[發(fā)明專利]一種在線售前客服效果評(píng)價(jià)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010016769.8
• 申請(qǐng)日: 2020-01-08
• 公開（公告）號(hào): CN111221953A
• 公開（公告）日: 2020-06-02
• 發(fā)明（設(shè)計(jì)）人: 李莉;戚文敏;黃駿;鄒葦;吳苛;陸嘉毅
• 申請(qǐng)（專利權(quán)）人: 南京新貝金服科技有限公司;南京理工大學(xué)
• 主分類號(hào): G06F16/332
• 分類號(hào): G06F16/332;G06Q10/06;G06Q30/02;G06F16/951
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 陳建和

1.一種在線售前客服效果評(píng)價(jià)方法，其特征在于，包括如下步驟：

步驟1.基于電子商務(wù)網(wǎng)站企業(yè)數(shù)據(jù)庫(kù)收集原始數(shù)據(jù)，所述原始數(shù)據(jù)包括平臺(tái)用戶的注冊(cè)信息數(shù)據(jù)、用戶訪問行為日志數(shù)據(jù)、購(gòu)買記錄數(shù)據(jù)與客服記錄數(shù)據(jù)；

步驟2.對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，所述預(yù)處理包括清理、用戶識(shí)別與會(huì)話切分，從而獲得基礎(chǔ)數(shù)據(jù)集；

步驟3.在集成后的基礎(chǔ)數(shù)據(jù)集上構(gòu)建用于分析的特征指標(biāo)，所述特征指標(biāo)的類目包括用戶基本屬性特征、訪問行為特征、購(gòu)買行為特征與客服特征；

步驟4.使用客服記錄數(shù)據(jù)中的用戶滿意度作為客服效果評(píng)價(jià)指標(biāo)，構(gòu)建客服效果模型，估計(jì)模型參數(shù)，計(jì)算客服效果；

步驟5.基于客服效果模型參數(shù)，對(duì)客服效果進(jìn)行評(píng)價(jià)。

2.根據(jù)權(quán)利要求1所述的一種在線售前客服效果評(píng)價(jià)方法，其特征在于，所述步驟1中，具體包括：

所述步驟1中，具體包括：

所述用戶的注冊(cè)信息數(shù)據(jù)包括用戶性別、年齡、地區(qū)、積分?jǐn)?shù)和審核備注字段；所述用戶訪問行為日志數(shù)據(jù)記錄并存儲(chǔ)在網(wǎng)絡(luò)日志數(shù)據(jù)庫(kù)，包括點(diǎn)擊的時(shí)間、用戶點(diǎn)擊時(shí)的網(wǎng)絡(luò)IP地址、用戶的來(lái)源網(wǎng)頁(yè)和用戶的訪問請(qǐng)求網(wǎng)頁(yè)，對(duì)于有客服使用記錄的用戶，提取用戶自注冊(cè)起到首次咨詢客服的用戶訪問日志數(shù)據(jù)，對(duì)于沒有客服使用記錄的用戶，提取用戶自注冊(cè)起至今的用戶訪問日志數(shù)據(jù)；所述購(gòu)買記錄數(shù)據(jù)包括購(gòu)買時(shí)間、商品ID、商品價(jià)格、優(yōu)惠價(jià)格、商品類別；從客服記錄數(shù)據(jù)中提取預(yù)設(shè)的一段時(shí)間內(nèi)完整的客服記錄，所述客服記錄包括消息ID、會(huì)話ID、消息時(shí)間、客服消息記錄、發(fā)送人ID、接收人ID、消息流向，所述客服消息記錄以LOB型數(shù)據(jù)存儲(chǔ)，在處理時(shí)轉(zhuǎn)換為varchar型數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的一種在線售前客服效果評(píng)價(jià)方法，其特征在于，所述步驟2中，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理具體包括：

步驟2-1.數(shù)據(jù)清洗，具體為：

步驟2-1-1.在用戶的注冊(cè)信息數(shù)據(jù)中，通過用戶出生日期計(jì)算用戶年齡，通過用戶注冊(cè)時(shí)間計(jì)算其注冊(cè)時(shí)長(zhǎng)，在用戶注冊(cè)信息數(shù)據(jù)中通過審核備注字段剔除測(cè)試人員與未錄入指定注冊(cè)信息的人員的數(shù)據(jù)，所述指定注冊(cè)信息包括用戶出生日期與電話號(hào)碼；

步驟2-1-2.刪除無(wú)關(guān)的字段和無(wú)關(guān)的數(shù)據(jù)記錄；所述無(wú)關(guān)的字段是指在用戶訪問行為日志數(shù)據(jù)中除用戶IP、cookies、用戶代理、訪問日期、訪問時(shí)間、訪問來(lái)源地址和訪問請(qǐng)求地址以外的其他字段；所述無(wú)關(guān)的數(shù)據(jù)記錄包括網(wǎng)站內(nèi)部測(cè)試賬號(hào)產(chǎn)生的數(shù)據(jù)記錄、用戶注冊(cè)信息數(shù)據(jù)中非用戶記錄的數(shù)據(jù)以及用戶訪問行為日志數(shù)據(jù)中的爬蟲數(shù)據(jù)、圖片視頻請(qǐng)求數(shù)據(jù)和異常訪問數(shù)據(jù)，通過用戶訪問IP判斷其所在區(qū)域；

步驟2-1-3.在購(gòu)買記錄數(shù)據(jù)中的用戶購(gòu)買記錄中，只保留有效購(gòu)買訂單的用戶，刪除客服記錄數(shù)據(jù)中的客服廣告數(shù)據(jù)、異常訂單記錄與企業(yè)批量購(gòu)買的大宗訂單記錄；

步驟2-1-4.在客服記錄數(shù)據(jù)中，對(duì)客服數(shù)據(jù)進(jìn)行主題挖掘，具體為：根據(jù)會(huì)話主題將客服分為售前客服記錄數(shù)據(jù)與售后客服記錄數(shù)據(jù)兩類，刪除售后客服記錄數(shù)據(jù)，僅提取售前客服記錄數(shù)據(jù)：首先對(duì)文檔進(jìn)行會(huì)話切分、分詞處理并去除停用詞與特殊詞匯，將短文本的對(duì)話信息轉(zhuǎn)化為符合模型要求的詞向量表現(xiàn)形式，然后進(jìn)行特征選擇，所述特征選擇包括名詞短語(yǔ)提取、高頻詞提取、外部數(shù)據(jù)集引入與信息熵過濾，特征選擇后代入主題挖掘模型提取每段客服對(duì)話的主題，刪除客服文本中涉及售后服務(wù)部分主題的對(duì)話記錄，所述售后服務(wù)部分主題的對(duì)話記錄包括主題為“理賠”、“賠付”、“發(fā)票”、“退保”、“退款”、“保單號(hào)”的記錄；

步驟2-1-5.對(duì)所收集的數(shù)據(jù)進(jìn)行無(wú)量綱化處理，得到標(biāo)準(zhǔn)化參數(shù)數(shù)據(jù)；

步驟2-2.用戶識(shí)別，具體為：

步驟2-2-1.將數(shù)據(jù)清洗后的用戶原始數(shù)據(jù)整理成以用戶唯一標(biāo)示身份為維度；企業(yè)數(shù)據(jù)庫(kù)中，用戶注冊(cè)信息數(shù)據(jù)與購(gòu)買記錄數(shù)據(jù)以用戶ID為單位存儲(chǔ)；用戶訪問行為日志數(shù)據(jù)以cookie、IP地址為單位存儲(chǔ)；對(duì)于用戶訪問行為日志數(shù)據(jù),提取用戶的用戶ID、用戶姓名、用戶訪問時(shí)間、用戶訪問模塊URL后，通過網(wǎng)絡(luò)日志數(shù)據(jù)中的cookies字段來(lái)區(qū)分不同的用戶，若cookie為空值，則用IP地址區(qū)分用戶；

步驟2-2-2.通過用戶ID和cookie或IP地址之間的對(duì)應(yīng)關(guān)系將上述數(shù)據(jù)整合，統(tǒng)一按用戶ID存儲(chǔ)，在此過程中過濾重復(fù)用戶，即使用同一IP地址的用戶，結(jié)合用戶代理字段值區(qū)分用戶，完成用戶識(shí)別，生成用戶的基本數(shù)據(jù)寬表，將數(shù)據(jù)集通過計(jì)算集成為衡量用戶價(jià)值的變量，所述衡量用戶價(jià)值的變量包括用戶在整體網(wǎng)站的訪問頻率、單一網(wǎng)頁(yè)的訪問頻率和各類商品的消費(fèi)頻率；

步驟2-3.會(huì)話切分具體為：使用日志數(shù)據(jù)中的時(shí)間戳對(duì)用戶點(diǎn)擊流進(jìn)行會(huì)話切分，將同一Cookie離開半小時(shí)內(nèi)再進(jìn)入的訪問記錄算作同一個(gè)會(huì)話。