馬洪利　賀欣韜　王蕊　石芳

摘 要： 為了提高抽樣檢驗(yàn)的檢出率，基于對某運(yùn)營商呼叫中心服務(wù)質(zhì)量管理現(xiàn)狀的分析， 提出利用BP神經(jīng)網(wǎng)絡(luò)對客服代表輸出的話務(wù)質(zhì)量進(jìn)行風(fēng)險評估和預(yù)判分類的方法。經(jīng)過Matlab仿真平臺的模擬實(shí)驗(yàn)，確定風(fēng)險因子和風(fēng)險等級，并進(jìn)行數(shù)據(jù)歸一化處理，建立數(shù)學(xué)模型，得到結(jié)論：BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于呼叫中心服務(wù)質(zhì)量風(fēng)險評估和抽樣檢驗(yàn)領(lǐng)域是可行的、有效的。基于該方法，可以將呼叫中心服務(wù)質(zhì)量抽樣檢驗(yàn)的檢出率從傳統(tǒng)方法的5.3%提高到現(xiàn)在的9.23%，提高了質(zhì)檢人員的工作效率。

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)； 呼叫中心； 抽檢評估； 抽樣檢驗(yàn)

中圖分類號： TN911?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2014）10?0028?03

Abstract： According to the analysis on service quality management status of call center of a communication enterprise， the sampling evaluation method of the QoS provided by telephone operators is proposed， in which BP neural network is utilized. The risk factor and risk level was defined and the normalized data processing was performed. A mathematics model was established. The conclusion is that the application of BP neural network in call center is feasible， which was verified by MATLAB. Based on this method， the accuracy rate can be improved from 5.3% to 9.23%. The working efficiency of inspectors in the call center has been improved.

keywords： BP neural network； call center； sampling evaluation； sampling inspection

呼叫中心是企業(yè)為客戶提供服務(wù)的窗口，體現(xiàn)了“客戶為根，服務(wù)為本”的企業(yè)經(jīng)營理念。通過呼叫中心，客戶可以進(jìn)行業(yè)務(wù)辦理、信息咨詢、投訴建議以及故障申報等服務(wù)?？头硎沁B接企業(yè)和顧客的橋梁，其服務(wù)質(zhì)量都會對整個呼叫中心的服務(wù)水準(zhǔn)產(chǎn)生重要影響。為了持續(xù)、深入地提高企業(yè)的服務(wù)水平，為客戶提供及時、準(zhǔn)確和高質(zhì)量的服務(wù)，各企業(yè)長期以來都非常重視對呼叫中心服務(wù)質(zhì)量的管理[1]。

1 呼叫中心服務(wù)質(zhì)量抽檢評估的現(xiàn)狀

目前客服中心的質(zhì)量檢驗(yàn)工作是以隨機(jī)抽查作為基本方法，其依據(jù)的主要指標(biāo)包括：回答準(zhǔn)確率、流程口徑執(zhí)行率、服務(wù)用語規(guī)范率、服務(wù)態(tài)度規(guī)范率等。

對服務(wù)質(zhì)量的隨機(jī)抽查主要有兩種方式：人工布控和計算機(jī)自動布控。人工布控受主觀因素影響很大，會帶來評價尺度不統(tǒng)一等諸多問題。因此通常采用設(shè)定抽查比例后由計算機(jī)隨機(jī)布控的抽檢方式。隨機(jī)抽檢模式在很大程度上緩解了服務(wù)質(zhì)量抽檢評估的覆蓋面與人力成本之間的矛盾，但在本質(zhì)上都是對所有通話記錄不加區(qū)分、平均用力，忽略了每一條通話記錄出現(xiàn)不合格情況的潛在風(fēng)險是不同的。例如，入職時間較長的熟練客服人員輸出不合格服務(wù)的概率要低于新入職員工；每日凌晨0點(diǎn)至6點(diǎn)時段呼叫中心輸出不合格服務(wù)的概率要高于上午8點(diǎn)至下午5點(diǎn)的時段；通話時長的增大而產(chǎn)生疲勞、不耐煩、怠工等現(xiàn)象， 從而導(dǎo)致服務(wù)質(zhì)量的不穩(wěn)定等。輸出不合格服務(wù)的風(fēng)險受很多風(fēng)險因子的共同作用，存在差異。如果否認(rèn)或無視這種風(fēng)險差異的存在，對所有通話記錄進(jìn)行隨機(jī)抽檢，將會造成人力資源的浪費(fèi)和管理成本的上升。

綜上，缺乏針對性、抽檢效率不高已經(jīng)成為制約呼叫中心抽檢評估工作效能的突出問題。因此在客服系統(tǒng)管理中引入風(fēng)險評估概念，利用先進(jìn)的神經(jīng)網(wǎng)絡(luò)技術(shù)和數(shù)據(jù)挖掘技術(shù)建立風(fēng)險定量研究模型，從而在有限的人力物力條件下大幅提高不合格檢出率，是一個有著較高的理論研究價值和實(shí)際應(yīng)用前景的課題。

2 神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于服務(wù)質(zhì)量風(fēng)險評估的

可行性

每一條客服電話記錄發(fā)生不合格的風(fēng)險實(shí)際是由客服代表所受理的業(yè)務(wù)類型、客服代表自身的業(yè)務(wù)水平、所在班組的管理水平、受理業(yè)務(wù)時客服代表是否存在疲勞、倦怠狀態(tài)等多種因素共同作用決定的。這些因素有客觀因素也有主觀因素。將上述因素中能夠量化和監(jiān)測的因素列出來，稱作風(fēng)險因子。不同風(fēng)險因子在風(fēng)險評估中的權(quán)重不同，相互之間存在著復(fù)雜的非線性關(guān)聯(lián)。因此，從分析學(xué)角度解釋服務(wù)質(zhì)量風(fēng)險評估，應(yīng)是一個多因素、多變量、模糊的非線性、非對等運(yùn)算程序，所以過程相當(dāng)復(fù)雜。這也是為什么風(fēng)險評估綜合評判的結(jié)果也往往因人而異，即使最有經(jīng)驗(yàn)的專家也往往會給出不同的結(jié)論。如何將所有風(fēng)險因子綜合考慮確定最終的抽檢原則，是加權(quán)、取大、取小、取平均值、還是采用更先進(jìn)的算法。這些問題成為長期以來困擾審單中心專家們的一道難題。

神經(jīng)網(wǎng)絡(luò)技術(shù)是近幾年來人工智能研究較為活躍的領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)的模型也是依照生物神經(jīng)網(wǎng)絡(luò)提出的，它參考人腦結(jié)構(gòu)，試圖通過構(gòu)造人工神經(jīng)元的結(jié)構(gòu)和功能，實(shí)現(xiàn)人腦接收、處理和傳遞信息的功能，完成人類在語言、圖像處理或者抽象思維等方面的行為。它特別適用于處理輸入和輸出間關(guān)系復(fù)雜、機(jī)理不清或解決無法建立精確數(shù)學(xué)模型的“黑匣子”，是從樣本數(shù)據(jù)中擬合出輸入和輸出間的關(guān)系，并利用這種關(guān)系進(jìn)行預(yù)測一種有效手段[2]。

將模糊神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于呼叫中心服務(wù)質(zhì)量風(fēng)險評估，可以根據(jù)歷史數(shù)據(jù)和專家經(jīng)驗(yàn)建立完全量化的風(fēng)險評判模型，對每一條通話記錄進(jìn)行實(shí)時的風(fēng)險分析，實(shí)現(xiàn)“即決式”的抽檢布控；并且能夠?qū)崟r反饋?zhàn)钚碌臄?shù)據(jù)得以不斷完善抽檢規(guī)則。通過這個系統(tǒng)，在抽檢機(jī)制中引入結(jié)果反饋因素，形成“輸入?抽檢?反饋”的閉環(huán)，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，從結(jié)果反饋的樣例中學(xué)習(xí)，獲取“知識和經(jīng)驗(yàn)”，從而解決當(dāng)前專家系統(tǒng)的“瓶頸問題”。同時由于信息在網(wǎng)絡(luò)中是分布表示的，因而它對帶有噪聲或缺損的輸入信息有很強(qiáng)的適應(yīng)能力。據(jù)此，我們可以優(yōu)劣互補(bǔ)，構(gòu)建采用以專家系統(tǒng)為主，以神經(jīng)網(wǎng)絡(luò)為輔的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。

3 實(shí)證研究

3.1 風(fēng)險評估的系統(tǒng)流程

對服務(wù)質(zhì)量進(jìn)行風(fēng)險評估分為如下幾個基本步驟：

（1） 建立服務(wù)質(zhì)量的風(fēng)險指標(biāo)因子體系。鑒于搜集指標(biāo)體系時，專家評估會帶有一定的主觀性和指標(biāo)因子也會具有難以統(tǒng)計性，提出利用Delphi法，即專家調(diào)查問卷法來建立服務(wù)質(zhì)量的風(fēng)險指標(biāo)體系。通過兩輪的調(diào)查問卷和數(shù)據(jù)分析，最終選取了客服中心區(qū)域、客服人員上崗時間、通話時段、通話時長、業(yè)務(wù)受理類型這5個影響因素作為風(fēng)險因子，形成完整的風(fēng)險指標(biāo)體系。

（2） 建立風(fēng)險等級檢索表。在獲得風(fēng)險指標(biāo)體系之后去采集歷史數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行預(yù)處理。這里要對每一個風(fēng)險因子在過去發(fā)生的不合格次數(shù)和頻率進(jìn)行細(xì)致的分析，據(jù)此建立初始風(fēng)險等級檢索表。對于未來需要進(jìn)行風(fēng)險評估的每一條通話記錄來說，都能過通過上述風(fēng)險等級檢索表得到對應(yīng)的風(fēng)險等級向量。這里利用Access數(shù)據(jù)庫[3]技術(shù)設(shè)計實(shí)現(xiàn)了風(fēng)險等級檢索功能。

初始的檢索數(shù)據(jù)表不是固定的，而是動態(tài)更新的。這體現(xiàn)了神經(jīng)網(wǎng)絡(luò)系統(tǒng)自學(xué)習(xí)、自反饋、自調(diào)整的特點(diǎn)。理論上每一次通話記錄的抽檢結(jié)果的錄入保存都要觸發(fā)一次動態(tài)更新。

（3） 風(fēng)險因子的模糊歸一化。利用神經(jīng)網(wǎng)絡(luò)對服務(wù)質(zhì)量進(jìn)行建模分析，涉及神經(jīng)網(wǎng)絡(luò)的輸入端的數(shù)值化，而影響服務(wù)質(zhì)量風(fēng)險的因子大多數(shù)都是由模糊語言變量來描述的，因此，需要通過設(shè)計模糊控制器對其進(jìn)行模糊歸一化，將各個因子的風(fēng)險等級數(shù)值化到[0，1]區(qū)間。

（4） 進(jìn)行神經(jīng)網(wǎng)絡(luò)的建模。主要包括確定網(wǎng)絡(luò)結(jié)構(gòu)以及對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練樣本為采集的歷史數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)自動變更權(quán)值、閾值以達(dá)到期望輸出。神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出，可看作為評價結(jié)果，也就是風(fēng)險分類的結(jié)果；也可得到數(shù)值化的風(fēng)險值。

（5） 根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測出的分類結(jié)果，風(fēng)險“合格”與風(fēng)險“不合格”，對應(yīng)抽檢的布控指令為“不查”與“查”的關(guān)系，可將評估結(jié)果作為呼叫中心服務(wù)質(zhì)量抽檢策略制定的輔助支持。

3.2 BP神經(jīng)網(wǎng)絡(luò)在服務(wù)質(zhì)量風(fēng)險評估中的應(yīng)用實(shí)踐

本文的研究借助Matlab系統(tǒng)工具箱[4]對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真分析。

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險評估的關(guān)鍵步驟包括：建立風(fēng)險評估系統(tǒng)模型，選定網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置網(wǎng)絡(luò)參數(shù)并且導(dǎo)入樣本數(shù)據(jù)；神經(jīng)網(wǎng)絡(luò)訓(xùn)練，不斷更新其權(quán)值和閾值，使之達(dá)到期望輸出；固定滿足要求的網(wǎng)絡(luò)結(jié)構(gòu)以及參數(shù)，導(dǎo)入測試數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)測試，進(jìn)行預(yù)測分類。

（1） 確定網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)輸入為風(fēng)險指標(biāo)體系，指標(biāo)體系包含了5個因子，由此可確定出網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為5維， 因?yàn)樯窠?jīng)網(wǎng)絡(luò)的輸出為評價結(jié)果，“合格”與“不合格”，可由兩個向量表示（0，1）與（1，0），因此確定兩個輸出層節(jié)點(diǎn)數(shù)為2 維。

（2） 隱含層節(jié)點(diǎn)數(shù)。BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)目對BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度有較大影響：節(jié)點(diǎn)數(shù)目太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)，訓(xùn)練的精度也受影響；節(jié)點(diǎn)數(shù)太多，訓(xùn)練時間增加，網(wǎng)絡(luò)容易過擬合。這里采用公式法和試湊相結(jié)合的方法確定最佳隱含層節(jié)點(diǎn)數(shù)為20。最終可確定網(wǎng)絡(luò)結(jié)構(gòu)為5?20?2。

（3） 訓(xùn)練參數(shù)的選擇。初始權(quán)值和閾值的選擇：為了使網(wǎng)絡(luò)能夠很快收斂，避免陷入局部極小值，在網(wǎng)絡(luò)初始化時，通常選擇初始權(quán)重和閾值[-1，1）。

傳遞函數(shù)的選擇：本文中，采用均方誤差的對比的方法，在其他參數(shù)固定不變的情況下，分別對不同傳遞函數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得出其均方誤差和誤差百分比，然后進(jìn)行誤差對比，選擇誤差最小的傳遞函數(shù)。最終選取隱含層的傳遞函數(shù)為purelin函數(shù)，輸出層的傳遞函數(shù)為tansig函數(shù)[5]。

訓(xùn)練函數(shù)的選擇：與傳遞函數(shù)的選擇過程相似，通過對比不同訓(xùn)練函數(shù)的誤差性能來找到收斂最快的函數(shù)。最終選擇trainlm函數(shù)作為訓(xùn)練函數(shù)。在上述確定好神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)之后，在某地運(yùn)營商呼叫中心選取了2013年1月被抽檢的1 000條通話記錄及評價結(jié)果作為訓(xùn)練數(shù)據(jù)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中包含932條評價結(jié)果為“合格”的數(shù)據(jù)，68條評價結(jié)果為“不合格”的數(shù)據(jù)，不合格率為6.8%。網(wǎng)絡(luò)訓(xùn)練的誤差曲線如圖2所示。另外選取了該公司2013年2月被抽檢的1 000條通話記錄作為測試數(shù)據(jù)，利用前面已經(jīng)訓(xùn)練并保存好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險預(yù)測和分類，最終得到表1所示測試結(jié)果。

3.3 數(shù)據(jù)分析與結(jié)果評價

從表1可以看出，測試數(shù)組的1 000條通話記錄中實(shí)際被判定為不合格的例數(shù)為53例；按照目前呼叫中心的質(zhì)量檢驗(yàn)工作是以隨機(jī)抽查作為基本方法，因此從統(tǒng)計學(xué)意義上講，在隨機(jī)布控條件下的查驗(yàn)檢出率與實(shí)際的總體不合格率大致接近。這是隨機(jī)樣本反映總體情況的正常表現(xiàn)。即傳統(tǒng)的服務(wù)質(zhì)量檢驗(yàn)可以做到的不合格檢出率約為5.3%。而在使用了BP神經(jīng)網(wǎng)絡(luò)算法后，被算法預(yù)判為不合格（即執(zhí)行抽檢）的例數(shù)為195，其中判定正確為18例，不合格檢出率為9.23%，接近隨機(jī)抽檢下不合格檢出率的2倍。總體的分類正確率達(dá)到76.8%。

4 結(jié) 語

本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于對呼叫中心的質(zhì)量檢驗(yàn)工作中，對客服代表輸出的話務(wù)服務(wù)發(fā)生不合格的潛在風(fēng)險進(jìn)行預(yù)測，從而有針對性地進(jìn)行抽檢布控。這樣，一方面有效地克服了隨機(jī)抽檢的盲目性和低效率，在有限的人力物力條件下，大幅提高抽查檢出率，實(shí)現(xiàn)資源效能的充分發(fā)揮。另一方面，風(fēng)險評估指標(biāo)體系的建立，對客服代表也會產(chǎn)生較好的導(dǎo)向和激勵作用，提高整個呼叫中心的績效。

參考文獻(xiàn)

[1] 謝峻偉，胡志宇，王云綺.數(shù)據(jù)挖掘在一個基于呼叫中心的CRM 查詢分析中的應(yīng)用[J].電腦知識與技術(shù)，2011（5）：986?988.

[2] 韓立群.人工神經(jīng)網(wǎng)絡(luò)理論[M].北京：化學(xué)工業(yè)出版社，2002.

[3] 陳杰.Matlab寶典[M].北京：電子工業(yè)出版社，2007.

[4] 石劍平，姜麟，徐潤林.Matlab數(shù)據(jù)庫工具箱在數(shù)學(xué)建模中的應(yīng)用[J].信息系統(tǒng)工程，2010（9）：82?83.

[5] 卓金武.Matlab在數(shù)學(xué)建模中的應(yīng)用[M].北京：北京航空航天大學(xué)出版社，2010.

[6] MISIC J. Call level QoS performance under variable user mobilities in wireless networksl [J]. Mobile Networks and Applications， 2004 （9）： 207?218.

[7] GROSS D， HARRIS C M. Fundamentals of queueing theory [M]. New York： John Wiley & Sons， 1985.

[8] 李春蔚，龔文龍，楊紅.網(wǎng)絡(luò)信息服務(wù)客戶滿意度的模糊綜合評判[J].西北民族大學(xué)學(xué)報，2004（4）：35?38.

[9] 楊綸標(biāo)，高英儀.模糊數(shù)學(xué)原理及應(yīng)用[M].廣州：華南理工大學(xué)出版社，2003.

[10] 劉慧，劉文定，曹永斌.Matlab與數(shù)據(jù)庫技術(shù)在CIQ貨物風(fēng)險評價系統(tǒng)中的應(yīng)用[J].工業(yè)控制計算機(jī)，2011（11）：54?55.

將模糊神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于呼叫中心服務(wù)質(zhì)量風(fēng)險評估，可以根據(jù)歷史數(shù)據(jù)和專家經(jīng)驗(yàn)建立完全量化的風(fēng)險評判模型，對每一條通話記錄進(jìn)行實(shí)時的風(fēng)險分析，實(shí)現(xiàn)“即決式”的抽檢布控；并且能夠?qū)崟r反饋?zhàn)钚碌臄?shù)據(jù)得以不斷完善抽檢規(guī)則。通過這個系統(tǒng)，在抽檢機(jī)制中引入結(jié)果反饋因素，形成“輸入?抽檢?反饋”的閉環(huán)，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，從結(jié)果反饋的樣例中學(xué)習(xí)，獲取“知識和經(jīng)驗(yàn)”，從而解決當(dāng)前專家系統(tǒng)的“瓶頸問題”。同時由于信息在網(wǎng)絡(luò)中是分布表示的，因而它對帶有噪聲或缺損的輸入信息有很強(qiáng)的適應(yīng)能力。據(jù)此，我們可以優(yōu)劣互補(bǔ)，構(gòu)建采用以專家系統(tǒng)為主，以神經(jīng)網(wǎng)絡(luò)為輔的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。

3 實(shí)證研究

3.1 風(fēng)險評估的系統(tǒng)流程

對服務(wù)質(zhì)量進(jìn)行風(fēng)險評估分為如下幾個基本步驟：

（1） 建立服務(wù)質(zhì)量的風(fēng)險指標(biāo)因子體系。鑒于搜集指標(biāo)體系時，專家評估會帶有一定的主觀性和指標(biāo)因子也會具有難以統(tǒng)計性，提出利用Delphi法，即專家調(diào)查問卷法來建立服務(wù)質(zhì)量的風(fēng)險指標(biāo)體系。通過兩輪的調(diào)查問卷和數(shù)據(jù)分析，最終選取了客服中心區(qū)域、客服人員上崗時間、通話時段、通話時長、業(yè)務(wù)受理類型這5個影響因素作為風(fēng)險因子，形成完整的風(fēng)險指標(biāo)體系。

（2） 建立風(fēng)險等級檢索表。在獲得風(fēng)險指標(biāo)體系之后去采集歷史數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行預(yù)處理。這里要對每一個風(fēng)險因子在過去發(fā)生的不合格次數(shù)和頻率進(jìn)行細(xì)致的分析，據(jù)此建立初始風(fēng)險等級檢索表。對于未來需要進(jìn)行風(fēng)險評估的每一條通話記錄來說，都能過通過上述風(fēng)險等級檢索表得到對應(yīng)的風(fēng)險等級向量。這里利用Access數(shù)據(jù)庫[3]技術(shù)設(shè)計實(shí)現(xiàn)了風(fēng)險等級檢索功能。

初始的檢索數(shù)據(jù)表不是固定的，而是動態(tài)更新的。這體現(xiàn)了神經(jīng)網(wǎng)絡(luò)系統(tǒng)自學(xué)習(xí)、自反饋、自調(diào)整的特點(diǎn)。理論上每一次通話記錄的抽檢結(jié)果的錄入保存都要觸發(fā)一次動態(tài)更新。

（3） 風(fēng)險因子的模糊歸一化。利用神經(jīng)網(wǎng)絡(luò)對服務(wù)質(zhì)量進(jìn)行建模分析，涉及神經(jīng)網(wǎng)絡(luò)的輸入端的數(shù)值化，而影響服務(wù)質(zhì)量風(fēng)險的因子大多數(shù)都是由模糊語言變量來描述的，因此，需要通過設(shè)計模糊控制器對其進(jìn)行模糊歸一化，將各個因子的風(fēng)險等級數(shù)值化到[0，1]區(qū)間。

（4） 進(jìn)行神經(jīng)網(wǎng)絡(luò)的建模。主要包括確定網(wǎng)絡(luò)結(jié)構(gòu)以及對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練樣本為采集的歷史數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)自動變更權(quán)值、閾值以達(dá)到期望輸出。神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出，可看作為評價結(jié)果，也就是風(fēng)險分類的結(jié)果；也可得到數(shù)值化的風(fēng)險值。

（5） 根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測出的分類結(jié)果，風(fēng)險“合格”與風(fēng)險“不合格”，對應(yīng)抽檢的布控指令為“不查”與“查”的關(guān)系，可將評估結(jié)果作為呼叫中心服務(wù)質(zhì)量抽檢策略制定的輔助支持。

3.2 BP神經(jīng)網(wǎng)絡(luò)在服務(wù)質(zhì)量風(fēng)險評估中的應(yīng)用實(shí)踐

本文的研究借助Matlab系統(tǒng)工具箱[4]對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真分析。

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險評估的關(guān)鍵步驟包括：建立風(fēng)險評估系統(tǒng)模型，選定網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置網(wǎng)絡(luò)參數(shù)并且導(dǎo)入樣本數(shù)據(jù)；神經(jīng)網(wǎng)絡(luò)訓(xùn)練，不斷更新其權(quán)值和閾值，使之達(dá)到期望輸出；固定滿足要求的網(wǎng)絡(luò)結(jié)構(gòu)以及參數(shù)，導(dǎo)入測試數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)測試，進(jìn)行預(yù)測分類。

（1） 確定網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)輸入為風(fēng)險指標(biāo)體系，指標(biāo)體系包含了5個因子，由此可確定出網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為5維， 因?yàn)樯窠?jīng)網(wǎng)絡(luò)的輸出為評價結(jié)果，“合格”與“不合格”，可由兩個向量表示（0，1）與（1，0），因此確定兩個輸出層節(jié)點(diǎn)數(shù)為2 維。

（2） 隱含層節(jié)點(diǎn)數(shù)。BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)目對BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度有較大影響：節(jié)點(diǎn)數(shù)目太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)，訓(xùn)練的精度也受影響；節(jié)點(diǎn)數(shù)太多，訓(xùn)練時間增加，網(wǎng)絡(luò)容易過擬合。這里采用公式法和試湊相結(jié)合的方法確定最佳隱含層節(jié)點(diǎn)數(shù)為20。最終可確定網(wǎng)絡(luò)結(jié)構(gòu)為5?20?2。

（3） 訓(xùn)練參數(shù)的選擇。初始權(quán)值和閾值的選擇：為了使網(wǎng)絡(luò)能夠很快收斂，避免陷入局部極小值，在網(wǎng)絡(luò)初始化時，通常選擇初始權(quán)重和閾值[-1，1）。

傳遞函數(shù)的選擇：本文中，采用均方誤差的對比的方法，在其他參數(shù)固定不變的情況下，分別對不同傳遞函數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得出其均方誤差和誤差百分比，然后進(jìn)行誤差對比，選擇誤差最小的傳遞函數(shù)。最終選取隱含層的傳遞函數(shù)為purelin函數(shù)，輸出層的傳遞函數(shù)為tansig函數(shù)[5]。

訓(xùn)練函數(shù)的選擇：與傳遞函數(shù)的選擇過程相似，通過對比不同訓(xùn)練函數(shù)的誤差性能來找到收斂最快的函數(shù)。最終選擇trainlm函數(shù)作為訓(xùn)練函數(shù)。在上述確定好神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)之后，在某地運(yùn)營商呼叫中心選取了2013年1月被抽檢的1 000條通話記錄及評價結(jié)果作為訓(xùn)練數(shù)據(jù)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中包含932條評價結(jié)果為“合格”的數(shù)據(jù)，68條評價結(jié)果為“不合格”的數(shù)據(jù)，不合格率為6.8%。網(wǎng)絡(luò)訓(xùn)練的誤差曲線如圖2所示。另外選取了該公司2013年2月被抽檢的1 000條通話記錄作為測試數(shù)據(jù)，利用前面已經(jīng)訓(xùn)練并保存好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險預(yù)測和分類，最終得到表1所示測試結(jié)果。

3.3 數(shù)據(jù)分析與結(jié)果評價

從表1可以看出，測試數(shù)組的1 000條通話記錄中實(shí)際被判定為不合格的例數(shù)為53例；按照目前呼叫中心的質(zhì)量檢驗(yàn)工作是以隨機(jī)抽查作為基本方法，因此從統(tǒng)計學(xué)意義上講，在隨機(jī)布控條件下的查驗(yàn)檢出率與實(shí)際的總體不合格率大致接近。這是隨機(jī)樣本反映總體情況的正常表現(xiàn)。即傳統(tǒng)的服務(wù)質(zhì)量檢驗(yàn)可以做到的不合格檢出率約為5.3%。而在使用了BP神經(jīng)網(wǎng)絡(luò)算法后，被算法預(yù)判為不合格（即執(zhí)行抽檢）的例數(shù)為195，其中判定正確為18例，不合格檢出率為9.23%，接近隨機(jī)抽檢下不合格檢出率的2倍?？傮w的分類正確率達(dá)到76.8%。

4 結(jié) 語

本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于對呼叫中心的質(zhì)量檢驗(yàn)工作中，對客服代表輸出的話務(wù)服務(wù)發(fā)生不合格的潛在風(fēng)險進(jìn)行預(yù)測，從而有針對性地進(jìn)行抽檢布控。這樣，一方面有效地克服了隨機(jī)抽檢的盲目性和低效率，在有限的人力物力條件下，大幅提高抽查檢出率，實(shí)現(xiàn)資源效能的充分發(fā)揮。另一方面，風(fēng)險評估指標(biāo)體系的建立，對客服代表也會產(chǎn)生較好的導(dǎo)向和激勵作用，提高整個呼叫中心的績效。

參考文獻(xiàn)

[1] 謝峻偉，胡志宇，王云綺.數(shù)據(jù)挖掘在一個基于呼叫中心的CRM 查詢分析中的應(yīng)用[J].電腦知識與技術(shù)，2011（5）：986?988.

[2] 韓立群.人工神經(jīng)網(wǎng)絡(luò)理論[M].北京：化學(xué)工業(yè)出版社，2002.

[3] 陳杰.Matlab寶典[M].北京：電子工業(yè)出版社，2007.

[4] 石劍平，姜麟，徐潤林.Matlab數(shù)據(jù)庫工具箱在數(shù)學(xué)建模中的應(yīng)用[J].信息系統(tǒng)工程，2010（9）：82?83.

[5] 卓金武.Matlab在數(shù)學(xué)建模中的應(yīng)用[M].北京：北京航空航天大學(xué)出版社，2010.

[6] MISIC J. Call level QoS performance under variable user mobilities in wireless networksl [J]. Mobile Networks and Applications， 2004 （9）： 207?218.

[7] GROSS D， HARRIS C M. Fundamentals of queueing theory [M]. New York： John Wiley & Sons， 1985.

[8] 李春蔚，龔文龍，楊紅.網(wǎng)絡(luò)信息服務(wù)客戶滿意度的模糊綜合評判[J].西北民族大學(xué)學(xué)報，2004（4）：35?38.

[9] 楊綸標(biāo)，高英儀.模糊數(shù)學(xué)原理及應(yīng)用[M].廣州：華南理工大學(xué)出版社，2003.

[10] 劉慧，劉文定，曹永斌.Matlab與數(shù)據(jù)庫技術(shù)在CIQ貨物風(fēng)險評價系統(tǒng)中的應(yīng)用[J].工業(yè)控制計算機(jī)，2011（11）：54?55.

將模糊神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于呼叫中心服務(wù)質(zhì)量風(fēng)險評估，可以根據(jù)歷史數(shù)據(jù)和專家經(jīng)驗(yàn)建立完全量化的風(fēng)險評判模型，對每一條通話記錄進(jìn)行實(shí)時的風(fēng)險分析，實(shí)現(xiàn)“即決式”的抽檢布控；并且能夠?qū)崟r反饋?zhàn)钚碌臄?shù)據(jù)得以不斷完善抽檢規(guī)則。通過這個系統(tǒng)，在抽檢機(jī)制中引入結(jié)果反饋因素，形成“輸入?抽檢?反饋”的閉環(huán)，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，從結(jié)果反饋的樣例中學(xué)習(xí)，獲取“知識和經(jīng)驗(yàn)”，從而解決當(dāng)前專家系統(tǒng)的“瓶頸問題”。同時由于信息在網(wǎng)絡(luò)中是分布表示的，因而它對帶有噪聲或缺損的輸入信息有很強(qiáng)的適應(yīng)能力。據(jù)此，我們可以優(yōu)劣互補(bǔ)，構(gòu)建采用以專家系統(tǒng)為主，以神經(jīng)網(wǎng)絡(luò)為輔的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。

3 實(shí)證研究

3.1 風(fēng)險評估的系統(tǒng)流程

對服務(wù)質(zhì)量進(jìn)行風(fēng)險評估分為如下幾個基本步驟：

（1） 建立服務(wù)質(zhì)量的風(fēng)險指標(biāo)因子體系。鑒于搜集指標(biāo)體系時，專家評估會帶有一定的主觀性和指標(biāo)因子也會具有難以統(tǒng)計性，提出利用Delphi法，即專家調(diào)查問卷法來建立服務(wù)質(zhì)量的風(fēng)險指標(biāo)體系。通過兩輪的調(diào)查問卷和數(shù)據(jù)分析，最終選取了客服中心區(qū)域、客服人員上崗時間、通話時段、通話時長、業(yè)務(wù)受理類型這5個影響因素作為風(fēng)險因子，形成完整的風(fēng)險指標(biāo)體系。

（2） 建立風(fēng)險等級檢索表。在獲得風(fēng)險指標(biāo)體系之后去采集歷史數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行預(yù)處理。這里要對每一個風(fēng)險因子在過去發(fā)生的不合格次數(shù)和頻率進(jìn)行細(xì)致的分析，據(jù)此建立初始風(fēng)險等級檢索表。對于未來需要進(jìn)行風(fēng)險評估的每一條通話記錄來說，都能過通過上述風(fēng)險等級檢索表得到對應(yīng)的風(fēng)險等級向量。這里利用Access數(shù)據(jù)庫[3]技術(shù)設(shè)計實(shí)現(xiàn)了風(fēng)險等級檢索功能。

初始的檢索數(shù)據(jù)表不是固定的，而是動態(tài)更新的。這體現(xiàn)了神經(jīng)網(wǎng)絡(luò)系統(tǒng)自學(xué)習(xí)、自反饋、自調(diào)整的特點(diǎn)。理論上每一次通話記錄的抽檢結(jié)果的錄入保存都要觸發(fā)一次動態(tài)更新。

（3） 風(fēng)險因子的模糊歸一化。利用神經(jīng)網(wǎng)絡(luò)對服務(wù)質(zhì)量進(jìn)行建模分析，涉及神經(jīng)網(wǎng)絡(luò)的輸入端的數(shù)值化，而影響服務(wù)質(zhì)量風(fēng)險的因子大多數(shù)都是由模糊語言變量來描述的，因此，需要通過設(shè)計模糊控制器對其進(jìn)行模糊歸一化，將各個因子的風(fēng)險等級數(shù)值化到[0，1]區(qū)間。

（4） 進(jìn)行神經(jīng)網(wǎng)絡(luò)的建模。主要包括確定網(wǎng)絡(luò)結(jié)構(gòu)以及對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練樣本為采集的歷史數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)自動變更權(quán)值、閾值以達(dá)到期望輸出。神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出，可看作為評價結(jié)果，也就是風(fēng)險分類的結(jié)果；也可得到數(shù)值化的風(fēng)險值。

（5） 根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測出的分類結(jié)果，風(fēng)險“合格”與風(fēng)險“不合格”，對應(yīng)抽檢的布控指令為“不查”與“查”的關(guān)系，可將評估結(jié)果作為呼叫中心服務(wù)質(zhì)量抽檢策略制定的輔助支持。

3.2 BP神經(jīng)網(wǎng)絡(luò)在服務(wù)質(zhì)量風(fēng)險評估中的應(yīng)用實(shí)踐

本文的研究借助Matlab系統(tǒng)工具箱[4]對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真分析。

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險評估的關(guān)鍵步驟包括：建立風(fēng)險評估系統(tǒng)模型，選定網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置網(wǎng)絡(luò)參數(shù)并且導(dǎo)入樣本數(shù)據(jù)；神經(jīng)網(wǎng)絡(luò)訓(xùn)練，不斷更新其權(quán)值和閾值，使之達(dá)到期望輸出；固定滿足要求的網(wǎng)絡(luò)結(jié)構(gòu)以及參數(shù)，導(dǎo)入測試數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)測試，進(jìn)行預(yù)測分類。

（1） 確定網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)輸入為風(fēng)險指標(biāo)體系，指標(biāo)體系包含了5個因子，由此可確定出網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為5維， 因?yàn)樯窠?jīng)網(wǎng)絡(luò)的輸出為評價結(jié)果，“合格”與“不合格”，可由兩個向量表示（0，1）與（1，0），因此確定兩個輸出層節(jié)點(diǎn)數(shù)為2 維。

（2） 隱含層節(jié)點(diǎn)數(shù)。BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)目對BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度有較大影響：節(jié)點(diǎn)數(shù)目太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)，訓(xùn)練的精度也受影響；節(jié)點(diǎn)數(shù)太多，訓(xùn)練時間增加，網(wǎng)絡(luò)容易過擬合。這里采用公式法和試湊相結(jié)合的方法確定最佳隱含層節(jié)點(diǎn)數(shù)為20。最終可確定網(wǎng)絡(luò)結(jié)構(gòu)為5?20?2。

（3） 訓(xùn)練參數(shù)的選擇。初始權(quán)值和閾值的選擇：為了使網(wǎng)絡(luò)能夠很快收斂，避免陷入局部極小值，在網(wǎng)絡(luò)初始化時，通常選擇初始權(quán)重和閾值[-1，1）。

傳遞函數(shù)的選擇：本文中，采用均方誤差的對比的方法，在其他參數(shù)固定不變的情況下，分別對不同傳遞函數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得出其均方誤差和誤差百分比，然后進(jìn)行誤差對比，選擇誤差最小的傳遞函數(shù)。最終選取隱含層的傳遞函數(shù)為purelin函數(shù)，輸出層的傳遞函數(shù)為tansig函數(shù)[5]。

訓(xùn)練函數(shù)的選擇：與傳遞函數(shù)的選擇過程相似，通過對比不同訓(xùn)練函數(shù)的誤差性能來找到收斂最快的函數(shù)。最終選擇trainlm函數(shù)作為訓(xùn)練函數(shù)。在上述確定好神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)之后，在某地運(yùn)營商呼叫中心選取了2013年1月被抽檢的1 000條通話記錄及評價結(jié)果作為訓(xùn)練數(shù)據(jù)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中包含932條評價結(jié)果為“合格”的數(shù)據(jù)，68條評價結(jié)果為“不合格”的數(shù)據(jù)，不合格率為6.8%。網(wǎng)絡(luò)訓(xùn)練的誤差曲線如圖2所示。另外選取了該公司2013年2月被抽檢的1 000條通話記錄作為測試數(shù)據(jù)，利用前面已經(jīng)訓(xùn)練并保存好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險預(yù)測和分類，最終得到表1所示測試結(jié)果。

3.3 數(shù)據(jù)分析與結(jié)果評價

從表1可以看出，測試數(shù)組的1 000條通話記錄中實(shí)際被判定為不合格的例數(shù)為53例；按照目前呼叫中心的質(zhì)量檢驗(yàn)工作是以隨機(jī)抽查作為基本方法，因此從統(tǒng)計學(xué)意義上講，在隨機(jī)布控條件下的查驗(yàn)檢出率與實(shí)際的總體不合格率大致接近。這是隨機(jī)樣本反映總體情況的正常表現(xiàn)。即傳統(tǒng)的服務(wù)質(zhì)量檢驗(yàn)可以做到的不合格檢出率約為5.3%。而在使用了BP神經(jīng)網(wǎng)絡(luò)算法后，被算法預(yù)判為不合格（即執(zhí)行抽檢）的例數(shù)為195，其中判定正確為18例，不合格檢出率為9.23%，接近隨機(jī)抽檢下不合格檢出率的2倍?？傮w的分類正確率達(dá)到76.8%。

4 結(jié) 語

本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于對呼叫中心的質(zhì)量檢驗(yàn)工作中，對客服代表輸出的話務(wù)服務(wù)發(fā)生不合格的潛在風(fēng)險進(jìn)行預(yù)測，從而有針對性地進(jìn)行抽檢布控。這樣，一方面有效地克服了隨機(jī)抽檢的盲目性和低效率，在有限的人力物力條件下，大幅提高抽查檢出率，實(shí)現(xiàn)資源效能的充分發(fā)揮。另一方面，風(fēng)險評估指標(biāo)體系的建立，對客服代表也會產(chǎn)生較好的導(dǎo)向和激勵作用，提高整個呼叫中心的績效。

參考文獻(xiàn)

[1] 謝峻偉，胡志宇，王云綺.數(shù)據(jù)挖掘在一個基于呼叫中心的CRM 查詢分析中的應(yīng)用[J].電腦知識與技術(shù)，2011（5）：986?988.

[2] 韓立群.人工神經(jīng)網(wǎng)絡(luò)理論[M].北京：化學(xué)工業(yè)出版社，2002.

[3] 陳杰.Matlab寶典[M].北京：電子工業(yè)出版社，2007.

[4] 石劍平，姜麟，徐潤林.Matlab數(shù)據(jù)庫工具箱在數(shù)學(xué)建模中的應(yīng)用[J].信息系統(tǒng)工程，2010（9）：82?83.

[5] 卓金武.Matlab在數(shù)學(xué)建模中的應(yīng)用[M].北京：北京航空航天大學(xué)出版社，2010.

[6] MISIC J. Call level QoS performance under variable user mobilities in wireless networksl [J]. Mobile Networks and Applications， 2004 （9）： 207?218.

[7] GROSS D， HARRIS C M. Fundamentals of queueing theory [M]. New York： John Wiley & Sons， 1985.

[8] 李春蔚，龔文龍，楊紅.網(wǎng)絡(luò)信息服務(wù)客戶滿意度的模糊綜合評判[J].西北民族大學(xué)學(xué)報，2004（4）：35?38.

[9] 楊綸標(biāo)，高英儀.模糊數(shù)學(xué)原理及應(yīng)用[M].廣州：華南理工大學(xué)出版社，2003.

[10] 劉慧，劉文定，曹永斌.Matlab與數(shù)據(jù)庫技術(shù)在CIQ貨物風(fēng)險評價系統(tǒng)中的應(yīng)用[J].工業(yè)控制計算機(jī)，2011（11）：54?55.