基于用戶(hù)訪(fǎng)問(wèn)特征的信用卡中心IVR優(yōu)化

摘 要：隨著業(yè)務(wù)增多，信用卡呼叫中心的IVR菜單結(jié)構(gòu)正在變得越來(lái)越復(fù)雜，給用戶(hù)訪(fǎng)問(wèn)帶來(lái)不便。與以往需要改變IVR菜單結(jié)構(gòu)的優(yōu)化方法不同，本文提出一種結(jié)合用戶(hù)訪(fǎng)問(wèn)特征的IVR優(yōu)化方法。通過(guò)從用戶(hù)訪(fǎng)問(wèn)偏好、信用卡中心IVR業(yè)務(wù)使用影響因素、企業(yè)推送信息三個(gè)方面抽取用戶(hù)訪(fǎng)問(wèn)特征，使用隨機(jī)森林建立分類(lèi)器得到預(yù)測(cè)結(jié)果，并按預(yù)測(cè)概率取TOP N進(jìn)行推薦。通過(guò)實(shí)驗(yàn)，該方法可以使用戶(hù)在信用卡中心IVR系統(tǒng)內(nèi)停留時(shí)間有顯著縮短，并且效果穩(wěn)定。

關(guān)鍵詞：信用卡呼叫中心 IVR優(yōu)化 用戶(hù)訪(fǎng)問(wèn)特征 隨機(jī)森林

一、引言

呼叫中心（Call Center）扮演了企業(yè)與用戶(hù)的交流平臺(tái)，實(shí)現(xiàn)了24 h隨時(shí)提供服務(wù)的可能。交互式語(yǔ)音平臺(tái)IVR（Interactive Voice Response）是呼叫中心中重要的組成部分。在國(guó)內(nèi)建成的呼叫中心中，以電信，金融行業(yè)所占比重最大，超過(guò)市場(chǎng)規(guī)模的30%。目前國(guó)內(nèi)各大銀行的信用卡中心面對(duì)不同用戶(hù)，均采用統(tǒng)一的IVR熱線(xiàn)語(yǔ)音流程。這種模式的優(yōu)點(diǎn)在于標(biāo)準(zhǔn)化：無(wú)論各類(lèi)用戶(hù)，無(wú)論用戶(hù)身處何地，聽(tīng)到語(yǔ)音均為一致，有利于用戶(hù)感知。缺點(diǎn)在于隨著業(yè)務(wù)逐漸復(fù)雜化，菜單變得過(guò)度繁雜，結(jié)構(gòu)層次過(guò)多，用戶(hù)操作繁瑣，最終不得不選擇人工服務(wù)或者索性?huà)鞌嚯娫?huà)，違背了IVR提高呼叫中心效率的初衷。在各家信用卡中心同質(zhì)化競(jìng)爭(zhēng)嚴(yán)重的今天，通過(guò)優(yōu)化用戶(hù)的IVR體驗(yàn)，對(duì)客戶(hù)維護(hù)工作具有重要意義。隨著研究深入，學(xué)者們發(fā)現(xiàn)設(shè)計(jì)個(gè)性化，扁平化的IVR流程，是IVR優(yōu)化的關(guān)鍵?，F(xiàn)有的IVR個(gè)性化可以分為兩大類(lèi)，一類(lèi)是用戶(hù)主動(dòng)設(shè)置自己喜歡的IVR菜單，然而現(xiàn)實(shí)情況下用戶(hù)使用率不高。另一類(lèi)是使用IVR中用戶(hù)的使用記錄來(lái)設(shè)計(jì)個(gè)性化菜單，該類(lèi)方法雖然應(yīng)用范圍廣泛，同時(shí)也存在破壞原有IVR菜單的排列結(jié)構(gòu)和業(yè)務(wù)邏輯，造成熟練用戶(hù)使用體驗(yàn)的下降的缺點(diǎn)。隨著互聯(lián)網(wǎng)迅速的發(fā)展，推薦技術(shù)已經(jīng)成為解決信息過(guò)載問(wèn)題的重要工具。它通過(guò)用戶(hù)行為特征對(duì)用戶(hù)興趣傾向和使用行為進(jìn)行建模，使用機(jī)器學(xué)習(xí)方法來(lái)挖掘推薦信息，進(jìn)而提供個(gè)性化服務(wù)。IVR現(xiàn)存的問(wèn)題，本質(zhì)上是由于語(yǔ)音交互方式的限制而造成的信息過(guò)載問(wèn)題，因此同樣適用于推薦技術(shù)?；诖?，本文設(shè)計(jì)了一種通過(guò)用戶(hù)訪(fǎng)問(wèn)特征來(lái)優(yōu)化信用卡中心IVR的方法。首先篩選業(yè)務(wù)節(jié)點(diǎn)作為預(yù)測(cè)目標(biāo)，在分析信用卡用戶(hù)IVR使用行為的基礎(chǔ)上，挖掘用戶(hù)訪(fǎng)問(wèn)IVR功能節(jié)點(diǎn)的特征，利用特征預(yù)測(cè)用戶(hù)訪(fǎng)問(wèn)的IVR節(jié)點(diǎn)，然后在傳統(tǒng)IVR菜單播報(bào)之前進(jìn)行播報(bào)。

二、相關(guān)研究

1. IVR優(yōu)化的相關(guān)研究。為了加快用戶(hù)尋找目標(biāo)節(jié)點(diǎn)的效率，進(jìn)而降低用戶(hù)在IVR的停留時(shí)間，國(guó)內(nèi)外學(xué)者開(kāi)展了廣泛的研究和討論，提出了各種優(yōu)化方法，其中包括：定義節(jié)點(diǎn)的用戶(hù)訪(fǎng)問(wèn)概率，并以此對(duì)菜單進(jìn)行排序；利用關(guān)聯(lián)性分析算法對(duì)IVR用戶(hù)按鍵記錄進(jìn)行分析，得到IVR菜單節(jié)點(diǎn)間的關(guān)聯(lián)關(guān)系，并重新編排菜單；分析客戶(hù)致電查詢(xún)的原因，并使用其改進(jìn)菜單節(jié)點(diǎn)的關(guān)聯(lián)設(shè)置；將IVR菜單節(jié)點(diǎn)在語(yǔ)音樹(shù)中的播報(bào)權(quán)限開(kāi)放給用戶(hù)，讓其可以自主在公司網(wǎng)站上進(jìn)行更改；將用戶(hù)劃分群組，針對(duì)每個(gè)群組提取熱門(mén)的菜單節(jié)點(diǎn)，將其設(shè)置到IVR菜單的前置位置等。

2.信用卡中心IVR用戶(hù)訪(fǎng)問(wèn)行為。在傳統(tǒng)IVR優(yōu)化的方法中，對(duì)用戶(hù)來(lái)電目的和訪(fǎng)問(wèn)行為的研究較少。屠丹旎提出按IVR用戶(hù)群來(lái)設(shè)計(jì)個(gè)性化IVR，分別按用戶(hù)屬性，按業(yè)務(wù)屬性，按收到特殊消息對(duì)用戶(hù)進(jìn)行劃分，并歸納了引起用戶(hù)致電呼叫中心的原因：（1）用戶(hù)對(duì)IVR特定業(yè)務(wù)的使用偏好；（2）用戶(hù)基本屬性和用戶(hù)在IVR某項(xiàng)業(yè)務(wù)上的行為特征影響其對(duì)IVR特定業(yè)務(wù)的點(diǎn)擊興趣；（3）用戶(hù)收到的企業(yè)推送信息內(nèi)容引發(fā)用戶(hù)訪(fǎng)問(wèn)興趣。馮帥總結(jié)國(guó)內(nèi)信用卡中心IVR業(yè)務(wù)基礎(chǔ)上，將信用卡呼叫中心IVR業(yè)務(wù)分為激活服務(wù)、密碼服務(wù)、額度服務(wù)、賬單服務(wù)、分期服務(wù)、積分服務(wù)6大類(lèi)。針對(duì)不同服務(wù)類(lèi)型的呼叫影響因素，需要構(gòu)建不同的信用卡持卡人特征。杜云生以客戶(hù)關(guān)系管理中的RFM模型為基礎(chǔ)，將信用卡持卡人的逾期風(fēng)險(xiǎn)和套現(xiàn)風(fēng)險(xiǎn)作為細(xì)分變量引入，選取信用卡持卡人的五類(lèi)交易數(shù)據(jù)，即最近消費(fèi)時(shí)間、消費(fèi)頻率、總消費(fèi)金額、拖欠總金額和疑似套現(xiàn)總金額五類(lèi)數(shù)據(jù)，經(jīng)過(guò)處理后形成信用卡持卡人的5類(lèi)交易特征。趙琦研究發(fā)現(xiàn)人口統(tǒng)計(jì)因素中性別、年齡、學(xué)歷、職業(yè)和收入情況的不同對(duì)信用卡分期付款消費(fèi)傾向均有顯著影響。用戶(hù)申請(qǐng)信用和額度的調(diào)整意味著用戶(hù)信用風(fēng)險(xiǎn)的調(diào)整，方匡南等實(shí)證發(fā)現(xiàn)職業(yè)、年齡、家庭人口數(shù)、月刷卡額、學(xué)歷、家庭月收入對(duì)信用風(fēng)險(xiǎn)有顯著影響，而性別、婚姻狀況等對(duì)信用風(fēng)險(xiǎn)影響不顯著。張曉蕾發(fā)現(xiàn)單次消費(fèi)分期金額、消費(fèi)商品所屬行業(yè)對(duì)信用卡分期業(yè)務(wù)違約有影響。積分服務(wù)方面，馬莎莎使用解釋水平理論，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)兌換時(shí)間距離和兌換物品類(lèi)別是決定用戶(hù)短期兌換選擇行為的主要因素。以上研究從各個(gè)角度反應(yīng)了用戶(hù)使用信用卡IVR相關(guān)業(yè)務(wù)的影響特征，但尚沒(méi)有統(tǒng)一的描述框架。

3. IVR訪(fǎng)問(wèn)節(jié)點(diǎn)預(yù)測(cè)方法。最初的IVR訪(fǎng)問(wèn)節(jié)點(diǎn)預(yù)測(cè)方法主要使用關(guān)聯(lián)推薦或者熱度排序，僅僅使用用戶(hù)在IVR中的按鍵記錄作為數(shù)據(jù)來(lái)源。本文將研究問(wèn)題轉(zhuǎn)化為對(duì)特定的時(shí)間下的用戶(hù)，在用戶(hù)特征下訪(fǎng)問(wèn)目標(biāo)節(jié)點(diǎn)的預(yù)測(cè)問(wèn)題，需要采用分類(lèi)或回歸模型。分類(lèi)模型在信用卡用戶(hù)行為分析方面使用廣泛。張濤使用BP神經(jīng)網(wǎng)絡(luò)對(duì)信用卡客戶(hù)的忠誠(chéng)度進(jìn)行預(yù)測(cè)，并抽取了用戶(hù)忠誠(chéng)度規(guī)則。劉魯軍使用邏輯回歸對(duì)信用卡客戶(hù)的激活行為進(jìn)行預(yù)測(cè)。邵帥使用銀行卡用戶(hù)行為數(shù)據(jù)設(shè)計(jì)了組合型并行化Item-Based改進(jìn)推薦算法，進(jìn)而對(duì)對(duì)商戶(hù)進(jìn)行推薦，并引入遺忘曲線(xiàn)和空間參數(shù)優(yōu)化推薦結(jié)果。

4.文獻(xiàn)評(píng)述?，F(xiàn)有的IVR個(gè)性化方法通常只考慮了用戶(hù)在IVR系統(tǒng)中的歷史行為，然而實(shí)際上IVR節(jié)點(diǎn)通常涉及具體的業(yè)務(wù)內(nèi)容，用戶(hù)對(duì)于呼叫中心的訪(fǎng)問(wèn)通常是帶有特定業(yè)務(wù)目標(biāo)。除了呼叫中心訪(fǎng)問(wèn)的歷史數(shù)據(jù)以外，用戶(hù)在其他業(yè)務(wù)相關(guān)系統(tǒng)內(nèi)留存有大量使用記錄。因此，結(jié)合信用卡的具體業(yè)務(wù)來(lái)分析用戶(hù)的行為，將有效提升用戶(hù)訪(fǎng)問(wèn)節(jié)點(diǎn)的預(yù)測(cè)準(zhǔn)確度。此外，傳統(tǒng)的IVR優(yōu)化算法將會(huì)改變?cè)械腎VR菜單結(jié)構(gòu)，造成原本熟悉菜單結(jié)構(gòu)的用戶(hù)使用不便。本文通過(guò)用戶(hù)訪(fǎng)問(wèn)特征進(jìn)行節(jié)點(diǎn)預(yù)測(cè)的優(yōu)化方法，可以有效避免這一問(wèn)題。

三、信用卡IVR優(yōu)化方法

基于用戶(hù)訪(fǎng)問(wèn)預(yù)測(cè)的信用卡IVR優(yōu)化模型由以下幾部分構(gòu)成：（1）目標(biāo)節(jié)點(diǎn)篩選。（2）信用卡IVR用戶(hù)節(jié)點(diǎn)訪(fǎng)問(wèn)特征定義。（3）分類(lèi)方法的選取。

1.訪(fǎng)問(wèn)節(jié)點(diǎn)的篩選。IVR菜單節(jié)點(diǎn)分為引導(dǎo)節(jié)點(diǎn)以及功能節(jié)點(diǎn)兩類(lèi)，引導(dǎo)節(jié)點(diǎn)往往起著串聯(lián)上下層級(jí)的IVR菜單，細(xì)分業(yè)務(wù)功能，提供邏輯順序的作用。功能節(jié)點(diǎn)則提供具體的業(yè)務(wù)功能，可以分為業(yè)務(wù)辦理和業(yè)務(wù)查詢(xún)兩類(lèi)。用戶(hù)呼入IVR時(shí)一般帶有特定的業(yè)務(wù)目標(biāo)，是用戶(hù)訪(fǎng)問(wèn)IVR的最終目標(biāo)。因此本方法的預(yù)測(cè)目標(biāo)應(yīng)當(dāng)是具體的功能節(jié)點(diǎn)而非引導(dǎo)節(jié)點(diǎn)。

2.信用卡IVR用戶(hù)訪(fǎng)問(wèn)行為特征。用戶(hù)對(duì)信用卡的訪(fǎng)問(wèn)行為主要受到三方面因素的影響：（1）用戶(hù)的訪(fǎng)問(wèn)偏好；（2）信用卡IVR的特定業(yè)務(wù)；（3）企業(yè)推送信息。

2.1用戶(hù)一段時(shí)間內(nèi)對(duì)于不同節(jié)點(diǎn)的訪(fǎng)問(wèn)量代表了該用戶(hù)對(duì)于不同訪(fǎng)問(wèn)節(jié)點(diǎn)的訪(fǎng)問(wèn)偏好，用戶(hù)的訪(fǎng)問(wèn)偏好會(huì)隨時(shí)間改變。定義一段時(shí)間內(nèi)用戶(hù)對(duì)節(jié)點(diǎn)訪(fǎng)問(wèn)次數(shù)和用戶(hù)訪(fǎng)問(wèn)總次數(shù)為用戶(hù)對(duì)該節(jié)點(diǎn)的訪(fǎng)問(wèn)熱度。用戶(hù)呼入日期前一周節(jié)點(diǎn)的訪(fǎng)問(wèn)熱度來(lái)衡量用戶(hù)短期偏好，取前3個(gè)月的節(jié)點(diǎn)訪(fǎng)問(wèn)熱度來(lái)衡量長(zhǎng)期變化。

2.2信用卡IVR業(yè)務(wù)分為激活業(yè)務(wù)、密碼業(yè)務(wù)、額度業(yè)務(wù)、分期業(yè)務(wù)、積分業(yè)務(wù)、賬單業(yè)務(wù)6大類(lèi)，下面將分別對(duì)各類(lèi)業(yè)務(wù)的影響因素展開(kāi)討論：

2.2.1激活服務(wù)：用戶(hù)使用激活業(yè)務(wù)主要受到信用卡激活狀態(tài)和鎖定狀態(tài)的影響，可以直接呼入前的信用卡狀態(tài)作為特征。

2.2.2密碼服務(wù)：用戶(hù)選擇密碼服務(wù)通常有兩種情況，一種是剛剛激活信用卡以后，用戶(hù)需要設(shè)置或者驗(yàn)證密碼，可以使用距離開(kāi)卡的時(shí)間長(zhǎng)度衡量這種影響。另一種可能情況是用戶(hù)出現(xiàn)密碼遺忘。用戶(hù)出現(xiàn)密碼遺忘的原因很多，本文選擇兩種常見(jiàn)因素，即長(zhǎng)期未使用該信用卡或者擁有多張相同銀行的信用卡。定義距離上一次使用該賬戶(hù)交易的時(shí)間和該用戶(hù)下賬戶(hù)數(shù)量表示這兩種特征。

2.2.3額度服務(wù)：用戶(hù)訪(fǎng)問(wèn)額度業(yè)務(wù)的常見(jiàn)場(chǎng)景一般有兩類(lèi)：一類(lèi)是用戶(hù)在信用卡激活后查詢(xún)或更改自身額度，另一類(lèi)是用戶(hù)有繼續(xù)擴(kuò)大信用卡透支的傾向。第一類(lèi)場(chǎng)景選擇距離賬戶(hù)激活日期的時(shí)間作為特征，第二類(lèi)場(chǎng)景則需要衡量用戶(hù)擴(kuò)大透支的傾向。沈紅波通過(guò)實(shí)證分析發(fā)現(xiàn)，年齡，婚姻狀況，持卡人收入，性別，工作年限，賬戶(hù)賬齡，信用額度使用率都會(huì)對(duì)用戶(hù)透支行為產(chǎn)生影響，本文也采用這些特征來(lái)描述用戶(hù)的調(diào)整額度的傾向。

2.2.4分期服務(wù)：以往研究發(fā)現(xiàn)人口統(tǒng)計(jì)因素中性別、年齡、學(xué)歷、職業(yè)和收入對(duì)信用卡分期付款傾向均有顯著影響；另外使用需求和滿(mǎn)意度因素對(duì)分期付款傾向有正向顯著影響；風(fēng)險(xiǎn)知覺(jué)有顯著負(fù)向影響。為了衡量用戶(hù)的使用需求，本文采用月內(nèi)最大單筆消費(fèi)發(fā)生額和當(dāng)月賬單總額。用戶(hù)對(duì)分期越滿(mǎn)意，則越傾向采用分期方式，定義用戶(hù)分期數(shù)：

風(fēng)險(xiǎn)知覺(jué)是用戶(hù)主觀的心理狀態(tài)，使用用戶(hù)分期比例來(lái)衡量用戶(hù)的分期風(fēng)險(xiǎn)。

2.2.5積分服務(wù)：積分到期時(shí)間、可兌換額度、兌換方式是影響用戶(hù)使用積分兌換活動(dòng)的主要因素，其中兌換方式分為純積分兌換和積分加現(xiàn)金兌換。研究發(fā)現(xiàn)用戶(hù)的兌換行為偏好純積分類(lèi)型兌換。

2.2.6賬單服務(wù)：消費(fèi)日，賬單日，還款日構(gòu)成信用卡用戶(hù)的循環(huán)信用周期，其中的每個(gè)節(jié)點(diǎn)都會(huì)對(duì)用戶(hù)賬單產(chǎn)生影響，進(jìn)而促使用戶(hù)訪(fǎng)問(wèn)賬單業(yè)務(wù)。本文選取前3日消費(fèi)額和前3日消費(fèi)次數(shù)描述用戶(hù)的消費(fèi)特征。選擇呼入日期距離賬單日天數(shù)可以描述賬單訪(fǎng)問(wèn)特征。因此選擇上次還款額、距離上次還款日期天數(shù)描述還款特征。

2.3企業(yè)推送信息特征：短信通知是信用卡呼叫中心服務(wù)用戶(hù)的重要手段。S-O-R（stimulus-organism-response）模型[9]是認(rèn)知心理學(xué)的重要模型，表明環(huán)境刺激（S）會(huì)激起用戶(hù)（O）內(nèi)在心理狀態(tài)的變化從而產(chǎn)生對(duì)外反應(yīng)（R）。該理論表明了企業(yè)推送信息（S）的確會(huì)影響到用戶(hù)的IVR點(diǎn)擊節(jié)點(diǎn)（R）。S-O-R模型只能定性的說(shuō)明了企業(yè)推送信息對(duì)于用戶(hù)在IVR中選擇節(jié)點(diǎn)的影響，我們還需要定量計(jì)算推送信息的實(shí)際影響程度才能構(gòu)建該特征。因?yàn)榄h(huán)境刺激作用于用戶(hù)（O），難以直接計(jì)算影響，因此我們提出刺激強(qiáng)度來(lái)替代性地模擬這種影響。信用卡中心的通知短信是根據(jù)具體業(yè)務(wù)功能進(jìn)行編排的，短信內(nèi)容一般會(huì)涉及到具體業(yè)務(wù)，我們可以根據(jù)常識(shí)，人工標(biāo)注該短信刺激的業(yè)務(wù)節(jié)點(diǎn)，得到該短信和各節(jié)點(diǎn)的相關(guān)性向量。同時(shí)用戶(hù)對(duì)各節(jié)點(diǎn)的短期訪(fǎng)問(wèn)熱度代表用戶(hù)的興趣，可以作為用戶(hù)對(duì)個(gè)節(jié)點(diǎn)興趣的興趣向量B。通過(guò)計(jì)算兩個(gè)向量的余弦相似度M，可以近似該短信對(duì)該用戶(hù)的影響強(qiáng)度。A*M則可以表示該短信對(duì)該用戶(hù)的實(shí)際影響。

假設(shè)企業(yè)推送的各條信息對(duì)用戶(hù)的影響相互獨(dú)立，用戶(hù)每天收到N條短信，則可以通過(guò)簡(jiǎn)單相加得到每天的短信對(duì)信用卡用戶(hù)訪(fǎng)問(wèn)節(jié)點(diǎn)刺激強(qiáng)度的影響，定義為短信-節(jié)點(diǎn)刺激強(qiáng)度。

3.用戶(hù)訪(fǎng)問(wèn)節(jié)點(diǎn)的優(yōu)化方法。隨機(jī)森林運(yùn)用Bagging方法結(jié)合隨機(jī)子空間的方式提取特征的思想，是由一組隨機(jī)生成決策樹(shù)組成的分類(lèi)器。當(dāng)一位用戶(hù)的特征值向量輸入到訓(xùn)練好的隨機(jī)森林后，里面的每棵決策樹(shù)都獨(dú)立地對(duì)該用戶(hù)進(jìn)行判斷，根據(jù)多數(shù)表決原則決定該用戶(hù)的最終分類(lèi)。相比于其他分類(lèi)算法例如決策樹(shù)、LR等，隨機(jī)森林算法有以下幾大優(yōu)勢(shì)：（1）IVR用戶(hù)具有不同的背景，使用習(xí)慣也各不相同，因而提取的特征值的個(gè)體差異會(huì)較大，單個(gè)特征值對(duì)預(yù)測(cè)的貢獻(xiàn)不會(huì)十分顯著。隨機(jī)森林算法對(duì)每個(gè)指標(biāo)的要求不是很高，每個(gè)指標(biāo)都只需要包含少量區(qū)分信息即可。（2）用戶(hù)對(duì)于各項(xiàng)業(yè)務(wù)訪(fǎng)問(wèn)特征之間很可能會(huì)存在一些潛在的相關(guān)性，但對(duì)這些相關(guān)性又很難進(jìn)行準(zhǔn)確衡量，所以那些對(duì)特征之間相關(guān)性十分敏感的算法會(huì)不適合。隨機(jī)森林對(duì)于特征之間的多重共線(xiàn)性不敏感，運(yùn)用到本次分類(lèi)研究中比較合適。（3）隨機(jī)森林算法的魯棒性較強(qiáng)，由于IVR用戶(hù)中不可避免存在重復(fù)呼入，錯(cuò)誤點(diǎn)擊等噪音數(shù)據(jù)，選擇隨機(jī)森林算法可以很好地避免這些數(shù)據(jù)的影響。因此，本文選用隨機(jī)森林作為分類(lèi)預(yù)測(cè)階段的分類(lèi)器。

四、實(shí)驗(yàn)及結(jié)果分析

1.原始數(shù)據(jù)及預(yù)處理。本文所使用的原始數(shù)據(jù)來(lái)自某銀行信用卡中心2015年10月到2016年5月的運(yùn)營(yíng)記錄。選取50000個(gè)信用卡賬戶(hù)，以及賬戶(hù)所關(guān)聯(lián)的用戶(hù)屬性數(shù)據(jù)，IVR來(lái)電歷史記錄數(shù)據(jù)，額度及調(diào)整記錄數(shù)據(jù)，交易記錄數(shù)據(jù)，還款記錄，辦理分期記錄數(shù)據(jù)，積分兌換數(shù)據(jù)，短信發(fā)送數(shù)據(jù)等，如表2所示。

由于用戶(hù)的IVR來(lái)電日志包含了所有按鍵節(jié)點(diǎn)，因此，需要查詢(xún)每一通來(lái)電記錄，去除中的引導(dǎo)節(jié)點(diǎn)。其次，依據(jù)節(jié)點(diǎn)的訪(fǎng)問(wèn)時(shí)間戳去除重復(fù)的按鍵記錄。如果用戶(hù)在一次訪(fǎng)問(wèn)中辦理了多個(gè)業(yè)務(wù)節(jié)點(diǎn)，提取其中第一個(gè)業(yè)務(wù)節(jié)點(diǎn)。將數(shù)據(jù)處理形成（呼入日期，信用卡號(hào)， IVR訪(fǎng)問(wèn)節(jié)點(diǎn)）的三元組結(jié)構(gòu)作為基本的用戶(hù)IVR節(jié)點(diǎn)訪(fǎng)問(wèn)單元，最終構(gòu)建了842792條用戶(hù)IVR來(lái)電數(shù)據(jù)。然后對(duì)基本單元關(guān)聯(lián)的其他運(yùn)營(yíng)記錄進(jìn)行ETL處理，得到最終的分類(lèi)輸入特征集合。

2.目標(biāo)節(jié)點(diǎn)篩選和業(yè)務(wù)劃分。刪除中間引導(dǎo)節(jié)點(diǎn)后，該信用卡IVR菜單一共有 32個(gè)業(yè)務(wù)節(jié)點(diǎn)，如圖2所示，各個(gè)節(jié)點(diǎn)的訪(fǎng)問(wèn)量呈現(xiàn)明顯的長(zhǎng)尾分布。其中前25個(gè)節(jié)點(diǎn)的訪(fǎng)問(wèn)量占到總訪(fǎng)問(wèn)量的98.23%。訪(fǎng)問(wèn)量前5的節(jié)點(diǎn)分別是查詢(xún)密碼重置，交易密碼重置，修改交易密碼，延遲還款申請(qǐng)，設(shè)置憑密功能。

然后按照菜單結(jié)構(gòu)內(nèi)各個(gè)節(jié)點(diǎn)分布情況和節(jié)點(diǎn)名稱(chēng)，對(duì)各個(gè)訪(fǎng)問(wèn)節(jié)點(diǎn)進(jìn)行業(yè)務(wù)劃分。從業(yè)務(wù)分布可以看到賬單類(lèi)業(yè)務(wù)比例最大，在6種業(yè)務(wù)分類(lèi)外的其他業(yè)務(wù)比例很小，而且訪(fǎng)問(wèn)量也很小。因此，即使沒(méi)有設(shè)計(jì)預(yù)測(cè)該類(lèi)業(yè)務(wù)訪(fǎng)問(wèn)的特征也不會(huì)造成很大影響。

3.實(shí)驗(yàn)設(shè)置和評(píng)價(jià)方法。本文將展開(kāi)兩組實(shí)驗(yàn)：（1）通過(guò)建立分類(lèi)器驗(yàn)證提出方法的預(yù)測(cè)效果，并檢驗(yàn)?zāi)Ｐ偷姆€(wěn)定性和各個(gè)特征的重要程度。預(yù)測(cè)準(zhǔn)確性的評(píng)價(jià)方法一般采用準(zhǔn)確率、召回率和F值。本實(shí)驗(yàn)利用基于python的scikit-learn包實(shí)現(xiàn)隨機(jī)森林算法。該包可以提供各種特征的重要性分析，也可以將多分類(lèi)結(jié)果按預(yù)測(cè)的概率分布輸出，可以很方便地按照預(yù)測(cè)準(zhǔn)確率調(diào)整預(yù)測(cè)節(jié)點(diǎn)的個(gè)數(shù)。（2）通過(guò)對(duì)比推薦前后用戶(hù)在IVR中實(shí)際的停留時(shí)間，來(lái)檢驗(yàn)優(yōu)化方法在實(shí)際運(yùn)行環(huán)境中的效果。

4.優(yōu)化效果及分析。將表1所示特征輸入分類(lèi)器，采用4折交叉驗(yàn)證計(jì)算平均F值。由于各目標(biāo)節(jié)點(diǎn)的訪(fǎng)問(wèn)量存在明顯差異，類(lèi)別不平衡嚴(yán)重，因此對(duì)訪(fǎng)問(wèn)量占比小于20%的類(lèi)別進(jìn)行10倍重復(fù)采樣。分類(lèi)器參數(shù)均選擇默認(rèn)參數(shù)。分別使用1到4月份數(shù)據(jù)作為訓(xùn)練集，5月數(shù)據(jù)作為測(cè)試集，預(yù)測(cè)結(jié)果如表2所示。由表可見(jiàn)該預(yù)測(cè)模型準(zhǔn)確率波動(dòng)較小，說(shuō)明表1中所提取的特征并沒(méi)有隨時(shí)間變化而失效，顯示出模型的穩(wěn)健性。

在實(shí)際的IVR推薦中，我們可以提取TOP N個(gè)預(yù)測(cè)結(jié)果，因此需要對(duì)預(yù)測(cè)結(jié)果進(jìn)行篩選。使用4月份數(shù)據(jù)訓(xùn)練出分類(lèi)模型，我們按分類(lèi)結(jié)果的概率分布大小分別計(jì)算取前1，前2一直到到前5個(gè)預(yù)測(cè)節(jié)點(diǎn)下的準(zhǔn)確率變化情況，如表5所示。

當(dāng)取前5個(gè)預(yù)測(cè)節(jié)點(diǎn)時(shí)，預(yù)測(cè)準(zhǔn)確率已經(jīng)超過(guò)85%，已經(jīng)屬于較高的預(yù)測(cè)準(zhǔn)確度，可以作為實(shí)際推薦使用。因此，按預(yù)測(cè)概率大小排序，選取預(yù)測(cè)節(jié)點(diǎn)的TOP 5個(gè)節(jié)點(diǎn)數(shù)作為推薦節(jié)點(diǎn)，并按照概率分布大小排序。為了評(píng)估模型中特征的重要性，將各特征按照重要性排序后取前5個(gè)和最后5個(gè)節(jié)點(diǎn)如表6所示。其中賬戶(hù)開(kāi)通時(shí)間是唯一重要性大于10%的特征。說(shuō)明新用戶(hù)在申請(qǐng)到賬戶(hù)后，來(lái)電目的往往會(huì)集中于密碼或激活類(lèi)的業(yè)務(wù)節(jié)點(diǎn)，因此相關(guān)性會(huì)比較大。信息刺激強(qiáng)度也排在前5位之中，說(shuō)明企業(yè)推送短信的確對(duì)于用戶(hù)的IVR撥打和點(diǎn)擊行為有較強(qiáng)的引導(dǎo)作用。而性別、年齡、收入等用戶(hù)屬性對(duì)用戶(hù)訪(fǎng)問(wèn)節(jié)點(diǎn)的預(yù)測(cè)。

使用本文提出的優(yōu)化方法，在該信用卡中心IVR系統(tǒng)內(nèi)進(jìn)行了線(xiàn)上測(cè)試。并在上線(xiàn)一個(gè)月后隨機(jī)抽取了500通訪(fǎng)問(wèn)電話(huà)，同時(shí)從上線(xiàn)之前的系統(tǒng)數(shù)據(jù)中隨機(jī)抽取500通訪(fǎng)問(wèn)電話(huà)，分別計(jì)算用戶(hù)的平均停留時(shí)間和標(biāo)準(zhǔn)差。因?yàn)榧夹g(shù)原因，用戶(hù)在IVR系統(tǒng)中停留的時(shí)間無(wú)法單獨(dú)提取，有一部分人工服務(wù)的時(shí)間也被計(jì)算在內(nèi)。但是該優(yōu)化方案對(duì)于用戶(hù)的轉(zhuǎn)人工行為并沒(méi)有直接影響，因此可以假設(shè)500通訪(fǎng)問(wèn)電話(huà)中人工服務(wù)的比例和時(shí)間是接近的，不會(huì)對(duì)結(jié)果造成明顯影響。由表7可見(jiàn)，加入推薦后用戶(hù)在系統(tǒng)內(nèi)的平均停留時(shí)間縮短了15.26秒，占優(yōu)化前總時(shí)間的9.3%，優(yōu)化效果明顯。然而標(biāo)準(zhǔn)差在優(yōu)化后有所擴(kuò)大，可能原因是一些用戶(hù)沒(méi)有習(xí)慣于這種個(gè)性化的語(yǔ)音播報(bào)而迅速掛斷了電話(huà)，使重播率有所上升?；蚴遣糠钟脩?hù)在推薦節(jié)點(diǎn)內(nèi)沒(méi)有找到自己需要的業(yè)務(wù)節(jié)點(diǎn)，進(jìn)而重新進(jìn)入原IVR語(yǔ)音，導(dǎo)致時(shí)間的延長(zhǎng)。

五、結(jié)語(yǔ)

信用卡呼叫中心IVR是用戶(hù)訪(fǎng)問(wèn)信用卡業(yè)務(wù)的重要渠道，個(gè)性化IVR可以幫助用戶(hù)減少停留時(shí)間，優(yōu)化用戶(hù)體驗(yàn)。本文設(shè)計(jì)了一種使用用戶(hù)訪(fǎng)問(wèn)特征的IVR優(yōu)化方法，該方法比較于傳統(tǒng)的IVR個(gè)性化方法，有以下幾點(diǎn)優(yōu)勢(shì)：（1）使用呼叫中心和相關(guān)業(yè)務(wù)系統(tǒng)內(nèi)大量用戶(hù)行為記錄對(duì)用戶(hù)訪(fǎng)問(wèn)目標(biāo)進(jìn)行預(yù)測(cè)，最大程度利用現(xiàn)有信息，可解釋性強(qiáng)，個(gè)性化程度更高。（2）在進(jìn)入傳統(tǒng)IVR菜單之前加入推薦層，不需要破壞原有IVR菜單結(jié)構(gòu)，即使推薦結(jié)果沒(méi)有命中，用戶(hù)可以重新進(jìn)入熟悉的傳統(tǒng)IVR菜單。實(shí)驗(yàn)結(jié)果表明預(yù)測(cè)準(zhǔn)確率達(dá)到理想水平，優(yōu)化后的用戶(hù)平均停留時(shí)間有了明顯縮短。下一步研究應(yīng)當(dāng)推廣預(yù)測(cè)推薦技術(shù)到呼叫中心的更多環(huán)節(jié)中，例如外呼營(yíng)銷(xiāo)以及客服的人工服務(wù)，以達(dá)到呼叫中心服務(wù)的進(jìn)一步個(gè)性化，提高呼叫中心整體運(yùn)作效率。

參考文獻(xiàn)：

[1].李大川.呼叫中心業(yè)務(wù)流不均衡問(wèn)題研究[D].北京郵電大學(xué)博士研究生學(xué)位論文，2008.

[2].韓湧.IVR自助系統(tǒng)中的用戶(hù)行為分析系統(tǒng)的研究與設(shè)計(jì)[D]，上海交通大學(xué)工程碩士論文，2013.

[3].羅來(lái)鵬.基于關(guān)聯(lián)模式的電信客戶(hù)致電實(shí)證分析.中原工學(xué)院學(xué)報(bào)[J]，2014，25（6）：85-88.

[4].黃志軍.外包呼叫中心配置型個(gè)性化IVR業(yè)務(wù)的研究.無(wú)線(xiàn)互聯(lián)科技[J]，2013，6： 155-156.

[5].屠丹旎.從傳統(tǒng)走向個(gè)性的IVR 轉(zhuǎn)型方案的研究.新技術(shù)[J]， 2012，15：71-72.

[6].楊海威.IVR智能管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]，北京工業(yè)大學(xué)碩士研究生學(xué)位論文，2014.

[7].翟曉芳，劉全明等.基于轉(zhuǎn)發(fā)層次分析的新浪微博熱度預(yù)測(cè)研究.計(jì)算機(jī)工程[J]，2015，41（7）：31-35.

[8].牟穎，王俊峰，謝傳柳等.大型呼叫中心話(huà)務(wù)量預(yù)測(cè).計(jì)算機(jī)工程與設(shè)計(jì)[J]2010， 21： 4686-4689+4719.

[9].Amy Wenxuan Ding， Shibo Li， Patrali Chatterjee.Learning User Real-Time Intent for Optimal Dynamic Web Page Transformation.[J] Information Systems Research，2015，26（2）：339–359.

[10].杜云生.信用卡消費(fèi)市場(chǎng)細(xì)分研究[D].北京理工大學(xué)博士研究生學(xué)位論文，2014.

[11].趙琦.信用卡分期付款消費(fèi)傾向影響因素的實(shí)證研究[D].湖南大學(xué)碩士研究生學(xué)位論文，2009.

[12].方匡南，吳見(jiàn)彬，朱建平，謝邦昌.信貸信息不對(duì)稱(chēng)下的信用卡信用風(fēng)險(xiǎn)研究.經(jīng)濟(jì)研究[J]，2010，1： 97-107.

[13].張曉蕾.信用卡分期業(yè)務(wù)違約的影響因素及研究--A銀行廣州分行信用卡業(yè)務(wù)為例[D].暨南大學(xué)碩士學(xué)位論文，2014.

[14].馬莎莎.兌換方式和距離對(duì)回報(bào)計(jì)劃參與的影響研究[D]西安工業(yè)大學(xué)碩士研究生學(xué)位論文，2014.

[15].張濤.商業(yè)銀行信用卡客戶(hù)忠誠(chéng)度預(yù)測(cè)問(wèn)題研究[D].清華大學(xué)碩士研究生學(xué)位論文，2008.

[16].邵帥.基于海量銀行卡用戶(hù)行為的推薦算法研究[D].大連理工大學(xué)碩士研究生學(xué)位論文，2015.

[17].劉魯軍.基于數(shù)據(jù)挖掘的信用卡客戶(hù)激活與響應(yīng)度研究[D].山東大學(xué)碩士研究生學(xué)位論文，2011.

[18].馮帥.交通銀行信用卡坐席系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].北京交通大學(xué)碩士研究生學(xué)位論文，2013.