一种业务投诉预测方法、装置、智能终端及存储介质与流程

1.本技术涉及计算机软件技术领域，尤其涉及一种业务投诉预测方法、装置、智能终端及存储介质。


背景技术：

2.伴随着社会经济发展，金融消费者的消保意识和维权意识提高等多重因素的冲击，银行行业消费者投诉日益增多。面对消费者投诉，必须妥善应对，主动落实消费者权益保护主体责任，在加强调查分析的基础之上注重源头治理，切实做好消费者权益保护工作。
3.银行行业包含多种银行业务，针对银行业务的投诉，银行需要定时监测，统计业务的现有投诉数据进行预测分析。根据预测数据的异常增长量，通知各业务部门及时作出处理，降低客户投诉，监督和督促业务人员优化业务流程和改善服务态度。
4.现有技术中，通过人工对业务数据进行统计和分析，以及预测投诉增长量，而人工的方式需要消耗大量的人力物力，并且，容易出现错漏，难以实现多维度的数据比对。


技术实现要素：

5.本技术实施例提供一种业务投诉预测方法、装置、智能终端及存储介质，用于解决上述背景技术中的问题。
6.第一方面，本技术实施例提供一种业务投诉预测方法，所述方法包括：
7.获取待预测投诉工单；
8.对所述待预测投诉工单进行解析，获取投诉关键数据；
9.将所述投诉关键数据输入预先训练好的投诉预测模型，通过所述投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值；
10.将所述投诉预测值推送给预设的咨诉系统，由所述咨诉系统对所述投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。
11.在一些实施例中，在所述获取待预测投诉工单之前，还包括：
12.获取历史投诉工单，提取所述历史投诉工单中的第一目标数据字段；
13.对所述第一目标数据字段进行标准化处理和筛选，得到第二目标数据字段，基于所述第二目标数据字段，构建模型训练数据集；
14.通过所述模型训练数据集对投诉预测模型进行模型训练。
15.在一些实施例中，所述将所述投诉关键数据输入预先训练好的投诉预测模型，通过所述投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值，包括：
16.确定所述投诉预测模型的预测变化类型；
17.基于所述预测变化类型，确定对应的预测函数；
18.基于所述预测函数计算未来时间段的业务投诉量的投诉预测值。
19.在一些实施例中，所述将所述投诉预测值推送给预设的咨诉系统，由所述咨诉系统对所述投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒，包括：
20.所述咨诉系统获取所述待投诉工单的参考预测值，将所述投诉预测值和所述参考预测值进行对比；
21.若所述投诉预测值大于所述参考预测值，所述咨诉系统自动发送提醒信息至关联业务端，否则，所述咨诉系统不进行提醒。
22.在一些实施例中，在所述获取待预测投诉工单之前，还包括：
23.咨诉系统接收投诉预测请求，基于所述投诉预测请求，查询预设时间段内的投诉记录数据；
24.基于所述投诉记录数据，按照预设的表格生成方式生成投诉工单，将所述投诉工单上传至数据库；
25.所述数据库存储所述投诉工单，并生成对应的文件存储编码。
26.在一些实施例中，所述获取待预测投诉工单，包括：
27.所述咨诉系统调用预设的算法接口，将所述文件存储编码发送给投诉预测模型；
28.所述投诉预测模型从所述数据库中下载与所述文件存储编码对应的投诉工单作为待预测投诉工单。
29.在一些实施例中，在所述获取待预测投诉工单之前，还包括：
30.获取预设时间段内上传的投诉工单，将所述投诉工单按照业务类型进行工单分类；
31.确定需要进行预测的目标业务类型，将与所述目标业务类型对应的投诉工单作为待预测投诉工单。
32.第二方面，本技术实施例还提供了一种业务投诉预测装置，所述装置包括：
33.获取单元，用于获取待预测投诉工单；
34.解析单元，用于对所述待预测投诉工单进行解析，获取投诉关键数据；
35.模型预测单元，用于将所述投诉关键数据输入预先训练好的投诉预测模型，通过所述投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值；
36.分析单元，用于将所述投诉预测值推送给预设的咨诉系统，由所述咨诉系统对所述投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。
37.第三方面，本技术实施例还提供一种智能终端，包括存储器和处理器，所述存储器用于存储指令和数据，所述处理器用于执行上述所述的业务投诉预测方法。
38.第四方面，本技术实施例还提供一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述所述的业务投诉预测方法。
39.本技术实施例中的业务投诉预测方法，包括获取待预测投诉工单；对所述待预测投诉工单进行解析，获取投诉关键数据；将所述投诉关键数据输入预先训练好的投诉预测模型，通过所述投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值；将所述投诉预测值推送给预设的咨诉系统，由所述咨诉系统对所述投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。通过上述方式，实现模型预测业务投诉的发展趋势的准确性和预测效率，以及根据预测结果确定是否对相关业务部门进行提醒，保证投诉异常的监督和督促。
附图说明
40.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1是本技术实施例提供的一种业务投诉预测方法的流程图。
42.图2是本技术实施例提供的一种业务投诉预测方法对应的系统的示意图。
43.图3是本技术实施例提供的一种业务投诉预测装置的结构示意图。
44.图4是本技术实施例提供的一种智能终端的结构示意图。
具体实施方式
45.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
46.在本技术实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
47.为了使本领域任何技术人员能够实现和使用本技术，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本技术。在其它实例中，不会对公知的过程进行详细阐述，以避免不必要的细节使本技术实施例的描述变得晦涩。因此，本技术并非旨在限于所示的实施例，而是与符合本技术实施例所公开的原理和特征的最广范围相一致。
48.本技术实施例提供一种业务投诉预测方法、装置、智能终端及存储介质，以下将分别进行详细说明。
49.请参阅图1和图2，图1为本技术实施例提供的一种业务投诉预测方法的流程图，图2为本技术实施例提供的一种业务投诉预测方法对应的系统的示意图，其中，业务投诉预测方法包括以下内容：
50.101、获取待预测投诉工单。
51.102、对所述待预测投诉工单进行解析，获取投诉关键数据。
52.银行行业的业务类型多种多样，并且，银行行业通常设置有对业务的投诉方式，包括电话投诉、网点投诉以及应用程序上的投诉入口进行投诉。银行行业中，银行客户对业务进行投诉之后，银行系统会自动根据银行客户的投诉内容以及预设的模板生成投诉工单，或者，通过人工整理的方式，根据银行客户的投诉内容以及预设的模板生成投诉工单。可设置定时任务对预设时间段内接受到的投诉工单进行定期的投诉预测，以定期获取预测结果并根据预测结果作出相应的处理。
53.可选的，在一些实施例中，在获取待预测投诉工单之前，包括：获取历史投诉工单，提取历史投诉工单中的第一目标数据字段，对第一目标数据字段进行标准化处理和筛选，
得到第二目标数据字段，基于第二目标数据字段，构建模型训练数据集，通过模型训练数据集对投诉预测模型进行模型训练。
54.在模型训练阶段，通过历史投诉工单获取用于进行模型训练的第一目标数据字段和第二目标数据字段，第一目标数据字段和第二目标数据字段可以通过人工从历史投诉工单中获取。人工先从历史投诉工单中选取出第一目标数据字段，并对第一目标数据字段进行标准化处理，将处理之后的第一目标数据字段进行筛选去重等，得到第二目标数据字段。
55.在得到第二目标数据字段之后，将其输入投诉预测模型中进行模型训练，并结合模型损失函数对投诉预测模型的准确率进行计算，根据计算结果对投诉预测模型进行调整更新，直至投诉预测模型的预测准确率达到目标值。
56.可选的，在一些实施例中，在获取待预测投诉工单之前，还包括：咨诉系统接收投诉预测请求，基于投诉预测请求，查询预设时间段内的投诉记录数据，基于投诉记录数据，按照预设的表格生成方式生成投诉工单，将投诉工单上传至数据库，数据库存储投诉工单，并生成对应的文件存储编码。
57.在本技术的实施例中，业务投诉预测方法对应的系统包括投诉预测模型、咨诉系统和数据库，投诉预测请求是通过咨诉系统发起的。
58.其中，投诉预测模型为arima模型，arima模型为差分整合移动平均自回归模型，又为整合移动平均自回归模型。
59.可选的，在一些实施例中，获取待预测投诉工单，包括：咨诉系统调用预设的算法接口，将文件存储编码发送给投诉预测模型，投诉预测模型从数据库中下载与文件存储编码对应的投诉工单作为待预测投诉工单。
60.以信用卡业务的投诉预测为例进行说明，银行员工通过咨诉系统发起投诉预测请求。相应的，投诉预测请求中附带有预测时间信息以及预测范围信息等等。其中，预测时间信息可以理解为是想要预测的时间信息，具体可包括预测日期、预测月份、预测季度等等。预测范围信息可以理解为是参与投诉预测的投诉工单的生成时间范围。咨诉系统根据投诉预测请求，通过关联的信用卡信息，发送查询请求到数据库，信数据库查询到相应的数据之后，将查询到的数据返回咨诉系统。咨诉系统将查询到的数据下载到预设的表格得到对应的文件，该文件即为投诉工单的文件，将该文件上传到数据库中进行存储。数据库会针对该文件的存储返回文件id，即文件存储编码。咨诉系统将文件id发送给投诉预测模型，由投诉预测模型去数据库中下载得到投诉工单为待预测投诉工单，并对待预测投诉工单进行相应的预测处理。
61.文件存储编码可以是咨诉系统接收到投诉预测请求之后得到的，咨诉系统根据投诉预测请求附带的信息从数据库中查询数据，将查询到的数据下载到预设的表格得到文件并将文件存储到数据库之后由数据库生成得到的。可以认为，文件存储编码对应的文件中存储的是与投诉预测请求关联的所有投诉工单的关联数据。
62.文件存储编码也可以是咨诉系统接收到投诉预测请求之前得到的，咨诉系统在接收到与投诉相关的记录了投诉内容的模板之后，根据记录内容从数据库中查询相关的数据并下载到预设的表格得到文件，将该文件存储到数据库中并由数据库生成和返回文件存储编码。可以认为，文件存储编码对应的文件中存储的是每一投诉的关联数据。
63.在本技术的实施例中，数据库包括第一数据库和第二数据库，第一数据库对应图2
中的oracle数据库，第二数据库对应图2中的udmp数据库。两个数据库是基于存储的数据类型进行划分的。实际上，业务投诉预测方法对应的系统可以只设置有一个可存储多种数据类型的数据库，通过一个数据库实现对数据的存储。
64.可选的，在一些实施例中，在获取待预测投诉工单之前，还包括：获取预设时间段内上传的投诉工单，将投诉工单按照业务类型进行工单分类，确定需要进行预测的目标业务类型，将与目标业务类型对应的投诉工单作为待预测投诉工单。
65.预设时间段内上传的投诉工单实际属于历史投诉工单，可通过设定定时处理任务的方式将预设时间段内上传的投诉工单案子业务类型进行划分。例如，每个月最后一天获取该月内上传的所有的投诉工单，并按照业务类型对这些投诉工单进行工单分类，得到每一个业务类型在该月内的投诉工单。在存储这些投诉工单时，应该标记对应的上传月份。或者，在对这些投诉工单进行命名或者记录时，应当标记对应的上传月份。
66.在接收到投诉预测请求之后，会根据与投诉预测请求对应的业务类型以及附带的时间信息，从数据库中获取与时间信息匹配，并且，与请求的业务类型相同的投诉工单作为待预测投诉工单。
67.在获取得到待预测投诉工单之后，由投诉预测模型对这些待预测投诉工单进行解析，获取投诉关键数据。咨诉系统接收到投诉预测请求之后，将与投诉预测请求对应的文件存储编码通过esa调用算法接口的方式将文件存储编码发送给投诉预测模型，由投诉预测模型根据文件存储编码从数据库中下载对应的文件为待预测投诉工单。投诉预测模型对这些待预测投诉工单进行解析，从中获取投诉关键数据。
68.103、将所述投诉关键数据输入预先训练好的投诉预测模型，通过所述投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值。
69.可选的，在一些实施例中，确定投诉预测模型的预测变化类型，基于预测变化类型，确定对应的预测函数，基于预测函数计算未来时间段的业务投诉量的投诉预测值。
70.预测变化类型可包括季度变化类型、月份变化类型、日期变化类型和随机变化类型。其中，季度变化类型是以季度为时间维度进行预测的类型，月份变化类型是以每个月为时间维度进行预测的类型，日期变化类型是以每一日为时间维度进行预测的类型，随机变化类型可以为不规则的时间序列的预测的类型。
71.相应的，每一种预测变化类型对应的预测函数不同，确定预测变化类型，基于预测变化类型确定预测函数，并基于预测函数计算投诉预测值。
72.104、将所述投诉预测值推送给预设的咨诉系统，由所述咨诉系统对所述投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。
73.在本技术的实施例中，投诉预测模型在对待预测投诉工单进行处理并预测得到对应的投诉预测值之后，会将投诉预测值发送给咨诉系统，咨诉系统根据投诉预测值进行相应的处理，并将投诉预测值存储到数据库中。
74.投诉预测模型除了预测得到投诉预测值之外，还会自动生成对应的趋势变化预测图，将投诉预测值和趋势变化预测图发送给咨诉系统，咨诉系统接收到投诉预测值和趋势变化预测图之后，显示趋势变化预测图，并根据投诉预测值进行相应的处理。
75.可选的，在一些实施例中，咨诉系统获取待投诉工单的参考预测值，将投诉预测值和参考预测值进行对比，若投诉预测值大于参考预测值，咨诉系统自动发送提醒信息至关
联业务端，否则，咨诉系统不进行提醒。
76.关联业务端为与投诉预测请求对应的业务类型的业务部门的业务端，即负责与投诉预测请求对应的业务类型的业务部门的业务端。
77.可选的，在另一些实施例中，咨诉系统获取预设的消息配置提醒模板，并判断投诉预测值是否符合发送要求，当符合要求，基于消息配置提醒模板、投诉预测值以及与投诉预测值对应的业务类型，生成提醒消息，将提醒消息发送给关联业务端。当不符合要求，结束，不进行提醒。
78.可选的，在另一些实施例中，咨诉系统判断投诉预测值是否符合发送要求，当符合要求，咨诉系统获取消息配置规则，基于消息配置规则和投诉预测值，配置对应同比/环比/日增长等提醒规则，并生成提醒消息，将提醒消息发送给关联业务端。当不符合要求，结束，不进行提醒。
79.本技术实施例的业务投诉预测方法，包括：获取待预测投诉工单；对待预测投诉工单进行解析，获取投诉关键数据；将投诉关键数据输入预先训练好的投诉预测模型，通过投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值；将投诉预测值推送给预设的咨诉系统，由咨诉系统对投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。本技术中通过模型自动对业务投诉数据进行分析，预测业务投诉的发展趋势，避免了人工分析预测导致容易出错的问题，提高预测的准确性和预测效率，模型分析出预测结果之后将预测结果发送给咨诉系统，由咨诉系统对预测结果进行评估，确定是否对相关业务部门进行提醒，以实现投诉异常的监督和督促。
80.请参阅图3，图3为本技术实施例提供的一种业务投诉预测装置的结构示意图，该业务投诉预测装置200包括以下单元：
81.获取单元201，用于获取待预测投诉工单。
82.解析单元202，用于对待预测投诉工单进行解析，获取投诉关键数据。
83.银行行业的业务类型多种多样，并且，银行行业通常设置有对业务的投诉方式，包括电话投诉、网点投诉以及应用程序上的投诉入口进行投诉。银行行业中，银行客户对业务进行投诉之后，银行系统会自动根据银行客户的投诉内容以及预设的模板生成投诉工单，或者，通过人工整理的方式，根据银行客户的投诉内容以及预设的模板生成投诉工单。可设置定时任务对预设时间段内接受到的投诉工单进行定期的投诉预测，以定期获取预测结果并根据预测结果作出相应的处理。
84.可选的，在一些实施例中，在进入获取单元201的处理之前，业务投诉预测装置200包括提取单元、处理单元和模型训练单元。
85.提取单元，用于获取历史投诉工单，提取历史投诉工单中的第一目标数据字段。
86.处理单元，用于对第一目标数据字段进行标准化处理和筛选，得到第二目标数据字段。
87.模型训练单元，用于基于第二目标数据字段，构建模型训练数据集，通过模型训练数据集对投诉预测模型进行模型训练。
88.在模型训练阶段，通过历史投诉工单获取用于进行模型训练的第一目标数据字段和第二目标数据字段，第一目标数据字段和第二目标数据字段可以通过人工从历史投诉工单中获取。人工先从历史投诉工单中选取出第一目标数据字段，并对第一目标数据字段进
行标准化处理，将处理之后的第一目标数据字段进行筛选去重等，得到第二目标数据字段。
89.在得到第二目标数据字段之后，将其输入投诉预测模型中进行模型训练，并结合模型损失函数对投诉预测模型的准确率进行计算，根据计算结果对投诉预测模型进行调整更新，直至投诉预测模型的预测准确率达到目标值。
90.可选的，在一些实施例中，在进入获取单元201的处理之前，业务投诉预测装置200还包括请求接收单元、上传单元和生成单元。
91.请求接收单元，用于咨诉系统接收投诉预测请求，基于投诉预测请求，查询预设时间段内的投诉记录数据；
92.上传单元，用于基于投诉记录数据，按照预设的表格生成方式生成投诉工单，将投诉工单上传至数据库。
93.生成单元，用于数据库存储投诉工单，并生成对应的文件存储编码。
94.在本技术的实施例中，业务投诉预测方法对应的系统包括投诉预测模型、咨诉系统和数据库，投诉预测请求是通过咨诉系统发起的。
95.其中，投诉预测模型为arima模型，arima模型为差分整合移动平均自回归模型，又为整合移动平均自回归模型。
96.可选的，在一些实施例中，获取单元201包括接口调用子单元和工单下载子单元。
97.接口调用子单元，用于咨诉系统调用预设的算法接口，将文件存储编码发送给投诉预测模型。
98.工单下载子单元，用于投诉预测模型从数据库中下载与文件存储编码对应的投诉工单作为待预测投诉工单。
99.以信用卡业务的投诉预测为例进行说明，银行员工通过咨诉系统发起投诉预测请求。相应的，投诉预测请求中附带有预测时间信息以及预测范围信息等等。其中，预测时间信息可以理解为是想要预测的时间信息，具体可包括预测日期、预测月份、预测季度等等。预测范围信息可以理解为是参与投诉预测的投诉工单的生成时间范围。咨诉系统根据投诉预测请求，通过关联的信用卡信息，发送查询请求到数据库，信数据库查询到相应的数据之后，将查询到的数据返回咨诉系统。咨诉系统将查询到的数据下载到预设的表格得到对应的文件，该文件即为投诉工单的文件，将该文件上传到数据库中进行存储。数据库会针对该文件的存储返回文件id，即文件存储编码。咨诉系统将文件id发送给投诉预测模型，由投诉预测模型去数据库中下载得到投诉工单为待预测投诉工单，并对待预测投诉工单进行相应的预测处理。
100.文件存储编码可以是咨诉系统接收到投诉预测请求之后得到的，咨诉系统根据投诉预测请求附带的信息从数据库中查询数据，将查询到的数据下载到预设的表格得到文件并将文件存储到数据库之后由数据库生成得到的。可以认为，文件存储编码对应的文件中存储的是与投诉预测请求关联的所有投诉工单的关联数据。
101.文件存储编码也可以是咨诉系统接收到投诉预测请求之前得到的，咨诉系统在接收到与投诉相关的记录了投诉内容的模板之后，根据记录内容从数据库中查询相关的数据并下载到预设的表格得到文件，将该文件存储到数据库中并由数据库生成和返回文件存储编码。可以认为，文件存储编码对应的文件中存储的是每一投诉的关联数据。
102.在本技术的实施例中，数据库包括第一数据库和第二数据库，第一数据库对应图2
中的oracle数据库，第二数据库对应图2中的udmp数据库。两个数据库是基于存储的数据类型进行划分的。实际上，业务投诉预测方法对应的系统可以只设置有一个可存储多种数据类型的数据库，通过一个数据库实现对数据的存储。
103.可选的，在一些实施例中，在进入获取单元201的处理之前，业务投诉预测装置200包括工单分类单元和类型确定单元。
104.工单分类单元，用于获取预设时间段内上传的投诉工单，将投诉工单按照业务类型进行工单分类；
105.类型确定单元，用于确定需要进行预测的目标业务类型，将与目标业务类型对应的投诉工单作为待预测投诉工单。
106.预设时间段内上传的投诉工单实际属于历史投诉工单，可通过设定定时处理任务的方式将预设时间段内上传的投诉工单案子业务类型进行划分。例如，每个月最后一天获取该月内上传的所有的投诉工单，并按照业务类型对这些投诉工单进行工单分类，得到每一个业务类型在该月内的投诉工单。在存储这些投诉工单时，应该标记对应的上传月份。或者，在对这些投诉工单进行命名或者记录时，应当标记对应的上传月份。
107.在接收到投诉预测请求之后，会根据与投诉预测请求对应的业务类型以及附带的时间信息，从数据库中获取与时间信息匹配，并且，与请求的业务类型相同的投诉工单作为待预测投诉工单。
108.在获取得到待预测投诉工单之后，由投诉预测模型对这些待预测投诉工单进行解析，获取投诉关键数据。咨诉系统接收到投诉预测请求之后，将与投诉预测请求对应的文件存储编码通过esa调用算法接口的方式将文件存储编码发送给投诉预测模型，由投诉预测模型根据文件存储编码从数据库中下载对应的文件为待预测投诉工单。投诉预测模型对这些待预测投诉工单进行解析，从中获取投诉关键数据。
109.模型预测单元203，用于将投诉关键数据输入预先训练好的投诉预测模型，通过投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值。
110.可选的，在一些实施例中，模型预测单元203包括第一确定子单元、第二确定子单元和计算子单元。
111.第一确定子单元，用于确定投诉预测模型的预测变化类型；
112.第二确定子单元，用于基于预测变化类型，确定对应的预测函数；
113.计算子单元，用于基于预测函数计算未来时间段的业务投诉量的投诉预测值。
114.预测变化类型可包括季度变化类型、月份变化类型、日期变化类型和随机变化类型。其中，季度变化类型是以季度为时间维度进行预测的类型，月份变化类型是以每个月为时间维度进行预测的类型，日期变化类型是以每一日为时间维度进行预测的类型，随机变化类型可以为不规则的时间序列的预测的类型。
115.相应的，每一种预测变化类型对应的预测函数不同，确定预测变化类型，基于预测变化类型确定预测函数，并基于预测函数计算投诉预测值。
116.分析单元204，用于将投诉预测值推送给预设的咨诉系统，由咨诉系统对投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。
117.在本技术的实施例中，投诉预测模型在对待预测投诉工单进行处理并预测得到对应的投诉预测值之后，会将投诉预测值发送给咨诉系统，咨诉系统根据投诉预测值进行相
应的处理，并将投诉预测值存储到数据库中。
118.投诉预测模型除了预测得到投诉预测值之外，还会自动生成对应的趋势变化预测图，将投诉预测值和趋势变化预测图发送给咨诉系统，咨诉系统接收到投诉预测值和趋势变化预测图之后，显示趋势变化预测图，并根据投诉预测值进行相应的处理。
119.可选的，在一些实施例中，分析单元204包括对比子单元和提醒判断子单元。
120.对比子单元，用于咨诉系统获取待投诉工单的参考预测值，将投诉预测值和参考预测值进行对比；
121.提醒判断子单元，用于若投诉预测值大于参考预测值，咨诉系统自动发送提醒信息至关联业务端，否则，咨诉系统不进行提醒。
122.关联业务端为与投诉预测请求对应的业务类型的业务部门的业务端，即负责与投诉预测请求对应的业务类型的业务部门的业务端。
123.可选的，在另一些实施例中，咨诉系统获取预设的消息配置提醒模板，并判断投诉预测值是否符合发送要求，当符合要求，基于消息配置提醒模板、投诉预测值以及与投诉预测值对应的业务类型，生成提醒消息，将提醒消息发送给关联业务端。当不符合要求，结束，不进行提醒。
124.可选的，在另一些实施例中，咨诉系统判断投诉预测值是否符合发送要求，当符合要求，咨诉系统获取消息配置规则，基于消息配置规则和投诉预测值，配置对应同比/环比/日增长等提醒规则，并生成提醒消息，将提醒消息发送给关联业务端。当不符合要求，结束，不进行提醒。
125.本技术实施例的业务投诉预测装置200，包括：获取单元201，用于获取待预测投诉工单；解析单元202，用于对待预测投诉工单进行解析，获取投诉关键数据；模型预测单元203，用于将投诉关键数据输入预先训练好的投诉预测模型，通过投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值；分析单元204，用于将投诉预测值推送给预设的咨诉系统，由咨诉系统对投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。本技术中通过模型自动对业务投诉数据进行分析，预测业务投诉的发展趋势，避免了人工分析预测导致容易出错的问题，提高预测的准确性和预测效率，模型分析出预测结果之后将预测结果发送给咨诉系统，由咨诉系统对预测结果进行评估，确定是否对相关业务部门进行提醒，以实现投诉异常的监督和督促。
126.请参阅图4，图4为本技术实施例提供的一种智能终端的结构示意图，该智能终端300可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机(pc，personal computer)、个人数字助理(personal digital assistant，pda)等智能终端设备。该智能终端300包括有一个或者一个以上处理核心的处理器301、有一个或一个以上计算机可读存储介质的存储器302及存储在存储器302上并可在处理器301上运行的计算机程序。其中，处理器301与存储器302电性连接。本领域技术人员可以理解，图中示出的智能终端结构并不构成对智能终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
127.处理器301是智能终端300的控制中心，利用各种接口和线路连接整个智能终端300的各个部分，通过运行或加载存储在存储器302内的软件程序和/或模块，以及调用存储在存储器302内的数据，执行智能终端300的各种功能和处理数据，从而对智能终端300进行
整体监控。
128.在本技术实施例中，智能终端300中的处理器301会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的应用程序，从而实现各种功能：
129.获取待预测投诉工单；
130.对待预测投诉工单进行解析，获取投诉关键数据；
131.将投诉关键数据输入预先训练好的投诉预测模型，通过投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值；
132.将投诉预测值推送给预设的咨诉系统，由咨诉系统对所述投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。
133.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
134.可选的，智能终端300还包括触控显示屏303、输入单元304以及电源305，其中，处理器301均与触控显示屏303、输入单元304以及电源305电性连接。本领域技术人员可以理解，图4中示出的智能终端结构并不构成对智能终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
135.触控显示屏303可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令，触控显示屏303可以包括显示面板和触控面板。其中，显示面板可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的，可以采用液晶显示器(lcd，liquid crystal display)、有机发光二极管(oled，organic light-emitting diode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并生成相应的操作指令，且操作指令执行对应程序。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器301，并能接收处理器301发来的命令并加以执行。触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器301以确定触摸事件的类型，随后处理器301根据触摸事件的类型在显示面板上提供相应的视觉输出。在本技术实施例中，可以将触控面板与显示面板集成到触控显示屏303而实现输入和输出功能。但是在某些实施例中，触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏303也可以作为输入单元304的一部分实现输入功能。
136.输入单元304可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
137.电源305用于给智能终端300的各个部件供电。可选的，电源305可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源305还可以包括一个或一个以上的直流或交流电源、再充电系统、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。
138.尽管图4中未示出，智能终端300还可以包括传感器和射频模块等，在此不再赘述。
139.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
140.由上可知，本实施例提供的智能终端300，获取待预测投诉工单；对待预测投诉工单进行解析，获取投诉关键数据；将投诉关键数据输入预先训练好的投诉预测模型，通过投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值；将投诉预测值推送给预设的咨诉系统，由咨诉系统对所述投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。
141.本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
142.为此，本技术实施例提供一种计算机可读存储介质，其中存储有多条计算机程序，该计算机程序能够被处理器进行加载，以执行本技术实施例所提供的任一种业务投诉预测方法中的步骤。例如，该计算机程序可以执行如下步骤：
143.获取待预测投诉工单；
144.对待预测投诉工单进行解析，获取投诉关键数据；
145.将投诉关键数据输入预先训练好的投诉预测模型，通过投诉预测模型对未来时间段的业务投诉量进行预测，得到投诉预测值；
146.将投诉预测值推送给预设的咨诉系统，由咨诉系统对所述投诉预测值进行分析，并根据分析结果确定是否对关联业务端进行提醒。
147.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
148.其中，该存储介质可以包括：只读存储器(rom，re客户端账户d only memory)、随机存取记忆体(r客户端账户m，r客户端账户ndom客户端账户ccess memory)、磁盘或光盘等。
149.由于该存储介质中所存储的计算机程序，可以执行本技术实施例所提供的任一种业务投诉预测方法中的步骤，因此，可以实现本技术实施例所提供的任一种业务投诉预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
150.以上对本技术实施例所提供的一种业务投诉预测方法、装置、智能终端及存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理以及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想，同时，对于本领域的技术人员而言，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。