正文

kaggle數(shù)據(jù)集（kaggle數(shù)據(jù)集怎么下載）

發(fā)布時間：2023-04-08 18:14:22 稿源：創(chuàng)意嶺閱讀： 134

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于kaggle數(shù)據(jù)集的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、論文里的公開數(shù)據(jù)集能不能不寫出來
2、人工神經(jīng)網(wǎng)絡(luò)預(yù)測信貸的意義
3、不同貨物類型對應(yīng)的訂單投訴率不同,如何分析驗(yàn)證猜想
4、參加天池比賽要什么水平

kaggle數(shù)據(jù)集（kaggle數(shù)據(jù)集怎么下載）

一、論文里的公開數(shù)據(jù)集能不能不寫出來

能。論文里的公開數(shù)據(jù)集能不寫出來，但是必須引用提出數(shù)據(jù)集的論文，如果沒有發(fā)論文，如在kaggle上在線發(fā)布的數(shù)據(jù)集，也要以網(wǎng)絡(luò)資源的形式進(jìn)行引用。

二、人工神經(jīng)網(wǎng)絡(luò)預(yù)測信貸的意義

人工神經(jīng)網(wǎng)絡(luò)算法的信用風(fēng)險預(yù)測

信用風(fēng)險或信用違約表明未償還已提供給客戶的銀行金融服務(wù)的可能性。信貸風(fēng)險一直是銀行貸款決策中廣泛研究的領(lǐng)域。信用風(fēng)險對銀行和金融機(jī)構(gòu)，特別是對商業(yè)銀行而言，起著至關(guān)重要的作用，并且始終難以解釋和管理。由于技術(shù)的進(jìn)步，銀行已經(jīng)設(shè)法降低成本，以便開發(fā)強(qiáng)大而復(fù)雜的系統(tǒng)和模型來預(yù)測和管理信貸風(fēng)險。

為了預(yù)測信用違約，已經(jīng)創(chuàng)建并提出了幾種方法。方法的使用取決于銀行和金融機(jī)構(gòu)的復(fù)雜程度，貸款的規(guī)模和類型。常用的方法是判別分析。這種方法使用了有助于決策的得分函數(shù)，而一些研究人員由于其限制性假設(shè)而對區(qū)分分析的有效性表示懷疑。變量之間的正態(tài)性和獨(dú)立性[4]。人工神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建是為了克服其他效率低下的信用違約模型的缺點(diǎn)。

本文的目的是研究神經(jīng)網(wǎng)絡(luò)算法解決預(yù)測信用違約問題的能力，該能力衡量一段時間內(nèi)貸款申請的信用度。前饋神經(jīng)網(wǎng)絡(luò)算法被應(yīng)用于銀行的住宅抵押貸款應(yīng)用的小型數(shù)據(jù)集，以預(yù)測信用違約。模型的輸出將生成一個二進(jìn)制值，該值可用作分類器，以幫助銀行識別借款人是否違約。本文將采用一種經(jīng)驗(yàn)方法，該方法將討論兩個基于神經(jīng)網(wǎng)絡(luò)的模型，并且將通過訓(xùn)練和驗(yàn)證有關(guān)住宅抵押貸款申請的模型來報告實(shí)驗(yàn)結(jié)果。作為該方向的最后一步，還對數(shù)據(jù)集執(zhí)行了線性回歸方法。

2方法論

2.1數(shù)據(jù)

數(shù)據(jù)是從kaggle.com（貸款俱樂部貸款數(shù)據(jù)）收集的，其中包含850萬條記錄。從數(shù)據(jù)集中抽取了60

因變量： loan_status（0和1）；如果借款人將違約，那么投資將是不良的；如果借款人不違約，則他或她將能夠償還全部貸款額。因此，要區(qū)分神經(jīng)網(wǎng)絡(luò)，0表示借方將違約，而1表示借方將不違約。

自變量：以下變量被視為自變量，loan_amnt，funded_amnt，emp_length，等級，funded_amnt_inv，期限，int_rate，分期付款，year_inc，issue_d和application_type

2.2模型

在這項(xiàng)研究中，使用了經(jīng)典的前饋神經(jīng)網(wǎng)絡(luò)。前饋網(wǎng)絡(luò)由一個具有10個輸入變量的輸入層，7個隱藏層和一個具有代表分類器的神經(jīng)元的輸出層組成。使用監(jiān)督學(xué)習(xí)算法（反向傳播算法）對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。該算法通過最小化實(shí)際和期望輸出之間的誤差來優(yōu)化神經(jīng)元權(quán)重。對于神經(jīng)元i，權(quán)重將通過公式進(jìn)行更新，其中f為學(xué)習(xí)系數(shù)是隱藏層的輸出，算法將一直運(yùn)行到找到停止標(biāo)準(zhǔn)為止。

對于圖3所示的神經(jīng)網(wǎng)絡(luò)算法，必須仔細(xì)選擇參數(shù)，例如f的值以及神經(jīng)元數(shù)和隱藏層數(shù)。在圖3中，連接由每層之間的黑線表示和權(quán)重，藍(lán)線顯示每個步驟中的偏差（模型的截距）。網(wǎng)絡(luò)是一個黑匣子，訓(xùn)練算法可以在融合時隨時使用。同樣，已經(jīng)從提取的數(shù)據(jù)集中為網(wǎng)絡(luò)算法創(chuàng)建了一個隨機(jī)樣本。然后創(chuàng)建一個訓(xùn)練和測試數(shù)據(jù)集，分別用于訓(xùn)練模型和驗(yàn)證模型的性能。

圖3：信用違約模型的神經(jīng)網(wǎng)絡(luò)圖

3實(shí)驗(yàn)與結(jié)果

已將10個歸一化變量作為按順序排列的輸入作為網(wǎng)絡(luò)輸入。網(wǎng)絡(luò)的輸出是一個分類器，結(jié)果為0和1。首先，已檢查數(shù)據(jù)是否缺少數(shù)據(jù)點(diǎn)值，沒有數(shù)據(jù)丟失；無需修復(fù)數(shù)據(jù)集。輸入的相關(guān)矩陣如圖4所示。

圖4：輸入數(shù)據(jù)集的相關(guān)圖

訓(xùn)練完數(shù)據(jù)集后，將在測試數(shù)據(jù)集上對其進(jìn)行測試。為了基于其他輸入來計(jì)算輸出，已使用了計(jì)算功能。將7個隱藏層添加到網(wǎng)絡(luò)并創(chuàng)建了模型。網(wǎng)絡(luò)已生成以下結(jié)果矩陣：

表1：經(jīng)典前饋神經(jīng)網(wǎng)絡(luò)的結(jié)果矩陣

屬性

值

錯誤

322.833

達(dá)到閾值

0.0998

腳步

6765

總共需要6765個步驟，直到誤差函數(shù)的所有導(dǎo)數(shù)都小于默認(rèn)閾值（0.01）。在實(shí)現(xiàn)經(jīng)典的前饋算法之后，通過使用學(xué)習(xí)速率為0.01的反向傳播算法實(shí)現(xiàn)了另一個模型。經(jīng)典過程和反向傳播過程具有幾乎相同的錯誤率。因此，經(jīng)典模型擬合不如反向傳播算法令人滿意。

圖5：輸入的廣義權(quán)重

表2：預(yù)測輸出與期望輸出的比較

實(shí)際

預(yù)測

火柴

0.0032

真正

0.00017

真正

0.0114

真正

1個

0.985

真正

0.0060

真正

0.0132

真正

0.9704

假

0.0101

真正

1個

0.00128

真正

最后，將線性回歸應(yīng)用于數(shù)據(jù)集以比較兩種算法的準(zhǔn)確性。glm（）函數(shù)已用于擬合線性回歸模型。對于回歸，已分配了大于0.5的概率，如果回歸中的預(yù)測值大于0.5，則該值為1，否則為0。已經(jīng)通過合并錯誤分類誤差來計(jì)算準(zhǔn)確性，并且混淆矩陣的計(jì)算也如圖6所示。。

圖6：混淆矩陣和線性回歸統(tǒng)計(jì)

為了強(qiáng)調(diào)比較，已計(jì)算了線性回歸和神經(jīng)網(wǎng)絡(luò)的均方誤差，如表3所示。從表中可以看出，兩個過程的均方誤差大致相同，因此兩個過程都相同工作。有必要知道，MSE中的偏差取決于訓(xùn)練和測試劃分。

表3：兩個過程的均方誤差

MSE神經(jīng)網(wǎng)絡(luò)

MSE線性回歸

0.0220449

0.0227334

4。結(jié)論

本文研究了人工神經(jīng)網(wǎng)絡(luò)和線性回歸模型來預(yù)測信用違約。兩種系統(tǒng)都已經(jīng)過kaggle.com提供的貸款數(shù)據(jù)培訓(xùn)。兩種系統(tǒng)的結(jié)果對數(shù)據(jù)集均顯示出相同的效果，因此非常有效，通過人工神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率為97.67575％，準(zhǔn)確率為97.69609％。系統(tǒng)對輸出變量的分類正確，誤差很小。因此，這兩個過程都可以用來識別信用違約率。而且，神經(jīng)網(wǎng)絡(luò)代表黑匣子方法，因此與線性回歸模型相比，難以解釋結(jié)果。因此，使用哪種模型取決于必須使用的應(yīng)用程序。此外，在使用神經(jīng)網(wǎng)絡(luò)過程擬合模型時，用戶需要格外注意屬性和數(shù)據(jù)規(guī)范化以提高性能?？傊?，神經(jīng)網(wǎng)絡(luò)提供了強(qiáng)有力的證據(jù)來有效預(yù)測貸款申請的信用違約。

神經(jīng)網(wǎng)絡(luò)算法具有廣泛的應(yīng)用范圍，不僅對住宅抵押至關(guān)重要。其他應(yīng)用可以是由公司發(fā)行的債券評級，通常稱為債券評級，對可以持續(xù)使用長達(dá)一年的短期投資進(jìn)行評級，對本地和外幣的長期和短期評級，主權(quán)或國家評級。通過使用適當(dāng)?shù)乃惴ê图夹g(shù)，可以進(jìn)一步增強(qiáng)預(yù)測系統(tǒng)，以為應(yīng)用程序分配信用等級。

題庫

三、不同貨物類型對應(yīng)的訂單投訴率不同,如何分析驗(yàn)證猜想

對于投訴的分析可以分為兩條線。一條線是分析投訴的處理過程，涉及到處理了多少客戶投訴，平均處理時長有多少，一次解決率有多少，承諾時限內(nèi)解決率有多少，客戶滿意率水平如何等，分析的是客服對于客戶投訴訴求的處理效率和效果；

undefined

另一條線則是對客戶投訴內(nèi)容的分析，涉及到投訴的主要原因是哪些，那些排在前面的原因過去幾個月甚至更長時間有沒有變化，新出現(xiàn)的投訴原因是什么，投訴人的問題有哪些，投訴政策、流程、宣傳承諾等問題有哪些，投訴產(chǎn)品和服務(wù)的又有哪些。

對于投訴處理線的分析，主要側(cè)重于投訴處理效率和效果的分析，也就是上面提到的那些主要指標(biāo)；對于客戶投訴內(nèi)容與原因的分析常用方法主要包括構(gòu)成分析（從不同的維度分析各類占比，優(yōu)先關(guān)注占比最大的類別），趨勢分析（觀察主要投訴指標(biāo)以及某系具體投訴根源的變化趨勢），排列分析（也叫帕累托分析，識別投訴根源解決的優(yōu)先級），疑難分析（主要針對長期懸而未決的客訴進(jìn)行根源及解決瓶頸的分析），根源分析（顧名思義，剔除根源則投訴減少直至消失，常用的方法如魚骨圖和5個WHY等）

需要注意的是，有些問題根源的分析是需要跨部門完成的。每個職能部門都會有自己的專業(yè)性和做事的邏輯，只憑客服的一己之力在很多問題上可能抓不到真正的根源或原因。這就需要企業(yè)建立客戶投訴協(xié)同處理機(jī)制，對于客服匯總的主要投訴原因一起排障、定位，確定根源。

最后一步則是分析的落地。如果投訴分析報告不能促動改進(jìn)行動的話，一切分析都是徒勞的。面對分析完的數(shù)據(jù)給出改進(jìn)建議，并追蹤和督促改進(jìn)方案的實(shí)施與反饋，并由此進(jìn)入投訴處理工作的正向循環(huán)。

打開CSDN APP，看更多技術(shù)內(nèi)容

PMP-序論_孟意昶的博客

項(xiàng)目管理整體思路: 1.過程 2.業(yè)務(wù)環(huán)境 3.人員 PMBOK內(nèi)容 #前三章考試占比不高1.引論 2.項(xiàng)目運(yùn)行環(huán)境 3.項(xiàng)目經(jīng)理的角色 4.整合管理#有接口的地方就有整合 5.范圍管理#對標(biāo)與快速迭代 6.進(jìn)度管理#關(guān)鍵路徑定時間,非關(guān)鍵路徑借資...

繼續(xù)訪問

jmeter場景設(shè)計(jì):業(yè)務(wù)占比_全棧測試筆記的博客

業(yè)務(wù)占比混合場景設(shè)計(jì) 混合場景,兩個業(yè)務(wù)的業(yè)務(wù)占比分別是60%和40%,我們可以使用吞吐量控制器百分比模式, 場景設(shè)計(jì)如下:只是為了測試,所以設(shè)計(jì)5個線程循環(huán)2次,總共10次業(yè)務(wù)一:吞吐量百分比設(shè)置為60 事務(wù) 業(yè)務(wù)二:吞吐量百分比設(shè)置為40...

繼續(xù)訪問

基于大數(shù)據(jù)的運(yùn)營商客戶投訴熱點(diǎn)分析.pdf

數(shù)據(jù)分析實(shí)戰(zhàn)項(xiàng)目-蛋殼公寓投訴分析

把黑貓上關(guān)于蛋殼公寓的投訴內(nèi)容爬取了下來并進(jìn)行了分析，手把手帶你進(jìn)行完整的數(shù)據(jù)分析實(shí)戰(zhàn)項(xiàng)目，從數(shù)據(jù)獲取到數(shù)據(jù)的清洗和分析

繼續(xù)訪問

大數(shù)據(jù)技能大賽題目(高職組,模塊C和D)_大數(shù)據(jù)省賽有多少模塊_-starshine...

為探索各大外賣平臺的市場策略與經(jīng)營模式,現(xiàn)已從平臺獲取到了原始數(shù)據(jù)集,包含“餐廳id,retailer_id,餐廳名稱,城市,商戶業(yè)務(wù)包,配送范圍,客單價,推單數(shù),接單數(shù),有效完成單數(shù),投訴率,異常率,欺詐單數(shù),拒單數(shù),商戶取消數(shù),客戶取消數(shù),系統(tǒng)...

繼續(xù)訪問

數(shù)據(jù)指標(biāo)系列:電商數(shù)據(jù)分析指標(biāo)體系總結(jié)V1.0_普通網(wǎng)友的博客-CSDN博 ...

電商及零售行業(yè)核心三要素的是人、貨、場。電商數(shù)據(jù)分析中的核心公式是流量*轉(zhuǎn)化率*客單價,以商品為核心,組成了供應(yīng)商→經(jīng)營主體(一般為店鋪)→客戶的業(yè)務(wù)鏈條,以包含市場競爭在內(nèi)的業(yè)務(wù)框架為基礎(chǔ),根據(jù)不同的業(yè)務(wù)目的進(jìn)行數(shù)據(jù)分析。...

繼續(xù)訪問

基于深度學(xué)習(xí)的用戶投訴預(yù)測模型研究

用戶投訴預(yù)測模型能有效地降低電信用戶投訴率，對企業(yè)提高用戶滿意度和競爭力有著至關(guān)重要的作用。在模型訓(xùn)練過程中，由于人工設(shè)計(jì)特征的缺陷和設(shè)計(jì)過程中存在難以預(yù)估的復(fù)雜性，使得模型預(yù)測的精度和設(shè)計(jì)特征的效率不能有很大的提升。針對上述問題，提出了一種基于深度學(xué)習(xí)的用戶投訴預(yù)測模型。該模型通過深層網(wǎng)絡(luò)特征學(xué)習(xí)單元能從電信用戶原始數(shù)據(jù)中自動學(xué)習(xí)到適合分類器分類的高層非線性組合特征，并將這些高層特征輸入到傳統(tǒng)分類器中來提高模型的精度。通過實(shí)驗(yàn)結(jié)果分析，預(yù)測模型在AUC指標(biāo)上比以往用戶投訴模型提升了7.1%，證明了該模型自動學(xué)習(xí)特征的有效性和深度學(xué)習(xí)在電信大數(shù)據(jù)領(lǐng)域的可用性。

crm系統(tǒng)如何處理好客戶投訴問題？

什么是投訴？那就是客戶對企業(yè)的產(chǎn)品服務(wù)或投訴處理過程本身不滿意的標(biāo)識，其中明確或隱含地期望得到回應(yīng)或解決。有客戶就少不了客戶投訴，尤其是當(dāng)產(chǎn)品出現(xiàn)質(zhì)量問題的時候，客戶會第一時間打電話到企業(yè)投訴。處理客戶投訴可以說非常的重要，一旦沒有認(rèn)真處理好，很可能會流失了一個客戶，流失一個老客戶的損失成本相當(dāng)于開拓五個新的客戶的成本。

繼續(xù)訪問

Jmeter測試中如何控制業(yè)務(wù)比例_weixin_34148340的博客

在進(jìn)行多業(yè)務(wù)混合場景測試中,需要分配每個場景占比。具體有兩種方式: 1.多線程組方式; 2.邏輯控制器控制; 第一種: jmeter一個測試計(jì)劃可以添加多個線程組,我們把不同的業(yè)務(wù)放在不同的線程組中,通過控制線程數(shù)來控制業(yè)務(wù)占比。線程...

繼續(xù)訪問

第三篇:【重磅】呼叫中心運(yùn)營指標(biāo)KPI字典_wyz191的博客

在一個自然月當(dāng)中,客戶人均通過熱線人工或自助方式進(jìn)行投訴的次數(shù)。 159 人均需求建議量在一個自然月當(dāng)中,客戶人均通過熱線提出需求或建議的次數(shù)。 160 熱線業(yè)務(wù)查詢占電子渠道業(yè)務(wù)查詢比自有電子渠道受理的業(yè)務(wù)查詢量中,通過熱線...

繼續(xù)訪問

公司 • Google財(cái)報-歷年?duì)I收數(shù)據(jù)及業(yè)務(wù)占比

繼續(xù)訪問

魚骨圖分析法實(shí)際案例_淺談解決問題方法之魚骨圖法

世界上使社會變得偉大的人，正是那些有勇氣在生活中嘗試和解決人生新問題的人！——泰戈?duì)?魚骨圖（又名因果圖、石川圖），指的是一種發(fā)現(xiàn)問題“根本原因”的分析方法，現(xiàn)代工商管理教育將其劃分為問題型、原因型及對策型魚骨圖等幾類。魚骨圖方法的類型有以下幾種：1、整理問題型魚骨圖（各要素與特性值間不存在原因關(guān)系，而是結(jié)構(gòu)構(gòu)成關(guān)系）2、原因型魚骨圖（魚頭在右）3、對策型魚骨圖（魚頭在左，特性值通常以“如何提高...

繼續(xù)訪問

制造業(yè)如何進(jìn)行質(zhì)量數(shù)據(jù)分析？附教程，內(nèi)含大量分析圖表！

目前很多制造型企業(yè)擁有了MES、ERP、SPC等業(yè)務(wù)系統(tǒng)，獲得了大量的數(shù)據(jù)。然而在跨工廠、跨系統(tǒng)的異構(gòu)數(shù)據(jù)中，如何找到生產(chǎn)各個環(huán)節(jié)的規(guī)律和異常，如何獲得優(yōu)化見解，是制造型企業(yè)面臨的關(guān)鍵挑戰(zhàn)。通過數(shù)據(jù)分析提升產(chǎn)品質(zhì)量，提高產(chǎn)品合格率、成品率則是企業(yè)發(fā)展的下一步抓手。一、制造業(yè)質(zhì)量數(shù)據(jù)分析遇到的難點(diǎn)： 1、產(chǎn)品質(zhì)量缺陷追溯周期長，找尋規(guī)律較慢。 2、數(shù)據(jù)跨工廠/跨車間/跨業(yè)務(wù)系統(tǒng)，只做數(shù)據(jù)展示，無法關(guān)聯(lián)分析。 3、數(shù)據(jù)不全，數(shù)據(jù)準(zhǔn)確性不穩(wěn)定，數(shù)據(jù)分析決策支持功能弱。 4、很難發(fā)現(xiàn)經(jīng)驗(yàn)已知之外的影

繼續(xù)訪問

ccm 客戶投訴處理系統(tǒng) 數(shù)據(jù)庫

ccm 配套數(shù)據(jù)庫，全，配合源碼用！ Jovin 測試

美國金融客戶投訴數(shù)據(jù)分析

美國金融客戶投訴數(shù)據(jù)分析 1. 提出問題 1、平均每月會收到多少次投訴？ 2、投訴最多的是哪一種金融產(chǎn)品？ 3、投訴最多的公司？ 4、平均投訴處理時長。 5、投訴途徑主要有哪些？ 6、投訴者的地區(qū)如何？ 7、投訴最多的問題有哪些？ 2. 理解數(shù)據(jù) 【數(shù)據(jù)來源：https://www.kaggle.com/cfpb/us-cons】每個公司都有多款金融產(chǎn)品，產(chǎn)品在各個區(qū)域發(fā)售，...

繼續(xù)訪問

什么是客訴率？如何應(yīng)對客訴率的問題

什么是客訴率就是不滿意客戶除以總客戶的百分比，用來看客戶滿意度的如何計(jì)算客訴率方法一：客戶投訴率=投訴客戶數(shù)÷總客戶數(shù)；方法二：客戶投訴次數(shù)÷客戶溝通次數(shù)。客戶投訴是消費(fèi)者對商家的服務(wù)態(tài)度，產(chǎn)品質(zhì)量等各方面的原因，向商家部門反應(yīng)情況，檢舉問題，并要求得到一定補(bǔ)償?shù)囊环N手段。如今社會這種事情發(fā)生頻率越來越高，這是促進(jìn)進(jìn)步的表現(xiàn)。促使競爭更強(qiáng)烈，產(chǎn)品質(zhì)量更好，服務(wù)態(tài)度更好。那么針對消費(fèi)者遇到問題時就要進(jìn)行投訴以保個人利益的舉動我們應(yīng)該采取怎樣的措施應(yīng)對呢。一般分為以下幾種：合理看待客

繼續(xù)訪問

奧馬電器2019年金融科技相關(guān)業(yè)務(wù)占比不足3% 營收2個億虧損5個億

文｜林小林出品｜公司研究室 4月29日，奧馬電器發(fā)布2019年年度報告和2020年第一季度業(yè)績報告。公告顯示，2019年奧馬電器實(shí)現(xiàn)營業(yè)收入約 73.93億元。由于受疫情影響，2020第一季度奧馬電器實(shí)現(xiàn)營業(yè)收入13.17億元。公司研究室注意到，從財(cái)報信息看，這家曾以冰箱制造銷售為主業(yè)的電器公司，轉(zhuǎn)型金融科技已瀕于失敗。金融科技板塊營收下滑9成財(cái)報顯示，奧馬電器2020年第一季度歸屬于上市公司股東的凈利潤640萬元，同比減少92.98%。奧馬電器認(rèn)為，利潤下降9成的原因，一方面是轉(zhuǎn)讓了全資子公司廣

繼續(xù)訪問

最新發(fā)布 AI智能會話分析如何幫助運(yùn)營商實(shí)現(xiàn)減少客訴

DuDuTalk會話智能分析解決方案依托先進(jìn)的硬件設(shè)備和高科技技術(shù)，幫助運(yùn)營商行業(yè)把控員工溝通過程的關(guān)鍵節(jié)點(diǎn)，優(yōu)化服務(wù)質(zhì)量，打造良好的企業(yè)形象和口碑。通過硬件的語音采集和軟件的AI技術(shù)，管理者可以更加清晰地了解到不同員工的長板和短板，對不同員工進(jìn)行針對性的培訓(xùn)和指導(dǎo)。大多數(shù)省、市級運(yùn)營商都有一套標(biāo)準(zhǔn)化的處理客戶投訴的體系，但因?yàn)榉?wù)過程缺乏監(jiān)管、客訴問題難以追溯等問題，導(dǎo)致客訴改善情況不佳，每年都要付出巨大的降低客訴的成本。

繼續(xù)訪問

2021年全國職業(yè)院校技能大賽 “大數(shù)據(jù)技術(shù)與應(yīng)用”—模擬賽題（三）

2021年全國職業(yè)院校技能大賽 “大數(shù)據(jù)技術(shù)與應(yīng)用” ——模擬賽題（三）持續(xù)更新相關(guān)賽題，包括2021年國賽模擬題10套、2019年廣東省真題賽題、相關(guān)比賽技巧、難點(diǎn)突破技巧等等，需要的關(guān)注小編或者公眾號 NoWrite

繼續(xù)訪問