基于数据分析的业务分配方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于数据分析的业务分配方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.业务处理能力关乎着公司的业务安排、发展计划等重大规划，因此，越来越多的公司对员工的业务处理能力进行分析，并根据分析结果为公司业务的发展做出相关安排与规划。例如，银行可对每一个行员的业务处理量、业务处理类型等数据进行分析，得到行员的业务能力，进而根据行员的业务能力实现对未来业务的合理化安排。
3.目前大多数对于业务处理能力的分析，仅局限于公司整体或员工层面的分析，即分析整个公司业务处理的业绩或某个员工对业务进行处理的业绩。但该方法中，只能实现从业务处理量的角度对公司或员工进行业务的分配与规划，没有考虑到员工对不同业务的处理能力不同，忽略了业务层次的个性化特点，导致按照分析结果对员工进行业务分配的不精确性，无法实现最优的业务分配。


技术实现要素：

4.本发明提供一种基于数据分析的业务分配方法、装置及计算机可读存储介质，其主要目的在于解决进行业务分配的精确度较低的问题。
5.为实现上述目的，本发明提供的一种基于数据分析的业务分配方法，包括：
6.获取预设员工在多个不同时间区间的业务处理记录，按照时间先后顺序统计所述多个不同时间区间中的业务处理量；
7.根据所述业务处理量计算所述预设员工的业务处理增速；
8.获取客户对所述预设员工的业务评价数据，对所述业务评价数据中每个数据进行向量转换，得到数据向量；
9.利用预设的深度学习模型提取每个所述数据向量的向量特征；
10.分别计算每个所述向量特征与预设业务的标签中每个标签之间的距离值，并根据所述距离值计算所述预设员工对每一种预设业务的能力值；
11.根据预设业务量基数和所述业务处理增速计算所述预设员工的预期业务处理量，并根据所述能力值和所述预期业务处理量对所述预设员工进行业务分配。
12.可选地，所述按照时间先后顺序统计所述多个不同时间区间中的业务处理量，包括：
13.获取预设的时间字段数据格式，和业务名称数据格式；
14.识别所述业务处理记录的数据类型，利用与所述数据类型相对应的编译器，将预设字符按照所述业务名称数据格式编译为第一规则表达式，将预设字符按照所述时间字段数据格式编译为第二规则表达式；
15.利用所述第一规则表达式提取所述业务处理记录中的业务名称，利用所述第二规
则表达式提取所述业务处理记录中每个预设业务的处理时间；
16.按照所述处理时间的先后顺序将所述业务处理记录中每个预设业务的业务名称汇集至所述多个不同时间区间中，并统计每个时间区间内的业务名称数量，得到每个时间区间的业务处理量。
17.可选地，所述根据所述业务处理量计算所述预设员工的业务处理增速，包括：
18.将每一次的多个不同时间区间和每个时间区间的业务处理量映射至预先构建的坐标系中，得到所述预设员工在每个时间区间中的业务处理量坐标；
19.利用预设的初始函数计算每个所述业务处理量坐标的拟合坐标；
20.计算所述拟合坐标与所述业务处理量坐标之间的差异值；
21.判断所述差异值是否小于预设差异阈值；
22.当所述差异值大于或等于所述预设差异阈值，则根据所述差异值对所述初始函数的参数进行调整，并返回计算所述拟合坐标与所述业务处理量坐标之间的差异值的步骤；
23.当所述差异值小于所述预设差异阈值，则确定此时的初始函数为拟合函数，求解所述拟合函数的切线斜率为所述业务处理增速。
24.可选地，所述对所述业务评价数据中每个数据进行向量转换，得到数据向量，包括：
25.从所述业务评价数据中逐个选取其中一个数据，按照被选取的数据在所述业务评价数据中的位置信息对所述被选取的数据进行编码，得到位置编码；
26.将所述被选取的数据转换为初始向量，并将所述位置编码写入所述初始向量，得到被选取的数据对应的数据向量。
27.可选地，所述利用预设的深度神经网络提取每个所述数据向量的向量特征，包括：
28.获取预设的深度神经网络，所述深度神经网络包括输入层、隐藏层和输出层；
29.从所述数据向量中逐个选取其中一个向量为目标向量，利用所述深度神经网络的输入层对所述目标向量进行特征描述，得到输入特征；
30.利用所述深度神经网络的隐藏层对所述输入特征进行特征筛选，得到筛选特征；
31.利用所述深度神经网络的输出层计算所述筛选特征的特征等级，选取所述特征等级最大的特征为所述目标向量的向量特征。
32.可选地，所述分别计算每个向量特征与多个预设业务的标签之间的距离值，包括：
33.利用如下距离值算法分别计算每个向量特征与多个预设业务的标签之间的距离值：
[0034][0035]
其中，a
n
为第n个数据向量的向量特征，b
m
为第m个预设业务的标签，l
n,m
为第n个数据向量的向量特征与第m个预设业务的标签之间的距离值。
[0036]
可选地，所述根据所述能力值和所述预期业务处理量对所述预设员工进行业务分配，包括：
[0037]
从所述能力值中逐个选取其中一个能力值为目标能力值；
[0038]
计算所述目标能力值在所有预设业务的能力值中的占比权重；
[0039]
将所述占比权重和所述预期业务处理量进行乘积运算，得到所述目标能力值对应的预设业务的业务量；
[0040]
按照每个预设业务的能力值对应的业务量对所述预设员工进行业务分配。
[0041]
为了解决上述问题，本发明还提供一种基于数据分析的业务分配装置，所述装置包括：
[0042]
增速计算模块，用于获取预设员工在多个不同时间区间的业务处理记录，按照时间先后顺序统计所述多个不同时间区间中的业务处理量，根据所述业务处理量计算所述预设员工的业务处理增速；
[0043]
向量转换模块，用于获取客户对所述预设员工的业务评价数据，对所述业务评价数据中每个数据进行向量转换，得到数据向量；
[0044]
特征提取模块，用于利用预设的深度学习模型提取每个所述数据向量的向量特征；
[0045]
能力值计算模块，用于分别计算每个所述向量特征与预设业务的标签中每个标签之间的距离值，并根据所述距离值计算所述预设员工对每一种预设业务的能力值；
[0046]
业务分配模块，用于根据预设业务量基数和所述业务处理增速计算所述预设员工的预期业务处理量，并根据所述能力值和所述预期业务处理量对所述预设员工进行业务分配。
[0047]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0048]
至少一个处理器；以及，
[0049]
与所述至少一个处理器通信连接的存储器；其中，
[0050]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于数据分析的业务分配方法。
[0051]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于数据分析的业务分配方法。
[0052]
本发明实施例能够通过对预设员工在历史不同时间区间的业务处理量进行分析，得到该预设员工的业务处理增速；并对客户对该预设员工的业务评价数据进行分析，以确定改预设员工对不同预设业务进行处理的能力值，进而根据业务处理增速及能力值对该预设员工实现业务的精确分配。因此本发明提出的基于数据分析的业务分配方法、装置、电子设备及计算机可读存储介质，可以解决进行业务分配的精确度较低的问题。
附图说明
[0053]
图1为本发明一实施例提供的基于数据分析的业务分配方法的流程示意图；
[0054]
图2为本发明一实施例提供的计算业务处理增速的流程示意图；
[0055]
图3为本发明一实施例提供的提取数据向量的向量特征的流程示意图；
[0056]
图4为本发明一实施例提供的基于数据分析的业务分配装置的功能模块图；
[0057]
图5为本发明一实施例提供的实现所述基于数据分析的业务分配方法的电子设备的结构示意图。
[0058]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0059]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0060]
本技术实施例提供一种基于数据分析的业务分配方法。所述基于数据分析的业务分配方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于数据分析的业务分配方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0061]
参照图1所示，为本发明一实施例提供的基于数据分析的业务分配方法的流程示意图。在本实施例中，所述基于数据分析的业务分配方法包括：
[0062]
s1、获取预设员工在多个不同时间区间的业务处理记录，按照时间先后顺序统计所述多个不同时间区间中的业务处理量。
[0063]
本发明实施例中，所述业务处理记录包括所述预设员工在历史中多个不同时间区间对各项业务进行处理产生的记录，所述记录包括但不限于处理人、处理时间、业务名称、业务内容等记录。
[0064]
例如，所述预设员工在2020年的12个月内每个月份中对业务进行处理时产生的记录。
[0065]
详细地，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的数据存储区域抓取预先存储的业务处理记录，所述数据存储区域包括但不限于数据库、区块链节点、网络缓存。
[0066]
本发明实施例中，为了利用所述业务处理记录对所述预设员工的能力进行分析，进而实现进行精细化的业务分配，可提取出所述业务处理记录中不同业务的处理时间，并按照时间的先后顺序，统计出所述多个不同时间区间中的业务处理量。
[0067]
本发明其中一个实际应用场景中，由于业务处理记录中包含着大量的数据，若直接对所述业务处理记录进行分析，会占用大量的计算资源，降低分析效率，因此，本发明实施例可对所述业务处理记录进行处理，以提取出所述业务处理记录中的多个业务，以及每个业务对应的处理时间，进而减少后续对该业务处理记录进行分析时，需要分析的数据量，提高分析效率。
[0068]
本发明实施例中，所述按照时间先后顺序统计所述多个不同时间区间中的业务处理量，包括：
[0069]
获取预设的时间字段数据格式，和业务名称数据格式；
[0070]
识别所述业务处理记录的数据类型，利用与所述数据类型相对应的编译器，将预设字符按照所述业务名称数据格式编译为第一规则表达式，将预设字符按照所述时间字段数据格式编译为第二规则表达式；
[0071]
利用所述第一规则表达式提取所述业务处理记录中的业务名称，利用所述第二规
则表达式提取所述业务处理记录中每个预设业务的处理时间；
[0072]
按照所述处理时间的先后顺序将所述业务处理记录中每个预设业务的业务名称汇集至所述多个不同时间区间中，并统计每个时间区间内的业务名称数量，得到每个时间区间的业务处理量。
[0073]
详细地，由于所述业务处理记录中，业务名称和业务处理时间的数据格式往往是由业务的供应商、代理商等预先设定，因此，数据格式一般较为固定。
[0074]
例如，以“xx小时xx分钟xx秒”的格式表示业务处理时间，进而，本发明实施例可获取由供应商、代理商提供的用于表述业务名称的业务名称数据格式，以及用于表示对业务处理时间的时间字段数据格式。
[0075]
具体地，由于获取的业务处理记录，可能以多种数据类型进行表达，因此，可利用具有数据类型检测功能的java语句识别所述业务处理记录的数据类型，进而选取与所述业务处理记录的数据类型相应的编译器将预设字符按照所述业务名称数据格式编译为第一规则表达式，按照所述时间字段数据格式编译为第二规则表达式，选取与所述业务处理记录的数据类型相应的编译器对预设字符进行编译，可提高编译得到的规则表达式的可用性，所述编译器包括但不限于visual studio编译器、dev c 编译器、code::blocks编译器。
[0076]
本发明实施例利用所述第一规则表达式和所述第二规则表达式提取所述业务处理记录中的业务名称和业务处理记录中每个业务的业务处理时间，可避免对所述业务处理记录的内容进行分析，有利于提高提取所述业务处理记录中的多个业务名称，以及每个业务处理时间的效率。
[0077]
本发明实施例中，可按照所述业务处理时间将从业务处理记录中提取出的业务名称归类之不同的时间区间，并对每个时间区间中的业务名称的数量进行统计，即可得出该时间区间内的业务处理量。
[0078]
s2、根据所述业务处理量计算所述预设员工的业务处理增速。
[0079]
本发明实施例中，所述业务处理增速是指所述预设员工在不同时间区间中可以处理的业务量的增长速度。
[0080]
详细地，由于员工在对业务进行处理时，往往会随着自身能力的增长或业务内容变动等因素，导致不同时期可以处理的业务量不相同，因此，可对所述业务处理量进行分析，将业务处理量和处理时间之间的关系以可视化函数的形式进行表达，进而分析得到所述预设员工的业务处理增速。
[0081]
本发明实施例中，参图2所示，所述根据所述业务处理量计算所述预设员工的业务处理增速，包括：
[0082]
s21、将每一次的多个不同时间区间和每个时间区间的业务处理量映射至预先构建的坐标系中，得到所述预设员工在每个时间区间中的业务处理量坐标；
[0083]
s22、利用预设的初始函数计算每个所述业务处理量坐标的拟合坐标；
[0084]
s23、计算所述拟合坐标与所述业务处理量坐标之间的差异值；
[0085]
s24、判断所述差异值是否小于预设差异阈值；
[0086]
当所述差异值大于或等于所述预设差异阈值，则执行s25、根据所述差异值对所述初始函数的参数进行调整，并返回s23；
[0087]
当所述差异值小于所述预设差异阈值，执行s26、确定此时的初始函数为拟合函数，求解所述拟合函数的切线斜率为所述业务处理增速。
[0088]
详细地，可将所述多个不同时间区间作为自变量，将所述每个时间区间的业务处理量作为因变量映射至预先构建的坐标系中，例如，每个时间区间为t，每个时间区间的业务处理量为m，则可将每个时间区间，以及时间区间内的业务处理量映射至预先构建的坐标系中得到业务处理量坐标(t,m)。
[0089]
示例性地，所述预设的初始函数可以为y＝f(x,a)，其中，y为所述坐标系中因变量(每个时间区间的业务处理量)的值，x为所述坐标系中自变量(多个不同时间区间)的值，a为预设的待调整参数。
[0090]
具体地，可将所有业务处理量坐标的横坐标或纵坐标代入所述初始函数，以利用所述初始函数计算得到每个业务处理量坐标对应的拟合坐标，进而根据所述业务处理量坐标和所述拟合坐标计算得到坐标之间的差异值。
[0091]
本发明实施例中，所述计算所述拟合坐标与所述业务处理量坐标之间的差异值，包括：
[0092]
利用如下差异算法计算所述拟合坐标与所述业务处理量坐标之间的差异值：
[0093][0094]
其中，d为所述差异值，n为所述业务处理量坐标的数量，a
i
为第i个业务处理量坐标的横坐标，b
i
为第i个拟合坐标的横坐标，c
i
为第i个业务处理量坐标的纵坐标，d
i
为第i个拟合坐标的纵坐标。
[0095]
当所述差异值大于或等于预设差异阈值时，可确认该初始函数对所述业务处理量坐标的拟合效果较差，可利用预设的优化函数(如foundation toolbox函数、quick fit函数等)根据所述差异值对初始函数的参数进行调整，并返回利用预设的初始函数计算每个所述业务处理量坐标的拟合坐标，重新计算差异值，直至所述差异值小于所述预设差异阈值，确定此时的初始函数为拟合函数。
[0096]
本发明实施例中，可对所述拟合函数进行求导，以获取所述拟合函数的斜率，并将该斜率作为所述业务处理增速。
[0097]
s3、获取客户对所述预设员工的业务评价数据，对所述业务评价数据中每个数据进行向量转换，得到数据向量。
[0098]
本发明实施例中，所述业务评价数据是预设的一个或多个客户对该预设员工处理的业务的评论、反馈等数据，所述获取客户对所述预设员工的业务评价数据的步骤，与s1中获取预设员工在多个不同时间区间的业务处理记录的步骤一致，在此不做赘述。
[0099]
本发明其中一个实际应用场景中，由于所述业务处理增速仅能总整体上表现出所述预设员工的业务处理量的增长速度，但无法从不同的业务角度分析该预设员工哪一些业务的增长速度是多少，进而仅依靠业务处理增速，无法实现对预设员工进行合理且精确地业务分配。
[0100]
因此，为了提高对预设员工的业务能力进行分析，并实现业务分配的精确度，可将所述业务评价数据每个数据进行向量转换，进而有利于提高后续根据所述数据向量对预设
员工的业务能力进行分析的精确度。
[0101]
本发明实施例中，所述对所述业务评价数据中每个数据进行向量转换，得到数据向量，包括：
[0102]
从所述业务评价数据中逐个选取其中一个数据，按照被选取的数据在所述业务评价数据中的位置信息对所述被选取的数据进行编码，得到位置编码；
[0103]
将所述被选取的数据转换为初始向量，并将所述位置编码写入所述初始向量，得到被选取的数据对应的数据向量。
[0104]
详细地，所述位置信息是指所述业务评价数据中每个数据的先后顺序的信息，可利用预设的positional encoding技术将所述业务评价数据中每个数据按照位置信息进行编码，得到位置编码。
[0105]
具体地，可利用预设的具有向量转换功能的向量转换模型将所述被选取的数据转换为初始向量，所述向量转换模型包括但不限于bert模型、word2vec模型，进而将所述位置编码直接写入所述初始向量中，即可得到包含了位置信息的数据向量。
[0106]
s4、利用预设的深度学习模型提取每个所述数据向量的向量特征。
[0107]
本发明实施例中，所述深度学习模型可以为任何具有向量特征提取功能的人工智能模型，所述人工智能模型包括但不限于：nlp(natural language processing，自然语言处理)模型、hmm(hidden markov model，隐马尔科夫模型)。
[0108]
本发明实施例中，参图3所示，所述利用预设的深度神经网络提取每个所述数据向量的向量特征，包括：
[0109]
s31、获取预设的深度神经网络，所述深度神经网络包括输入层、隐藏层和输出层；
[0110]
s32、从所述数据向量中逐个选取其中一个向量为目标向量，利用所述深度神经网络的输入层对所述目标向量进行特征描述，得到输入特征；
[0111]
s33、利用所述深度神经网络的隐藏层对所述输入特征进行特征筛选，得到筛选特征；
[0112]
s34、利用所述深度神经网络的输出层计算所述筛选特征的特征等级，选取所述特征等级最大的特征为所述目标向量的向量特征。
[0113]
详细地，所述预设的深度神经网络可以包括如下网络层次：
[0114]
输入层：用于对输入的数据进行特征描述，以便于输入层后方网络层次对描述出的输入特征进行处理；
[0115]
隐藏层：用于对输入层传输来的输入特征进行降维、映射、选择性丢弃等操作，以实现对特征的筛选，其中，隐藏层可以包含多层网络层次(如、批归一化层、丢弃层、全连接层等)；
[0116]
输出层：用于对隐藏层处理得到的数据进行最终的分类输出。
[0117]
具体地，可利用所述输入层对所述数据向量进行矩阵运算，以实现对所述目标向量的特征描述，例如，将所述目标向量与预设的矩阵进行点乘、叉乘等操作，实现对所述目标向量的特征描述。
[0118]
进一步地，可利用所述深度神经网络的隐藏层对所述输入特征进行批归一化、按照预设权重进行特征丢弃等处理，以实现对所述输入特征的筛选，得到筛选特征，进而利用所述深度神经网络的输出层中的激活函数计算所述筛选特征的特征等级，所述激活函数包
括但不限于sigmoid激活函数、relu激活函数。
[0119]
本发明实施例中，可选取所述特征等级最大的特征为所述目标向量的向量特征，其中，所述向量特征包括但不限于数据表面语义、数据潜在语义。
[0120]
s5、分别计算每个所述向量特征与预设业务的标签中每个标签之间的距离值，并根据所述距离值计算所述预设员工对每一种预设业务的能力值。
[0121]
本发明实施例中，所述多个预设业务的标签是指预先生成的用于分别对不同预设业务进行标记的标签，所述标签可用于标识不同的业务的特征，因此，可分别计算每个向量特征与多个预设业务的标签之间的距离值，进而根据所述距离值判断所述业务员对每一种预设业务的能力值。
[0122]
本发明实施例中，所述分别计算每个向量特征与多个预设业务的标签之间的距离值，包括：
[0123]
利用如下距离值算法分别计算每个向量特征与多个预设业务的标签之间的距离值：
[0124][0125]
其中，a
n
为第n个数据向量的向量特征，b
m
为第m个预设业务的标签，l
n,m
为第n个数据向量的向量特征与第m个预设业务的标签之间的距离值。
[0126]
本发明实施例中，由于所述距离值越远，标识所述业务员对所述标签对应的预设业务的能力越差，因此，可利用如下公式，根据所述距离值计算得知所述业务员对每一种业务的能力值：
[0127][0128]
其中，pwe
m
为所述业务员对第m个预设业务的能力值，l
n,m
为第n个数据向量的向量特征与第m个预设业务的标签之间的距离值，n为所述数据向量的数量。
[0129]
s6、根据预设业务量基数和所述业务处理增速计算所述预设员工的预期业务处理量，并根据所述能力值和所述预期业务处理量对所述预设员工进行业务分配。
[0130]
本发明实施例中，所述预设业务量基数可预先设定，例如，将该预设员工上一个自然月内的业务处理量作为所述预设业务量基数。
[0131]
本发明实施例中，所述根据预设业务量基数和所述业务处理增速计算所述预设员工的预期业务处理量，包括：
[0132]
利用如下预期算法计算所述预设员工的预期业务处理量：
[0133]
c＝(1 α)*a
[0134]
其中，c为所述预期业务处理量，α为所述业务处理增速，a为所述预设业务量基数。
[0135]
进一步地，由于所述预期业务处理量仅可表示预设员工在下一时间区间内预期可进行处理的业务总量，但无法从业务的细粒度层面表示该预设员工对每一种不同业务的处理量，因此，为了更精确地对该预设员工进行业务分配，本发明实施例可根据所述能力值对所述预期业务量进行分析，以实现将所述预期业务量按照所述能力值分配到每个具体业务
中去，实现业务细粒度层面的业务分配。
[0136]
本发明实施例中，所述根据所述能力值和所述预期业务处理量对所述预设员工进行业务分配，包括：
[0137]
从所述能力值中逐个选取其中一个能力值为目标能力值；
[0138]
计算所述目标能力值在所有预设业务的能力值中的占比权重；
[0139]
将所述占比权重和所述预期业务处理量进行乘积运算，得到所述目标能力值对应的预设业务的业务量；
[0140]
按照每个预设业务的能力值对应的业务量对所述预设员工进行业务分配。
[0141]
例如，存在预设业务a和预设业务b，其中预设业务a的能力值为20，预设业务b的能力值为80，则通过计算可知预设业务a的能力值在所有预设业务的能力值中占比为20％，预设业务b的能力值在所有预设业务的能力值中占比为80％，当预期业务处理量为100时，可知，应将预设业务a配给所述预设员工20份，将预设业务b配给所述预设员工80份。
[0142]
本发明实施例能够通过对预设员工在历史不同时间区间的业务处理量进行分析，得到该预设员工的业务处理增速；并对客户对该预设员工的业务评价数据进行分析，以确定改预设员工对不同预设业务进行处理的能力值，进而根据业务处理增速及能力值对该预设员工实现业务的精确分配。因此本发明提出的基于数据分析的业务分配方法，可以解决进行业务分配的精确度较低的问题。
[0143]
如图4所示，是本发明一实施例提供的基于数据分析的业务分配装置的功能模块图。
[0144]
本发明所述基于数据分析的业务分配装置100可以安装于电子设备中。根据实现的功能，所述基于数据分析的业务分配装置100可以包括增速计算模块101、向量转换模块102、特征提取模块103、能力值计算模块104及业务分配模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0145]
在本实施例中，关于各模块/单元的功能如下：
[0146]
所述增速计算模块101，用于获取预设员工在多个不同时间区间的业务处理记录，按照时间先后顺序统计所述多个不同时间区间中的业务处理量，根据所述业务处理量计算所述预设员工的业务处理增速；
[0147]
所述向量转换模块102，用于获取客户对所述预设员工的业务评价数据，对所述业务评价数据中每个数据进行向量转换，得到数据向量；
[0148]
所述特征提取模块103，用于利用预设的深度学习模型提取每个所述数据向量的向量特征；
[0149]
所述能力值计算模块104，用于分别计算每个所述向量特征与预设业务的标签中每个标签之间的距离值，并根据所述距离值计算所述预设员工对每一种预设业务的能力值；
[0150]
所述业务分配模块105，用于根据预设业务量基数和所述业务处理增速计算所述预设员工的预期业务处理量，并根据所述能力值和所述预期业务处理量对所述预设员工进行业务分配。
[0151]
详细地，本发明实施例中所述基于数据分析的业务分配装置100中所述的各模块
在使用时采用与上述图1至图3中所述的基于数据分析的业务分配方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0152]
如图5所示，是本发明一实施例提供的实现基于数据分析的业务分配方法的电子设备的结构示意图。
[0153]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于数据分析的业务分配程序。
[0154]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于数据分析的业务分配程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0155]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于数据分析的业务分配程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0156]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0157]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0158]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0159]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，
优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
[0160]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0161]
所述电子设备1中的所述存储器11存储的基于数据分析的业务分配程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0162]
获取预设员工在多个不同时间区间的业务处理记录，按照时间先后顺序统计所述多个不同时间区间中的业务处理量；
[0163]
根据所述业务处理量计算所述预设员工的业务处理增速；
[0164]
获取客户对所述预设员工的业务评价数据，对所述业务评价数据中每个数据进行向量转换，得到数据向量；
[0165]
利用预设的深度学习模型提取每个所述数据向量的向量特征；
[0166]
分别计算每个所述向量特征与预设业务的标签中每个标签之间的距离值，并根据所述距离值计算所述预设员工对每一种预设业务的能力值；
[0167]
根据预设业务量基数和所述业务处理增速计算所述预设员工的预期业务处理量，并根据所述能力值和所述预期业务处理量对所述预设员工进行业务分配。
[0168]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0169]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
[0170]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0171]
获取预设员工在多个不同时间区间的业务处理记录，按照时间先后顺序统计所述多个不同时间区间中的业务处理量；
[0172]
根据所述业务处理量计算所述预设员工的业务处理增速；
[0173]
获取客户对所述预设员工的业务评价数据，对所述业务评价数据中每个数据进行向量转换，得到数据向量；
[0174]
利用预设的深度学习模型提取每个所述数据向量的向量特征；
[0175]
分别计算每个所述向量特征与预设业务的标签中每个标签之间的距离值，并根据所述距离值计算所述预设员工对每一种预设业务的能力值；
[0176]
根据预设业务量基数和所述业务处理增速计算所述预设员工的预期业务处理量，并根据所述能力值和所述预期业务处理量对所述预设员工进行业务分配。
[0177]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的
划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0178]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0179]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0180]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0181]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0182]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0183]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0184]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0185]
最后应说明的是，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等同替换，而不脱离本发明技术方案的精神和范围。