该未来预设时间段内的来电客户名单，能够提高客户来电预测的准确性，以便于基于该准确性较高的客户来电名单向相应客户提供主动服务，能够降低客服成本。
附图说明
43.图1为一个实施例中客户来电预测方法的流程示意图；
44.图2为另一个实施例中客户来电预测方法的流程示意图；
45.图3为一个实施例中中客户来电预测方法的原理示意图；
46.图4为一个实施例中客户来电预测装置的结构框图；
47.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
49.在一个实施例中，如图1所示，提供了一种客户来电预测方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
50.步骤102，获取目标在途运单的历史业务数据。
51.其中，目标在途运单是指待预测相应客户来电情况的在途运单，具体可以是指待预测相应客户在未来预设时间段内是否会来电的在途运单。在途运单是指尚未签收的运单。目标在途运单是指触发客户来电预测流程的当前时间尚未签收的运单。历史业务数据是指在途运单在当前时间之前对应的业务数据，也即是指在途运单的实际业务数据。历史业务数据具体可包括在途运单对应的基础运单信息、路由信息、投诉信息、来电信息与客户端用户操作数据等。基础运单信息包括原寄地区、目的地区、寄件时间、时效类型、声明价值、产品代码、计费总重量、运费、是否保价与承诺时间等。路由信息包括动态路由时间、动态路由类型、异常原因与异常状态等。投诉信息包括投诉创建时间、投诉级别、是否升级、是否超时、是否滞留件、关注点、客户声音与工单状态等。来电信息包括是否来电与来电时间等。客户端比如微信端。客户端用户操作数据包括发起渠道、异常任务与发起角色等。
52.具体地，在满足客户来电预测条件时，服务器确定当前时间的目标在途运单，并获取每个目标在途运单的历史业务数据。客户来电预测条件是触发客户来电预测流程的依据或条件，比如当前时间与预配置的客户来电预测时间一致，还比如获取到用户触发的客户来电预测触发指令，在此不一一赘述。
53.在一个实施例中，服务器获取在过去预设时间段内创建的、且在当前时间尚未签
收的运单，并将所获取到的运单确定为目标在途运单。其中，过去预设时间段是指在当前时间之前的时间段，具体可以是指以当前时间为结束时间、且时间长度为预设时长的时间段或时间区间，预设时长时预先设定的时间长度。过去预设时间段比如3天内，也即是指以当前时间为结束时间、且时间长度为3天的时间区间。当前时间是指当前触发客户来电预测流程的时间点。
54.步骤104，根据每个目标在途运单的历史业务数据得到相应的业务特征数据。
55.其中，业务特征数据是指业务特征对应的数据，具体可以是指按照业务特征的特征定义对业务数据进行特征提取所得到的数据。业务特征包括时间特征、运单统计特征与件量统计特征等，还可包括是否同城等，相应地，业务特征数据包括时间特征数据、运单统计特征数据与件量统计特征数据等特征数据，还可包括是否同城等业务数据。时间特征是对目标在途运单对应的采集时间、路由时间、寄件时间、投诉时间、承诺时间、来电时间与客户端操作时间等进行两两组合，所得到的时间差类型的特征，比如包括“承诺时间-采集时间”、“采集时间-寄件时间”、“采集时间-来电时间”、“来电时间-客户端操作时间”与“路由时间-投诉时间”等，在此不一一列举。运单统计特征是指目标在途运单的历史业务数据进行统计分析所得到的特征，比如包括该目标在途运单在过去预设时间段内对应的投诉次数、来电次数与客户端操作次数等。件量统计特征比如包括件量最多的产品类型的运单量与运单的平均来电时差，还包括件量最多的寄件地址，以及该寄件地区的运单量与运单的平均来电时差。
56.具体地，服务器针对在途运单在本地预配置有相应的多个业务特征。在获取到各在途运单的历史业务数据后，根据每个目标在途运单的历史业务数据，按照预配置的每个业务特征的特征定义确定每个业务特征对应的业务特征数据，从而得到每个目标在途运单当前对应的业务特征数据。
57.步骤106，从预存储的客户来电习惯特征集中，提取每个目标在途运单对应的客户来电习惯特征数据。
58.其中，客户来电习惯特征集是由多个客户的客户来电习惯特征数据组成的集合，每个客户对应一个客户来电习惯特征数据。客户来电习惯特征数据是用于表征客户来电习惯特征的数据，具体可根据客户对应的历史来电数据与历史运单数据对应确定。客户来电习惯特征是指客户的来电习惯特征，包括客户习惯或喜好的来电时间、寄件地与寄件产品等，比如运单的平均来电时差、同城或非同城的平均来电时差、作为收件方或寄件方的平均来电时差、寄件量、收件量、作为第三方的单量、同城件量、非同城件量、标快及即日件量与相应的平均来电时差、特惠转配及微小件件量与相应的平均来电时差、其他产品类型件量与相应的平均来电时差、件量最多的产品类型、件量最多的时效类型与相应运单量，以及该时效类型的运单的平均来电时差等。
59.具体地，服务器本地预配置有客户来电习惯特征集，客户来电习惯特征集中的客户来电习惯特征数据通过客户标识与相应客户进行关联。在获取到各目标在途运单的历史业务数据后，获取每个目标在途运单对应的客户标识，根据所获取到的每个客户标识，从预配置的客户来电习惯特征集中查询所关联的客户来电习惯特征数据，作为相应目标在途运单所对应的客户来电习惯特征数据。
60.在一个实施例中，服务器根据每个目标在途运单的历史业务数据，确定该目标在
途运单对应的客户标识。每个目标在途运单也可直接关联客户标识，这样，服务器能够基于目标在途运单直接确定相应的客户标识。
61.在一个实施例中，服务器按照预配置的更新周期定期更新客户来电习惯特征集。更新周期是指相邻两次更新客户来电习惯特征集的时间间隔，可自定义，比如6个月。
62.步骤108，根据每个目标在途运单对应的业务特征数据与客户来电习惯特征数据，得到相应的目标特征数据。
63.具体地，服务器将每个目标在途运单对应的业务特征数据与客户来电习惯特征数据进行组合，得到该目标在途运单对应的目标特征数据。这样，每个目标在途运单对应的目标特征数据，包括该目标在途运单对应的业务特征数据与客户来电习惯特征数据。
64.步骤110，通过已训练好的客户来电预测模型，根据目标特征数据进行客户来电预测，得到未来预设时间段内的来电客户名单。
65.其中，客户来电预测模型是基于预先获取的训练样本集训练得到的、能够根据目标特征数据预测相应客户在未来预设时间段内是否会来电的模型。训练样本集包括每个样本在途运单对应的样本特征数据与样本运单来电标签。未来预设时间段是指在当前时间之后的时间段，具体可以是指以当前时间之后的一个时间点为开始时间、且以开始时间之后的一个时间点为结束时间的时间段或时间区间。以当前时间为8点为例，未来预设时间段的开始时间与结束时间分别为9点与12点，由此，该未来预设时间段为9点至12点。以当前时间为13点为例，未来预设时间段的开始时间与结束时间分别为14点与17点，由此，该未来预设时间段为14点至17点。来电客户名单是由在未来预设时间段内会来电的客户组成的集合，具体可包括在未来预设时间段内会来电的每个客户对应的客户标识。
66.具体地，服务器将每个目标在途运单对应的目标特征数据分别输入已训练好的客户来电预测模型，通过该客户来电预测模型根据目标特征数据，分别对相应目标在途运单进行客户来电预测，得到每个目标在途运单在未来预设时间段内所对应的目标运单来电标签，也即是通过客户来电预测模型，根据每个目标在途运单的目标特征数据判断相应客户在未来预设时间段内是否会来电，并根据判断结果得到相应的目标运单来电标签。进一步地，服务器根据每个目标在途运单对应的目标运单来电标签，从各目标在途运单对应的客户中筛选出在未来预设时间段内会来电的客户，并根据所筛选出的客户得到在该未来预设时间段内的来电客户名单。目标运单来电标签是用于表征目标在途运单对应的客户在未来预设时间段内是否会来电的标签，具体可以包括会来单与不会来电。
67.在一个实施例中，服务器通过客户来电预测模型根据目标特征数据对相应目标在途运单进行客户来电预测，得到相应的目标运单来电标签，且针对目标运单来电标签为会来电的目标在途运单，还会得到相应的来电意图。服务器通过客户来电预测模型根据目标特征数据，对相应目标在途运单进行客户来电预测，能够得到每个目标在途运单对应的目标运单来电标签与来电意图，其中当目标运单来电标签为不会来电时，相应的来电意图为空。这样，基于目标在途运单对应的目标运单来电标签与来电意图，能够向用户提供更为准确的主动服务，从而能够进一步降低客服成本。
68.上述客户来电预测方法，通过获取目标在途运单的历史业务数据，根据每个目标在途运单的历史业务数据得到相应的业务特征数据，从预存储的客户来电习惯特征集中提取每个目标在途运单对应的客户来电习惯特征数据，并根据每个目标在途运单对应的业务
特征数据与客户来电习惯特征数据，能够全面获取到影响客户来电的目标特征数据，进一步地，通过已训练好的客户来电预测模型，根据目标特征数据预测相应客户在未来预设时间段内是否会来电，得到该未来预设时间段内的来电客户名单，能够提高客户来电预测的准确性，以便于基于该准确性较高的客户来电名单向相应客户提供主动服务，能够降低客服成本。
69.在一个实施例中，步骤102，包括：获取当前时间；在当前时间与预配置的客户来电预测时间一致时，确定当前时间的目标在途运单；每个预测周期内预配置有两个客户来电预测时间；获取每个目标在途运单的历史业务数据。
70.其中，客户来电预测时间是指触发客户来电预测流程的时间点。预测周期是指触发相同客户来电预测流程的周期或时间长度，每个预测周期内触发客户来电预测流程的客户来电预测时间一致。预测周期比如每天，每个预测周期内预配置的两个客户来电预测时间，比如8点与13点，由此，在每天内的该两个客户来电预测时间均会触发客户来电预测流程。
71.具体地，服务器针对每个预测周期预配置有两个客户来电预测时间。服务器实时获取当前时间，并将所获取到的当前时间与预配置的客户来电预测时间进行比较。当判定当前时间与预配置的任一客户来电预测时间一致时，服务器确定当前时间的目标在途运单，并获取每个目标在途运单的历史业务数据。
72.在一个实施例中，针对每个目标在途运单，服务器获取自前一次触发客户来电预测流程时起至当次触发客户来电预测流程时止的时间段内，新增的业务数据，并根据前一次触发客户来电预测流程时的历史业务数据与该新增的业务数据，得到当次触发客户来电预测流程时的历史业务数据，也即是得到目标在途运单在当前时间对应的历史业务数据。
73.在一个实施例中，以预测周期为一天或每天为例，每天触发两次客户来电预测流程，这样，每个运单在生命周期内会被触发多次客户来电预测流程，能够提高客户来电预测的灵活性与准确性。而且，每天触发两次客户来电流程则会对应输出两次来电客户名单，也即是每天会采用两个时间段对在途运单进行客户来电预测，以预测在途运单对应的客户是否会在相应时间段内来电，这样，基于所输出的来电客户名单能够更精确的捕捉客户来电的时间范围，以便于及时提供主动服务。其中，运单的生命周期是指运单从创建到签收的整个过程，比如运单的生命周期为4天，则针对该运单会触发8次客户来电预测流程。
74.上述实施例中，每个预测周期内针对目标在途运单触发两次客户来电预测流程，每次客户来电预测流程都会结合已有的业务数据与动态新增的业务数据来确定当前的历史业务数据，以便于基于历史业务数据进行客户来电预测时，能够提高客户来电预测的准确性。
75.在一个实施例中，步骤110，包括：将目标特征数据输入已训练好的客户来电预测模型，得到相应的目标运单来电标签与来电意图；根据目标运单来电标签与来电意图，得到未来预设时间段内的来电客户名单，以及来电客户名单中每个客户对应的来电意图。
76.其中，来电意图是指客户来电话的意图或目的，比如催单，还比如咨询运单的物流或配送情况等，在此不一一列举。
77.具体地，服务器将每个目标在途运单对应的目标特征数据分别输入已训练好的客户来电预测模型，通过该客户来电预测模型根据目标特征数据对相应目标在途运单进行客
户来电预测，得到相应的目标运单来电标签与来电意图。服务器根据每个目标在途运单对应的目标运单来电标签，得到在未来预设时间段内会来电的客户，从而得到未来预设时间段内的来电客户名单。服务器根据每个目标在途运单对应的来电意图，得到在未来预设时间段内会来电的客户的来电意图，从而得到来电客户名单中的每个客户的来电意图。
78.上述实施例中，基于目标特征数据预测客户在未来预设时间段内是否会来电的同时，预测客户的来电意图，以便于基于来电意图向在未来预设时间段内会来电的客户，提供更为准确的主动服务，从而能够进一步降低客服成本。
79.在一个实施例中，客户来电预测模型的训练步骤，包括：获取训练样本集；训练样本集包括样本在途运单对应的样本特征数据与样本运单来电标签；根据训练样本集进行模型训练，得到已训练好的客户来电预测模型。
80.具体地，在模型训练阶段，服务器确定多个样本在途运单，获取每个样本在途运单对应的样本特征数据与样本运单来电标签，并根据各个样本在途运单对应的样本特征数据与样本运单来电标签得到训练样本集，以便于基于训练样本集进行模型训练得到已训练好的客户来电预测模型。服务器将训练样本集中的样本特征数据作为输入特征，将相应的样本运单来电标签作为期望的输出特征进行模型训练，得到已训练好的客户来电预测模型。
81.在一个实施例中，服务器将多个预测周期内的每个客户来电预测时间的在途运单确定为样本在途运单，并根据每个样本在途运单在相应客户来电预测时间之前的历史业务数据，以及在该相应客户来电预测时间所预存储的客户来电习惯特征集，得到该样本在途运单对应的样本特征数据，并根据每个样本在途运单在相应客户来电预测时间之后的未来预设时间段内所对应的客户来电数据，得到该样本在途运单对应的样本运单来电标签，进而根据各个样本在途运单对应的样本特征数据与样本运单来电标签得到训练样本集。
82.以预测周期为一天或每天，且每个预测周期内预配置有两个客户来电预测时间为例，多个预测周期比如4天，具体比如最近的4天，每个预测周期内预配置的两个客户来电预测时间比如8点与13点，客户来电预测时间为8点时，相应的未来预设时间段为当天的9点至12点，这样，将近期4天内每天8点与13点的在途运单均确定为样本在途运单，获取每个样本在途运单的历史业务数据，以及每个样本在途运单在相应未来预设时间段内的客户来电数据，并基于历史业务数据得到相应的样本特征数据，以及基于客户来电数据得到相应的样本运单来电标签，其中，以客户来电预测时间为8点为例，该客户来电预测时间对应的样本在途运单对应的客户来电数据，是指该样本在途运单在采集相应历史业务数据的当天内的9点至12点这一未来时间段内的客户来电数据。
83.在一个实施例中，训练客户来电预测模型所涉及的机器学习算法包括但不限于是gbdt(gradient boosting decision tree，梯度提升迭代决策树)，具体可以是lgbm(lightgbm，轻量级的高效梯度提升树)。
84.在一个实施例中，训练客户来电预测模型时所涉及的模型参数与每个模型参数对应的参数值，包括但不限于是：分类目标为二分类，损失函数为binary_logloss(二分类对数损失)，叶子节点数为31，一个叶子上数据的最小数量为1，学习率为0.1，每次迭代中随机选择特征的比例为0.9，不进行重采样的情况下随机选择部分数据的比如为0.8，bagging的次数为5，lambda_l1(l1正则)与lambda_l2(l2正则)均为0.2，停止分裂叶子节点的阈值为-1。可以理解，本实施例中列举的模型参数与相应参数值仅作为示例，并不用于具体限定。
85.在一个实施例中，已训练好的客户来电预测模型为多分类的模型，以便于通过该多分类的客户来电预测模型，根据目标特征数据能够预测得到相应目标在途运单对应的目标运单来电标签与来电意图。
86.上述实施例中，基于训练样本集预先训练得到已训练好的客户来电预测模型，以便于在客户来电预测的实际应用过程中，通过该已训练好的客户来电预测模型，根据每个目标在途运单的目标特征数据，能够快速而准确的预测相应客户在未来预设时间段内是否会来电。
87.在一个实施例中，获取训练样本集，包括：获取样本在途运单对应的历史业务数据，以及在相应客户来电预测时间的未来预设时间段内的客户来电数据；根据样本在途运单的历史业务数据与客户来电习惯特征集，得到相应样本特征数据；根据样本在途运单的客户来电数据确定相应样本运单来电标签；根据样本特征数据与样本运单来电标签得到训练样本集。
88.其中，样本在途运单对应的客户来电数据，是指该样本在途运单对应的客户，在该样本在途运单对应的客户来电预测时间之后的未来预设时间段内的来电数据，具体可包括是否来电，以及每次来电的来电时间。
89.具体地，服务器在确定多个样本在途运单后，获取每个样本在途运单对应的历史业务数据，以及每个样本在途运单在相应客户来电预测时间之后的未来预设时间段内的客户来单数据。服务器根据每个样本在途运单的历史业务数据得到相应的业务特征数据，并从预配置的客户来电习惯特征集中获取每个样本在途运单对应的客户来电习惯特征数据，进而根据每个样本在途运单对应的业务特征数据与客户来电习惯特征数据，得到相应的样本特征数据。服务器根据每个样本在途运单对应的客户来电数据确定相应的样本运单来电标签，并根据每个样本在途运单对应的样本特征数据与样本运单来电标签得到训练样本集。
90.可以理解，在模型训练阶段，服务器根据每个样本在途运单对应的历史业务数据，以及预配置的客户来电习惯特征集得到相应样本特征数据的流程，与本技术一个或多个实施例中针对客户来电预测阶段提供的相应流程类似，在此不再赘述。
91.上述实施例中，通过获取每个样本在途运单对应的历史业务数据与客户来电数据，基于历史业务数据与预配置的客户来电习惯特征集确定样本特征数据，基于客户来电数据确定样本运单来电标签，并基于各个样本在途运单对应的样本特征数据与样本运单来电标签得到训练样本集，以便于基于训练样本集能够训练得到准确性较高的客户来电预测模型。
92.在一个实施例中，根据训练样本集进行模型训练，得到已训练好的客户来电预测模型，包括：根据训练样本集进行模型训练得到客户来电预测模型；获取测试样本集；根据测试样本集对客户来电预测模型进行测试得到测试结果；当测试结果满足预设测试条件时，将客户来电预测模型确定为已训练好的客户来电预测模型。
93.其中，测试结果用于表征训练得到的客户来电预测模型的预测准确性，具体可以包括召回率与精准率。预设测试条件是用于与测试结果进行比较、以判定是否将训练得到的客户来电预测模型确定为已训练好的客户来电预测模型的条件或依据，具体可以是召回率大于或等于召回率阈值、且精准率大于或等于精准率阈值。召回率阈值可自定义，比如
73％，精准率阈值可自定义，比如88％。召回率是指测试样本集中预测会来电并且真实会来电的运单数量，与真实会来电的运单数量的比值。精准率是指测试样本集中预测会来电并且真实会来电的运单数据，与预测会来电的运单数量的比值。比如，将测试样本集中预测会来电并且真实会来电的运单数量记为p，将测试样本集中真实会来电的运单数量记为a，将测试样本集中预测会来电的运单数量记为b，则召回率为p/a，精准率为p/b。
94.具体地，服务器根据训练样本集进行模型训练得到相应的客户来电预测模型。相应地，服务器按照获取训练样本集的类似方式获取测试样本集，测试样本集中包括多个测试在途运单对应的测试特征数据与测试运单来电标签。服务器在根据训练样本集训练得到客户来电预测模型后，将测试样本集中各测试在途运单对应的测试特征数据，输入该客户来电预测模型进行客户来电预测，得到相应的预测运单来电标签，根据测试样本集中各测试在途运单对应的测试运单来电标签与预测运单来电标签，计算得到相应的测试结果，并将测试结果与预配置的预设测试条件进行比较。当判定测试结果满足预设测试条件时，服务器将该基于训练样本集训练得到的客户来电预测模型，确定为已训练好的客户来电预测模型。
95.在一个实施例中，当测试结果不满足预设测试条件时，服务器基于预先获取的训练样本集或重新获取的训练样本集，继续对该测试结果不满足预设测试条件的客户来电预测模型进行迭代训练，并基于测试样本集对该继续训练得到的客户来电预测模型进行重新测试，直至所得到的测试结果满足预设测试条件，或者，测试次数大于或等于测试次数阈值时，将当前训练得到的客户来电预测模型确定为已训练好的客户来电预测模型。
96.上述实施例中，基于测试样本集对基于训练样本集训练得到的客户来电预测模型进行测试，并在测试结果满足预设测试条件时，将该训练得到的客户来电预测模型确定为已训练好的客户来电预测模型，以便于基于该已训练好的客户来电预测模型进行客户来电预测时，能够提高客户来电预测结果的准确性。
97.在一个实施例中，上述客户来电预测方法还包括：按照预配置的更新周期定期获取每个客户对应的目标来电数据与目标运单数据；根据目标来电数据与目标运单数据，更新预存储的客户来电习惯特征集。
98.其中，目标来电数据是指单个更新周期内新增的来电数据，具体可以是指自前一次触发客户来电习惯特征集更新流程时起至当次触发客户来电习惯特征集更新流程时止的时间段内，新增的来电数据。目标运单数据是指单个更新周期内新增或更新的运单数据，具体可以是指自前一次触发客户来电习惯特征集更新流程时起至当次触发客户来电习惯特征集更新流程时止的时间段内，新增或更新的运单数据。
99.具体地，服务器实时统计自前一次触发客户来电习惯特征集更新流程时起的时间间隔，并将统计的时间间隔与预配置的更新周期进行比较。当统计的时间间隔大于或等于更新周期时，服务器获取每个客户在该时间间隔内新增的来电数据与运单数据，并分别作为该客户对应的目标来电数据与目标运单数据。服务器根据每个客户在前一次触发客户来电习惯特征集更新流程时对应的历史来电数据与历史运单数据，以及当前所获取到的目标来电数据与目标运单数据，得到当前对应的历史来电数据与历史运单数据。服务器根据每个客户当前对应的历史来电数据与历史运单数据，分析得到该客户当前对应的客户来电习惯特征数据，并根据各客户当前对应的客户来电习惯特征数据，更新预存储的客户来电习
惯特征集。
100.上述实施例中，按照预设的更新周期定期更新客户来电习惯特征集，以便于基于动态更新后的客户来电习惯特征集进行客户来电预测时，能够提高客户来电预测的准确性。
101.如图2所示，提供了一种客户来电预测方法，该方法具体包括以下步骤：
102.步骤202，获取当前时间。
103.步骤204，在当前时间与预配置的客户来电预测时间一致时，确定当前时间的目标在途运单；每个预测周期内预配置有两个客户来电预测时间。
104.步骤206，获取每个目标在途运单的历史业务数据。
105.步骤208，根据每个目标在途运单的历史业务数据得到相应的业务特征数据。
106.步骤210，从预存储的客户来电习惯特征集中，提取每个目标在途运单对应的客户来电习惯特征数据。
107.步骤212，根据每个目标在途运单对应的业务特征数据与客户来电习惯特征数据，得到相应的目标特征数据。
108.步骤214，将目标特征数据输入已训练好的客户来电预测模型，得到相应的目标运单来电标签与来电意图。
109.步骤216，根据目标运单来电标签与来电意图，得到未来预设时间段内的来电客户名单，以及来电客户名单中每个客户对应的来电意图。
110.上述实施例中，每个预测周期内设置两个客户来电预测时间，在每个客户来电预测时间对当前的所有在途运单进行客户来电预测，以预测该每个在途运单在未来预设时间段内是否会来电，一方面能够实时获得运单动态变化的特征信息，另一方面能够及时地提前预知客户来电意图，进而实现有效的主动服务。进一步地，基于目标在途运单的历史业务数据与客户来单习惯特征数据得到相应的目标特征数据，能够全面获取影响客户来电的特征数据，以便于基于目标特征数据预测客户来电情况时，能够提高客户来单预测的准确性，而通过已训练好的客户来电预测模型，根据每个目标在途运单的目标特征数据，对该目标在途运单进行客户来电预测，能够进一步提高客户来电预测的准确性。
111.图3为一个实施例中客户来电预测方法的原理示意图。如图3，每天设置8点与13点共两个客户来电预测时间，由此，每天8点与13点开始触发客户来电预测流程。在客户来电预测流程触发后，首先，抽取当前未签收运单的历史业务数据，也即是抽取目标在途运单的历史业务数据，历史业务数据包括运单基础信息、路由信息、投诉信息、来电信息与客户端用户操作信息等。然后，根据每个目标在途运单的历史业务数据与预配置的客户来电习惯特征集，通过特征工程计算得到每个目标在途运单对应的目标特征数据，通过特征工程计算每个目标在途运单的目标特征数据的步骤包括：基于历史业务数据得到业务特征数据，比如寄件多久之后发生了投诉，还从预配置的客户来电习惯特征集中提取每个目标在途运单对应的客户来电习惯特征数据，比如客户在同城寄件时平均寄件后多久会来电，并基于业务特征数据与客户来电习惯特征数据得到目标特征数据。
112.进一步地，通过已训练好的客户来电预测模型，根据目标特征数据进行客户来电预测得到相应的目标运单来电标签，进而得到并输出在未来3个小时内会来电的来电客户名单，其中，客户来电预测模型，是以“8点或13点的运单对应的目标特征数据
”-“
表征该运
单在未来3个小时内是否来电的运单来电标签”作为一组数据，抽取最近4天的8组数据作为训练样本集，并基于该训练样本集训练得到的模型。可以理解，上述实施例中，以预测周期为一天，每个预测周期内设置两个客户来电预测时间，每个未来预设时间段的时间长度为3小时为例，并不用于具体限定。
113.在一个实施例中，每个目标在途运单或样本在途运单对应的历史业务数据，具体可以是距离相应客户来电预测时间最近的指定时间段内的业务数据，指定时间段比如最近三天，在此不作具体限定。
114.应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
115.在一个实施例中，如图4所示，提供了一种客户来电预测装置400，包括：业务数据获取模块401、业务特征提取模块402、习惯特征提取模块403、特征数据获取模块404和客户来电预测模块405，其中：
116.业务数据获取模块401，用于获取目标在途运单的历史业务数据；
117.业务特征提取模块402，用于根据每个目标在途运单的历史业务数据得到相应的业务特征数据；
118.习惯特征提取模块403，用于从预存储的客户来电习惯特征集中，提取每个目标在途运单对应的客户来电习惯特征数据；
119.特征数据获取模块404，用于根据每个目标在途运单对应的业务特征数据与客户来电习惯特征数据，得到相应的目标特征数据；
120.客户来电预测模块405，用于通过已训练好的客户来电预测模型，根据目标特征数据进行客户来电预测，得到未来预设时间段内的来电客户名单。
121.在一个实施例中，业务数据获取模块401，还用于获取当前时间；在当前时间与预配置的客户来电预测时间一致时，确定当前时间的目标在途运单；每个预测周期内预配置有两个客户来电预测时间；获取每个目标在途运单的历史业务数据。
122.在一个实施例中，客户来电预测模块405，还用于将目标特征数据输入已训练好的客户来电预测模型，得到相应的目标运单来电标签与来电意图；根据目标运单来电标签与来电意图，得到未来预设时间段内的来电客户名单，以及来电客户名单中每个客户对应的来电意图。
123.在一个实施例中，上述客户来电预测装置400，还包括：模型训练模块；
124.模型训练模块，用于获取训练样本集；训练样本集包括样本在途运单对应的样本特征数据与样本运单来电标签；根据训练样本集进行模型训练，得到已训练好的客户来电预测模型。
125.在一个实施例中，模型训练模块，还用于获取样本在途运单对应的历史业务数据，以及在相应客户来电预测时间的未来预设时间段内的客户来电数据；根据样本在途运单的历史业务数据与客户来电习惯特征集，得到相应样本特征数据；根据样本在途运单的客户
来电数据确定相应样本运单来电标签；根据样本特征数据与样本运单来电标签得到训练样本集。
126.在一个实施例中，模型训练模块，还用于根据训练样本集进行模型训练得到客户来电预测模型；获取测试样本集；根据测试样本集对客户来电预测模型进行测试得到测试结果；当测试结果满足预设测试条件时，将客户来电预测模型确定为已训练好的客户来电预测模型。
127.在一个实施例中，习惯特征提取模块403，还用于按照预配置的更新周期定期获取每个客户对应的目标来电数据与目标运单数据；根据目标来电数据与目标运单数据，更新预存储的客户来电习惯特征集。
128.关于客户来电预测装置的具体限定可以参见上文中对于客户来电预测方法的限定，在此不再赘述。上述客户来电预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
129.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储客户来电习惯特征集与运单的业务数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种客户来电预测方法。
130.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
131.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
132.获取目标在途运单的历史业务数据；根据每个目标在途运单的历史业务数据得到相应的业务特征数据；从预存储的客户来电习惯特征集中，提取每个目标在途运单对应的客户来电习惯特征数据；根据每个目标在途运单对应的业务特征数据与客户来电习惯特征数据，得到相应的目标特征数据；通过已训练好的客户来电预测模型，根据目标特征数据进行客户来电预测，得到未来预设时间段内的来电客户名单。
133.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取当前时间；在当前时间与预配置的客户来电预测时间一致时，确定当前时间的目标在途运单；每个预测周期内预配置有两个客户来电预测时间；获取每个目标在途运单的历史业务数据。
134.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将目标特征数据输入已训练好的客户来电预测模型，得到相应的目标运单来电标签与来电意图；根据目标运单来电标签与来电意图，得到未来预设时间段内的来电客户名单，以及来电客户名单中每个客户对应的来电意图。
135.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练样本集；训练样本集包括样本在途运单对应的样本特征数据与样本运单来电标签；根据训练样本集进行模型训练，得到已训练好的客户来电预测模型。
136.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本在途运单对应的历史业务数据，以及在相应客户来电预测时间的未来预设时间段内的客户来电数据；根据样本在途运单的历史业务数据与客户来电习惯特征集，得到相应样本特征数据；根据样本在途运单的客户来电数据确定相应样本运单来电标签；根据样本特征数据与样本运单来电标签得到训练样本集。
137.在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据训练样本集进行模型训练得到客户来电预测模型；获取测试样本集；根据测试样本集对客户来电预测模型进行测试得到测试结果；当测试结果满足预设测试条件时，将客户来电预测模型确定为已训练好的客户来电预测模型。
138.在一个实施例中，处理器执行计算机程序时还实现以下步骤：按照预配置的更新周期定期获取每个客户对应的目标来电数据与目标运单数据；根据目标来电数据与目标运单数据，更新预存储的客户来电习惯特征集。
139.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
140.获取目标在途运单的历史业务数据；根据每个目标在途运单的历史业务数据得到相应的业务特征数据；从预存储的客户来电习惯特征集中，提取每个目标在途运单对应的客户来电习惯特征数据；根据每个目标在途运单对应的业务特征数据与客户来电习惯特征数据，得到相应的目标特征数据；通过已训练好的客户来电预测模型，根据目标特征数据进行客户来电预测，得到未来预设时间段内的来电客户名单。
141.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取当前时间；在当前时间与预配置的客户来电预测时间一致时，确定当前时间的目标在途运单；每个预测周期内预配置有两个客户来电预测时间；获取每个目标在途运单的历史业务数据。
142.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将目标特征数据输入已训练好的客户来电预测模型，得到相应的目标运单来电标签与来电意图；根据目标运单来电标签与来电意图，得到未来预设时间段内的来电客户名单，以及来电客户名单中每个客户对应的来电意图。
143.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练样本集；训练样本集包括样本在途运单对应的样本特征数据与样本运单来电标签；根据训练样本集进行模型训练，得到已训练好的客户来电预测模型。
144.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本在途运单对应的历史业务数据，以及在相应客户来电预测时间的未来预设时间段内的客户来电数据；根据样本在途运单的历史业务数据与客户来电习惯特征集，得到相应样本特征数据；根据样本在途运单的客户来电数据确定相应样本运单来电标签；根据样本特征数据与样本运单来电标签得到训练样本集。
145.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据训练样本集进行模型训练得到客户来电预测模型；获取测试样本集；根据测试样本集对客户来电预测
模型进行测试得到测试结果；当测试结果满足预设测试条件时，将客户来电预测模型确定为已训练好的客户来电预测模型。
146.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：按照预配置的更新周期定期获取每个客户对应的目标来电数据与目标运单数据；根据目标来电数据与目标运单数据，更新预存储的客户来电习惯特征集。
147.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
148.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
149.以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。