用機器學習對座席應答延遲的預測

在基於訊息的客戶溝通系統上，一般會需要對座席應答時間延遲進行預測，可以讓客戶知道座席的應答行為大概在什麼時候發生。客戶好做打算，是等啊、等啊還是等啊？

這個預測的功能看起來很微不足道，但是實現起來還是需要有點考量才可以。參考 PPMESSAGE 的實現，本文我將簡單描述 PPMESSAGE 如何實現預測應答延遲時間的。

最初的時候是打算通過計算最近幾次會話的座席平均延遲值來推測下一次應答時間延遲，這種方法貌似簡單，但是侷限非常明顯，比如客戶晚上來諮詢，一般來說沒有座席能夠即時應答，這樣應該提示客戶可能需要數個小時後才能得到應答。均值演算法當然沒有辦法覆蓋這種情況。有同學自然會想，可以再加上邏輯判斷白天晚上工作時間等等，可以講這條路貌似要朝那個叫做死衚衕的地方走了。因為對於 PPMESSAGE 這種 SaaS 服務，裡面有N個公司同時在使用，他們晝伏夜出，淘米拉磨的方式各不相同。如何為每個公司判斷呢？

到這裡，我是不是該轉場到機器學習了，有點突然，畢竟它是這麼這麼的熱，那就搞一搞吧。順便提一句，美國有個公司 Intercom 也有這個小功能，是不是用機器學習實現的就不清楚了。（這裡為了混個關鍵詞，可忽略，?）

一般來說，座席應答客戶的延遲時間和客戶傳送訊息所攜帶的時間資訊強烈關聯，時間裡麵包含0-23小時，週一到週日，1-31日，1-12月，這個時間一定要轉化成本地時間，這樣就能攜帶工作時間的資訊。這樣的資訊產生的結果就是座席應答時間的延遲，可以把延遲按照10秒，20秒，40秒區隔，10秒即左移0位，20秒即左移1位，40秒左移2位等等到數個小時，越往後越寬闊呀。這樣就把一個時間延遲的問題轉化成了資料對映。一組時間資料對應一個移位值。真實世界的問題已經虛幻了，走向了線性代數。OK，就到這裡！

當然實現上還有很多注意的細節，對沒有得到回覆的資訊進行跟蹤，並且不斷訓練；每隔一段時間自動的根據當前時刻進行預測為客戶提前做出預測值的準備等等。

細節內容還有很多，以後可以慢慢講來。

週末愉快！寫個軟文，熱熱身。

PPMESSAGE 創始人
丁貴金
2017年4月14日