基于多智能體專家系統(tǒng)的呼叫中心員工能力評價研究

杜劍雯 劉超 許鴻飛 文玲鋒 李雪梅 彭青青

【摘要】 呼叫中心的員工隊伍是其核心競爭力，對員工的能力進行評價以提高員工的素質和企業(yè)的對外形象是非常關鍵的一個環(huán)節(jié)，傳統(tǒng)的人力評價的方式不僅耗時耗力，而且具有主觀性強、不夠準確的特點。本文基于這種需求提出了一種自動的評價方法，多智能體專家系統(tǒng)評價方法，有效的解決了人工評價帶來的問題。

【關鍵詞】 呼叫中心 能力評價 多智能體 專家系統(tǒng)

一、引言

呼叫中心是一個企業(yè)解決客戶問題的關鍵，其核心競爭力是員工隊伍，隊伍的能力過硬，才能夠提供給客戶優(yōu)質的服務，提高企業(yè)的競爭力?？墒菃T工的能力與素質是參差不齊的，這讓呼叫中心在管理自己的員工隊伍與企業(yè)提高對外形象上面臨著較多困難，怎樣在招聘員工時對員工的能力進行全方位、高精確的評價，做到遴選上的針對性和有效性就是一個急需解決的問題；對已入職的員工進行科學的評價也是提高員工工作積極性和工作效率的關鍵環(huán)節(jié)。針對上面呼叫中心面臨的兩個問題，本文提出了一種基于多智能體專家系統(tǒng)的員工能力評價方法。

二、多智能體專家系統(tǒng)研究概述

現(xiàn)代智能體的概念是有人工智能學科創(chuàng)始人之一的Minsky[1]提出的，它是能夠通過感知器感知其所處的環(huán)境并通過反應器對環(huán)境產生作用的計算實體。由于多智能體的自主性、分布性、協(xié)調工作的特點，并且具有較強的自組織、自適應、學習推理能力，因此在求解問題時健壯、可靠，具有較高的求解效率。目前多多智能體的研究主要集中在：多智能體的理論、多智能體的體系結構、多智能體之間的協(xié)調和協(xié)作、多智能體的學習及系統(tǒng)應用。多智能體在員工能力評價方面的應用是一個新的應用領域。

專家系統(tǒng)是由美國的 Feigenbaum[2]教授首次提出的，它可以解決的問題包括解釋、預測、診斷、設計、監(jiān)視、控制等，專家系統(tǒng)對于員工能力的評價具有天然的適應性，因為評價本身就要用到大量的專家評價的知識和方法。

把多智能體專家系統(tǒng)作為一種評價方法引入到呼叫中心員工能力評價中， 既用到了主觀評價的概念， 也涉及到了客觀評價的知識，是一種主客觀方法相結合的方法，具有很強的適用性。

三、呼叫中心員工能力評價基本理論

現(xiàn)階段對于呼叫中心員工的能力評價分為兩種，在員工入職前，對其能力的評估主要依據(jù)企業(yè)招聘人員的評價，主觀性較強，在員工入職以后，對于員工的評價主要依據(jù)是客戶的反饋，準確性不高并且評價指標較為單一。本文把對員工能力評價的基本流程進行科學的規(guī)劃，為多智能體專家系統(tǒng)評價方法的執(zhí)行打下基礎。

3.1呼叫中心員工能力評價基本流程

對員工能力的評價一般包括三個主要過程：評價活動準備階段；評價進行階段；評價結束階段。

3.2員工個人信息的獲取與數(shù)據(jù)處理

對員工信息的收集一般包括三種方式，第一：問卷調查；第二：員工個人訪談；第三：員工工作記錄。各種信息獲取方式具有不同的特點，它們有不同的適用情況，人們在真正的實施過程中應該通過多種渠道收集信息，通過對不同來源的數(shù)據(jù)進行比較分析，得出可信度較高而且比較全面的信息。

通過各種信息獲取方式采集來的員工的信息往往是雜亂無章的，需要經(jīng)過選擇、整理和加工，使它們成為便于利用的形式，這個過程就是數(shù)據(jù)信息的處理。具體處理過程包括信息的鑒別與篩選，信息的整理與序化，信息的加工。

3.3構建員工能力評價指標體系

對一名員工評價涉及到其個人數(shù)據(jù)，數(shù)據(jù)具有不同的屬性，只有將這些相應的屬性轉換成不同的指標，并且在這些指標的本質屬性與表面特征之間建立一定的對應關系，分析人員才能夠通過有效的評價方法進行科學客觀的評價。對于呼叫中心員工來說，具體的指標主要包括業(yè)務水平、工作效率、責任感、工作勤情、協(xié)調性、積極性、進取心、創(chuàng)意、團隊精神、服從性等方面，其中每個單項可能包含二級指標或者三級指標。指標體系構建的完善與否是評價結果是否準確的關鍵。

四、多智能體專家系統(tǒng)員工能力評價流程

多智能體專家系統(tǒng)進行員工能力評價的流程和現(xiàn)實中的評價過程具有一致性，也包括評價準備、評價進行和評價結束三個基本的階段，但是在處理的方法上有自己的方式。本節(jié)針對員工能力評價的一般流程，介紹多智能體專家系統(tǒng)進行價的具體流程與原理，主要涉及三個重要環(huán)節(jié)，員工數(shù)據(jù)的收集與整理、評價指標體系的構建以及具體的評價方法的設計。

基于多智能體專家系統(tǒng)的員工數(shù)據(jù)收集

4.1基于多智能體專家系統(tǒng)的員工信息收集與整理

在專家系統(tǒng)的知識庫中存儲了數(shù)據(jù)收集與整理的相應規(guī)則，設計了針對數(shù)據(jù)的收集、預處理、標準化的智能體，每個智能體在專家系統(tǒng)的知識庫中提取相應的規(guī)則，然后根據(jù)規(guī)則執(zhí)行自己的功能，并更新知識庫中的規(guī)則，具體流程如圖1所示。

4.2基于多智能體專家系統(tǒng)的員工能力評價指標體系構建

指標體系的構建主要包括確定評價指標和指標權重確定兩個部分，下面介紹本文的多智能體專家系統(tǒng)是如何完成這兩個過程的。

（1） 評價指標確定

評價指標體系的確定主要依賴于多智能體的指標提取功能。知識庫中存儲了一些常用的員工能力評價指標體系，這些指標體系適用于不同類型的呼叫中心員工，得出的結論也各不相同，它們共同構成了本文的指標體系構建的基礎；指標智能體在對處理后的數(shù)據(jù)進行指標提煉，對比知識庫中常用的指標體系，得出本文的指標體系，針對于指標體系中的每一個指標都有一個專門的指標智能體，它負責對相應指標下的數(shù)據(jù)進行量化與單項評價。

（2）指標權重確定

指標體系建立起來以后，接下來需要確定各個指標對應的權重，權重的確定依賴于專家的經(jīng)驗知識以及專家智能體的學習功能，學習算子采用的具體方法是基于廣義最大熵原理[3]的遺傳算法，針對每一個專家的經(jīng)驗知識得出一組相應的權重，具體過程如下：

第一步，指標數(shù)據(jù)的整體標準化處理。各個評價指標對應的數(shù)據(jù)雖然已經(jīng)量化處理過，但是它們之間可能存在著屬性和數(shù)量級上的差異，需要對這些數(shù)據(jù)進行標準化處理，目的是消除各個變量之間量綱的影響。設這 n 位員工的原始數(shù)據(jù)為

第二步，權重確定的準則。各個指標權重的設定要考慮這樣兩個條件，第一個是權值的設定能夠使員工的綜合評價值攜帶足夠多的信息，以使其評價值盡可能分散，也就需要G 的方差最大，也就是

第二個是最大化系統(tǒng)內所有隨機變量的信息熵，保證選擇的權值是不偏不倚的，其中系統(tǒng)的隨機變量就是各個指標的權值，熵的衡量是基于各個指標可能權值的概率。

第三步，遺傳算法求解權重。上面的問題是一個有約束非線性數(shù)學規(guī)劃的問題，本文采用遺傳算法進行求解，將其轉化成無等式約束的問題再進行求解。

4.3基于多智能體專家系統(tǒng)的結果一致度評價方法

多智能體專家系統(tǒng)的知識庫中存儲了多個專家評價的經(jīng)驗知識，通過上一節(jié)的指標權重的確定方法每一個專家智能體中保存了一組指標的權重，專家智能體通過改組權重對每一位科研人員進行單獨的評價，各個專家智能體的評價結果對于最終評價結果的影響是不同的，也就是說不同的專家智能體可能具有不同的權重。由于專家的經(jīng)驗知識是不同的導致每個智能體的評價結果各不相同，在這種多指標的評價過程中，各個專家的評價有各自的特點，很難說哪個專家的評價準確，哪個專家的評價不準確，本節(jié)提出了一種結果一致度組合評價方法，所謂的結果一致度，就是指某個專家智能體的評價結果與其他專家智能體的評價結果的相似程度，如果一個專家智能體的結果一致度比較高，說明它和其他智能體的評價結果比較接近，應該賦予該智能體較高的權重，反之則賦予該智能體較小的權重[4]。這和我們現(xiàn)實中的評價是一致的，雖然在現(xiàn)實中也存在著少數(shù)人正確的特殊情況，但是在特殊的專家群體中，專家們的觀點一般并不會有太大的差距，因此在評價中，賦予結果一致度較低的智能體的權重較低是合理的。

下面介紹結果一致度的詳細計算方法，假設有 n 個專家智能體的評價結果，設第 i個評價結果為Xi。將它與其他智能體的評價結果進行回歸：

上式中 c 為常數(shù)項，a1，a2，…，an為回歸系數(shù)。

回歸擬合優(yōu)度說明了其他智能體的評價結果對第 i個智能體的評價結果的解釋程度，或者說是第 i個智能體的評價結果與其他所有評價結果的相似程度，這就是結果一致度。最后將結果一致度進行歸一化處理，得到組合后各個專家智能體的權重即

最終組合評價結果為

基于結果一致度的組合評價度量了某個智能體的評價結果對于其他的評價結果的相似度，比一般的基于平均原理的組合評價方法要科學。經(jīng)過上面的三個過程，完成了多智能體專家系統(tǒng)的員工能力評價，從它們各自的原理可以看出，評價的每一個過程都是基于專家系統(tǒng)的知識與多智能體之間的協(xié)作，最終共同完成評價的目標。

4.4多智能體專家系統(tǒng)的設計與實現(xiàn)

多智能體專家系統(tǒng)包括三個主要的部分：專家知識庫，評價部分，數(shù)據(jù)庫。其結構圖如圖2所示。多智能體包括多種類型的智能體，包括數(shù)據(jù)收集智能體、數(shù)據(jù)預處理智能體、數(shù)據(jù)標準化智能體、指標智能體、專家智能體。

五、結論

傳統(tǒng)的人力方式的員工能力評價存在種種弊端，比如主觀性強，馬太效應明顯等缺點，本文所提出的多智能體專家系統(tǒng)的評價方式，是一種基于人工智能方法的自動評價方式，克服了人工評價的缺點，具有較強的實用性。

參 考 文 獻

[1]高太光， 陳培友. 基于粗糙集和群決策的高校教師科研能力評價模型研究[J]. 科技管理研究， 2011， 21： 131-133.

[2]廖瑞輝， 陳星光. 智能交通系統(tǒng)研究現(xiàn)狀與對策分析[J]. 綜合報道， 2014， 1： 6-9.

[3]趙欣， 王運斗， 郭立軍. 院前急救專家系統(tǒng)的應用與發(fā)展探討[J]. 科技管理研究， 2013， 21：243-246.

[4]Anegon F M. A new technique for science journals based on bi -connected graphs in Journal Citation Reports. Journal of Documentations， 2004， 60（4）：371-427.