基于多智能体专家系统的呼叫中心员工能力评价研究

杜剑雯 刘超 许鸿飞 文玲锋 李雪梅 彭青青

【摘要】 呼叫中心的员工队伍是其核心竞争力，对员工的能力进行评价以提高员工的素质和企业的对外形象是非常关键的一个环节，传统的人力评价的方式不仅耗时耗力，而且具有主观性强、不够准确的特点。本文基于这种需求提出了一种自动的评价方法，多智能体专家系统评价方法，有效的解决了人工评价带来的问题。

【关键词】 呼叫中心 能力评价 多智能体 专家系统

一、引言

呼叫中心是一个企业解决客户问题的关键，其核心竞争力是员工队伍，队伍的能力过硬，才能够提供给客户优质的服务，提高企业的竞争力。可是员工的能力与素质是参差不齐的，这让呼叫中心在管理自己的员工队伍与企业提高对外形象上面临着较多困难，怎样在招聘员工时对员工的能力进行全方位、高精确的评价，做到遴选上的针对性和有效性就是一个急需解决的问题；对已入职的员工进行科学的评价也是提高员工工作积极性和工作效率的关键环节。针对上面呼叫中心面临的两个问题，本文提出了一种基于多智能体专家系统的员工能力评价方法。

二、多智能体专家系统研究概述

现代智能体的概念是有人工智能学科创始人之一的Minsky[1]提出的，它是能够通过感知器感知其所处的环境并通过反应器对环境产生作用的计算实体。由于多智能体的自主性、分布性、协调工作的特点，并且具有较强的自组织、自适应、学习推理能力，因此在求解问题时健壮、可靠，具有较高的求解效率。目前多多智能体的研究主要集中在：多智能体的理论、多智能体的体系结构、多智能体之间的协调和协作、多智能体的学习及系统应用。多智能体在员工能力评价方面的应用是一个新的应用领域。

专家系统是由美国的 Feigenbaum[2]教授首次提出的，它可以解决的问题包括解释、预测、诊断、设计、监视、控制等，专家系统对于员工能力的评价具有天然的适应性，因为评价本身就要用到大量的专家评价的知识和方法。

把多智能体专家系统作为一种评价方法引入到呼叫中心员工能力评价中， 既用到了主观评价的概念， 也涉及到了客观评价的知识，是一种主客观方法相结合的方法，具有很强的适用性。

三、呼叫中心员工能力评价基本理论

现阶段对于呼叫中心员工的能力评价分为两种，在员工入职前，对其能力的评估主要依据企业招聘人员的评价，主观性较强，在员工入职以后，对于员工的评价主要依据是客户的反馈，准确性不高并且评价指标较为单一。本文把对员工能力评价的基本流程进行科学的规划，为多智能体专家系统评价方法的执行打下基础。

3.1呼叫中心员工能力评价基本流程

对员工能力的评价一般包括三个主要过程：评价活动准备阶段；评价进行阶段；评价结束阶段。

3.2员工个人信息的获取与数据处理

对员工信息的收集一般包括三种方式，第一：问卷调查；第二：员工个人访谈；第三：员工工作记录。各种信息获取方式具有不同的特点，它们有不同的适用情况，人们在真正的实施过程中应该通过多种渠道收集信息，通过对不同来源的数据进行比较分析，得出可信度较高而且比较全面的信息。

通过各种信息获取方式采集来的员工的信息往往是杂乱无章的，需要经过选择、整理和加工，使它们成为便于利用的形式，这个过程就是数据信息的处理。具体处理过程包括信息的鉴别与筛选，信息的整理与序化，信息的加工。

3.3构建员工能力评价指标体系

对一名员工评价涉及到其个人数据，数据具有不同的属性，只有将这些相应的属性转换成不同的指标，并且在这些指标的本质属性与表面特征之间建立一定的对应关系，分析人员才能够通过有效的评价方法进行科学客观的评价。对于呼叫中心员工来说，具体的指标主要包括业务水平、工作效率、责任感、工作勤情、协调性、积极性、进取心、创意、团队精神、服从性等方面，其中每个单项可能包含二级指标或者三级指标。指标体系构建的完善与否是评价结果是否准确的关键。

四、多智能体专家系统员工能力评价流程

多智能体专家系统进行员工能力评价的流程和现实中的评价过程具有一致性，也包括评价准备、评价进行和评价结束三个基本的阶段，但是在处理的方法上有自己的方式。本节针对员工能力评价的一般流程，介绍多智能体专家系统进行价的具体流程与原理，主要涉及三个重要环节，员工数据的收集与整理、评价指标体系的构建以及具体的评价方法的设计。

基于多智能体专家系统的员工数据收集

4.1基于多智能体专家系统的员工信息收集与整理

在专家系统的知识库中存储了数据收集与整理的相应规则，设计了针对数据的收集、预处理、标准化的智能体，每个智能体在专家系统的知识库中提取相应的规则，然后根据规则执行自己的功能，并更新知识库中的规则，具体流程如图1所示。

4.2基于多智能体专家系统的员工能力评价指标体系构建

指标体系的构建主要包括确定评价指标和指标权重确定两个部分，下面介绍本文的多智能体专家系统是如何完成这两个过程的。

（1） 评价指标确定

评价指标体系的确定主要依赖于多智能体的指标提取功能。知识库中存储了一些常用的员工能力评价指标体系，这些指标体系适用于不同类型的呼叫中心员工，得出的结论也各不相同，它们共同构成了本文的指标体系构建的基础；指标智能体在对处理后的数据进行指标提炼，对比知识库中常用的指标体系，得出本文的指标体系，针对于指标体系中的每一个指标都有一个专门的指标智能体，它负责对相应指标下的数据进行量化与单项评价。

（2）指标权重确定

指标体系建立起来以后，接下来需要确定各个指标对应的权重，权重的确定依赖于专家的经验知识以及专家智能体的学习功能，学习算子采用的具体方法是基于广义最大熵原理[3]的遗传算法，针对每一个专家的经验知识得出一组相应的权重，具体过程如下：

第一步，指标数据的整体标准化处理。各个评价指标对应的数据虽然已经量化处理过，但是它们之间可能存在着属性和数量级上的差异，需要对这些数据进行标准化处理，目的是消除各个变量之间量纲的影响。设这 n 位员工的原始数据为

第二步，权重确定的准则。各个指标权重的设定要考虑这样两个条件，第一个是权值的设定能够使员工的综合评价值携带足够多的信息，以使其评价值尽可能分散，也就需要G 的方差最大，也就是

第二个是最大化系统内所有随机变量的信息熵，保证选择的权值是不偏不倚的，其中系统的随机变量就是各个指标的权值，熵的衡量是基于各个指标可能权值的概率。

第三步，遗传算法求解权重。上面的问题是一个有约束非线性数学规划的问题，本文采用遗传算法进行求解，将其转化成无等式约束的问题再进行求解。

4.3基于多智能体专家系统的结果一致度评价方法

多智能体专家系统的知识库中存储了多个专家评价的经验知识，通过上一节的指标权重的确定方法每一个专家智能体中保存了一组指标的权重，专家智能体通过改组权重对每一位科研人员进行单独的评价，各个专家智能体的评价结果对于最终评价结果的影响是不同的，也就是说不同的专家智能体可能具有不同的权重。由于专家的经验知识是不同的导致每个智能体的评价结果各不相同，在这种多指标的评价过程中，各个专家的评价有各自的特点，很难说哪个专家的评价准确，哪个专家的评价不准确，本节提出了一种结果一致度组合评价方法，所谓的结果一致度，就是指某个专家智能体的评价结果与其他专家智能体的评价结果的相似程度，如果一个专家智能体的结果一致度比较高，说明它和其他智能体的评价结果比较接近，应该赋予该智能体较高的权重，反之则赋予该智能体较小的权重[4]。这和我们现实中的评价是一致的，虽然在现实中也存在着少数人正确的特殊情况，但是在特殊的专家群体中，专家们的观点一般并不会有太大的差距，因此在评价中，赋予结果一致度较低的智能体的权重较低是合理的。

下面介绍结果一致度的详细计算方法，假设有 n 个专家智能体的评价结果，设第 i个评价结果为Xi。将它与其他智能体的评价结果进行回归：

上式中 c 为常数项，a1，a2，…，an为回归系数。

回归拟合优度说明了其他智能体的评价结果对第 i个智能体的评价结果的解释程度，或者说是第 i个智能体的评价结果与其他所有评价结果的相似程度，这就是结果一致度。最后将结果一致度进行归一化处理，得到组合后各个专家智能体的权重即

最终组合评价结果为

基于结果一致度的组合评价度量了某个智能体的评价结果对于其他的评价结果的相似度，比一般的基于平均原理的组合评价方法要科学。经过上面的三个过程，完成了多智能体专家系统的员工能力评价，从它们各自的原理可以看出，评价的每一个过程都是基于专家系统的知识与多智能体之间的协作，最终共同完成评价的目标。

4.4多智能体专家系统的设计与实现

多智能体专家系统包括三个主要的部分：专家知识库，评价部分，数据库。其结构图如图2所示。多智能体包括多种类型的智能体，包括数据收集智能体、数据预处理智能体、数据标准化智能体、指标智能体、专家智能体。

五、结论

传统的人力方式的员工能力评价存在种种弊端，比如主观性强，马太效应明显等缺点，本文所提出的多智能体专家系统的评价方式，是一种基于人工智能方法的自动评价方式，克服了人工评价的缺点，具有较强的实用性。

参 考 文 献

[1]高太光， 陈培友. 基于粗糙集和群决策的高校教师科研能力评价模型研究[J]. 科技管理研究， 2011， 21： 131-133.

[2]廖瑞辉， 陈星光. 智能交通系统研究现状与对策分析[J]. 综合报道， 2014， 1： 6-9.

[3]赵欣， 王运斗， 郭立军. 院前急救专家系统的应用与发展探讨[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.