[发明专利]动态的预测式智能自动外呼系统算法

权利要求书

1.一种动态的预测式智能自动外呼系统算法，其特征在于，包括以下步骤：

第一步，开始启动智能自动外呼系统后，就相应开启一个主调度模块，主调度模块分为第一子模块、第二子模块、第三子模块，第一子模块负责定时扫描任务文件，第二子模块负责自动外呼；第三子模块负责回写任务状态以及执行情况；

第二步，自动外呼以项目为基础单位，新建项目，接着开始导入批次项目任务名单，任务标识为待启动；

第三步，任务导入完毕以后，启动任务，第一子模块每隔一段时间自动扫描任务文件，如果有任务满足条件，调度控制模块根据预测外呼算法获取外呼电话个数，预测外呼算法为动态调整第一子模块发出的外呼电话个数，将速度调整系数根据每半个小时调整一次，在原有的基础上，去除时段偏移量因子、日偏移量因子和月偏移量因子，得到一个时段的偏移量参考基数，再加回时段偏移量因子、日偏移量因子和月偏移量因子，得到偏移量数据范围，原始数据处于正常数据范围之外的为异常数据，异常数据即为异动数据，使用话务量剔除掉异动数据，得到不受异动数据影响的话务数据，预测外呼算法的计算过程，首先以年为单位，将年拆分为：1至12月乘以每月总天数乘以48个时段，按时段来统计；再计算Y年M月D日H时段的话务数据，话务量为S，时段偏移量因子Ah=H时段话务量S除以全天48个时段话务总量的均值，日偏移量因子Ad=D天话务量除以M月每天话务总量的均值，月偏移量因子Am=M月话务量除以全年每月话务总量均值；接着计算偏移量参考值A=S÷Ah÷Ad÷Am；随之，对于1至12 月，每月D日的参考值都计算出来为A1至A12；之后，计算去掉异动数据的均值A’；再加回时段偏移量因子，日偏移量因子以及月偏移量因子的影响，A0=A’乘以Ah乘以Ad乘以Am；然后，设R为可配置的偏移度，则若S∈（A0±R%），则为正常数据，否则若S ∉（A0±R%）为异常数据，需进一步修正；最后，对S ∉（A0±R%）的数据，用参考值A0替换S，进一步优化数据；

第四步，智能自动外呼系统从第一子模块中的号码池提取出号码信息文件，并将外呼电话扔到第二子模块队列，同时更新外呼冗余系统，第二子模块每隔一段时间自动取出队列里面的数据进行外呼，系统拨号模块自动剔除掉无法接通、不在服务区、无人接听等状态的通话，将正常接通的电话转交给空闲坐席处理，处理中将外呼号码信息更新为进行中，处理完毕以后将外呼号码信息更新为呼叫完毕，并将呼叫结果扔到第三子模块队列，并由第三子模块定时回写任务状态以及执行情况；

第五步，确认号码是否拨打完毕，如果是，则任务结束，如果否，则返回第三步中继续执行任务。

2.根据权利要求1所述的动态的预测式智能自动外呼系统算法，其特征在于：正常数据范围包括日常数据采集和统计，采集数据包括通话时长、话后处理时长、平均处理时长、呼叫量和接听量，统计维度包括时段、日、周、月和年。

3.根据权利要求1所述的动态的预测式智能自动外呼系统算法，其特征在于：正常数据范围包括维度数据，维度数据的分析为短期预测以小时为单位来预测近期的话务量与坐席安排，中期预测以天为单位来预测每月的话务量与坐席安排，以及长期预测以月为单位来预测整年的话务量与坐席安排。

4.根据权利要求1所述的动态的预测式智能自动外呼系统算法，其特征在于：第三步中，预测外呼算法的数据分析，首先，抽取前一个月的数据来做分析，数据包括H时段话务量，全天48个时段话务总量均值；D天话务量，M月每天话务总量均值；M月话务量，全年每月话务总量均值；接着，计算Ah=H时段话务量÷全天48个时段话务总量均值；Ad=D天话务量÷M月每天话务总量均值；Am=M月话务量÷全年每月话务总量均值；之后，设定当前时段预测呼出话务量，计算偏移量参数A=当前时段预测呼出话务量÷Ah÷Ad÷Am；再分别计算12个月的A1至A12，然后再求平均得到均值A’=(A1+A2…+A12)÷12；继而加回偏移量影响A0=均值A’乘以Ah乘以Ad乘以Am；最后，设定偏移度R，并计算范围值和预测话务量，得出正常数据，如果预测值超过计算范围值，则呼出客户数较多，导致坐席无法及时接听电话，如果预测值低于计算范围值，则导致呼出客户数少，坐席空闲数多。

5.根据权利要求4所述的动态的预测式智能自动外呼系统算法，其特征在于：第三步中，设定偏移度R为5%。

6.根据权利要求5所述的动态的预测式智能自动外呼系统算法，其特征在于：偏移度R跟呼叫中心的话务水平稳定程序相关联，稳定程度高，则对应设置的值小于5%，稳定程度低，则对应设置的值大于5%。