一种基于银行网点业务数据的高柜人员排班预测方法技术

本发明专利技术公开了一种基于银行网点业务数据的高柜人员排班预测方法，包括：获取网点截止第一时间节点前的第一历史数据；建立预测模型，基于所述第一历史数据生成所述第一时间节点后至第二时间节点期间内网点的预测所需排班数据；获取网点截止所述第二时间节点前的第二历史数据；建立测算模型，基于所述第二历史数据生成所述第一时间节点与第二时间节点之间网点的实际所需排班数据；基于所述实际所需排班数据和实际所需排班数据的差异修改所述预测模型的参数。本发明专利技术预测各个网点几天内的高柜排班人数，节省了人力成本，提高了效率。

【技术实现步骤摘要】
一种基于银行网点业务数据的高柜人员排班预测方法
本专利技术属于银行排班领域，具体涉及一种基于银行网点业务数据的高柜人员排班预测方法。
技术介绍
柜员是银行内部在柜台工作的人员的统称。前台柜员负责直接面向客户的柜面业务操作，查询，咨询等业务；后台柜员则负责无需面向客户的联行，票据交换，内部账务等业务处理及对接前台业务的复核，确认，授权等后续处理。高柜可以简单理解为现金业务，包括个人储蓄，公司出纳等。高柜主要是办理现金业务，主要是针对个人客户，比如说存取款，同行汇款，办卡，开网银，挂失等业务。所以高柜柜员指的是经办个人业务及现金存取款业务的柜员。各支行每天都需要对各个网点的高柜人员进行排班，确保每天都要有柜员在网点为客户提供服务，由于周末的人流量相对于工作日的较少，所以需要的柜员也比工作日少。柜员的排班方法根据各网点情况的不同也会有相应的变化，一般为上五休二，上二休一等，只要保证每天有人即可。银行厅堂的流量相对于过去正在不断的减少，对柜面的刚需也在逐年下降，以前一个银行网点有4-5个窗口，而现行往往只有2-3个窗口。由于现在自助渠道已经十分发达，客户能在手机网上银行中办理越来越多的业务，导致去网点办理业务的人数在不断降低。所以削减柜面，智能化机具，周末轮休或者停业等措施在逐渐发展。现在由于人工智能技术还不够发达无法彻底取代人工服务，但是可以预见在未来智能机具对人工的替代会越来越多，也许除了极少数的远程后台授权人员以外，大部分的业务都可以由机器来完成。在这个升级迭代的过程中，仍然需要适当的柜面人员，直到人工智能彻底完善。高柜是银行接触客户最多，最直接的一个柜台。高柜人员的一言一行都影响着客户对整个银行的认知，将高柜人员称作为银行的品牌代言人也不为过。高柜人员的着装和精神面貌会直接影响客户对银行形象的判定。虽然员工和客户直接隔着一层玻璃，但是周到的服务，贴心的话语可以拉近与客户之间的距离，从而提升客户对银行的满意度。在客户眼里，每一个柜员都是专家，所以高柜人员在办理业务的同时还需要承担起教育客户的职责。比如详细告知客户办理业务的流程，解答客户的疑问，处理客户的异议等。另一方面，高柜人员除了需要快速合理的办理业务之外，还需要处理一些营销方面的工作。在为客户办理业务的同时，可以通过查看客户的账户动态发现优质客户，及时通知大堂经理，对客户进行重点关注，做好客户的服务工作。由于柜面营销具有低成本，高效率的优点，所以柜员需要了解银行产品，当客户有需求时，能熟练向客户进行介绍。柜员在办理业务的同时，如果能够多关注一下客户的个人特征及账户动态，多向客户递送一次产品宣传单和名片，可以加深客户对他的印象，从而在有产品需求时和这位柜员联系。如果各个网点能够结合其自身的一系列数据，来合理安排高柜人员的排班情况，对一些排班不足的繁忙网点增加人数，减少一些业务量不多的网点的人数，不仅能够提高各个网点的工作效率，还能够缓解客户排队问题和客户高峰时柜员压力，在满足内控制度的前提下，确保临柜柜员保持既满负荷又精神饱满的工作状态。由于网点数量繁多，而且网点的地理位置分布不一致，导致了合理安排各地网点高柜人员的难度较大。如果没有一套行之有效的系统，那么会导致一些业务较为繁忙的网点存在人手不足，和一些业务量比较稀少的网点存在人员冗余的情况。如果出现人员不足的情况，那么往往客户需要花费更多的时间来等待服务，会导致用户的满意度降低，可能会引发一些客户和柜员之间的矛盾。如果出现人员过多的情况，那么这些员工每天需要处理的业务量就很少，会导致柜员无事可做浪费时间的情况发生。由于各地业务量和地理位置存在差异，并且每天顾客去网点办理业务的人数不固定，很难有一个统一的标准去分配员工。在这种前提下，如果仅仅根据当日的网点繁忙程度来安排下一日的高柜人员不是一个合理的方法。每天都要统计当天的业务量等数据来预估未来的排班人数费时费力，并且有可能存在遗忘或者数据出错的情况。人工统计数据容易出错，会对下一日的排班人次产生影响，如果出现一些突发情况，不能够很好的应对，从而导致对人工排班准确性的怀疑，久而久之会对其产生抵触。由于我们希望使用过去的数据预测未来，如果只根据前一天或者前几天的数据随机性较大，可能会遇到节假日等情况，无法挖掘出过去较长时间的业务规律。另外，时间序列可以反映某个现象发展变化的状态。通过对时间序列的分析，可以反映现象发展变化的趋势和规律，在通过对影响时间序列的各种因素进行测定，可以进一步解释现象变化的内在原因，为预测和决策提供可靠的数据支持。
技术实现思路
针对现有技术中存在的问题，本专利技术提供一种基于银行网点业务数据的高柜人员排班预测方法，本专利技术部分实施例能够来合理的安排各个网点的排班人数，尽可能的减少人员不足和人员冗余的情况发生。由于每天各个网点需要办理业务的人员具有不固定性，所以需要大量过去的样本来来寻找其隐藏的规律。通过分析各网点的业务量，业务时长等指标和各网点过去的排班人员数量，使用机器学习算法，可以建立一套基于过去数月的真实数据的模型，来预测未来几天各个网点的高柜人员排班情况。系统会把模型预测出来的数据和真实排班人数做对比，划分成0,1,2三个不同的几个区间，分别代表排班人员不足，排班人员合适，排班人员过量。只要负责排班人员根据模型预测结构对未来几天网点的真实排班人数情况作出一些微调，使得各网点高柜人员排班变得合理，就可以提高每天安排高柜人员排班的效率。为实现上述目的，本专利技术采用以下技术方案：一种基于银行网点业务数据的高柜人员排班预测方法，包括：获取网点截止第一时间节点前的第一历史数据；建立预测模型，基于所述第一历史数据生成所述第一时间节点后至第二时间节点期间内网点的预测所需排班数据；获取网点截止所述第二时间节点前的第二历史数据；建立测算模型，基于所述第二历史数据生成所述第一时间节点与第二时间节点之间网点的实际所需排班数据；基于所述实际所需排班数据和实际所需排班数据的差异修改所述预测模型的参数。优选地，所述历史数据包括网点每时间段内的业务量、业务时长、客户等待时长、实际的高柜人员排班人数。优选地，所述客户等待时长包括超过10分钟和超过20分钟。优选地，所述第一时间节点和所述第二时间节点之间相差一个工作日。优选地，所述预测模型生成多个工作日网点的预测所需排班数据，所述测算模型生成每个工作日网点的实际所需排班数据。优选地，将每个工作日网点的实际所需排班数据与对应的预测所述排班数据做比较，生成一组反应二者差异大小的比较数据，根据所述比较数据修改所述预测模型的参数。优选地，所述测算模型和预测模型都使用梯度下降算法。一种电子设备，包括：处理器；存储器，所述存储器中设置有可供所述处理器执行的可执行指令，所述可执行指令被执行后实现任一所述处理方法。一种计算机可读存储介质，存储有计算机指令，所述计算机指令被处理器执行后实现任一所述处理方法的步骤。与现有技术相比，本专利技术的有益效果为：1.结合网点业务量，业务办理时长本文档来自技高网...

【技术保护点】
1.一种基于银行网点业务数据的高柜人员排班预测方法，其特征在于，包括：/n获取网点截止第一时间节点前的第一历史数据；/n建立预测模型，基于所述第一历史数据生成所述第一时间节点后至第二时间节点期间内网点的预测所需排班数据；/n获取网点截止所述第二时间节点前的第二历史数据；/n建立测算模型，基于所述第二历史数据生成所述第一时间节点与第二时间节点之间网点的实际所需排班数据；/n基于所述实际所需排班数据和实际所需排班数据的差异修改所述预测模型的参数。/n

【技术特征摘要】
1.一种基于银行网点业务数据的高柜人员排班预测方法，其特征在于，包括：
获取网点截止第一时间节点前的第一历史数据；
建立预测模型，基于所述第一历史数据生成所述第一时间节点后至第二时间节点期间内网点的预测所需排班数据；
获取网点截止所述第二时间节点前的第二历史数据；
建立测算模型，基于所述第二历史数据生成所述第一时间节点与第二时间节点之间网点的实际所需排班数据；
基于所述实际所需排班数据和实际所需排班数据的差异修改所述预测模型的参数。


2.根据权利要求1所述的基于银行网点业务数据的高柜人员排班预测方法，其特征在于，所述历史数据包括网点每时间段内的业务量、业务时长、客户等待时长、实际的高柜人员排班人数。


3.根据权利要求2所述的基于银行网点业务数据的高柜人员排班预测方法，其特征在于，所述客户等待时长包括超过10分钟和超过20分钟。


4.根据权利要求1所述的基于银行网点业务数据的高柜人员排班预测方法，其特征在于，所述第一时间节点和所述第二时间节点之间相差一个工作...

【专利技术属性】
技术研发人员：王逸捷，陈运文，徐永林，贺梦洁，李腾辉，王文广，纪达麒，
申请(专利权)人：达而观信息科技上海有限公司，
类型：发明
国别省市：上海;31