BP神经网络在呼叫中心抽检评估中的应用

马洪利　贺欣韬　王蕊　石芳

摘 要： 为了提高抽样检验的检出率，基于对某运营商呼叫中心服务质量管理现状的分析， 提出利用BP神经网络对客服代表输出的话务质量进行风险评估和预判分类的方法。经过Matlab仿真平台的模拟实验，确定风险因子和风险等级，并进行数据归一化处理，建立数学模型，得到结论：BP神经网络技术应用于呼叫中心服务质量风险评估和抽样检验领域是可行的、有效的。基于该方法，可以将呼叫中心服务质量抽样检验的检出率从传统方法的5.3%提高到现在的9.23%，提高了质检人员的工作效率。

关键词： BP神经网络； 呼叫中心； 抽检评估； 抽样检验

中图分类号： TN911?34 文献标识码： A 文章编号： 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

呼叫中心是企业为客户提供服务的窗口，体现了“客户为根，服务为本”的企业经营理念。通过呼叫中心，客户可以进行业务办理、信息咨询、投诉建议以及故障申报等服务。客服代表是连接企业和顾客的桥梁，其服务质量都会对整个呼叫中心的服务水准产生重要影响。为了持续、深入地提高企业的服务水平，为客户提供及时、准确和高质量的服务，各企业长期以来都非常重视对呼叫中心服务质量的管理[1]。

1 呼叫中心服务质量抽检评估的现状

目前客服中心的质量检验工作是以随机抽查作为基本方法，其依据的主要指标包括：回答准确率、流程口径执行率、服务用语规范率、服务态度规范率等。

对服务质量的随机抽查主要有两种方式：人工布控和计算机自动布控。人工布控受主观因素影响很大，会带来评价尺度不统一等诸多问题。因此通常采用设定抽查比例后由计算机随机布控的抽检方式。随机抽检模式在很大程度上缓解了服务质量抽检评估的覆盖面与人力成本之间的矛盾，但在本质上都是对所有通话记录不加区分、平均用力，忽略了每一条通话记录出现不合格情况的潜在风险是不同的。例如，入职时间较长的熟练客服人员输出不合格服务的概率要低于新入职员工；每日凌晨0点至6点时段呼叫中心输出不合格服务的概率要高于上午8点至下午5点的时段；通话时长的增大而产生疲劳、不耐烦、怠工等现象， 从而导致服务质量的不稳定等。输出不合格服务的风险受很多风险因子的共同作用，存在差异。如果否认或无视这种风险差异的存在，对所有通话记录进行随机抽检，将会造成人力资源的浪费和管理成本的上升。

综上，缺乏针对性、抽检效率不高已经成为制约呼叫中心抽检评估工作效能的突出问题。因此在客服系统管理中引入风险评估概念，利用先进的神经网络技术和数据挖掘技术建立风险定量研究模型，从而在有限的人力物力条件下大幅提高不合格检出率，是一个有着较高的理论研究价值和实际应用前景的课题。

2 神经网络技术应用于服务质量风险评估的

可行性

每一条客服电话记录发生不合格的风险实际是由客服代表所受理的业务类型、客服代表自身的业务水平、所在班组的管理水平、受理业务时客服代表是否存在疲劳、倦怠状态等多种因素共同作用决定的。这些因素有客观因素也有主观因素。将上述因素中能够量化和监测的因素列出来，称作风险因子。不同风险因子在风险评估中的权重不同，相互之间存在着复杂的非线性关联。因此，从分析学角度解释服务质量风险评估，应是一个多因素、多变量、模糊的非线性、非对等运算程序，所以过程相当复杂。这也是为什么风险评估综合评判的结果也往往因人而异，即使最有经验的专家也往往会给出不同的结论。如何将所有风险因子综合考虑确定最终的抽检原则，是加权、取大、取小、取平均值、还是采用更先进的算法。这些问题成为长期以来困扰审单中心专家们的一道难题。

神经网络技术是近几年来人工智能研究较为活跃的领域。人工神经网络的模型也是依照生物神经网络提出的，它参考人脑结构，试图通过构造人工神经元的结构和功能，实现人脑接收、处理和传递信息的功能，完成人类在语言、图像处理或者抽象思维等方面的行为。它特别适用于处理输入和输出间关系复杂、机理不清或解决无法建立精确数学模型的“黑匣子”，是从样本数据中拟合出输入和输出间的关系，并利用这种关系进行预测一种有效手段[2]。

将模糊神经网络技术应用于呼叫中心服务质量风险评估，可以根据历史数据和专家经验建立完全量化的风险评判模型，对每一条通话记录进行实时的风险分析，实现“即决式”的抽检布控；并且能够实时反馈最新的数据得以不断完善抽检规则。通过这个系统，在抽检机制中引入结果反馈因素，形成“输入?抽检?反馈”的闭环，利用神经网络强大的学习能力，从结果反馈的样例中学习，获取“知识和经验”，从而解决当前专家系统的“瓶颈问题”。同时由于信息在网络中是分布表示的，因而它对带有噪声或缺损的输入信息有很强的适应能力。据此，我们可以优劣互补，构建采用以专家系统为主，以神经网络为辅的神经网络专家系统。

3 实证研究

3.1 风险评估的系统流程

对服务质量进行风险评估分为如下几个基本步骤：

（1） 建立服务质量的风险指标因子体系。鉴于搜集指标体系时，专家评估会带有一定的主观性和指标因子也会具有难以统计性，提出利用Delphi法，即专家调查问卷法来建立服务质量的风险指标体系。通过两轮的调查问卷和数据分析，最终选取了客服中心区域、客服人员上岗时间、通话时段、通话时长、业务受理类型这5个影响因素作为风险因子，形成完整的风险指标体系。

（2） 建立风险等级检索表。在获得风险指标体系之后去采集历史数据，并对数据进行预处理。这里要对每一个风险因子在过去发生的不合格次数和频率进行细致的分析，据此建立初始风险等级检索表。对于未来需要进行风险评估的每一条通话记录来说，都能过通过上述风险等级检索表得到对应的风险等级向量。这里利用Access数据库[3]技术设计实现了风险等级检索功能。

初始的检索数据表不是固定的，而是动态更新的。这体现了神经网络系统自学习、自反馈、自调整的特点。理论上每一次通话记录的抽检结果的录入保存都要触发一次动态更新。

（3） 风险因子的模糊归一化。利用神经网络对服务质量进行建模分析，涉及神经网络的输入端的数值化，而影响服务质量风险的因子大多数都是由模糊语言变量来描述的，因此，需要通过设计模糊控制器对其进行模糊归一化，将各个因子的风险等级数值化到[0，1]区间。

（4） 进行神经网络的建模。主要包括确定网络结构以及对神经网络的训练，训练样本为采集的历史数据，利用神经网络自动变更权值、阈值以达到期望输出。神经网络的实际输出，可看作为评价结果，也就是风险分类的结果；也可得到数值化的风险值。

（5） 根据神经网络预测出的分类结果，风险“合格”与风险“不合格”，对应抽检的布控指令为“不查”与“查”的关系，可将评估结果作为呼叫中心服务质量抽检策略制定的辅助支持。

3.2 BP神经网络在服务质量风险评估中的应用实践

本文的研究借助Matlab系统工具箱[4]对BP神经网络进行仿真分析。

应用BP神经网络进行风险评估的关键步骤包括：建立风险评估系统模型，选定网络结构，设置网络参数并且导入样本数据；神经网络训练，不断更新其权值和阈值，使之达到期望输出；固定满足要求的网络结构以及参数，导入测试数据进行网络测试，进行预测分类。

（1） 确定网络结构。神经网络输入为风险指标体系，指标体系包含了5个因子，由此可确定出网络的输入层节点数为5维， 因为神经网络的输出为评价结果，“合格”与“不合格”，可由两个向量表示（0，1）与（1，0），因此确定两个输出层节点数为2 维。

（2） 隐含层节点数。BP神经网络的隐含层节点数目对BP神经网络的预测精度有较大影响：节点数目太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合。这里采用公式法和试凑相结合的方法确定最佳隐含层节点数为20。最终可确定网络结构为5?20?2。

（3） 训练参数的选择。初始权值和阈值的选择：为了使网络能够很快收敛，避免陷入局部极小值，在网络初始化时，通常选择初始权重和阈值[-1，1）。

传递函数的选择：本文中，采用均方误差的对比的方法，在其他参数固定不变的情况下，分别对不同传递函数的网络进行训练，得出其均方误差和误差百分比，然后进行误差对比，选择误差最小的传递函数。最终选取隐含层的传递函数为purelin函数，输出层的传递函数为tansig函数[5]。

训练函数的选择：与传递函数的选择过程相似，通过对比不同训练函数的误差性能来找到收敛最快的函数。最终选择trainlm函数作为训练函数。在上述确定好神经网络结构和参数之后，在某地运营商呼叫中心选取了2013年1月被抽检的1 000条通话记录及评价结果作为训练数据，对网络进行训练，其中包含932条评价结果为“合格”的数据，68条评价结果为“不合格”的数据，不合格率为6.8%。网络训练的误差曲线如图2所示。另外选取了该公司2013年2月被抽检的1 000条通话记录作为测试数据，利用前面已经训练并保存好的BP神经网络进行风险预测和分类，最终得到表1所示测试结果。

3.3 数据分析与结果评价

从表1可以看出，测试数组的1 000条通话记录中实际被判定为不合格的例数为53例；按照目前呼叫中心的质量检验工作是以随机抽查作为基本方法，因此从统计学意义上讲，在随机布控条件下的查验检出率与实际的总体不合格率大致接近。这是随机样本反映总体情况的正常表现。即传统的服务质量检验可以做到的不合格检出率约为5.3%。而在使用了BP神经网络算法后，被算法预判为不合格（即执行抽检）的例数为195，其中判定正确为18例，不合格检出率为9.23%，接近随机抽检下不合格检出率的2倍。总体的分类正确率达到76.8%。

4 结 语

本文将BP神经网络应用于对呼叫中心的质量检验工作中，对客服代表输出的话务服务发生不合格的潜在风险进行预测，从而有针对性地进行抽检布控。这样，一方面有效地克服了随机抽检的盲目性和低效率，在有限的人力物力条件下，大幅提高抽查检出率，实现资源效能的充分发挥。另一方面，风险评估指标体系的建立，对客服代表也会产生较好的导向和激励作用，提高整个呼叫中心的绩效。

参考文献

[1] 谢峻伟，胡志宇，王云绮.数据挖掘在一个基于呼叫中心的CRM 查询分析中的应用[J].电脑知识与技术，2011（5）：986?988.

[2] 韩立群.人工神经网络理论[M].北京：化学工业出版社，2002.

[3] 陈杰.Matlab宝典[M].北京：电子工业出版社，2007.

[4] 石剑平，姜麟，徐润林.Matlab数据库工具箱在数学建模中的应用[J].信息系统工程，2010（9）：82?83.

[5] 卓金武.Matlab在数学建模中的应用[M].北京：北京航空航天大学出版社，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，龚文龙，杨红.网络信息服务客户满意度的模糊综合评判[J].西北民族大学学报，2004（4）：35?38.

[9] 杨纶标，高英仪.模糊数学原理及应用[M].广州：华南理工大学出版社，2003.

[10] 刘慧，刘文定，曹永斌.Matlab与数据库技术在CIQ货物风险评价系统中的应用[J].工业控制计算机，2011（11）：54?55.

将模糊神经网络技术应用于呼叫中心服务质量风险评估，可以根据历史数据和专家经验建立完全量化的风险评判模型，对每一条通话记录进行实时的风险分析，实现“即决式”的抽检布控；并且能够实时反馈最新的数据得以不断完善抽检规则。通过这个系统，在抽检机制中引入结果反馈因素，形成“输入?抽检?反馈”的闭环，利用神经网络强大的学习能力，从结果反馈的样例中学习，获取“知识和经验”，从而解决当前专家系统的“瓶颈问题”。同时由于信息在网络中是分布表示的，因而它对带有噪声或缺损的输入信息有很强的适应能力。据此，我们可以优劣互补，构建采用以专家系统为主，以神经网络为辅的神经网络专家系统。

3 实证研究

3.1 风险评估的系统流程

对服务质量进行风险评估分为如下几个基本步骤：

（1） 建立服务质量的风险指标因子体系。鉴于搜集指标体系时，专家评估会带有一定的主观性和指标因子也会具有难以统计性，提出利用Delphi法，即专家调查问卷法来建立服务质量的风险指标体系。通过两轮的调查问卷和数据分析，最终选取了客服中心区域、客服人员上岗时间、通话时段、通话时长、业务受理类型这5个影响因素作为风险因子，形成完整的风险指标体系。

（2） 建立风险等级检索表。在获得风险指标体系之后去采集历史数据，并对数据进行预处理。这里要对每一个风险因子在过去发生的不合格次数和频率进行细致的分析，据此建立初始风险等级检索表。对于未来需要进行风险评估的每一条通话记录来说，都能过通过上述风险等级检索表得到对应的风险等级向量。这里利用Access数据库[3]技术设计实现了风险等级检索功能。

初始的检索数据表不是固定的，而是动态更新的。这体现了神经网络系统自学习、自反馈、自调整的特点。理论上每一次通话记录的抽检结果的录入保存都要触发一次动态更新。

（3） 风险因子的模糊归一化。利用神经网络对服务质量进行建模分析，涉及神经网络的输入端的数值化，而影响服务质量风险的因子大多数都是由模糊语言变量来描述的，因此，需要通过设计模糊控制器对其进行模糊归一化，将各个因子的风险等级数值化到[0，1]区间。

（4） 进行神经网络的建模。主要包括确定网络结构以及对神经网络的训练，训练样本为采集的历史数据，利用神经网络自动变更权值、阈值以达到期望输出。神经网络的实际输出，可看作为评价结果，也就是风险分类的结果；也可得到数值化的风险值。

（5） 根据神经网络预测出的分类结果，风险“合格”与风险“不合格”，对应抽检的布控指令为“不查”与“查”的关系，可将评估结果作为呼叫中心服务质量抽检策略制定的辅助支持。

3.2 BP神经网络在服务质量风险评估中的应用实践

本文的研究借助Matlab系统工具箱[4]对BP神经网络进行仿真分析。

应用BP神经网络进行风险评估的关键步骤包括：建立风险评估系统模型，选定网络结构，设置网络参数并且导入样本数据；神经网络训练，不断更新其权值和阈值，使之达到期望输出；固定满足要求的网络结构以及参数，导入测试数据进行网络测试，进行预测分类。

（1） 确定网络结构。神经网络输入为风险指标体系，指标体系包含了5个因子，由此可确定出网络的输入层节点数为5维， 因为神经网络的输出为评价结果，“合格”与“不合格”，可由两个向量表示（0，1）与（1，0），因此确定两个输出层节点数为2 维。

（2） 隐含层节点数。BP神经网络的隐含层节点数目对BP神经网络的预测精度有较大影响：节点数目太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合。这里采用公式法和试凑相结合的方法确定最佳隐含层节点数为20。最终可确定网络结构为5?20?2。

（3） 训练参数的选择。初始权值和阈值的选择：为了使网络能够很快收敛，避免陷入局部极小值，在网络初始化时，通常选择初始权重和阈值[-1，1）。

传递函数的选择：本文中，采用均方误差的对比的方法，在其他参数固定不变的情况下，分别对不同传递函数的网络进行训练，得出其均方误差和误差百分比，然后进行误差对比，选择误差最小的传递函数。最终选取隐含层的传递函数为purelin函数，输出层的传递函数为tansig函数[5]。

训练函数的选择：与传递函数的选择过程相似，通过对比不同训练函数的误差性能来找到收敛最快的函数。最终选择trainlm函数作为训练函数。在上述确定好神经网络结构和参数之后，在某地运营商呼叫中心选取了2013年1月被抽检的1 000条通话记录及评价结果作为训练数据，对网络进行训练，其中包含932条评价结果为“合格”的数据，68条评价结果为“不合格”的数据，不合格率为6.8%。网络训练的误差曲线如图2所示。另外选取了该公司2013年2月被抽检的1 000条通话记录作为测试数据，利用前面已经训练并保存好的BP神经网络进行风险预测和分类，最终得到表1所示测试结果。

3.3 数据分析与结果评价

从表1可以看出，测试数组的1 000条通话记录中实际被判定为不合格的例数为53例；按照目前呼叫中心的质量检验工作是以随机抽查作为基本方法，因此从统计学意义上讲，在随机布控条件下的查验检出率与实际的总体不合格率大致接近。这是随机样本反映总体情况的正常表现。即传统的服务质量检验可以做到的不合格检出率约为5.3%。而在使用了BP神经网络算法后，被算法预判为不合格（即执行抽检）的例数为195，其中判定正确为18例，不合格检出率为9.23%，接近随机抽检下不合格检出率的2倍。总体的分类正确率达到76.8%。

4 结 语

本文将BP神经网络应用于对呼叫中心的质量检验工作中，对客服代表输出的话务服务发生不合格的潜在风险进行预测，从而有针对性地进行抽检布控。这样，一方面有效地克服了随机抽检的盲目性和低效率，在有限的人力物力条件下，大幅提高抽查检出率，实现资源效能的充分发挥。另一方面，风险评估指标体系的建立，对客服代表也会产生较好的导向和激励作用，提高整个呼叫中心的绩效。

参考文献

[1] 谢峻伟，胡志宇，王云绮.数据挖掘在一个基于呼叫中心的CRM 查询分析中的应用[J].电脑知识与技术，2011（5）：986?988.

[2] 韩立群.人工神经网络理论[M].北京：化学工业出版社，2002.

[3] 陈杰.Matlab宝典[M].北京：电子工业出版社，2007.

[4] 石剑平，姜麟，徐润林.Matlab数据库工具箱在数学建模中的应用[J].信息系统工程，2010（9）：82?83.

[5] 卓金武.Matlab在数学建模中的应用[M].北京：北京航空航天大学出版社，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，龚文龙，杨红.网络信息服务客户满意度的模糊综合评判[J].西北民族大学学报，2004（4）：35?38.

[9] 杨纶标，高英仪.模糊数学原理及应用[M].广州：华南理工大学出版社，2003.

[10] 刘慧，刘文定，曹永斌.Matlab与数据库技术在CIQ货物风险评价系统中的应用[J].工业控制计算机，2011（11）：54?55.

将模糊神经网络技术应用于呼叫中心服务质量风险评估，可以根据历史数据和专家经验建立完全量化的风险评判模型，对每一条通话记录进行实时的风险分析，实现“即决式”的抽检布控；并且能够实时反馈最新的数据得以不断完善抽检规则。通过这个系统，在抽检机制中引入结果反馈因素，形成“输入?抽检?反馈”的闭环，利用神经网络强大的学习能力，从结果反馈的样例中学习，获取“知识和经验”，从而解决当前专家系统的“瓶颈问题”。同时由于信息在网络中是分布表示的，因而它对带有噪声或缺损的输入信息有很强的适应能力。据此，我们可以优劣互补，构建采用以专家系统为主，以神经网络为辅的神经网络专家系统。

3 实证研究

3.1 风险评估的系统流程

对服务质量进行风险评估分为如下几个基本步骤：

（1） 建立服务质量的风险指标因子体系。鉴于搜集指标体系时，专家评估会带有一定的主观性和指标因子也会具有难以统计性，提出利用Delphi法，即专家调查问卷法来建立服务质量的风险指标体系。通过两轮的调查问卷和数据分析，最终选取了客服中心区域、客服人员上岗时间、通话时段、通话时长、业务受理类型这5个影响因素作为风险因子，形成完整的风险指标体系。

（2） 建立风险等级检索表。在获得风险指标体系之后去采集历史数据，并对数据进行预处理。这里要对每一个风险因子在过去发生的不合格次数和频率进行细致的分析，据此建立初始风险等级检索表。对于未来需要进行风险评估的每一条通话记录来说，都能过通过上述风险等级检索表得到对应的风险等级向量。这里利用Access数据库[3]技术设计实现了风险等级检索功能。

初始的检索数据表不是固定的，而是动态更新的。这体现了神经网络系统自学习、自反馈、自调整的特点。理论上每一次通话记录的抽检结果的录入保存都要触发一次动态更新。

（3） 风险因子的模糊归一化。利用神经网络对服务质量进行建模分析，涉及神经网络的输入端的数值化，而影响服务质量风险的因子大多数都是由模糊语言变量来描述的，因此，需要通过设计模糊控制器对其进行模糊归一化，将各个因子的风险等级数值化到[0，1]区间。

（4） 进行神经网络的建模。主要包括确定网络结构以及对神经网络的训练，训练样本为采集的历史数据，利用神经网络自动变更权值、阈值以达到期望输出。神经网络的实际输出，可看作为评价结果，也就是风险分类的结果；也可得到数值化的风险值。

（5） 根据神经网络预测出的分类结果，风险“合格”与风险“不合格”，对应抽检的布控指令为“不查”与“查”的关系，可将评估结果作为呼叫中心服务质量抽检策略制定的辅助支持。

3.2 BP神经网络在服务质量风险评估中的应用实践

本文的研究借助Matlab系统工具箱[4]对BP神经网络进行仿真分析。

应用BP神经网络进行风险评估的关键步骤包括：建立风险评估系统模型，选定网络结构，设置网络参数并且导入样本数据；神经网络训练，不断更新其权值和阈值，使之达到期望输出；固定满足要求的网络结构以及参数，导入测试数据进行网络测试，进行预测分类。

（1） 确定网络结构。神经网络输入为风险指标体系，指标体系包含了5个因子，由此可确定出网络的输入层节点数为5维， 因为神经网络的输出为评价结果，“合格”与“不合格”，可由两个向量表示（0，1）与（1，0），因此确定两个输出层节点数为2 维。

（2） 隐含层节点数。BP神经网络的隐含层节点数目对BP神经网络的预测精度有较大影响：节点数目太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合。这里采用公式法和试凑相结合的方法确定最佳隐含层节点数为20。最终可确定网络结构为5?20?2。

（3） 训练参数的选择。初始权值和阈值的选择：为了使网络能够很快收敛，避免陷入局部极小值，在网络初始化时，通常选择初始权重和阈值[-1，1）。

传递函数的选择：本文中，采用均方误差的对比的方法，在其他参数固定不变的情况下，分别对不同传递函数的网络进行训练，得出其均方误差和误差百分比，然后进行误差对比，选择误差最小的传递函数。最终选取隐含层的传递函数为purelin函数，输出层的传递函数为tansig函数[5]。

训练函数的选择：与传递函数的选择过程相似，通过对比不同训练函数的误差性能来找到收敛最快的函数。最终选择trainlm函数作为训练函数。在上述确定好神经网络结构和参数之后，在某地运营商呼叫中心选取了2013年1月被抽检的1 000条通话记录及评价结果作为训练数据，对网络进行训练，其中包含932条评价结果为“合格”的数据，68条评价结果为“不合格”的数据，不合格率为6.8%。网络训练的误差曲线如图2所示。另外选取了该公司2013年2月被抽检的1 000条通话记录作为测试数据，利用前面已经训练并保存好的BP神经网络进行风险预测和分类，最终得到表1所示测试结果。

3.3 数据分析与结果评价

从表1可以看出，测试数组的1 000条通话记录中实际被判定为不合格的例数为53例；按照目前呼叫中心的质量检验工作是以随机抽查作为基本方法，因此从统计学意义上讲，在随机布控条件下的查验检出率与实际的总体不合格率大致接近。这是随机样本反映总体情况的正常表现。即传统的服务质量检验可以做到的不合格检出率约为5.3%。而在使用了BP神经网络算法后，被算法预判为不合格（即执行抽检）的例数为195，其中判定正确为18例，不合格检出率为9.23%，接近随机抽检下不合格检出率的2倍。总体的分类正确率达到76.8%。

4 结 语

本文将BP神经网络应用于对呼叫中心的质量检验工作中，对客服代表输出的话务服务发生不合格的潜在风险进行预测，从而有针对性地进行抽检布控。这样，一方面有效地克服了随机抽检的盲目性和低效率，在有限的人力物力条件下，大幅提高抽查检出率，实现资源效能的充分发挥。另一方面，风险评估指标体系的建立，对客服代表也会产生较好的导向和激励作用，提高整个呼叫中心的绩效。

参考文献

[1] 谢峻伟，胡志宇，王云绮.数据挖掘在一个基于呼叫中心的CRM 查询分析中的应用[J].电脑知识与技术，2011（5）：986?988.

[2] 韩立群.人工神经网络理论[M].北京：化学工业出版社，2002.

[3] 陈杰.Matlab宝典[M].北京：电子工业出版社，2007.

[4] 石剑平，姜麟，徐润林.Matlab数据库工具箱在数学建模中的应用[J].信息系统工程，2010（9）：82?83.

[5] 卓金武.Matlab在数学建模中的应用[M].北京：北京航空航天大学出版社，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，龚文龙，杨红.网络信息服务客户满意度的模糊综合评判[J].西北民族大学学报，2004（4）：35?38.

[9] 杨纶标，高英仪.模糊数学原理及应用[M].广州：华南理工大学出版社，2003.

[10] 刘慧，刘文定，曹永斌.Matlab与数据库技术在CIQ货物风险评价系统中的应用[J].工业控制计算机，2011（11）：54?55.