智能云呼叫中心管理系統設計與實現

崔巖 林春杰 賈世杰

摘 ?要：隨著新一代IT技術的飛速發展，相對于傳統的呼叫中心技術，云呼叫中心能夠為企業提供更好的呼叫中心解決方案。文章設計實現了一個智能云呼叫中心，該呼叫中心基于云計算架構，使用神經網絡技術實現客戶分類，利用粗糙集方法實現智能排班，采用多重分形方法預測呼叫中心話務量，旨在為實現智能化呼叫中心的技術發展提供參考。

關鍵詞：呼叫中心;云計算;粗糙集;神經網絡;多重分形

中圖分類號：TP391 ? ? 文獻標識碼：A文章編號：2096-4706（2021）14-0008-05

Abstract： With the rapid development of the new generation of IT technology， compared with the traditional call center technology， cloud call center can provide enterprises with better call center solutions. This paper designs and implements an intelligent cloud call center. The call center is based on cloud computing architecture， uses neural network technology to realize customer classification， uses rough set method to realize intelligent scheduling， and uses multifractal method to predict call center traffic， in order to provide reference for the technical development of intelligent call center.

Keywords： call center; cloud computing; rough set; neural network; multifractal

0 ?引 ?言

隨著數字經濟的興起和快速發展，云計算、大數據、物聯網、人工智能等技術已經成為未來IT技術發展的新引擎。云計算已經成為IT技術的基礎設施，各個行業紛紛利用云計算提高企業效率、降低成本、提升創新能力，對實現產業升級發揮重要作用。

呼叫中心利用計算機通信技術，處理來自企業或者用戶的電話咨詢、投訴、售后等服務，具備處理大量話務量的能力，可以自動地將任務分配坐席。系統能夠記錄來電信息、建立客戶檔案，是企業提高服務能力的一個必要手段。隨著云計算技術的發展和普及，云呼叫中心應運而生，相較于傳統的自建呼叫中心，云呼叫中心有以下的優點：

（1）成本低。服務器和相關硬件架設在云端，無須負擔數據中心的管理和維護成本，可以按量付費，部署方便，可根據業務量動態擴展服務，尤其適合起步階段的中小型企業。

（2）可伸縮。企業可以根據自身的業務量和員工人數靈活開通云終端，軟硬件系統的升級和維護交給云服務供應商，可以有效降低企業運營成本。

（3）靈活性高。傳統的呼叫中心，員工需要在固定的機位前辦公，靈活性差，使用云平臺可以不受辦公地點的約束，隨時隨地都能夠提供呼叫服務。

云呼叫中心架設在云端，借助云計算平臺強大的大數據分析和處理能力，云呼叫中心愈發成為眾多中小型企業的首選。基于此設計開發基于云計算架構的智能呼叫中心管理系統，使用基于粗糙集的神經網絡方法進行客戶分類，利用粗糙集方法進行智能排班管理，通過多重分形技術實現了話務量預測，最后給出了智能云呼叫中心整體框架設計。

1 ?關鍵技術

1.1 ?云計算架構

PaaS（平臺即服務）是云計算的一種服務模式，為用戶提供軟件部署和運維平臺，用戶只需專注于應用開發，容易實現高可用、高伸縮性的系統。文章設計了基于PaaS的呼叫中心系統，架構圖如圖1所示。

云呼叫中心的核心是PaaS層，提供平臺服務和業務服務，包括云呼叫中心平臺服務和云呼叫中心業務服務：

（1）云呼叫中心平臺服務。包括訪問控制、呼叫服務、負載均衡和服務總線。服務總線集成系統中不同的組件，如工作流、第三方接口和通訊組件等。

（2）云呼叫中心業務服務。包括云平臺業務所需服務，系統基于SOA架構，以Webservice方式對外提供服務。

1.2 ?客戶分類

用戶分類是平臺能夠吸引客戶、挖掘客戶和提供個性化服務的前提。提出的方法首先是根據歷史客戶信息，利用變精度粗糙集對信息系統進行屬性約簡，簡化客戶相關信息，然后利用BP算法訓練網絡，得到BP神經網絡分類器，利用BP神經網絡分類器對新客戶信息進行分類得到客戶類別，圖2給出了變精度粗糙集結合神經網絡分類的框架。

該方法使用變精度粗糙集進行特征選擇，約簡屬性集，然后訓練BP神經網絡構造分類器。考慮到實際應用中客戶信息普遍存在缺值現象，導致構造的信息表為不完備，因此使用基于相容關系的變精度粗糙集分布約簡算法來約簡屬性集，其中參數β的選擇是決定約簡效果的一個重要因素。在完備的信息系統中，β的取值范圍在一些固定區間上，使得上、下分布約簡結果保持穩定，基于此給出了不完備信息系統下β值穩定區間的估計方法。

下面給出了計算上、下分布約簡穩定區間的算法。

算法1 計算β參數臨界點集算法

輸入：不完備決策表S=（U，C∪D）

輸出：上、下分布約簡臨界點及集BβP，BβP

步驟1：計算決策表S的所有相容類{SP（x1），SP（x2），…，

SP（x|U|）}。

步驟2：對論域U中每一個對象x，對SP（x）中的每一個決策值di，

計算SP（x）中帶有決策值di的對象所占比重Ci。

如果1>C≥0.5，BβP←BβPUC，否則BβP←BβPUC。

步驟3：分別對BβP和BβP的元素排序，并輸出上、下分布約簡臨界點集。

BP網訓練過程主要包括兩個階段：輸入樣本，計算神經網絡各層輸出和網絡誤差;反向傳播誤差變化，修正各層權值。通過不斷地計算實際輸出和期望輸出之間的誤差，調整網絡權重數據，直到實際誤差小于期望誤差，下面給出BP算法。

算法2 BP網絡訓練算法

輸入：訓練樣本集合P

輸出：網絡的權矩陣V、W

步驟1：初始化權矩陣V和W，樣本計數p←1，訓練次數q←1，誤差E←0，初始化訓練精度Emin。

步驟2：將第p個樣本輸入到網絡中，計算各層的輸出。

步驟3：計算輸出和預期輸出值的誤差E。

步驟4：根據各層的誤差信號修正各層權值。

步驟5：若p

步驟6：若E

1.3 ?智能排班

呼叫中心可以自動應答客戶的電話，將客戶電話分發給坐席。將客戶分配給合適的坐席，能夠有效提高服務效率以及提升客戶的滿意度。坐席作為呼叫中心的核心資源，如何有效地動態對坐席進行排隊，是提高呼叫中心服務效率的一個重要手段。設計基于屬性加權的代價敏感粗糙集分類方法，建立與客戶級別、客戶歷史記錄、坐席業務量相關的動態排隊策略，以提高服務質量。

首先根據專家經驗建立代價矩陣，從客戶信息表中提取測試代價和誤分類代價最小的屬性集，在此基礎上給出最小總代價分類規則集，根據當前呼入用戶的信息、當前空閑坐席信息和規則集，對當前坐席進行排隊，做到讓最適合的坐席為呼入客戶提供優質服務。算法過程如圖3所示。

下面給出了代價敏感粗糙集分類規則生成算法。

算法3 代價敏感粗糙集分類規則生成算法

輸入：決策表S=（U，C∪D），代價矩陣λ，測試代價函數T（x）

輸出：分類規則集R

步驟1：計算。

步驟2：計算Cost=Miscost（x，B）+Testcost（x，B）。

步驟3：當C-B≠?時反復執行以下操作：

（1）對于每一個a∈C-B，計算=Miscost（x，B∪{a}）+Testcost（x，B∪{a}），找到分類總代價最高的屬性a'，令S=Cost-。

（2）若s≤0，則執行步驟4。

（3）B=B∪{a'}，Cost=。

步驟4：計算得到所有最小代價分類結果。

步驟5：根據ξ（[x]B）導出規則集R。

1.4 ?話務量預測

有效地預測呼叫中心的話務量，是呼叫中心優化坐席配置的前提。呼叫中心每天的話務量可以看成時間序列數據，該數據具有一定的隨機性，即話務量時間序列帶有混沌形式。多重分形是對分形理論的進一步研究，能夠較方便地得到非平穩時間序列標度指數和多重分形譜，可以有效地分析時間序列的多重分形特征，它為話務量時間序列分析和預測提供了一條有效的解決途徑。本文設計了通過多重分形去趨勢波動分析算法預測話務量的變化趨勢，用以優化坐席排班，提高了工作效率。

算法4：多重分形去趨勢波動分析算法

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

步驟2：把和序列分解成2NS = 2int 個不重疊的長度為s的片段。

步驟3：對每一個片段計算去趨勢值，yv（i）時第v個區間的擬合多項式。

當1≥v≥Ns時，

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

當Ns>v≥2Ns時，

F2（v，s）={Y[N（v - NS）s+i]-yv（ i ）}2

步驟4：對所有片段上取q階平均得到波動函數。

q=0時，有。

步驟5：分析Fq（s）與s雙對數函數，確定波動函數的標度性，Fq（s）～sh（q），根據勒讓德變換：α=h（q）+qh'（q），f（α）=q[α-h（q）]+1，計算f（α）-α。

對于具有多重分形特性的時間序列，其曲線是一個鐘形，其中Δα（Δα=αmax-αmin）為曲線下開口的寬度，表示局部多重分形特性的分布范圍，Δf（Δf = f（αmin）-f（αmax））為系統多重分形維數的分布范圍，包括αmin和αmax在內的這些特性共同描述了該時間序列所代表系統的多重分形特性，這些特征也反映了時間序列未來的變化趨勢，從而為坐席排班提供依據。

2 ?云計算架構下呼叫中心管理系統設計

呼叫中心管理系統采用結構化系統開發方法，首先，采用“自頂向下，逐層分解”的開發策略，然后通過結構化的設計方法，將云呼叫中心分為呼叫中心基礎平臺、呼叫中心坐席功能、呼叫中心業務管理和知識服務四個內部子系統，功能模塊圖如圖4所示。

其中，呼叫中心基礎平臺主要包括：撥號計劃、預撥號管理、撥號結果、速撥號碼、錄音記錄、線路管理以及通話統計、系統參數、數據導入、工作時間、分組管理、隊列狀態、坐席狀態監控能功能;呼叫中心坐席功能主要包括：通話記錄、待撥號碼、日程管理、公告管理、排隊管理、排班管理、用戶管理、角色管理、用戶標識管理、用戶在線統計等功能;呼叫中心業務管理主要包括：客戶信息管理、客戶關懷、客服記錄、統計分析、報修管理、投訴管理、問卷管理等功能;知識服務包括：知識庫管理、類別管理、智能響應、知識檢索。系統主要功能界面如圖5、圖6、圖7、圖8所示。

3 ?系統應用

系統采用微服務架構實現，基于容器化分布式部署，核心業務服務全部部署在云服務器上。系統已通過了河南省電子產品質量監督檢驗所、河南省軟件評測中心的測試，經過用戶的使用檢驗，系統運行穩定可靠，實現了預設的各項技術指標。該系統蔬菜批發市場、糧油企業、特色農產品專賣店等農產品銷售企業投入使用，吸引了客戶、節約了交易成本、方便客戶售后服務，使企業的經濟效益大大提高。

4 ?結 ?論

呼叫中心是企業和客戶的橋梁，是企業提高服務水平的重要平臺。基于云平臺的呼叫中心系統相較于傳統呼叫中心平臺有成本低、可伸縮、靈活性高等優勢。本文設計了一個智能云呼叫中心管理系統，該系統基于粗糙集理論結合BP神經網絡進行客戶分類和座席排隊，利用混沌和分形理論預測話務量以及優化呼叫中心排班，系統基于云平臺架構，具有成本低、計算能力強、可靠性擴展性高等優點，為中小型企業建立呼叫中心系統提供一個有效的解決方案。

參考文獻：

[1] 白威，劉春宇，李建軍.云呼叫中心技術與商用模式發展研究 [J].商業經濟，2020（7）：129-131.

[2] 邢瀟.PaaS云平臺的相關研究和運用 [J].數碼世界，2019（12）：87.

[3] 陳晨，王雪娟.客戶分類的多元研究視角分析 [J].企業改革與管理，2018（8）：3+5.

[4] 劉瓊蓀，胡文彬.基于變精度粗糙集模型的屬性約簡的β值穩定區間討論 [J].數學的實踐與認識，2009，39（11）：133-137.

[5] 潘櫻丹，錢佳麗，何妍蕾，等.基于BP神經網絡的排隊時間預測算法研究 [J].溫州大學學報（自然科學版），2019，40（3）：28-35.

[6] 夏正洪，潘衛軍.呼叫中心智能排班系統關鍵技術 [J].計算機工程與設計，2015，36（5）：1332-1336.

[7] 林春杰，張瑞玲，韓曉琴.基于變精度粗糙集的不完備決策表屬性約簡 [J].計算機工程與應用，2013，49（13）：118-120+233.

[8] 沈彤，殷秀顏，楊偉鴛，等.呼叫中心話務預測評價與校正研究 [J].價值工程，2015，34（8）：320-321.

[9] LYU Y Q，GAO J M，GAO Z Y，et al. Multifractal information fusion based condition diagnosis for process complex systems [J].Proceedings of Institution of Mechanical Engineers Part E Journal of Process Mechanical Engineering，2013，227（3）：178-184.

作者簡介：崔巖（1982—），女，漢族，河南洛陽人，講師，碩士，研究方向：智能信息處理;林春杰（1981—），男，朝鮮族，吉林吉林人，講師，碩士，研究方向：數據挖掘;賈世杰（1981—），男，漢族，河南洛陽人，副教授，博士，研究方向：視頻通信、內容分發。