工单分派方法、装置、电子设备及介质与流程

1.本公开涉及人工智能领域，更具体地涉及一种工单分派方法和装置、一种构建工单时长预测模型的方法和装置、电子设备、介质和程序产品。


背景技术：

2.客户可以通过企业等组织机构的对外服务系统，针对所使用的业务或服务办理投诉、咨询、建议、委托等工单，这些工单在创建后会被分派给企业内部对应的处理员进行答复、办结、退回或查询等，保证工单正常流转，并及时回应客户诉求。然而目前对工单分派主要依靠人工进行，例如由协管员来指定工单的处理员，这样不但需要投入大量人力，而且时效性常常难以满足，且没有针对性的工单预警系统以降低工单超期风险，容易引发客户投诉。


技术实现要素：

3.鉴于上述问题，本公开提供了可以提高工单处理时效性的工单分派方法和装置、构建工单时长预测模型的方法和装置、电子设备、介质和程序产品。
4.本公开实施例的第一方面，提供了一种工单分派方法。所述方法包括：获取第一工单的信息；获取m个第一处理员中每个第一处理员的工单处理行为数据，其中，m为大于或等于2的整数；以所述第一工单的信息和每个第一处理员的所述工单处理行为数据作为训练好的工单时长预测模型的输入，利用所述工单时长预测模型预测每个第一处理员处理所述第一工单的预计处理情况数据；其中，针对所述m个第一处理员分别预测得到m个所述预计处理情况数据；基于m个所述预计处理情况数据，从所述m个第一处理员中确定出最佳处理员；以及将所述第一工单分派给所述最佳处理员。
5.根据本公开的实施例，所述预计处理情况数据包括处理所述第一工单的预计处理时长。
6.根据本公开的实施例，所述第一工单的信息还包括所述第一工单的最大有效处理时长；以及所述预计处理情况数据还包括超期风险指数，其中，所述超期风险指数用于表征处理所述第一工单的真实处理时长超出处理所述第一工单的最大有效处理时长的概率。
7.根据本公开的实施例，所述工单时长预测模型包括机器学习模型以及所述机器学习模型的预测误差的概率分布模型。其中，所述利用所述工单时长预测模型预测每个第一处理员处理所述第一工单的预计处理情况数据包括：利用所述机器学习模型预测每个第一处理员处理所述第一工单的预计处理时长；以及利用所述概率分布模型计算每个第一处理员的所述超期风险指数。
8.根据本公开的实施例，所述工单时长预测模型是通过如下方式构建得到的：利用至少一个训练样本数据训练所述机器学习模型；其中，在所述训练样本数据中，以第二工单的信息和处理所述第二工单的第二处理员的所述工单处理行为数据作为训练输入数据，以所述第二处理员处理所述第二工单的真实处理时长作为所述机器学习模型的训练输出数
据的真值；以及在所述机器学习模型训练好后，基于所述机器学习模型的预测误差构造服从标准正态分布的统计变量，以得到所述概率分布模型；其中，所述机器学习模型的预测误差的均值被设置为零，所述机器学习模型的预测误差的方差是通过对所述机器学习模型在至少一个所述训练样本数据中的预测误差的方差估计得到的。
9.根据本公开的实施例，所述机器学习模型为回归模型。
10.根据本公开的实施例，所述基于m个所述预计处理情况数据，从所述m个第一处理员中确定出最佳处理员包括：将所述m个第一处理员中所述超期风险指数小于风险阈值且所述预计处理时长最短的第一处理员，确定为所述最佳处理员。
11.根据本公开的实施例，所述基于m个所述预计处理情况数据，从所述m个第一处理员中确定出最佳处理员包括：当所述m个第一处理员的所述超期风险指数均大于风险阈值时，将所述m个第一处理员中所述预计处理时长最短的第一处理员确定为所述最佳处理员。相应地，所述方法还包括：在将所述第一工单分派给所述最佳处理员时，向所述最佳处理员进行所述第一工单的超期预警提示。
12.根据本公开的实施例，在将所述第一工单分派给所述最佳处理员后，所述方法还包括：在所述最佳处理员当前具有r个待办工单的情况下，获取每个待办工单的信息，其中，每个待办工单的信息包括每个待办工单的最大有效处理时长，其中，r为大于或等于2的整数；以每个待办工单的信息和所述最佳处理员的所述工单处理行为数据作为所述工单时长预测模型的输入，获取所述工单时长预测模型输出的所述最佳处理员处理每个待办工单的所述超期风险指数；以及按照每个待办工单的所述超期风险指数的大小，确定所述r个待办工单的优先级。
13.根据本公开的实施例，获取所述第一工单的最大有效处理时长包括：将所述第一工单的信息输入到训练好的工单时效性模型中，利用所述工单时长预测模型输出所述第一工单的最大有效处理时长。
14.根据本公开的实施例，在所述获取m个第一处理员中每个第一处理员的工单处理行为数据之前，所述方法还包括：以所述第一工单的信息作为训练好的分派预测模型的输入，利用所述分派预测模型将所述第一工单分配到最优匹配专业组，其中，所述最优匹配专业组为n个专业组其中之一，n为大于或等于2的整数；所述最优匹配专业组包括所述m个第一处理员，其中，所述分派预测模型为n分类模型。
15.根据本公开的实施例，所述工单处理行为数据包括以下至少之一：工单平均处理时长、待办工单的数量和工单超期率。
16.本公开实施例的第二方面，提供了一种构建工单时长预测模型的方法。所述方法包括：获取至少一个训练样本数据，其中，所述训练样本数据包括第二工单的信息、处理所述第二工单的第二处理员的工单处理行为数据、以及所述第二处理员处理所述第二工单的真实处理情况数据；以及利用至少一个所述训练样本数据训练所述工单时长预测模型，其中，在每个所述训练样本数据中，以所述第二工单的信息和处理所述第二工单的第二处理员的所述工单处理行为数据作为训练输入数据，以所述第二处理员处理所述第二工单的真实处理情况数据作为训练输出数据的参考。
17.根据本公开的实施例，所述工单时长预测模型包括机器学习模型以及所述机器学习模型的预测误差的概率分布模型；所述利用至少一个所述训练样本数据训练所述工单时
长预测模型包括：利用至少一个所述训练样本数据训练所述机器学习模型，其中，所述真实处理情况数据包括所述第二处理员处理所述第二工单的真实处理时长，在训练过程中以所述真实处理时长作为所述机器学习模型的输出数据的真值；以及在所述机器学习模型训练好后，基于所述机器学习模型的预测误差构造服从标准正态分布的统计变量，以得到所述概率分布模型；其中，所述机器学习模型的预测误差的均值被设置为零，所述机器学习模型的预测误差的方差是通过对所述机器学习模型在至少一个所述训练样本数据中的预测误差的方差估计得到的。
18.本公开实施的第三方面，提供了一种工单分派装置。所述工单分派装置包括第一获取模块、第二获取模块、工单时长预测模型、确定模块以及分派模块。第一获取模块用于获取第一工单的信息。第二获取模块用于获取m个第一处理员中每个第一处理员的工单处理行为数据，其中，m为大于或等于2的整数。工单时长预测模型用于以所述第一工单的信息和每个第一处理员的所述工单处理行为数据作为输入，预测每个第一处理员处理所述第一工单的预计处理情况数据；其中，针对所述m个第一处理员分别预测得到m个所述预计处理情况数据。确定模块用于基于m个所述预计处理情况数据，从所述m个第一处理员中确定出最佳处理员。分派模块用于将所述第一工单分派给所述最佳处理员。
19.根据本公开的实施例，所述工单分派装置还包括规划处理模块。规划处理模块用于在所述最佳处理员当前具有r个待办工单的情况下，获取每个待办工单的信息，其中，每个待办工单的信息包括每个待办工单的最大有效处理时长，其中，r为大于或等于2的整数；以每个待办工单的信息和所述最佳处理员的所述工单处理行为数据作为所述工单时长预测模型的输入，获取所述工单时长预测模型输出的所述最佳处理员处理每个待办工单的所述超期风险指数；以及按照每个待办工单的所述超期风险指数的大小，确定所述r个待办工单的优先级。
20.根据本公开的实施例，所述工单分配装置还包括分派预测模型。分配预测模型用于在所述获取m个第一处理员中每个第一处理员的工单处理行为数据之前，以所述第一工单的信息作为输入，将所述第一工单分配到最优匹配专业组，其中，所述最优匹配专业组为n个专业组其中之一，n为大于或等于2的整数，所述最优匹配专业组包括所述m个第一处理员。
21.本公开实施例的第四方面，提供了一种构建工单时长预测模型的装置。所述装置包括第一训练样本获取模块、以及第一训练模块。所述第一训练样本获取模块用于获取至少一个训练样本数据，其中，所述训练样本数据包括第二工单的信息、处理所述第二工单的第二处理员的工单处理行为数据、以及所述第二处理员处理所述第二工单的真实处理情况数据。第一训练模块用于利用至少一个所述训练样本数据训练所述工单时长预测模型，其中，在每个所述训练样本数据中，以所述第二工单的信息和处理所述第二工单的第二处理员的所述工单处理行为数据作为训练输入数据，以所述第二处理员处理所述第二工单的真实处理情况数据作为训练输出数据的参考。
22.根据本公开的实施例，所述工单时长预测模型包括机器学习模型以及所述机器学习模型的预测误差的概率分布模型；所述第一训练模块包括第一机器学习子模块以及概率分布模型构建子模块。第一机器学习子模块用于利用至少一个所述训练样本数据训练所述机器学习模型。概率分布模型构建子模块在所述机器学习模型训练好后，基于所述机器学
习模型的预测误差构造服从标准正态分布的统计变量，以得到所述概率分布模型；其中，所述机器学习模型的预测误差的均值被设置为零，所述机器学习模型的预测误差的方差是通过对所述机器学习模型在至少一个所述训练样本数据中的预测误差的方差估计得到的。
23.本公开实施例的第五方面，提供了一种电子设备。所述电子设备包括一个或多个处理器、以及存储器。所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行上述第一方面或第二方面提供的方法。
24.本公开实施例的第六方面，还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述第一方面或第二方面提供的方法。
25.本公开实施例的第七方面，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面或第二方面提供的方法。
附图说明
26.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
27.图1示意性示出了根据本公开实施例的工单分派方法、装置、电子设备、介质和程序产品的应用场景图；
28.图2示意性示出了根据本公开实施例的工单分派方法的流程图；
29.图3示意性示出了根据本公开一实施例的工单时长预测模型的预测过程示意图；
30.图4示意性示出了根据本公开实施例的m个第一处理员的预计处理情况数据的示意图；
31.图5示意性示出了根据本公开实施例的构建工单时长预测模型的方法流程图；
32.图6示意性示出了根据本公开另一实施例的构建工单时长预测模型的方法流程图；
33.图7示意性示出了根据本公开实施例的风险指数的算法示意；
34.图8示意性示出了根据本公开一实施例的工单分派方法中将第一工单分派给最佳处理员后的方法流程；
35.图9示意性示出了根据本公开再一实施例的工单分派方法的流程图；
36.图10示意性示出了根据本公开又一实施例的工单分派方法的流程图；
37.图11示意性示出了图10所示的工单分派方法中分派预测模型的输入输出示意；
38.图12示意性示出了图10所示的工单分派方法中工单时长预测模型的输入输出示意；
39.图13示意性示出了图10所示的工单分派方法中的系统交互示意；
40.图14示意性示出了根据本公开一实施例的工单分派装置的结构框图；
41.图15示意性示出了根据本公开一实施例的构建工单时长预测模型的装置的结构框图；以及
42.图16示意性示出了适于实现根据本公开实施例的工单分派方法或构建工单时长预测模型的方法的电子设备的方框图。
具体实施方式
43.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
44.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
45.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
46.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
47.在本文中，需要理解的是，说明书及附图中的任何元素数量均用于示例而非限制，以及任何命名(例如，第一、第二)都仅用于区分，而不具有任何限制含义。
48.在大型组织机构中，在客服创建工单后可以先分配到与该工单的事项相匹配的专业组，然后专业组内部可以指派任意一个处理员对该工单进行处理。当然，在一些小型企业或业务类型比较单一的组织机构中，在根据客户反馈创建工单后可以直接分派给多个处理员其中之一进行处理。无论在以上哪种情形中，都会遇到将工单在多个处理员之间的分派问题。现有技术中在这个环节中通常是人工进行分派，这样难免出现功能时效性无法满足的问题，而且电难以在多个处理员之间实现工单分派的均衡。
49.有鉴于此，本公开实施例提供了一种工单分派方法、装置、设备、介质和程序产品，可以通过工单时长预测模型预测得到多个处理员处理一个工单的预计处理情况数据(诸如，预计处理时长、可能超期的情况、或者客户对工单处理结果的满意程度等)，然后可以根据对每个处理员的预计处理情况数据的综合分析，从多个处理员中选择出最佳处理员来处理该工单。以此方式，可以提高工单的处理时效性，同时还可以提高整个专业组或者该多个处理员的整体效率。
50.根据本公开的另一些实施例，在客服创建工单后需要分配到专业组的过程中，也可以通过分派预测模型为工单寻找到最优匹配专业组，然后在该最优专业组内再借助于工单时长预测模型来确定出最佳处理员。以此方式可以实现工单分派的全流程自动化。
51.此外，本公开实施例还提供了一种构建上述工单时长预测模型的方法和装置。
52.需要说明的是，本公开实施例确定的工单分派方法和装置、构建工单时长预测模型的方法和装置、电子设备、介质和程序产品可用于金融领域，也可用于除金融领域之外的任意领域，本公开对应用领域不做限定。
53.图1示意性示出了根据本公开实施例的工单分派方法、装置、电子设备、介质和程序产品的应用场景图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示
例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
54.如图1所示，根据该实施例的应用场景100可以包括至少一个终端设备(图中示出了三个，终端设备101、102、103)、网络104、以及服务器105。网络104是用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
55.终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、即时通信工具、邮箱客户端、政务系统客户端等(仅为示例)。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。例如，处理员可以使用终端设备101、102、103接收服务器105分派的工单。再例如，客服人员或市场业务人员可以使用终端设备101、102、103创建工单并上传给服务器105。
56.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
57.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站或所使用的数据库系统提供支持的后台管理服务器(仅为示例)。例如，服务器105可以执行本公开实施例的工单分派方法，对获取到的工单的信息以及处理员的工单处理行为数据等数据进行分析等处理，并将工单分派给最佳处理员所使用的终端设备。
58.需要说明的是，本公开实施例所提供的工单分派方法和/或构建工单时长预测模型的方法一般可以由服务器105执行。相应地，本公开实施例所提供的工单分派装置和/或构建工单时长预测模型的装置一般可以设置于服务器105中。本公开实施例所提供的工单分派方法和/或构建工单时长预测模型的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的工单分派装置和/或构建工单时长预测模型的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
59.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
60.以下将基于图1描述的场景，通过图2～图13对本公开实施例的工单分派方法以及构建工单时长预测模型的方法进行详细描述。
61.图2示意性示出了根据本公开实施例的工单分派方法的流程图。
62.如图2所示，根据该实施例的工单分派方法可以包括操作s210～操作s250。
63.首先在操作s210，获取第一工单的信息。在本文中，使用“第一工单”来指示要进行分派的工单，为工单时效性模型在预测阶段中所处理的工单。下文中会使用“第二工单”来指示在构建工单时效性模型时所使用的工单。
64.当客服接到客户的投诉、咨询、建议或业务委托等反馈后，会根据客户的诉求创建工单。例如，客服可以以模板化形式创建工单，在创建工单时可以在模板中详细选择工单的工单类型、业务类型、客户级别、意见类型、缓急程度、解决部门等信息，从而可以根据工单的这些信息来获取工单的信息。
65.本公开的实施例中，第一工单的信息可以包括第一工单的业务信息，诸如业务类型大类、业务类型小类、事件对应渠或事件对应产品。在银行业务的一个实施例中，业务类
型大类例如可以是投诉、咨询、建议，个人金融、对公业务、法律业务、办公业务等；业务类型小类例如可以是贷款、信用卡、还款等；事件对应渠道例如可以是网上银行、手机银行、或线下网点等；事件对应产品例如可以是存款、理财或保险等；
66.第一工单的信息还可以包括第一工单的状态信息，例如，处理进度、紧急程度。例如全新的工单处理进度为0，中途转接来的工单可以是对应的进度值。例如，有些工单在处理中途可能会遇到处理员请假、离职或者遇到其他情形需要转接时，就可能涉及到工单已经推进的处理进度信息。
67.第一工单的信息还可以包括第一工单的最大有效处理时长。该最大有效处理时长可以作为分派第一工单时的重要参考，例如，用以评估工单的超期风险。当创建第一工单时，如果客户有明确要求第一工单的最迟反馈时间时(例如，客服创建工单时填写了最迟反馈日期)，就可以据此获得第一工单的最大有效处理时长。然而，在实际中，常常客户不一定有明确的反馈时间要求，在这种情况下，根据本公开的实施例，可以将第一工单的业务信息和/或状态信信息输入到训练好的工单时效性模型中，利用该工单时效性模型预测第一工单的最大有效处理时长。该工单时效性模型可以是机器学习算法模型，通过大量历史工单的业务信息、状态信息和最大有效处理时长构成的训练数据，对该工单时效性模型进行训练，使该工单时效性模型学习工单的业务类型、缓急程度等信息，与最大有效处理时长之间的关系。其中，历史工单的最大有效处理时长可以是工单创建时客户明确指定的最大时长，也可以是历史工单在处理过程中遭遇客户对反馈时效的抱怨后推定出的客户可接受到最大时长。
68.然后在操作s220，获取m个第一处理员中每个第一处理员的工单处理行为数据，其中，m为大于或等于2的整数。
69.工单处理行为数据例如可以包括以下至少之一：工单平均处理时长、待办工单的数量和工单超期率、客户平均满意程度数据、工单平均完成水平数据等。一个处理员处理一个工单的时长为从该处理员接收到该工单起算，到处理员完成该工单时止的这段时间。工单平均处理时长可以是处理员在一段时间内(例如，近半年内)对所有工单的处理时长的平均。工单超期率可以是在一段时间内(例如，近半年内)处理员所处理的工单中超期的工单数量与所接到的所有工单的数量的比率。
70.在操作s230，以第一工单的信息和每个第一处理员的工单处理行为数据作为训练好的工单时长预测模型的输入，利用工单时长预测模型预测每个第一处理员处理第一工单的预计处理情况数据。其中，针对m个第一处理员分别预测得到m个预计处理情况数据。
71.在将第一工单的信息和每个第一处理员的工单处理行为数据输入到工单时长预测模型时，可以按照工单时长预测模型的输入数据格式(例如，形成向量)，对所输入的数据进行处理。例如，当第一工单的信息和每个第一处理员的工单处理行为数据中包括文本格式的数据时，可以将文本格式的数据通过独热编码或转换为词向量等方式处理为数值型数据，然后在将需要数据的数据按照输入向量格式进行数据转换。
72.预计处理情况数据可以是处理第一工单的预计处理时长、用于指示超期概率的超期风险指数、第一工单的预计完成质量、和/或第一工单处理后预计客户的满意程度数据等。具体可以在训练工单时长预测模型时，通过对训练输入数据的标注内容设置、或者工单时长预测模型的组成设计等方式来确定预计处理情况数据的内容。
73.预计处理情况数据可以仅包括一个维度的数据，例如，预计处理时长，也包括多个维度的数据，例如，包括预计处理时长、超期风险指数、预计完成质量、预计客户的满意程度数据等任意两个以上数据。
74.预计处理情况数据包括多个维度的数据可以出现在工单时长预测模型的输出数据为向量的情下，其中，输出向量的每个维度数据对应一个维度的预计处理情况。或者，预计处理情况数据包括多个维度的数据也可以出现在，工单时长预测模型为多个模型的集合或耦合的情况下，其中，该多个模型中的每个模型预测一个维度的预计处理情况。
75.在一个实施例中，预计处理情况数据可以同时包括第一工单的预计处理时长和超期风险指数，其中，超期风险指数用于表征处理第一工单的真实处理时长超出处理第一工单的最大有效处理时长的概率。在一些实施例中，可以通过对工单时长预测模型预测出的预计处理时长与真实处理时长之间的预测误差通过概率统计方式进行建模，来估计真实处理时长超出最大有效处理时长的概率。通过超期风险指数可以预判工单的超期情况，从而可以从预计处理时长和超期风险两方面综合确定最佳处理员。在一些实施例中，可以工单时长预测模型中集成两个机器学习模型，其中，一个机器学习模型用于根据输入数据来判断处理员的预计处理时长，另一个机器学习模型可以在得到处理员的预计处理时长后，再结合工单时长预测模型的输入，预测工单的超期风险情况数据。
76.接下来在操作s240，基于m个预计处理情况数据，从m个第一处理员中确定出最佳处理员。
77.最后在操作s250，将第一工单分派给最佳处理员。
78.当预计处理情况数据仅包括一个维度的数据时，(例如，预计处理时长)，可以根据该维度数据从m个第一处理员中择优确定最佳处理员。当预计处理情况数据包括多个维度的数据时，(例如，包括预计处理时长、超期风险指数、预计完成质量、预计客户的满意程度数据中的任意两个以上数据)，可以按照一定的分派规则对该多个维度的数据综合分析后，确定出最佳处理员，其中，该分派规则例如可以是指定多个维度的数据的优先等级、或者是对该多个维度数据进行加权运算等。
79.在一个实施例中，可以将m个第一处理员中超期风险指数小于风险阈值(例如，50％，仅为示例)且预计处理时长最短的第一处理员，确定为最佳处理员。
80.在另一个实施例中，当m个第一处理员的超期风险指数均大于风险阈值时，将m个第一处理员中预计处理时长最短的第一处理员确定为最佳处理员。与此同时，在将第一工单分派给最佳处理员时，向最佳处理员进行第一工单的超期预警提示。
81.可见，本公开的实施例可以根据对每个处理员的预计处理情况数据的综合分析，从多个处理员中选择出最佳处理员来处理该工单。以此方式，可以提高工单的处理时效性，同时还可以提高整个专业组或者该多个处理员的整体效率。而且可以提升客户服务体验，例如可以使客户问题能够在较大程度上保质保量的得到专业对口人员的处理。
82.图3示意性示出了根据本公开一实施例的工单时长预测模型的预测过程示意图。
83.如图3所示，该实施例中工单时长预测模型310可以包括机器学习模型311以及该机器学习模型311的预测误差的概率分布模型312。
84.从而上述操作s230中利用工单时长预测模型310预测每个第一处理员处理第一工单的预计处理情况数据的过程具体可以是，机器学习模型311基于第一工单的信息和每个
第一处理员的工单处理行为数据，预测每个第一处理员的预计处理时长δt，与此同时概率分布模型312可以基于第一工单的最大有效处理时长，再结合第一工单的信息和每个第一处理员的工单处理行为数据等，计算每个第一处理员的超期风险指数s。在一个实施例中，考虑到该机器学习模型311输出的预计处理时长δt为连续性数值，从而机器学习模型311可以采用回归模型(例如，多元回归模型)。
85.图4示意性示出了根据本公开实施例的m个第一处理员的预计处理情况数据的示意图。
86.如图4所示，在该实施例中，可以使用工单时长预测模型310预测m个第一处理员(例如，处理员41、42、43、44)处理第一工单的预计处理情况数据，从而分别得到处理员41、42、43、44各自的预计处理时长δt1、δt2、δt3、δt4，以及各自的超期风险指数s1、s2、s3、s4。
87.从而在操作s240中，可以基于δt1、δt2、δt3、δt4、以及s1、s2、s3、s4，从处理员41、42、43、44中确定出最佳处理员。
88.例如，当s1、s2、s3、s4中仅有s3小于风险阈值时，可以将处理员43确定为最佳处理员。
89.或者，例如当s1、s2、s3、s4中有多个值或者全部小于风险阈值时(例如，除了s1以外其他均小于风险阈值)，可以从处理员42、43、44中选择预计处理时长最短的处理员(即，处理员44)作为最佳处理员。
90.又或者，例如当s1、s2、s3、s4均大于风险阈值时，此时将预计处理时长最短的处理员(即，处理员44)作为最佳处理员，然后在将第一工单分派给处理员44的同时在第一工单上标注超期风险提示信息，并展示给处理员44。
91.以上介绍了根据本公开一些实施例的工单分派方法，其中，在这些工单分派方法中都应用到了工单时长预测模型(例如，工单时长预测模型310)。接下来，将结合图5～图7对本公开各个实施例中构建工单时长预测模型的过程进行详细说明。需要说明的是，本公开实施例中，构建工单时长预测模型的方法可以是工单分派方法的一部分，用于在进行工单分派之前构建工单时长预测模型，可以独立于工单分派方法而存在，对此本公开不予限定。
92.图5示意性示出了根据本公开实施例的构建工单时长预测模型的方法流程图。
93.如图5所示，根据该实施例的构建工单时长预测模型的方法可以包括操作s510～操作s520。
94.在操作s510，获取至少一个训练样本数据，其中，训练样本数据包括第二工单的信息、处理第二工单的第二处理员的工单处理行为数据、以及第二处理员处理第二工单的真实处理情况数据。
95.第二工单的信息可以包括第二工单的业务信息、状态信息、和/或最大有效处理时长。其中，业务信息、状态信息的内容可以参考上文对第一工单的业务信息的介绍，最大有效处理时长的确定或获取方式可以参考上文对第一工单的最大有效处理时长的介绍。
96.该真实处理情况数据可以包括，第二处理员处理第二工单的真实处理时长、超期率、完成质量、客户反馈的满意程度等数据。
97.在操作s520，利用至少一个训练样本数据训练工单时长预测模型，其中，在每个训
练样本数据中，以第二工单的信息和处理第二工单的第二处理员的工单处理行为数据作为训练输入数据，以第二处理员处理第二工单的真实处理情况数据作为训练输出数据的参考。工单时长预测模型的训练输出数据即第二处理员处理第二工单的预计处理情况数据。通过对工单时长预测模型的反复训练，在工单时长预测模型的输出结果收敛、且满足预测准确度要求(例如，95％以上)时，工单时长预测模型训练完成。以此方式，训练好的工单时长预测模型可以至少用于预测一个工单处理员处理一个工单的预计处理情况数据。
98.需要说明的是，在图5所示的实施例中，所构建的工单时长预测模型的结构可以是任意结构的模型。例如，在一个实施例中，图5中所构建的工单时长预测模型可以是图3中所示的工单时长预测模型310。在另一些实施例中，图5中所构建的工单时长预测模型也可以具有不同于工单时长预测模型310的其他结构，例如仅包括一个机器学习模型，或者可以由多个分别用于预测不同维度的预计处理情况数据的机器学习模型集成在一起。
99.图6示意性示出了根据本公开另一实施例的构建工单时长预测模型的方法流程图。图6所示的方法中构建的工单时长预测模型具体为工单时长预测模型310。
100.如图6所示，结合图3，根据该实施例构建工单时长预测模型310的方法可以包括操作s610～操作s630。
101.首先在操作s610，获取至少一个训练样本数据，其中，训练样本数据包括第二工单的信息、处理第二工单的第二处理员的工单处理行为数据、以及第二处理员处理第二工单的真实处理时长。
102.然后在操作s620，利用至少一个训练样本数据训练机器学习模型311。其中，在训练样本数据中，以第二工单的信息和处理第二工单的第二处理员的工单处理行为数据作为训练输入数据，以第二处理员处理第二工单的真实处理时长作为机器学习模型311的训练输出数据的真值。
103.接下来在操作s630，在机器学习模型311训练好后，基于机器学习模型311的预测误差构造服从标准正态分布的统计变量，以得到概率分布模型312。其中，机器学习模型311的预测误差的均值被设置为零，机器学习模型311的预测误差的方差是通过对机器学习模型311在至少一个训练样本数据中的预测误差的方差估计得到的。
104.图7示意性示出了根据本公开实施例的风险指数的算法示意。以下结合图7介绍概率分布模型312的一种建立过程。
105.假设机器学习模型311为一多元回归模型，其中，假设该多元回归模型服从以下特性1～特性7。
106.特性1：有线性性。输出变量(即，预计处理时长)与输入变量(即，工单的信息和处理该工单的处理员的工单处理行为数据所组成的向量)之间存在线性关系。
107.则机器学习模型311可以表示为式(1)
[0108][0109]
其中：
[0110]
为机器学习模型311训练得到的模型参数；其中，下角标的最大值k等于输入变量xi的向量维数(即，即输入变量xi中的变量个数)；
[0111]
xi为与处理员i处理第一工单相对应的一组输入变量；
[0112]
为机器学习模型311输出的处理员i处理第一工单的预计处理时长，为对处理员i处理第一工单的真实处理时长的估计值；
[0113]
为了方便起见，接下来以k＝7的示例进行示意性说明，即
[0114]
当给定与处理员i对应的一组输入变量xi＝(x
1i
，x
2i
，x
3i
，x
4i
，x
5i
，x
6i
，x
7i
)，则根据式(1)可以得到对应输出变量的值，如式(2)所示：
[0115][0116]
相应地，机器学习模型311的输出数据和真值之间的关系可以可以表示为式(3)：
[0117][0118]
式(3)中，yi为输入变量xi对应的输出变量的真值，εi为机器学习模型311的预测误差。
[0119]
特性2：无自相关。即各个变量之间的预测误差项之间相互独立，cov(εi，εj)＝0。其中，εi，εj代表分别对应于不同输入变量xi，xj预测得到的输出变量输出变量的预测误差项，二者是相互独立的。
[0120]
特性3：同方差。即，机器学习模型311对于任意一个输入变量，输出变量的预测误差项的方差是一个常数。这意味着可以使用机器学习模型311在多个训练样本数据中的大量已知预测误差的方差，来对预测阶段预测出的输出变量y的预测误差项的方差进行估计。
[0121]
特性4：预测误差项的均值为零，即，e(εi)＝0，即对于任意的输入变量xi，输出变量与真值yi的预测误差项εi的均值为零。从而，对于可以将机器学习模型311的预测误差的均值被设置为零。
[0122]
特性5：输入变量是非随机变量。
[0123]
特性6：预测误差项服从正态分布。
[0124]
特性7：不存在完全多重共线性问题，即任意一个输入变量不能被其它输入变量线性表示。
[0125]
由式(3)可知机器学习模型311的预测误差项εi可以表示为式(4)：
[0126][0127]
由于机器学习模型311满足特性1～特性7，则预测误差项εi服从正态分布，如式(5)：
[0128][0129]
其中，σ为预测误差项εi的方差的组成部分；
[0130]
x为训练样本数据集中n个样本的训练输入数据组成的矩阵。
[0131]
式(5)中，σ可以式(6)的方差估计得到：
[0132][0133]
其中，k＝7为示例中输入变量的维度或个数，
[0134]
n为训练样本数据的个数，
[0135]
yj为训练样本数据集中第j个样本的真实处理时长，
[0136]
为第j个样本数据带入模型后模型输出的预计处理时长；
[0137]
可见，可以通过机器学习模型311在训练样本数据中对大量样本数据进行预测后所得的预测误差的方差来估计来机器学习模型311的预测误差项εi的方差。
[0138]
从而可以根据训练过程中的训练样本数据、以及训练中的预测误差的方差得到预测误差项εi的方差估计量为式(7)：
[0139][0140]
相应地预测误差εi的标准差估计量为式(8)：
[0141][0142]
从而可以构造统计变量，如式(9)所示：
[0143][0144]
其中，当n充分大，且远大于k(例如，k＝7)时，有t(n-8)分布近似于标准正态分布。即当训练阶段所使用的训练样本数据的个数足够大时，统计量t(n-8)服从标准正态分布，即如式(10)所示，其中，标准正态分布曲线如图7所示。
[0145][0146]
其中，式(9)或式(10)所示的统计变量t就可以作为概率分布模型312。接下来可以通过概率分布模型312来计算超期风险指数。
[0147]
具体地，当第一工单的最大有效处理时长为而处理员i处理第一工单的预计处理时长为设变量z
α
，如式(11)所示：
[0148][0149]
如图7所示，根据标准正态分布的性质，可以定义工单超期概率为式(12)：
[0150]
q＝p{t＞z
α
}＝1-p{t≤z
α
}＝1-α
ꢀꢀꢀꢀꢀꢀ
(12)
[0151]
其中，0＜α＜1，可以通过查询标准正态分布表或者计算机自行计算，q即为超期风险指数。
[0152]
图8示意性示出了根据本公开一实施例的工单分派方法中将第一工单分派给最佳处理员后的方法流程。
[0153]
如图8所示，根据该实施例的工单分派方法在操作s250中将第一工单分派给最佳处理员之后，还可以包括操作s860～操作s880。
[0154]
在操作s860，在最佳处理员当前具有r个待办工单的情况下，获取每个待办工单的信息，其中，每个待办工单的信息包括每个待办工单的最大有效处理时长，其中，r为大于或等于2的整数。当最佳处理员的r个待办工单中有些工单是之前分派的，相应地这些工单的有些信息，例如最大有效处理时长、工单的当前进度等为根据当前时间重新计算后确定的。
[0155]
在操作s870，以每个待办工单的信息和所述最佳处理员的工单处理行为数据作为
工单时长预测模型的输入，获取工单时长预测模型输出的最佳处理员处理每个待办工单的超期风险指数。
[0156]
例如可以通过工单时长预测模型310中的机器学习模型311预测得到最佳处理员对r个待办工单的预计处理时长，并相应地通过概率分布模型312得到每个待办工单的超期风险指数。然后在操作s870中获取每个工单的超期风险指数。
[0157]
在操作s880，按照每个待办工单的超期风险指数的大小，确定r个待办工单的优先级。例如，超期风险指数越大的工单优先级越高，可以按照超期风险指数从大到小对最佳处理员的所有待办工单进行排序后展示给该最佳处理员，以此方式可以帮助该最佳处理员规划待办工单的先后处理顺序，降低最佳处理员的工单的超期情况，提高最佳处理员的整体工作的时效性。
[0158]
图9示意性示出了根据本公开再一实施例的工单分派方法的流程图。
[0159]
如图9所示，根据该实施例的工单分派方法可以包括操作s210、操作s910、操作s220～操作s250以及操作s860～操作s880。
[0160]
首先在操作s210，获取第一工单的信息。
[0161]
然后在操作s910，以第一工单的信息作为训练好的分派预测模型的输入，利用分派预测模型将第一工单分配到最优匹配专业组，其中，最优匹配专业组为n个专业组其中之一，n为大于或等于2的整数；最优匹配专业组包括m个第一处理员。
[0162]
专业组可以是专门处理某一个业务领域的工单。
[0163]
分派预测模型可以是一个多分类的模型，例如，用于将一个工单分配给n个专业组其中之一。在训练分派预测模型时，可以以大量历史工单的信息作为输入样本，同时对这些历史工单标注其对应的专业组，以此方式，可以使分派预测模型学习各个工单的信息与各个专业组之间的匹配关系，从而进行工单和专业组之间的匹配。
[0164]
接下来通过操作s220～操作s250，将第一工单分派给从m个第一处理员中确定出的最佳处理员。具体可以参考前文介绍，此处不再赘述。
[0165]
当将第一工单分派给最佳处理员之后，通过操作s860～操作s880对最佳处理员当前的多个待办工单进行优先级排序。具体可以参考前文介绍，此处也不再赘述。
[0166]
根据本公开实施例，当在第一工单分派到处理员之前还要先区分专业组的情况下，可以通过分派预测模型自动匹配出最优专业组，从而实现了工单的全流程自动化管理。
[0167]
根据本公开实施例，可以在工单创建后，通过分派预测模型自动匹配到最优专业组，然后在最优专业组内通过工单时长预测模型将工单分派给最佳处理员，并且在分派给最佳处理员后还可以借助于工单时长预测模型对该最佳处理员的所有工单进行优先级排序，这样可以在专业组分派、处理员分派、以及处理员工单规划的全部环节中，实现高效的工单处理，可以有效提升工单的实效性，提高企业工单管理的整体效率。
[0168]
接下来结合图10～图13，对本公开实施例的工单分派方法在企业中的一个具体实施例进行示例性说明。可以理解，图10～图13的介绍仅是示例性的，不对本公开构成限定。
[0169]
图10示意性示出了根据本公开又一实施例的工单分派方法的流程图。
[0170]
如图10所示，根据该实施例的工单分派方法可以通过工单创建单元1001、专业组分派单元1002、工单调度单元1003以及规划处理单元1004各自的信息处理以及之间的信息流转过程来实现。
[0171]
工单创建单元1001：面向工单创建人员，以模板化形式创建工单，工单创建人员需在详细选择工单的工单类型、业务类型、客户级别、意见类型、缓急程度、解决部门等信息后方可生成工单。
[0172]
专业组分派单元1002：由专业组分派机制和分派预测模型两部分构成，负责将工单下分至具体的工单处理专业组。当工单创建者对于工单专业组(例如，解决部门)有明确要求时，专业组分派单元可从工单创建单元1001调取到相应信息并直接将工单下分至对应专业组。当工单创建者对于工单解决部门不明确时，专业组分派单元1002可从工单创建单元1001调取工单信息并输入到分派预测模型中，通过分派预测模型利用历史数据及机器学习算法分析判断该工单最可能的专业组，并依此下分至对应专业组。
[0173]
工单调度单元1003：由工单时效性模型、工单时长预测模型、调度分派机制三部分构成。
[0174]
首先工单调度单元1003从工单创建单元101获取工单的信息，输入到工单时效性模型中，通过工单时效模型基于既定逻辑计算得出该工单的最大有效处理时长。工单的信息可以包括工单编号、处理部门、客户信息、事件类型、业务类型、紧急程度、问题描述、受理日期、截止日期、处理状态以及工单流转详情和答复意见等。
[0175]
然后工单调度单元1003可以从专业组分派单元1002获取到最优匹配专业组。
[0176]
接下来工单调度单元1003可以将该最优匹配专业组内的工单处理员的工单处理行为数(诸如，存量工单数、存量工单预计处理时长、平均工单处理效率)以及工单的信息(工单类型、业务类型、客户级别、意见类型、流转机构数、涉及金额等)作为输入变量输入到工单时长预测模型中，通过工单时长预测模型基于历史数据及机器学习算法，预测每个处理员处理该工单的预计处理时长，并与该工单的最大有效处理时长进行对比，得到其超期风险指数。
[0177]
调度分派机制可根据工单时长预测模型模型得到的预计处理时长及超期风险指数，来判定最终将该工单下分至哪个处理员(即，确定出最佳处理员)。在最优匹配专业组中的存量工单较少的情况下，调度分派机制可以将工单直接分派给预计处理时长最短的处理员。在专业组存量工单较多、且各处理员的超期风险指数都超出风险阈值的情况下，调度分派机制可执行延迟调度策略。例如可以在不影响工单超时的条件下，延迟做出决策，把一段时间内的新增工单进行统一调度分派，以寻求专业组内所有工单分派的全局最优解而非局部最优解。或者，若遇最优专业组内资源极度紧张，使得某一工单或某几个工单存在超期风险指数大于风险阈值的情况，调度分派机制无法给出满足条件的执行策略时，可以在分派工单时在超期风险指数大于风险阈值的工单上进行打标，予以超期预警提示。
[0178]
规划处理单元1004：面向处理员，负责展示处理员的存量工单并优化当前工单处理顺序。根据本公开的实施例，在处理员接收到新工单后，规划处理单元1004会对处理员当前的所有待办工单进行评估，并对每一工单优先级进行重新排序。例如，可以利用工单时长预测模型计算出该处理员的所有待办工单的超期风险指数，并按照超期风险指数从大到小的顺序将所有待办工单排序后并展示给工单处理员。若接收到的新工单存在超期预警提示，则工单时长预测模型可以在计算超期风险指数过程中自动增加该工单的权重以提高该工单优先级，同时在页面展示时给予该工单高亮提醒。
[0179]
根据该实施例的工单分派方法大致可以分为以下五个步骤：
[0180]
第一步，创建工单。工单创建人员进入工单创建单元1001，根据客户诉求录入工单的信息，选择第一责任机构处理该工单；
[0181]
第二步，专业组分派。新建工单由工单创建单元1001流转至专业组分派单元1002，由系统后台调取工单的信息后，可以通过分派预测模型确定出处理该工单的最优匹配专业组；
[0182]
第三步，工单处理时长及超期风险预测。根据工单创建时的客户紧急程度和客户级别等计算工单最大有效处理时长。新建工单流转至工单调度单元1003，系统后台调取工单的信息及最优匹配专业组内所有处理员的工单处理行为数据，通过工单时长预测模型预测得出各处理员的预计处理时长及超期风险指数；
[0183]
第四步，工单调度分派。工单调度单元1003根据各处理员的预计处理时长及超期风险指数，通过调度分派机制判定工单的最佳处理员并进行工单下发，并为超期风险指数大于风险阈值的工单设置超期预警提示；
[0184]
第五步，工单规划处理。规划处理单元1004为处理员展示其所有待办工单并优化待办工单处理顺序。在接收到新工单后启动规划处理流程，通过工单时长预测模型重新预测处理员的所有待办工单当前的超期风险指数，并根据超期风险指数对处理员的待办工单进行优先级重排序，以降低工单处理员的超期风险。
[0185]
本公开实施例可以通过工单创建单元1001、专业组分派单元1002、工单调度单元1003以及规划处理单元1004各自的信息处理以及之间的信息流转过程，来实现工单的精细化和自动化管理，可以覆盖工单的处理和流转全过程，主要包括工单的新建、编辑、分派、答复、办结、退回、分派专业组、修改机构、查询等操作。
[0186]
本公开实施例的工单分派方法，利用了“分派预测模型”和“工单时长预测模型”，将原先需要人工操作的工单处理环节全面自动化，极大地节约工单流转过程中的人力及时间成本。在一些实施例中，分派预测模型可以为一解决多分类问题的机器学习模型。在一些实施例中，工单时长预测模型可以为为一解决回归问题的机器学习模型。
[0187]
机器学习建模流程可分为：数据分析、数据预处理、特征工程、模型训练、模型评估这五大部分。
[0188]
在建模初始阶段应进行充分的数据分析工作，对数据特征有一系统全面的认识，可通过描述性统计、相关性分析、主成分分析等手段研究数据特点，绘制热力图、散点图、箱线图等进行数据可视化，最终对数据源形成清晰认识，为后续数据预处理、特征过程等环节做好铺垫。
[0189]
数据预处理环节主要为实现原始数据的清理及标准化工作，对数据集中的缺失值、异常值等进行填补或剔除，将取值范围差异较大的变量进行标准化处理从而减少变量间尺度差异所导致的模型拟合精度下降。
[0190]
特征工程是机器学习建模流程中的重中之重，可根据前期数据分析所得到的结果对数据集进行相应操作，包括但不限于特征组合(将多个特征组合构造为一个变量从而获得一信息量更大的新特征)、特征拆分(将一个复杂特征按逻辑拆解为多个相对简单的特征，使新特征表达更清晰)、向量化(将分类型变量或顺序型变量进行向量化表达，方便纳入模型)。同时应充分考虑特征与特征之间、特征与目标变量之间的相关性，在保证对目标变量的表达能力的前提下选取尽量少的特征纳入模型，降低模型复杂度、避免过拟合等情况。
[0191]
本公开实施例中，“分派预测模型”和“工单时长预测模型”的训练方法可以是监督学习类机器学习算法，其中，通过建立并利用已掌握的真实数据不断优化输入和输出之间的映射关系，从而训练得到一可通过输入预测未知输出的系统模型。在模型的实际选择过程中，通常会考虑尝试不同的模型对数据进行训练，然后比较输出的结果选取最佳，例如可以选择的机器学习模型有svm模型、xgboost模型、gbdt模型、神经网络模型等。
[0192]
在“分派预测模型”和“工单时长预测模型”的选择及模型参数调优的过程中，需应用各种评价指标来对模型进行评估，从而筛选出此场景下最为合适的模型及参数最优解。在“分派预测模型”的评价中主要应用的评价指标可以包括：准确率、召回率、f1-score、auc值等。“工单时长预测模型”主要应用的评价指标可以包括：平方根误差、r方值、gini系数等。
[0193]
图11示意性示出了图10所示的工单分派方法中分派预测模型的输入输出示意。
[0194]
如图11所示，结合图10，输入变量1101输入到分派预测模型1102，通过分派预测模型1102的处理，可以得到输出变量1103。
[0195]
具体地，分派预测模型1102为一解决多分类问题的机器学习模型，通过数据分析将输入变量1101确定为业务类型大类、业务类型小类、事件对应渠道、事件对应产品，输出变量1103为最优匹配专业组。获取到历史工单信息后，分派预测模型1102从中自动提取上述输入变量1102/输出变量1103，对数据进行预处理并采用诸如独热编码等方式将分类型变量转化为虚拟变量，从而作为训练样本数据。然后将其中80％的训练样本数据作为训练集训练机器学习模型，20％作为测试集检验模型预测效果，最终根据模型评估结果选取在测试集上表现效果最优的模型作为分派预测模型1102的基础模型。
[0196]
然后将分派预测模型1102部署到图10中的专业组分派单元1002中，分派预测模型1102获取到新建工单的信息后提取得到输入变量1101，预测得到最优匹配专业组。
[0197]
若分派预测模型1102预测错误，即将工单分配给错误专业组，则工单会被工单处理人退回并补充/修改工单信息。然后分派预测模型1102可以对回退工单进行再预测。若得到的最优匹配专业组发生改变则将该专业组作为输出，若得到的最优匹配专业组未改变则将此时的次优匹配专业组作为输出。
[0198]
若分派预测模型1102对于同一工单预测错误两次，即被工单处理人退回两次，则触发跳出机制，将该工单流转至人工分派环节。
[0199]
另外，在获取到新办结的工单数据后，分派预测模型1102可将办结的工单实际处理专业组与之前预测得到的最优匹配专业组进行对比，将两者不一致的工单视为分派预测模型1102错分类工单，并将此类工单数据赋予更高权值纳入训练集，重复训练分派预测模型1102从而对分派预测模型1102进行矫正，自动化地逐步提升分派预测模型1102性能。
[0200]
图12示意性示出了图10所示的工单分派方法中工单时长预测模型的输入输出示意。
[0201]
如图12所示，参考图10，输入变量1201输入到工单时长预测模型1202，通过工单时长预测模型1202的处理，可以得到输出变量1203。
[0202]
具体地，工单时长预测模型1202可以包括一解决回归问题的机器学习模型，通过数据分析将可以输入变量1201确定为包括业务类型大类、业务类型小类、事件对应渠道、事件对应产品、处理人工单平均处理时长、处理人待办工单数、处理人工单超期率、最大有效
处理时长等，输出变量1203包括预计处理时长δt、超期风险指数s。
[0203]
获取到历史工单信息后，工单时长预测模型1202可以从中自动提取上述输入变量1201/输出变量1203。对数据进行预处理后可以采用独热编码等方式将分类型变量转化为虚拟变量，将连续型变量标准化，从而得到训练样本数据。然后将训练样本数据中的80％作为训练集训练机器学习模型，20％作为测试集检验模型预测效果，最终根据模型评估结果选取在测试集上表现效果最优的模型作为工单时长预测模型1202的基础模型。
[0204]
将工单时长预测模型1202部署到工单调度单元1003中后，工单时长预测模型1202获取到新建工单的信息及最优专业组的信息后，提取得到输入变量1201，然后预测最优专业组中的每个处理员的预计处理时长和超期风险指数。
[0205]
类似的，将工单时长预测模型1202部署到规划处理单元1004中后，工单时长预测模型1202可以获取处理员当前的所有待办工单的信息，提取得到输入变量1201，然后预测该处理员名下每个待办工单的预计处理时长和超期风险指数，然后可以根据超期风险指数对该处理员的所有待办工单进行优先级排序。
[0206]
例如，工单时长预测模型1202具体可以是图3所示的工单时长预测模型310，这样，可以通过机器学习模型311预测出处理员的预计处理时长δt，然后根据工单的最大有效处理时长，通过概率分布模型312可以以类似于前文式(10)～(12)的方式，计算得到最优匹配专业组中每个处理员的超期风险指数。
[0207]
另外，在获取到新办结工单数据后，工单时长预测模型1202可将办结工单最终的真实处理时长与之前模型预测得到的预计处理时长进行对比，依两者的差值对工单数据进行赋权并纳入训练集，重复训练工单时长预测模型1202从而对工单时长预测模型1202进行矫正，自动化地逐步提升工单时长预测模型1202的性能。
[0208]
图13示意性示出了图10所示的工单分派方法中的系统交互示意。
[0209]
如图13所示，结合图10，该工单分派方法可以应用于智能工单管理系统1303，其中，智能工单管理系统1303可以与机器学习平台1302、以及数据库1301交互。
[0210]
数据库1301：存放数据的仓库，接入智能工单管理系统后主要负责存储各种工单数据信息及员工属性信息，可实现数据的实时调取和录入。
[0211]
机器学习平台1302：是可支持机器学习模型部署和使用的智能化开发平台，在处理复杂的机器学习问题时可以快速定位到最合适的机器学习算法，调整算法参数，将大规模的模型训练部署到企业内部预置系统或者云端cpu、gpu、tpu集群，最后提供一套包含管理和监控模型训练流程的完整系统及数据输入到模型调用的全流程软、硬件设备。
[0212]
机器学习平台1302接入智能工单管理系统1303后主要负责系统内机器学习模型的训练及调用工作。机器学习平台1302从数据库1301中调取历史的已办结的工单的信息及处理员的员工数据作为各种模型的训练集和测试集，训练得到预测精度最高的机器学习模型后部署到智能工单管理系统中。同时机器学习平台1302还可持续调取新办结工单的数据对训练好的模型进行修正优化，实现动态更新。
[0213]
智能工单管理系统1303的结构和工作流程参考图10的介绍，此处不再赘述。
[0214]
根据本公开实施例的工单分派方法，可以减少工单流转过程中的人工干预，在工单创建单元1001的基础上，增加了专业组分派单元1002，其中，专业组分派单元1002通过分派预测模型可以自动匹配出最优匹配专业组。同时，还增加了工单调度单元1003，其中，通
过工单时长预测模型可以确定专业组下最佳处理员，从而实现了工单员的全流程自动流转。即工单创建人新建工单后，通过该分派预测模型将工单自动流转至最佳处理员，实现工单高效流转。整个过程中，相比于现有技术中往往有人工分派到专业组、或者由人工在专业组内分派到处理员的方式，本公开实施例的工单分派方法省去了人工分派操作，节约了工单流转过程的人力资源。
[0215]
更进一步地，根据本公开的实施例，当工单到达最佳处理员后，可以设置一定的容错机制，即同专业组的其他处理员仍可以对该工单进行处理，仅对最佳处理员的所有工单进行最优排序和超期预警提示。
[0216]
根据本公开的实施例，还可以对分派错误(无论是专业组匹配错误、还是最佳处理员确定错误)的工单，提供修改机构或模型中的参数信息的方式。从而使专业组分派错误的工单可以重新进入分派流程中，自动定位到其他专业组或其他处理员。若超过两次分派回退，则可以将工单提交至统一的工单协管人进行人工再分派，实现工单分派流程自动流转加手动校准。
[0217]
根据本公开的实施例，除了减少工单流转过程的人为干预还可以通过规划处理单元1004的处理，加快工单在处理人手中的处理效率，提升工单整体质效的重要手段。通过增加规划处理单元1004，可以根据工单的紧急程度优化工单在处理人列表的展现顺序。在接收到新工单后启动规划处理单元1004的处理流程，将处理员的当前所有待办工单按照最新预测出的超期风险指数大小确定优先级进行重排序，以降低工单处理员的超期风险。另外，还可以对即将超期的工单进行预警处理，以高亮显示并通过行内邮件通知到处理人本人，以增加工单处理人的处理效率，并实现对紧急工单加快优先处理。
[0218]
可见，本公开实施例，通过优化工单的分派算法，可以实现工单自动化分派、差异化管理和超期预警等智能化管理，加强对工单在处理过程中的监督和管理工作。
[0219]
基于上述各个实施例的工单分派方法和构建工单时长预测模型的方法，本公开实施例还提供了一种工单分派装置以及一种构建工单时长预测模型的装置。以下将结合图14和图15对相应地装置进行详细描述。
[0220]
图14示意性示出了根据本公开一实施例的工单分派装置的结构框图。
[0221]
如图14所示，根据本公开实施例的工单分派装置1400可以包括第一获取模块1410、第二获取模块1420、工单时长预测模型1430、确定模块1440以及分派模块1450。根据本公开的另一些实施例，该工单分派装置1400还可以进一步包括规划处理模块1460、分派预测模型1470和/或模型构建模块1480。该工单分派装置1400可以用于实现参考图2～图13所描述的工单分派方法。
[0222]
第一获取模块1410用于获取第一工单的信息。在一个实施例中，第一获取模块1410可以执行前文描述的操作s210。
[0223]
第二获取模块1420用于获取m个第一处理员中每个第一处理员的工单处理行为数据，其中，m为大于或等于2的整数。在一个实施例中，第二获取模块1420可以执行前文描述的操作s220。
[0224]
工单时长预测模型1430用于以第一工单的信息和每个第一处理员的工单处理行为数据作为输入，预测每个第一处理员处理第一工单的预计处理情况数据；其中，针对m个第一处理员分别预测得到m个预计处理情况数据。在一个实施例中，工单时长预测模型1430
可以执行前文描述的操作s230。
[0225]
确定模块1440用于基于m个预计处理情况数据，从m个第一处理员中确定出最佳处理员。在一个实施例中，确定模块1440可以执行前文描述的操作s240。
[0226]
分派模块1450用于将第一工单分派给最佳处理员。在一个实施例中，分派模块1450可以执行前文描述的操作s250。
[0227]
规划处理模块1460用于在最佳处理员当前具有r个待办工单的情况下，获取每个待办工单的信息，其中，每个待办工单的信息包括最大有效处理时长，其中，r为大于或等于2的整数。相应地，工单时长预测模型1430还用于以每个待办工单的信息和最佳处理员的工单处理行为数据作为输入，预测最佳处理员处理每个待办工单的预计处理时长和超期风险指数。进一步地，规划处理模块1460还可以用于获取工单时长预测模型1430输出的最佳处理员处理每个待办工单的超期风险指数，并按照每个待办工单的超期风险指数超期风险指数大小，确定r个待办工单的优先级。
[0228]
分配预测模型1470用于在获取m个第一处理员中每个第一处理员的工单处理行为数据之前，以第一工单的信息作为输入，将第一工单分配到最优匹配专业组。最优匹配专业组包括m个第一处理员，从而可以通过接下来的处理在m个第一处理员中确定出最佳处理员。其中，最优匹配专业组为n个专业组其中之一，n为大于或等于2的整数。在一个实施例中，分配预测模型1470可以执行前文描述的操作s910。
[0229]
模型构建模块1480用于构建工单时长预测模型1430，从而使得工单时长预测模型1430在构建完成(例如训练好)后，可以用于预测处理员对工单的预计处理情况数据。具体地，模型构建模块1480可以用于首先获取至少一个训练样本数据，其中，训练样本数据包括第二工单的信息、处理第二工单的第二处理员的工单处理行为数据、以及第二处理员处理第二工单的真实处理时长，然后利用至少一个训练样本数据训练工单时长预测模型，其中，在每个训练样本数据中，以第二工单的信息和处理第二工单的第二处理员的工单处理行为数据作为训练输入数据，以第二处理员处理第二工单的真实处理时长作为训练输出数据的真值。在一个实施例中，模型构建模块1480可以执行前文描述的操作s510～操作s520。
[0230]
在另一实施例中，工单时长预测模型1430可以包括机器学习模型以及机器学习模型的预测误差的概率分布模型。相应地，模型构建模块1480还可以用于：利用至少一个训练样本数据训练机器学习模型，以及在机器学习模型训练好后，基于机器学习模型的预测误差构造服从标准正态分布的统计变量，以得到概率分布模型；其中，机器学习模型的预测误差的均值被设置为零，机器学习模型的预测误差的方差是通过对机器学习模型在至少一个训练样本数据中的预测误差的方差估计得到的。在一个实施例中，工单时长预测模型1430可以执行前文描述的操作s610～操作s630。
[0231]
图15示意性示出了根据本公开一实施例的构建工单时长预测模型的装置1500的结构框图。
[0232]
如图15所示，该构建工单时长预测模型的装置1500可以包括第一训练样本获取模块1510以及第一训练模块1520。在一些实施例中，该装置1500也可以集成到工单分派装置1400中，例如，形成工单分派装置1400中的模型构健模块1480。构建工单时长预测模型的装置1500可以用于实现参考图5或图6所描述得到构建工单时长预测模型的方法。
[0233]
第一训练样本获取模块1510用于获取至少一个训练样本数据，其中，训练样本数
据包括第二工单的信息、处理第二工单的第二处理员的工单处理行为数据、以及第二处理员处理第二工单的真实处理情况数据。在一个实施例中，第一训练样本获取模块1510可以执行前文描述的操作s510或操作s610。
[0234]
第一训练模块1520用于利用至少一个训练样本数据训练工单时长预测模型，其中，在每个训练样本数据中，以第二工单的信息和处理第二工单的第二处理员的工单处理行为数据作为训练输入数据，以第二处理员处理第二工单的真实处理情况数据作为训练输出数据的参考。在一个实施例中，第一训练模块1520可以执行前文描述的操作s520。
[0235]
根据本公开的一个实施例，第一训练模块1520包括第一机器学习子模块1521以及概率分布模型构建子模块1522。其中，工单时长预测模型包括机器学习模型以及机器学习模型的预测误差的概率分布模型。
[0236]
第一机器学习子模块1521用于利用至少一个训练样本数据训练机器学习模型，其中，真实处理情况数据包括真实处理时长，在训练过程中以真实处理时长作为机器学习模型的输出数据的真值。在一个实施例中，第一机器学习子模块1521可以执行前文描述的操作s620。
[0237]
概率分布模型构建子模块1522在机器学习模型训练好后，基于机器学习模型的预测误差构造服从标准正态分布的统计变量，以得到概率分布模型。其中，机器学习模型的预测误差的均值被设置为零，机器学习模型的预测误差的方差是通过对机器学习模型在至少一个训练样本数据中的预测误差的方差估计得到的。在一个实施例中，概率分布模型构建子模块1522可以执行前文描述的操作s630。
[0238]
根据本公开的实施例，第一获取模块1410、第二获取模块1420、工单时长预测模型1430、确定模块1440、分派模块1450、规划处理模块1460、分派预测模型1470、第一训练样本获取模块1510和第一训练模块1520中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块1410、第二获取模块1420、工单时长预测模型1430、确定模块1440、分派模块1450、规划处理模块1460、分派预测模型1470、第一训练样本获取模块1510和第一训练模块1520中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块1410、第二获取模块1420、工单时长预测模型1430、确定模块1440、分派模块1450、规划处理模块1460、分派预测模型1470、第一训练样本获取模块1510和第一训练模块1520中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0239]
图16示意性示出了适于实现根据本公开实施例的工单分派方法或构建工单时长预测模型的方法的电子设备1600的方框图。
[0240]
如图16所示，根据本公开实施例的电子设备1600包括处理器1601，其可以根据存储在只读存储器(rom)1602中的程序或者从存储部分1608加载到随机访问存储器(ram)1603中的程序而执行各种适当的动作和处理。处理器1601例如可以包括通用微处理器(例
如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器1601还可以包括用于缓存用途的板载存储器。处理器1601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0241]
在ram 1603中，存储有电子设备1600操作所需的各种程序和数据。处理器1601、rom 1602以及ram 1603通过总线1604彼此相连。处理器1601通过执行rom 1602和/或ram 1603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 1602和ram 1603以外的一个或多个存储器中。处理器1601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0242]
根据本公开的实施例，电子设备1600还可以包括输入/输出(i/o)接口1605，输入/输出(i/o)接口1605也连接至总线1604。电子设备1600还可以包括连接至i/o接口1605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1607；包括硬盘等的存储部分1608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1609。通信部分1609经由诸如因特网的网络执行通信处理。驱动器1610也根据需要连接至i/o接口1605。可拆卸介质1611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1610上，以便于从其上读出的计算机程序根据需要被安装入存储部分1608。
[0243]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0244]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 1602和/或ram 1603和/或rom 1602和ram 1603以外的一个或多个存储器。
[0245]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
[0246]
在该计算机程序被处理器1601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0247]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1609被下载和安装，和/或从可拆卸介质1611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0248]
在这样的实施例中，该计算机程序可以通过通信部分1609从网络上被下载和安
装，和/或从可拆卸介质1611被安装。在该计算机程序被处理器1601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0249]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0250]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0251]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0252]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。