外呼控制方法、装置、设备、介质及程序产品与流程

本技术涉及通信，具体涉及一种外呼控制方法、装置、设备、介质及程序产品。

背景技术：

1、预测外呼是呼叫中心广泛应用的一种批量外呼方法，该方法通过获取外呼号码列表并根据执行外呼任务的坐席数量和相关预测算法，计算出需要批量外呼的用户数量。一旦用户接通电话，会迅速为用户分配坐席进行沟通，这种外呼方式能够有效地过滤无效号码，减少坐席拨号和等待的时间，避免因用户关机或拒接导致坐席无效拨号和等待的时间，提高了坐席的工作效率和服务质量，有助于业务快速高效地开展。

2、目前的预测外呼算法主要包括经验式预测外呼算法、基于动态统计的预测外呼算法和基于机器学习的预测式外呼方法等，均是基于对外呼业务的实时指标进行统计，并根据统计出的指标对下一个呼叫周期的外呼数进行预测，导致算法的适应能力存在局限性，难以应对多样化的业务外呼环境。然而，外呼业务对应的指标有多个，不同的指标及指标值，对应的业务场景也不同，针对不同的业务场景，需要采取不同的应对策略，这无疑会降低现有预测算法的预测准确性。

技术实现思路

1、本技术实施例提供一种外呼控制方法、装置、设备、介质及程序产品，用以解决现有的预测外呼算法针对多样化的业务场景，适应能力存在局限性，预测准确性降低的技术问题。

2、第一方面，本技术实施例提供一种外呼控制方法，包括：

3、获取当前的外呼场景数据；所述外呼场景数据包括签入坐席数、空闲坐席数、客户接通率和振铃量；

4、基于外呼倍率集确定所述外呼场景数据对应的最优外呼倍率；所述外呼倍率集是基于外呼预测模型对外呼场景数据集进行扩充得到的，所述外呼场景数据集是基于外呼模拟训练得到的外呼场景数据与外呼倍率的最优组合；所述外呼预测模型是以所述外呼场景数据集作为样本进行预训练得到的；

5、根据所述最优外呼倍率计算当前的外呼数，并基于所述外呼数进行外呼。

6、在一个实施例中，所述基于外呼倍率集确定所述外呼场景数据对应的最优外呼倍率之前，还包括：

7、获取历史外呼指标数据；所述历史外呼指标数据包括历史外呼倍率、历史签入坐席数、历史客户接通率、平均通话时长、坐席平均空闲时长和历史振铃量；

8、以所述历史外呼倍率作为因变量，以所述历史签入坐席数、所述历史客户接通率、所述平均通话时长、所述坐席平均空闲时长和所述历史振铃量作为自变量，构建多元线性回归方程，以对所述历史外呼指标数据进行多元回归分析，得到各所述自变量的回归系数；所述回归系数用于表征所述自变量对所述因变量的影响程度；

9、根据所述回归系数选取最优特征变量组合；所述最优特征变量组合中的特征变量包括签入坐席数、空闲坐席数、客户接通率和振铃量；

10、基于所述最优特征变量组合进行外呼模拟训练，得到外呼场景数据集。

11、在一个实施例中，所述基于所述最优特征变量组合进行外呼模拟训练，得到外呼场景数据集，包括：

12、获取所述最优特征变量组合中各特征变量的第一取值范围和第一取值步长，根据所述第一取值步长和所述第一取值范围确定各所述特征变量的模拟值；

13、将各所述特征变量的模拟值进行排列组合，得到多个外呼场景数据组合；

14、对各所述外呼场景数据组合分别执行外呼模拟训练操作，确定各所述外呼场景数据组合对应的最优外呼倍率；

15、将所述外呼场景数据组合与所述最优外呼倍率进行组合，以构建外呼场景数据集；

16、所述外呼模拟训练操作包括：

17、获取配置的模拟训练条件；所述模拟训练条件包括用于模拟训练的外呼倍率区间、呼损率区间、坐席等待时长区间和单个所述外呼场景数据组合的模拟训练时长；

18、根据所述模拟训练条件，对目标场景数据组合进行外呼模拟训练，并获取外呼模拟训练的模拟外呼倍率、目标呼损率和坐席等待时长；所述目标场景数据组合为各所述外呼场景数据组合中的任意一个；

19、在所述目标场景数据组合的外呼模拟训练时长小于所述模拟训练条件中的模拟训练时长的情况下，若所述目标呼损率不在所述呼损率区间内，或者，所述坐席等待时长不在所述坐席等待时长区间内，基于所述外呼倍率区间和预设的折半查找算法，对所述模拟外呼倍率进行调整；

20、基于调整后的模拟外呼倍率执行所述根据所述模拟训练条件，对目标场景数据组合进行外呼模拟训练，并获取外呼模拟训练的模拟外呼倍率、目标呼损率和坐席等待时长的步骤，直到所述目标场景数据组合的模拟训练时长达到所述模拟训练条件中的模拟训练时长为止。

21、在一个实施例中，若所述目标呼损率小于所述呼损率区间的最小值，基于所述外呼倍率区间和预设的折半查找算法，按照下列公式对所述模拟外呼倍率进行调整：

22、cr1＝cr/2，且cr1∈(0,crmax)；

23、若所述目标呼损率大于所述呼损率区间的最大值，基于所述外呼倍率区间和预设的折半查找算法，按照下列公式对所述模拟外呼倍率进行调整：

24、cr1＝2*(crmax-cr)，且cr1∈(0,crmax)；

25、若所述坐席等待时长小于所述坐席等待时长区间的最小值，且所述目标呼损率在所述呼损率区间内，基于所述外呼倍率区间和预设的折半查找算法，按照下列公式对所述模拟外呼倍率进行调整：

26、cr1＝α*cr，且cr1∈(0,crmax)，0<α<1；

27、若所述坐席等待时长大于所述坐席等待时长区间的最大值，且所述目标呼损率在所述呼损率区间内，基于所述外呼倍率区间和预设的折半查找算法，按照下列公式对所述模拟外呼倍率进行调整：

28、cr1＝β*cr，且cr1∈(0,crmax)，β>1；

29、其中，cr为所述模拟外呼倍率，cr1为调整后的模拟外呼倍率，(0,crmax)为所述外呼倍率区间，crmax为所述外呼倍率区间的最大值；α、β为预设的外呼倍率调整权重。

30、在一个实施例中，所述基于所述最优特征变量组合进行外呼模拟训练，得到外呼场景数据集之后，还包括：

31、以所述外呼场景数据集中的外呼场景数据作为特征数据，以所述外呼场景数据集中的外呼倍率作为预测变量，构建样本数据集；

32、利用所述样本数据集对预设的多个基础预测模型进行迭代训练，得到各所述基础预测模型对应的目标预测模型；所述多个基础预测模型包括随机森林回归模型、梯度提升模型、极端梯度提升模型、轻量级梯度提升模型、多项式回归模型、线性回归模型、岭回归模型和弹性网络回归模型；

33、获取各所述目标预测模型的性能评价参数，根据所述性能评价参数选取性能最佳的目标预测模型作为外呼预测模型。

34、在一个实施例中，所述根据所述性能评价参数选取性能最佳的目标预测模型作为外呼预测模型之后，还包括：

35、获取所述最优特征变量组合中各特征变量的第二取值范围和第二取值步长；

36、根据所述第二取值范围和所述第二取值步长，确定各所述特征变量的扩充值；

37、对各所述特征变量的扩充值进行排列组合，得到多个扩充场景数据组合；

38、利用所述外呼预测模型预测各所述扩充场景数据组合对应的最优外呼倍率；

39、将所述扩充场景数据组合与预测的最优外呼倍率进行组合，以对所述外呼场景数据集进行扩充，得到外呼倍率集。

40、第二方面，本技术实施例提供一种外呼控制装置，包括：

41、数据采集模块，用于获取当前的外呼场景数据；所述外呼场景数据包括签入坐席数、空闲坐席数、客户接通率和振铃量；

42、倍率匹配模块，用于基于外呼倍率集确定所述外呼场景数据对应的最优外呼倍率；所述外呼倍率集是基于外呼预测模型对外呼场景数据集进行扩充得到的，所述外呼场景数据集是基于外呼模拟训练得到的外呼场景数据与外呼倍率的最优组合；所述外呼预测模型是以所述外呼场景数据集作为样本进行预训练得到的；

43、外呼控制模块，用于根据所述最优外呼倍率计算当前的外呼数，并基于所述外呼数进行外呼。

44、第三方面，本技术实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的外呼控制方法的步骤。

45、第四方面，本技术实施例提供一种非暂态的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第一方面所述的外呼控制方法的步骤。

46、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的外呼控制方法的步骤。

47、本技术实施例提供的外呼控制方法、装置、设备、介质及程序产品，通过获取当前的签入坐席数、空闲坐席数、客户接通率和振铃量等外呼场景数据，从外呼倍率集中匹配出当前外呼场景的最优外呼倍率，从而根据最优外呼倍率计算当前的外呼数进行外呼。通过外呼场景数据与最优倍率集的匹配，能够灵活应对不同的外呼业务场景，满足外呼场景多样化的需求，确保在不同的外呼场景下都能够以最优的外呼倍率进行外呼，保证了外呼预测的准确性。