BP神經網絡在呼叫中心抽檢評估中的應用

馬洪利　賀欣韜　王蕊　石芳

摘 要： 為了提高抽樣檢驗的檢出率，基于對某運營商呼叫中心服務質量管理現(xiàn)狀的分析， 提出利用BP神經網絡對客服代表輸出的話務質量進行風險評估和預判分類的方法。經過Matlab仿真平臺的模擬實驗，確定風險因子和風險等級，并進行數(shù)據(jù)歸一化處理，建立數(shù)學模型，得到結論：BP神經網絡技術應用于呼叫中心服務質量風險評估和抽樣檢驗領域是可行的、有效的?；谠摲椒?，可以將呼叫中心服務質量抽樣檢驗的檢出率從傳統(tǒng)方法的5.3%提高到現(xiàn)在的9.23%，提高了質檢人員的工作效率。

關鍵詞： BP神經網絡； 呼叫中心； 抽檢評估； 抽樣檢驗

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）10?0028?03

Abstract： According to the analysis on service quality management status of call center of a communication enterprise， the sampling evaluation method of the QoS provided by telephone operators is proposed， in which BP neural network is utilized. The risk factor and risk level was defined and the normalized data processing was performed. A mathematics model was established. The conclusion is that the application of BP neural network in call center is feasible， which was verified by MATLAB. Based on this method， the accuracy rate can be improved from 5.3% to 9.23%. The working efficiency of inspectors in the call center has been improved.

keywords： BP neural network； call center； sampling evaluation； sampling inspection

呼叫中心是企業(yè)為客戶提供服務的窗口，體現(xiàn)了“客戶為根，服務為本”的企業(yè)經營理念。通過呼叫中心，客戶可以進行業(yè)務辦理、信息咨詢、投訴建議以及故障申報等服務?？头硎沁B接企業(yè)和顧客的橋梁，其服務質量都會對整個呼叫中心的服務水準產生重要影響。為了持續(xù)、深入地提高企業(yè)的服務水平，為客戶提供及時、準確和高質量的服務，各企業(yè)長期以來都非常重視對呼叫中心服務質量的管理[1]。

1 呼叫中心服務質量抽檢評估的現(xiàn)狀

目前客服中心的質量檢驗工作是以隨機抽查作為基本方法，其依據(jù)的主要指標包括：回答準確率、流程口徑執(zhí)行率、服務用語規(guī)范率、服務態(tài)度規(guī)范率等。

對服務質量的隨機抽查主要有兩種方式：人工布控和計算機自動布控。人工布控受主觀因素影響很大，會帶來評價尺度不統(tǒng)一等諸多問題。因此通常采用設定抽查比例后由計算機隨機布控的抽檢方式。隨機抽檢模式在很大程度上緩解了服務質量抽檢評估的覆蓋面與人力成本之間的矛盾，但在本質上都是對所有通話記錄不加區(qū)分、平均用力，忽略了每一條通話記錄出現(xiàn)不合格情況的潛在風險是不同的。例如，入職時間較長的熟練客服人員輸出不合格服務的概率要低于新入職員工；每日凌晨0點至6點時段呼叫中心輸出不合格服務的概率要高于上午8點至下午5點的時段；通話時長的增大而產生疲勞、不耐煩、怠工等現(xiàn)象， 從而導致服務質量的不穩(wěn)定等。輸出不合格服務的風險受很多風險因子的共同作用，存在差異。如果否認或無視這種風險差異的存在，對所有通話記錄進行隨機抽檢，將會造成人力資源的浪費和管理成本的上升。

綜上，缺乏針對性、抽檢效率不高已經成為制約呼叫中心抽檢評估工作效能的突出問題。因此在客服系統(tǒng)管理中引入風險評估概念，利用先進的神經網絡技術和數(shù)據(jù)挖掘技術建立風險定量研究模型，從而在有限的人力物力條件下大幅提高不合格檢出率，是一個有著較高的理論研究價值和實際應用前景的課題。

2 神經網絡技術應用于服務質量風險評估的

可行性

每一條客服電話記錄發(fā)生不合格的風險實際是由客服代表所受理的業(yè)務類型、客服代表自身的業(yè)務水平、所在班組的管理水平、受理業(yè)務時客服代表是否存在疲勞、倦怠狀態(tài)等多種因素共同作用決定的。這些因素有客觀因素也有主觀因素。將上述因素中能夠量化和監(jiān)測的因素列出來，稱作風險因子。不同風險因子在風險評估中的權重不同，相互之間存在著復雜的非線性關聯(lián)。因此，從分析學角度解釋服務質量風險評估，應是一個多因素、多變量、模糊的非線性、非對等運算程序，所以過程相當復雜。這也是為什么風險評估綜合評判的結果也往往因人而異，即使最有經驗的專家也往往會給出不同的結論。如何將所有風險因子綜合考慮確定最終的抽檢原則，是加權、取大、取小、取平均值、還是采用更先進的算法。這些問題成為長期以來困擾審單中心專家們的一道難題。

神經網絡技術是近幾年來人工智能研究較為活躍的領域。人工神經網絡的模型也是依照生物神經網絡提出的，它參考人腦結構，試圖通過構造人工神經元的結構和功能，實現(xiàn)人腦接收、處理和傳遞信息的功能，完成人類在語言、圖像處理或者抽象思維等方面的行為。它特別適用于處理輸入和輸出間關系復雜、機理不清或解決無法建立精確數(shù)學模型的“黑匣子”，是從樣本數(shù)據(jù)中擬合出輸入和輸出間的關系，并利用這種關系進行預測一種有效手段[2]。

將模糊神經網絡技術應用于呼叫中心服務質量風險評估，可以根據(jù)歷史數(shù)據(jù)和專家經驗建立完全量化的風險評判模型，對每一條通話記錄進行實時的風險分析，實現(xiàn)“即決式”的抽檢布控；并且能夠實時反饋最新的數(shù)據(jù)得以不斷完善抽檢規(guī)則。通過這個系統(tǒng)，在抽檢機制中引入結果反饋因素，形成“輸入?抽檢?反饋”的閉環(huán)，利用神經網絡強大的學習能力，從結果反饋的樣例中學習，獲取“知識和經驗”，從而解決當前專家系統(tǒng)的“瓶頸問題”。同時由于信息在網絡中是分布表示的，因而它對帶有噪聲或缺損的輸入信息有很強的適應能力。據(jù)此，我們可以優(yōu)劣互補，構建采用以專家系統(tǒng)為主，以神經網絡為輔的神經網絡專家系統(tǒng)。

3 實證研究

3.1 風險評估的系統(tǒng)流程

對服務質量進行風險評估分為如下幾個基本步驟：

（1） 建立服務質量的風險指標因子體系。鑒于搜集指標體系時，專家評估會帶有一定的主觀性和指標因子也會具有難以統(tǒng)計性，提出利用Delphi法，即專家調查問卷法來建立服務質量的風險指標體系。通過兩輪的調查問卷和數(shù)據(jù)分析，最終選取了客服中心區(qū)域、客服人員上崗時間、通話時段、通話時長、業(yè)務受理類型這5個影響因素作為風險因子，形成完整的風險指標體系。

（2） 建立風險等級檢索表。在獲得風險指標體系之后去采集歷史數(shù)據(jù)，并對數(shù)據(jù)進行預處理。這里要對每一個風險因子在過去發(fā)生的不合格次數(shù)和頻率進行細致的分析，據(jù)此建立初始風險等級檢索表。對于未來需要進行風險評估的每一條通話記錄來說，都能過通過上述風險等級檢索表得到對應的風險等級向量。這里利用Access數(shù)據(jù)庫[3]技術設計實現(xiàn)了風險等級檢索功能。

初始的檢索數(shù)據(jù)表不是固定的，而是動態(tài)更新的。這體現(xiàn)了神經網絡系統(tǒng)自學習、自反饋、自調整的特點。理論上每一次通話記錄的抽檢結果的錄入保存都要觸發(fā)一次動態(tài)更新。

（3） 風險因子的模糊歸一化。利用神經網絡對服務質量進行建模分析，涉及神經網絡的輸入端的數(shù)值化，而影響服務質量風險的因子大多數(shù)都是由模糊語言變量來描述的，因此，需要通過設計模糊控制器對其進行模糊歸一化，將各個因子的風險等級數(shù)值化到[0，1]區(qū)間。

（4） 進行神經網絡的建模。主要包括確定網絡結構以及對神經網絡的訓練，訓練樣本為采集的歷史數(shù)據(jù)，利用神經網絡自動變更權值、閾值以達到期望輸出。神經網絡的實際輸出，可看作為評價結果，也就是風險分類的結果；也可得到數(shù)值化的風險值。

（5） 根據(jù)神經網絡預測出的分類結果，風險“合格”與風險“不合格”，對應抽檢的布控指令為“不查”與“查”的關系，可將評估結果作為呼叫中心服務質量抽檢策略制定的輔助支持。

3.2 BP神經網絡在服務質量風險評估中的應用實踐

本文的研究借助Matlab系統(tǒng)工具箱[4]對BP神經網絡進行仿真分析。

應用BP神經網絡進行風險評估的關鍵步驟包括：建立風險評估系統(tǒng)模型，選定網絡結構，設置網絡參數(shù)并且導入樣本數(shù)據(jù)；神經網絡訓練，不斷更新其權值和閾值，使之達到期望輸出；固定滿足要求的網絡結構以及參數(shù)，導入測試數(shù)據(jù)進行網絡測試，進行預測分類。

（1） 確定網絡結構。神經網絡輸入為風險指標體系，指標體系包含了5個因子，由此可確定出網絡的輸入層節(jié)點數(shù)為5維， 因為神經網絡的輸出為評價結果，“合格”與“不合格”，可由兩個向量表示（0，1）與（1，0），因此確定兩個輸出層節(jié)點數(shù)為2 維。

（2） 隱含層節(jié)點數(shù)。BP神經網絡的隱含層節(jié)點數(shù)目對BP神經網絡的預測精度有較大影響：節(jié)點數(shù)目太少，網絡不能很好地學習，需要增加訓練次數(shù)，訓練的精度也受影響；節(jié)點數(shù)太多，訓練時間增加，網絡容易過擬合。這里采用公式法和試湊相結合的方法確定最佳隱含層節(jié)點數(shù)為20。最終可確定網絡結構為5?20?2。

（3） 訓練參數(shù)的選擇。初始權值和閾值的選擇：為了使網絡能夠很快收斂，避免陷入局部極小值，在網絡初始化時，通常選擇初始權重和閾值[-1，1）。

傳遞函數(shù)的選擇：本文中，采用均方誤差的對比的方法，在其他參數(shù)固定不變的情況下，分別對不同傳遞函數(shù)的網絡進行訓練，得出其均方誤差和誤差百分比，然后進行誤差對比，選擇誤差最小的傳遞函數(shù)。最終選取隱含層的傳遞函數(shù)為purelin函數(shù)，輸出層的傳遞函數(shù)為tansig函數(shù)[5]。

訓練函數(shù)的選擇：與傳遞函數(shù)的選擇過程相似，通過對比不同訓練函數(shù)的誤差性能來找到收斂最快的函數(shù)。最終選擇trainlm函數(shù)作為訓練函數(shù)。在上述確定好神經網絡結構和參數(shù)之后，在某地運營商呼叫中心選取了2013年1月被抽檢的1 000條通話記錄及評價結果作為訓練數(shù)據(jù)，對網絡進行訓練，其中包含932條評價結果為“合格”的數(shù)據(jù)，68條評價結果為“不合格”的數(shù)據(jù)，不合格率為6.8%。網絡訓練的誤差曲線如圖2所示。另外選取了該公司2013年2月被抽檢的1 000條通話記錄作為測試數(shù)據(jù)，利用前面已經訓練并保存好的BP神經網絡進行風險預測和分類，最終得到表1所示測試結果。

3.3 數(shù)據(jù)分析與結果評價

從表1可以看出，測試數(shù)組的1 000條通話記錄中實際被判定為不合格的例數(shù)為53例；按照目前呼叫中心的質量檢驗工作是以隨機抽查作為基本方法，因此從統(tǒng)計學意義上講，在隨機布控條件下的查驗檢出率與實際的總體不合格率大致接近。這是隨機樣本反映總體情況的正常表現(xiàn)。即傳統(tǒng)的服務質量檢驗可以做到的不合格檢出率約為5.3%。而在使用了BP神經網絡算法后，被算法預判為不合格（即執(zhí)行抽檢）的例數(shù)為195，其中判定正確為18例，不合格檢出率為9.23%，接近隨機抽檢下不合格檢出率的2倍。總體的分類正確率達到76.8%。

4 結 語

本文將BP神經網絡應用于對呼叫中心的質量檢驗工作中，對客服代表輸出的話務服務發(fā)生不合格的潛在風險進行預測，從而有針對性地進行抽檢布控。這樣，一方面有效地克服了隨機抽檢的盲目性和低效率，在有限的人力物力條件下，大幅提高抽查檢出率，實現(xiàn)資源效能的充分發(fā)揮。另一方面，風險評估指標體系的建立，對客服代表也會產生較好的導向和激勵作用，提高整個呼叫中心的績效。

參考文獻

[1] 謝峻偉，胡志宇，王云綺.數(shù)據(jù)挖掘在一個基于呼叫中心的CRM 查詢分析中的應用[J].電腦知識與技術，2011（5）：986?988.

[2] 韓立群.人工神經網絡理論[M].北京：化學工業(yè)出版社，2002.

[3] 陳杰.Matlab寶典[M].北京：電子工業(yè)出版社，2007.

[4] 石劍平，姜麟，徐潤林.Matlab數(shù)據(jù)庫工具箱在數(shù)學建模中的應用[J].信息系統(tǒng)工程，2010（9）：82?83.

[5] 卓金武.Matlab在數(shù)學建模中的應用[M].北京：北京航空航天大學出版社，2010.

[6] MISIC J. Call level QoS performance under variable user mobilities in wireless networksl [J]. Mobile Networks and Applications， 2004 （9）： 207?218.

[7] GROSS D， HARRIS C M. Fundamentals of queueing theory [M]. New York： John Wiley & Sons， 1985.

[8] 李春蔚，龔文龍，楊紅.網絡信息服務客戶滿意度的模糊綜合評判[J].西北民族大學學報，2004（4）：35?38.

[9] 楊綸標，高英儀.模糊數(shù)學原理及應用[M].廣州：華南理工大學出版社，2003.

[10] 劉慧，劉文定，曹永斌.Matlab與數(shù)據(jù)庫技術在CIQ貨物風險評價系統(tǒng)中的應用[J].工業(yè)控制計算機，2011（11）：54?55.

將模糊神經網絡技術應用于呼叫中心服務質量風險評估，可以根據(jù)歷史數(shù)據(jù)和專家經驗建立完全量化的風險評判模型，對每一條通話記錄進行實時的風險分析，實現(xiàn)“即決式”的抽檢布控；并且能夠實時反饋最新的數(shù)據(jù)得以不斷完善抽檢規(guī)則。通過這個系統(tǒng)，在抽檢機制中引入結果反饋因素，形成“輸入?抽檢?反饋”的閉環(huán)，利用神經網絡強大的學習能力，從結果反饋的樣例中學習，獲取“知識和經驗”，從而解決當前專家系統(tǒng)的“瓶頸問題”。同時由于信息在網絡中是分布表示的，因而它對帶有噪聲或缺損的輸入信息有很強的適應能力。據(jù)此，我們可以優(yōu)劣互補，構建采用以專家系統(tǒng)為主，以神經網絡為輔的神經網絡專家系統(tǒng)。

3 實證研究

3.1 風險評估的系統(tǒng)流程

對服務質量進行風險評估分為如下幾個基本步驟：

（1） 建立服務質量的風險指標因子體系。鑒于搜集指標體系時，專家評估會帶有一定的主觀性和指標因子也會具有難以統(tǒng)計性，提出利用Delphi法，即專家調查問卷法來建立服務質量的風險指標體系。通過兩輪的調查問卷和數(shù)據(jù)分析，最終選取了客服中心區(qū)域、客服人員上崗時間、通話時段、通話時長、業(yè)務受理類型這5個影響因素作為風險因子，形成完整的風險指標體系。

（2） 建立風險等級檢索表。在獲得風險指標體系之后去采集歷史數(shù)據(jù)，并對數(shù)據(jù)進行預處理。這里要對每一個風險因子在過去發(fā)生的不合格次數(shù)和頻率進行細致的分析，據(jù)此建立初始風險等級檢索表。對于未來需要進行風險評估的每一條通話記錄來說，都能過通過上述風險等級檢索表得到對應的風險等級向量。這里利用Access數(shù)據(jù)庫[3]技術設計實現(xiàn)了風險等級檢索功能。

初始的檢索數(shù)據(jù)表不是固定的，而是動態(tài)更新的。這體現(xiàn)了神經網絡系統(tǒng)自學習、自反饋、自調整的特點。理論上每一次通話記錄的抽檢結果的錄入保存都要觸發(fā)一次動態(tài)更新。

（3） 風險因子的模糊歸一化。利用神經網絡對服務質量進行建模分析，涉及神經網絡的輸入端的數(shù)值化，而影響服務質量風險的因子大多數(shù)都是由模糊語言變量來描述的，因此，需要通過設計模糊控制器對其進行模糊歸一化，將各個因子的風險等級數(shù)值化到[0，1]區(qū)間。

（4） 進行神經網絡的建模。主要包括確定網絡結構以及對神經網絡的訓練，訓練樣本為采集的歷史數(shù)據(jù)，利用神經網絡自動變更權值、閾值以達到期望輸出。神經網絡的實際輸出，可看作為評價結果，也就是風險分類的結果；也可得到數(shù)值化的風險值。

（5） 根據(jù)神經網絡預測出的分類結果，風險“合格”與風險“不合格”，對應抽檢的布控指令為“不查”與“查”的關系，可將評估結果作為呼叫中心服務質量抽檢策略制定的輔助支持。

3.2 BP神經網絡在服務質量風險評估中的應用實踐

本文的研究借助Matlab系統(tǒng)工具箱[4]對BP神經網絡進行仿真分析。

應用BP神經網絡進行風險評估的關鍵步驟包括：建立風險評估系統(tǒng)模型，選定網絡結構，設置網絡參數(shù)并且導入樣本數(shù)據(jù)；神經網絡訓練，不斷更新其權值和閾值，使之達到期望輸出；固定滿足要求的網絡結構以及參數(shù)，導入測試數(shù)據(jù)進行網絡測試，進行預測分類。

（1） 確定網絡結構。神經網絡輸入為風險指標體系，指標體系包含了5個因子，由此可確定出網絡的輸入層節(jié)點數(shù)為5維， 因為神經網絡的輸出為評價結果，“合格”與“不合格”，可由兩個向量表示（0，1）與（1，0），因此確定兩個輸出層節(jié)點數(shù)為2 維。

（2） 隱含層節(jié)點數(shù)。BP神經網絡的隱含層節(jié)點數(shù)目對BP神經網絡的預測精度有較大影響：節(jié)點數(shù)目太少，網絡不能很好地學習，需要增加訓練次數(shù)，訓練的精度也受影響；節(jié)點數(shù)太多，訓練時間增加，網絡容易過擬合。這里采用公式法和試湊相結合的方法確定最佳隱含層節(jié)點數(shù)為20。最終可確定網絡結構為5?20?2。

（3） 訓練參數(shù)的選擇。初始權值和閾值的選擇：為了使網絡能夠很快收斂，避免陷入局部極小值，在網絡初始化時，通常選擇初始權重和閾值[-1，1）。

傳遞函數(shù)的選擇：本文中，采用均方誤差的對比的方法，在其他參數(shù)固定不變的情況下，分別對不同傳遞函數(shù)的網絡進行訓練，得出其均方誤差和誤差百分比，然后進行誤差對比，選擇誤差最小的傳遞函數(shù)。最終選取隱含層的傳遞函數(shù)為purelin函數(shù)，輸出層的傳遞函數(shù)為tansig函數(shù)[5]。

訓練函數(shù)的選擇：與傳遞函數(shù)的選擇過程相似，通過對比不同訓練函數(shù)的誤差性能來找到收斂最快的函數(shù)。最終選擇trainlm函數(shù)作為訓練函數(shù)。在上述確定好神經網絡結構和參數(shù)之后，在某地運營商呼叫中心選取了2013年1月被抽檢的1 000條通話記錄及評價結果作為訓練數(shù)據(jù)，對網絡進行訓練，其中包含932條評價結果為“合格”的數(shù)據(jù)，68條評價結果為“不合格”的數(shù)據(jù)，不合格率為6.8%。網絡訓練的誤差曲線如圖2所示。另外選取了該公司2013年2月被抽檢的1 000條通話記錄作為測試數(shù)據(jù)，利用前面已經訓練并保存好的BP神經網絡進行風險預測和分類，最終得到表1所示測試結果。

3.3 數(shù)據(jù)分析與結果評價

從表1可以看出，測試數(shù)組的1 000條通話記錄中實際被判定為不合格的例數(shù)為53例；按照目前呼叫中心的質量檢驗工作是以隨機抽查作為基本方法，因此從統(tǒng)計學意義上講，在隨機布控條件下的查驗檢出率與實際的總體不合格率大致接近。這是隨機樣本反映總體情況的正常表現(xiàn)。即傳統(tǒng)的服務質量檢驗可以做到的不合格檢出率約為5.3%。而在使用了BP神經網絡算法后，被算法預判為不合格（即執(zhí)行抽檢）的例數(shù)為195，其中判定正確為18例，不合格檢出率為9.23%，接近隨機抽檢下不合格檢出率的2倍?？傮w的分類正確率達到76.8%。

4 結 語

本文將BP神經網絡應用于對呼叫中心的質量檢驗工作中，對客服代表輸出的話務服務發(fā)生不合格的潛在風險進行預測，從而有針對性地進行抽檢布控。這樣，一方面有效地克服了隨機抽檢的盲目性和低效率，在有限的人力物力條件下，大幅提高抽查檢出率，實現(xiàn)資源效能的充分發(fā)揮。另一方面，風險評估指標體系的建立，對客服代表也會產生較好的導向和激勵作用，提高整個呼叫中心的績效。

參考文獻

[1] 謝峻偉，胡志宇，王云綺.數(shù)據(jù)挖掘在一個基于呼叫中心的CRM 查詢分析中的應用[J].電腦知識與技術，2011（5）：986?988.

[2] 韓立群.人工神經網絡理論[M].北京：化學工業(yè)出版社，2002.

[3] 陳杰.Matlab寶典[M].北京：電子工業(yè)出版社，2007.

[4] 石劍平，姜麟，徐潤林.Matlab數(shù)據(jù)庫工具箱在數(shù)學建模中的應用[J].信息系統(tǒng)工程，2010（9）：82?83.

[5] 卓金武.Matlab在數(shù)學建模中的應用[M].北京：北京航空航天大學出版社，2010.

[6] MISIC J. Call level QoS performance under variable user mobilities in wireless networksl [J]. Mobile Networks and Applications， 2004 （9）： 207?218.

[7] GROSS D， HARRIS C M. Fundamentals of queueing theory [M]. New York： John Wiley & Sons， 1985.

[8] 李春蔚，龔文龍，楊紅.網絡信息服務客戶滿意度的模糊綜合評判[J].西北民族大學學報，2004（4）：35?38.

[9] 楊綸標，高英儀.模糊數(shù)學原理及應用[M].廣州：華南理工大學出版社，2003.

[10] 劉慧，劉文定，曹永斌.Matlab與數(shù)據(jù)庫技術在CIQ貨物風險評價系統(tǒng)中的應用[J].工業(yè)控制計算機，2011（11）：54?55.

將模糊神經網絡技術應用于呼叫中心服務質量風險評估，可以根據(jù)歷史數(shù)據(jù)和專家經驗建立完全量化的風險評判模型，對每一條通話記錄進行實時的風險分析，實現(xiàn)“即決式”的抽檢布控；并且能夠實時反饋最新的數(shù)據(jù)得以不斷完善抽檢規(guī)則。通過這個系統(tǒng)，在抽檢機制中引入結果反饋因素，形成“輸入?抽檢?反饋”的閉環(huán)，利用神經網絡強大的學習能力，從結果反饋的樣例中學習，獲取“知識和經驗”，從而解決當前專家系統(tǒng)的“瓶頸問題”。同時由于信息在網絡中是分布表示的，因而它對帶有噪聲或缺損的輸入信息有很強的適應能力。據(jù)此，我們可以優(yōu)劣互補，構建采用以專家系統(tǒng)為主，以神經網絡為輔的神經網絡專家系統(tǒng)。

3 實證研究

3.1 風險評估的系統(tǒng)流程

對服務質量進行風險評估分為如下幾個基本步驟：

（1） 建立服務質量的風險指標因子體系。鑒于搜集指標體系時，專家評估會帶有一定的主觀性和指標因子也會具有難以統(tǒng)計性，提出利用Delphi法，即專家調查問卷法來建立服務質量的風險指標體系。通過兩輪的調查問卷和數(shù)據(jù)分析，最終選取了客服中心區(qū)域、客服人員上崗時間、通話時段、通話時長、業(yè)務受理類型這5個影響因素作為風險因子，形成完整的風險指標體系。

（2） 建立風險等級檢索表。在獲得風險指標體系之后去采集歷史數(shù)據(jù)，并對數(shù)據(jù)進行預處理。這里要對每一個風險因子在過去發(fā)生的不合格次數(shù)和頻率進行細致的分析，據(jù)此建立初始風險等級檢索表。對于未來需要進行風險評估的每一條通話記錄來說，都能過通過上述風險等級檢索表得到對應的風險等級向量。這里利用Access數(shù)據(jù)庫[3]技術設計實現(xiàn)了風險等級檢索功能。

初始的檢索數(shù)據(jù)表不是固定的，而是動態(tài)更新的。這體現(xiàn)了神經網絡系統(tǒng)自學習、自反饋、自調整的特點。理論上每一次通話記錄的抽檢結果的錄入保存都要觸發(fā)一次動態(tài)更新。

（3） 風險因子的模糊歸一化。利用神經網絡對服務質量進行建模分析，涉及神經網絡的輸入端的數(shù)值化，而影響服務質量風險的因子大多數(shù)都是由模糊語言變量來描述的，因此，需要通過設計模糊控制器對其進行模糊歸一化，將各個因子的風險等級數(shù)值化到[0，1]區(qū)間。

（4） 進行神經網絡的建模。主要包括確定網絡結構以及對神經網絡的訓練，訓練樣本為采集的歷史數(shù)據(jù)，利用神經網絡自動變更權值、閾值以達到期望輸出。神經網絡的實際輸出，可看作為評價結果，也就是風險分類的結果；也可得到數(shù)值化的風險值。

（5） 根據(jù)神經網絡預測出的分類結果，風險“合格”與風險“不合格”，對應抽檢的布控指令為“不查”與“查”的關系，可將評估結果作為呼叫中心服務質量抽檢策略制定的輔助支持。

3.2 BP神經網絡在服務質量風險評估中的應用實踐

本文的研究借助Matlab系統(tǒng)工具箱[4]對BP神經網絡進行仿真分析。

應用BP神經網絡進行風險評估的關鍵步驟包括：建立風險評估系統(tǒng)模型，選定網絡結構，設置網絡參數(shù)并且導入樣本數(shù)據(jù)；神經網絡訓練，不斷更新其權值和閾值，使之達到期望輸出；固定滿足要求的網絡結構以及參數(shù)，導入測試數(shù)據(jù)進行網絡測試，進行預測分類。

（1） 確定網絡結構。神經網絡輸入為風險指標體系，指標體系包含了5個因子，由此可確定出網絡的輸入層節(jié)點數(shù)為5維， 因為神經網絡的輸出為評價結果，“合格”與“不合格”，可由兩個向量表示（0，1）與（1，0），因此確定兩個輸出層節(jié)點數(shù)為2 維。

（2） 隱含層節(jié)點數(shù)。BP神經網絡的隱含層節(jié)點數(shù)目對BP神經網絡的預測精度有較大影響：節(jié)點數(shù)目太少，網絡不能很好地學習，需要增加訓練次數(shù)，訓練的精度也受影響；節(jié)點數(shù)太多，訓練時間增加，網絡容易過擬合。這里采用公式法和試湊相結合的方法確定最佳隱含層節(jié)點數(shù)為20。最終可確定網絡結構為5?20?2。

（3） 訓練參數(shù)的選擇。初始權值和閾值的選擇：為了使網絡能夠很快收斂，避免陷入局部極小值，在網絡初始化時，通常選擇初始權重和閾值[-1，1）。

傳遞函數(shù)的選擇：本文中，采用均方誤差的對比的方法，在其他參數(shù)固定不變的情況下，分別對不同傳遞函數(shù)的網絡進行訓練，得出其均方誤差和誤差百分比，然后進行誤差對比，選擇誤差最小的傳遞函數(shù)。最終選取隱含層的傳遞函數(shù)為purelin函數(shù)，輸出層的傳遞函數(shù)為tansig函數(shù)[5]。

訓練函數(shù)的選擇：與傳遞函數(shù)的選擇過程相似，通過對比不同訓練函數(shù)的誤差性能來找到收斂最快的函數(shù)。最終選擇trainlm函數(shù)作為訓練函數(shù)。在上述確定好神經網絡結構和參數(shù)之后，在某地運營商呼叫中心選取了2013年1月被抽檢的1 000條通話記錄及評價結果作為訓練數(shù)據(jù)，對網絡進行訓練，其中包含932條評價結果為“合格”的數(shù)據(jù)，68條評價結果為“不合格”的數(shù)據(jù)，不合格率為6.8%。網絡訓練的誤差曲線如圖2所示。另外選取了該公司2013年2月被抽檢的1 000條通話記錄作為測試數(shù)據(jù)，利用前面已經訓練并保存好的BP神經網絡進行風險預測和分類，最終得到表1所示測試結果。

3.3 數(shù)據(jù)分析與結果評價

從表1可以看出，測試數(shù)組的1 000條通話記錄中實際被判定為不合格的例數(shù)為53例；按照目前呼叫中心的質量檢驗工作是以隨機抽查作為基本方法，因此從統(tǒng)計學意義上講，在隨機布控條件下的查驗檢出率與實際的總體不合格率大致接近。這是隨機樣本反映總體情況的正常表現(xiàn)。即傳統(tǒng)的服務質量檢驗可以做到的不合格檢出率約為5.3%。而在使用了BP神經網絡算法后，被算法預判為不合格（即執(zhí)行抽檢）的例數(shù)為195，其中判定正確為18例，不合格檢出率為9.23%，接近隨機抽檢下不合格檢出率的2倍。總體的分類正確率達到76.8%。

4 結 語

本文將BP神經網絡應用于對呼叫中心的質量檢驗工作中，對客服代表輸出的話務服務發(fā)生不合格的潛在風險進行預測，從而有針對性地進行抽檢布控。這樣，一方面有效地克服了隨機抽檢的盲目性和低效率，在有限的人力物力條件下，大幅提高抽查檢出率，實現(xiàn)資源效能的充分發(fā)揮。另一方面，風險評估指標體系的建立，對客服代表也會產生較好的導向和激勵作用，提高整個呼叫中心的績效。

參考文獻

[1] 謝峻偉，胡志宇，王云綺.數(shù)據(jù)挖掘在一個基于呼叫中心的CRM 查詢分析中的應用[J].電腦知識與技術，2011（5）：986?988.

[2] 韓立群.人工神經網絡理論[M].北京：化學工業(yè)出版社，2002.

[3] 陳杰.Matlab寶典[M].北京：電子工業(yè)出版社，2007.

[4] 石劍平，姜麟，徐潤林.Matlab數(shù)據(jù)庫工具箱在數(shù)學建模中的應用[J].信息系統(tǒng)工程，2010（9）：82?83.

[5] 卓金武.Matlab在數(shù)學建模中的應用[M].北京：北京航空航天大學出版社，2010.

[6] MISIC J. Call level QoS performance under variable user mobilities in wireless networksl [J]. Mobile Networks and Applications， 2004 （9）： 207?218.

[7] GROSS D， HARRIS C M. Fundamentals of queueing theory [M]. New York： John Wiley & Sons， 1985.

[8] 李春蔚，龔文龍，楊紅.網絡信息服務客戶滿意度的模糊綜合評判[J].西北民族大學學報，2004（4）：35?38.

[9] 楊綸標，高英儀.模糊數(shù)學原理及應用[M].廣州：華南理工大學出版社，2003.

[10] 劉慧，劉文定，曹永斌.Matlab與數(shù)據(jù)庫技術在CIQ貨物風險評價系統(tǒng)中的應用[J].工業(yè)控制計算機，2011（11）：54?55.