一种电力客服系统语音反馈菜单的优化方法及系统与流程

1.本发明涉及电力运营管理技术领域，具体为一种电力客服系统语音反馈菜单的优化方法及系统。


背景技术：

2.现在电网企业或者其他行业中的智能语音服务系统，即ivr系统，对外使用的限制来自用户的手机，一般手机的数字按键的数量决定了ivr系统播报的服务内容的数量。并且目前的智能语音都是按照固有的顺序询问，顺序一般是按照提供服务的业务类型来定义的。但是往往用户需要听完一段时间后，才能听到自己要办理的业务需要的按键要求，无疑浪费了用户时间，并可能给客户的情绪带来影响。
3.这种方式带来的另一个比较大的弊端就是：对于复杂的业务，只能反馈所属的业务类型。用户有时候无法判断自己要了解的业务属于哪些业务类型(被总结、归类的，且与按键数对应的最多9类业务类型)。
4.而大部分用户会直接跳过ivr，去用默认的0键(转人工)。而这种情况造成了ivr资源的浪费。而转去人工客服的时候，因为是按照客服的空闲状态来分配的，就需要客服人员通晓每类业务的办理流程，而现实并不是这样。而且还有其他的问题存在导致这种向空闲状态的服务人员随机分配的方式造成资源的浪费。


技术实现要素：

5.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
6.鉴于上述存在的问题，提出了本发明。
7.因此，本发明解决的技术问题是：现有的智能语音服务系统和菜单选择方法存在顺序固定、类型受限的问题，浪费用户的时间但不能达到很好的处理效果，同时占用了不必要的ivr资源，以及如何提升用户体验感的优化问题。
8.为解决上述技术问题，本发明提供如下技术方案：一种电力客服系统语音反馈菜单的优化方法，包括：
9.分析用户特征与反馈的业务问题类别的关系，建立用户特征标签库；
10.优化智能语音服务模型，识别用户语音，将语音信号转变为文字信号进行语义理解；
11.构建用户行为预测模型，预测用户业务需求；
12.优化人工客服转接功能，根据用户特征标签和语义解析结果，匹配到处理相应的业务子类最多的客服人员。
13.作为本发明所述的电力客服系统语音反馈菜单的优化方法的一种优选方案，其中：所述建立用户特征标签库的步骤包括：
14.根据电力系统业务需求和电力行业实际情况，设置标签基本分类；
15.对标签类别设置定义及属性要求，进行二级标签设定；
16.评估标签定义及属性唯一性、完整性、合理性指标，确保标签的有效性；
17.根据标签评估结果，对用户特征标签库进行更新，替换或删除旧标签。
18.作为本发明所述的电力客服系统语音反馈菜单的优化方法的一种优选方案，其中：所述优化智能语音服务模型包括引入自动语音识别、语义分析技术，利用智能语音机器人与来电用户进行直接对话，匹配业务子类，直达对应服务菜单，具体步骤为：
19.识别来电用户特征标签，根据身份特征提供差异化语音提示和流程导向；
20.根据用户语音识别用户服务诉求并直接跳转对应服务菜单，无需反复语音播报和按键选择，节约时间；
21.若无法识别用户语音或无法判断用户需求，则进行进一步语音交互，若重复两次仍无法判断用户正确需求，则提供初始0-9按键菜单供客户选择，同时提供人工服务按键。
22.作为本发明所述的电力客服系统语音反馈菜单的优化方法的一种优选方案，其中：所述构建用户行为预测模型的步骤包括：
23.使用bootstrap抽样算法对电力服务系统中的用户数据进行采样；
24.采用卡方自动交叉检验算法，构建随机森林模型；
25.通过随机森林模型构建二元决策树，生成决策树变量；
26.对变量进行相关性分析和聚类分析，生成用户行为预测子模型；
27.将随机森林模型输出的变量导入logistics回归模型，输出用户行为预测结果。
28.作为本发明所述的电力客服系统语音反馈菜单的优化方法的一种优选方案，其中：所述bootstrap抽样算法，表示为：
29.选取随机变量样本x＝[x1,x2,
…
,xn]服从独立同分布xi～z(x),i＝1,2,
…
,n
[0030][0031]
式中，r(x,z)是关于x和z的随机变量函数，zn为样本x的经验分布函数，是θ(z)的bootstrap估计，θ(z)为总体分布z的参数；
[0032]
从zn中抽取bootstrap样本x'＝[x1',x2',
…
,xn']，计算统计量：
[0033][0034]
式中，r'(x',zn)是统计量，rn为tn的bootstrap统计量，zn'为bootstrap样本x'的经验分布函数；
[0035]
重复上述步骤n次，完成bootstrap抽样。
[0036]
作为本发明所述的电力客服系统语音反馈菜单的优化方法的一种优选方案，其中：所述logistics回归模型，表示为：
[0037][0038]
式中，p(y＝1/a)表示用户敏感系数，该值越大代表用户有不好的情感导向或投诉几率大，需谨慎处理；a
i,i
为m维向量自变量，β
i,i
为m维向量待估计参数。
[0039]
作为本发明所述的电力客服系统语音反馈菜单的优化方法的一种优选方案，其
中：所述优化人工客服转接功能包括：根据用户特征标签和智能语音服务语义解析结果，进行客服人员匹配，按照客服人员技能标签和业务子类处理数量，自动匹配擅长处理该业务子类或处理相应业务子类工单数量最多的客服人员；
[0040]
根据用户来电号码识别是否为多次来电，若是，则优先匹配与上一次来电相同的客服人员进行接听；
[0041]
根据用户特征标签和智能语音服务语义解析结果，实时生成客户服务特征画像，通过交互界面展示给客服人员，包括用户基础信息、历史服务信息、用电特征信息、异常状态和用户行为预测结果多维度进行展现。
[0042]
一种电力客服系统语音反馈菜单的优化系统，包括：数据采集储存模块，逻辑计算模块，结果输出模块，分配调度模块。
[0043]
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如上所述的方法的步骤。
[0044]
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如上所述的方法的步骤。
[0045]
本发明的有益效果：本发明提供的电力客服系统语音反馈菜单的优化方法及系统通过用户语音识别直接对用户需求进行反馈，节约了用户时间，同时提高自助功能使用率，解放人工客服资源。同时通过用户特征标签库的建立进行用户行为预测，预先对用户需求进行判断，分配相应业务熟练的客服人员接线，并通过交互界面展示给客服接线人员帮助快速判断用户需求，提高用户满意度、降低投诉率。
附图说明
[0046]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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它的附图。其中：
[0047]
图1为本发明第一个实施例提供的一种电力客服系统语音反馈菜单的优化方法的整体流程图；
[0048]
图2为本发明第二个实施例提供的一种电力客服系统语音反馈菜单的优化系统的系统结构图；
[0049]
图3为本发明第二个实施例提供的一种电力客服系统语音反馈菜单的优化方法及系统的计算机设备中计算机设备的内部结构图；
[0050]
图4为本发明第三个实施例提供的一种电力客服系统语音反馈菜单的优化方法及系统的智能语音导航构建方案；
[0051]
图5为本发明第三个实施例提供的一种电力客服系统语音反馈菜单的优化方法及系统中优化后的智能语音服务流程图；
[0052]
图6为本发明第三个实施例提供的一种电力客服系统语音反馈菜单的优化方法及系统中用户预测模型构建方法流程图；
[0053]
图7为本发明第三个实施例提供的一种电力客服系统语音反馈菜单的优化方法及系统中客户服务特征画像示例图。
具体实施方式
[0054]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
[0055]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0056]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0057]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0058]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0059]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0060]
实施例1
[0061]
参照图1，为本发明的一个实施例，提供了一种电力客服系统语音反馈菜单的优化方法，包括：
[0062]
s1：分析用户特征与反馈的业务问题类别的关系，建立用户特征标签库；
[0063]
更进一步的，建立用户特征标签库的步骤包括：
[0064]
根据电力系统业务需求和电力行业实际情况，设置标签基本分类；
[0065]
对标签类别设置定义及属性要求，进行二级标签设定；
[0066]
评估标签定义及属性唯一性、完整性、合理性指标，确保标签的有效性；
[0067]
根据标签评估结果，对用户特征标签库进行更新，替换或删除旧标签。
[0068]
s2：优化智能语音服务模型，识别用户语音，将语音信号转变为文字信号进行语义理解；
[0069]
更进一步的，引入自动语音识别、语义分析技术，利用智能语音机器人与来电用户进行直接对话，匹配业务子类，直达对应服务菜单，具体步骤为：
[0070]
识别来电用户特征标签，根据身份特征提供差异化语音提示和流程导向；
[0071]
根据用户语音识别用户服务诉求并直接跳转对应服务菜单，无需反复语音播报和按键选择，节约时间；
[0072]
若无法识别用户语音或无法判断用户需求，则进行进一步语音交互，若重复两次仍无法判断用户正确需求，则提供初始0-9按键菜单供客户选择，同时提供人工服务按键。
[0073]
s3：构建用户行为预测模型，预测用户业务需求。
[0074]
更进一步的，构建用户行为预测模型的步骤包括：
[0075]
使用bootstrap抽样算法对电力服务系统中的用户数据进行采样；
[0076]
采用卡方自动交叉检验算法，构建随机森林模型；
[0077]
通过随机森林模型构建二元决策树，生成决策树变量；
[0078]
对变量进行相关性分析和聚类分析，生成用户行为预测子模型；
[0079]
将随机森林模型输出的变量导入logistics回归模型，输出用户行为预测结果。
[0080]
更进一步的，bootstrap抽样算法包括：
[0081]
选取随机变量样本x＝[x1,x2,
…
,xn]服从独立同分布xi～z(x),i＝1,2,
…
,n
[0082][0083]
式中，r(x,z)是关于x和z的随机变量函数，zn为样本x的经验分布函数，是θ(z)的bootstrap估计，θ(z)为总体分布z的参数；
[0084]
从zn中抽取bootstrap样本x'＝[x1',x2',
…
,xn']，计算统计量：
[0085][0086]
式中，r'(x',zn)是统计量，rn为tn的bootstrap统计量，zn'为bootstrap样本x'的经验分布函数；
[0087]
重复上述步骤n次，完成bootstrap抽样。
[0088]
更进一步的，logistics回归模型，表示为：
[0089][0090]
式中，p(y＝1/a)表示用户敏感系数，该值越大代表用户有不好的情感导向或投诉几率大，需谨慎处理；a
i,i
为m维向量自变量，β
i,i
为m维向量待估计参数。
[0091]
s4：优化人工客服转接功能，根据用户特征标签和语义解析结果，匹配到处理相应的业务子类最多的客服人员；
[0092]
更进一步的，根据用户特征标签和智能语音服务语义解析结果，进行客服人员匹配，按照客服人员技能标签和业务子类处理数量，自动匹配擅长处理该业务子类或处理相应业务子类工单数量最多的客服人员。
[0093]
同时，根据用户来电号码识别是否为多次来电，若是，则优先匹配与上一次来电相同的客服人员进行接听。
[0094]
更进一步的，根据用户特征标签和智能语音服务语义解析结果，实时生成客户服务特征画像，通过交互界面展示给客服人员，包括用户基础信息、历史服务信息、用电特征信息、异常状态和用户行为预测结果等多维度进行展现；
[0095]
其中，用户基础信息包括：档案联系人信息、户号信息、地址信息、重点客户(企业)、缴费偏好等；
[0096]
历史服务信息包括：历史来电数量、近一月/三月来电频率、平均通话时长、投诉预警级别、投诉信息等；
[0097]
用电特征信息包括：用电类型、用电规模(近三天、本月、近三月)、所处台区、台区属性、台区投诉率等；
[0098]
异常状态包括：是否欠费，是否处于停电区域、是否处于低电压台区、是否存在未处理或处理中投诉工单、是否存在窃电行为、是否存在其他异常等；
[0099]
用户行为预测结果，基于用户行为预测模型预测用户本次致电的目的和用户敏感度评分，智能化提供业务模块预选择并匹配业务熟练度高的工作人员进行对接。
[0100]
实施例2
[0101]
参照图2-3，为本发明的一个实施例，提供了一种电力客服系统语音反馈菜单的优化系统，包括：
[0102]
数据采集储存模块100，用于采集电力系统用户数据，构建用户特征标签库；
[0103]
逻辑计算模块200，用于进行用户特征标签的标定和用户行为预测；
[0104]
结果输出模块，用于对基于用户特征标签和用户行为预测结果生成用户画像；
[0105]
分配调度模块400，用于接入智能语音系统，对转人工客服部分的语音请求，调用结果输出模块300的用户画像，分配相应客服人员接听。
[0106]
上述电力客服系统语音反馈菜单的优化系统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。
[0107]
该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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和内存储器。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电力监控系统的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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电力客服系统语音反馈菜单的优化方法。
[0108]
实施例3
[0109]
参照图4-7，为本发明的一个实施例，提供了一种电力客服系统语音反馈菜单的优化方法及系统，为了验证本发明的有益效果，通过仿真实验进行科学论证。
[0110]
首先，针对上述实施例方法及系统，以广西电网95598电力服务ivr系统为基础进行优化改进。
[0111]
如图4，为智能语音导航构建方案。通过需求分析，进行业务梳理和流程方案制定，对现有业务知识进行扁平化和分层处理、确认业务属性和范围并进行知识点构建，完成系统功能逻辑设计和步骤提示设定。完成基本框架后进行脚本开发和验证测试，测试系统优化效果是否达到上限标准，应用于现有电力服务ivr系统进行优化。
[0112]
如图5，为优化后的智能语音服务流程图。引入自动语音识别、语义分析技术，利用
智能语音机器人与来电用户进行直接对话，匹配业务子类，直达对应服务菜单。对于无法识别用户语音或无法判断用户需求，则进行进一步语音交互，若重复两次仍无法判断用户正确需求，则提供初始0-9按键菜单供客户选择，同时提供人工服务按键。
[0113]
优化后的智能语音服务和导航方式，有效的通过用户语音识别直接对用户需求进行反馈，节约了用户时间，同时提高自助功能使用率，解放人工客服资源。
[0114]
如图6，为用户预测模型构建方法，按照此方法步骤构建用户行为预测模型，生成如图7所示客户服务特征画像，通过交互界面展示给客服人员，使客服人员可以直观快速判断用户需求，提高用户满意度、降低投诉率。
[0115]
完成上述优化方案的实施后，跟踪系统优化后的广西电网2021年度1-4月95598电力服务ivr系统数据，相较于优化前一季度数据，ivr自助服务平均时长缩短27.5％，自助转人工转接率降低34.8％，人工客服服务平均时长缩短14.8％，有效的提升了自助系统服务使用率和服务成功率，节约了人工资源，同时降低了时间成本，服务效率得到了有效的提升。
[0116]
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，所述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、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、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。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等。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。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0117]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。