1.一种基于人工智能的呼叫中心数据分析方法，其特征在于，该基于人工智能的呼叫中心数据分析方法包括以下步骤：
S1、获取所有的呼叫中心数据，并对所有的呼叫中心数据进行预处理，得到加密特征数据；
S2、对得到的加密特征数据进行分类，识别出与客户指标相关的关键特征；
S3、基于关键特征，构建客户预测模型，并通过客户预测模型评估不同客户群体的满意度等级；
S4、应用分析算法对不同客户群体的满意度等级进行深入分析，判断影响客户体验的关键因素；
S5、根据评估结果，调整人工智能的响应策略和服务流程。
2.根据权利要求1所述的一种基于人工智能的呼叫中心数据分析方法，其特征在于，所述获取所有的呼叫中心数据，并对所有的呼叫中心数据进行预处理，得到加密特征数据包括以下步骤：
S11、获取所有的呼叫中心数据相对应的重复数据，并对重复数据进行去噪、滤波及平滑处理；
S12、将所有的呼叫中心数据中未处理的数据行进行联结，生成新的数据表，通过外部键值将不同的数据表进行关联，生成完整的数据表，并得到准确数据集；
S13、对准确数据集进行特征提取，得到呼叫中心的特征数据；
S14、对呼叫中心的特征数据进行加密处理，得到加密特征数据。
3.根据权利要求2所述的一种基于人工智能的呼叫中心数据分析方法，其特征在于，所述对呼叫中心的特征数据进行加密处理，得到加密特征数据包括以下步骤：
S141、使用素数生成算法生成两个最大素数，并通过非对称加密算法生成公钥和私钥，公钥用于加密，私钥用于解密；
S142、使用对称加密算法生成一个随机密钥，并用该随机密钥对呼叫中心的特征数据进行加密；
S143、利用非对称加密算法生成的公钥对称加密算法生成的随机密钥进行加密，并传输给数据管理中心；
S144、数据管理中心使用非对称加密算法生成的私钥解密出对称加密算法的密钥，并使用通过解密出的对称加密算法的密钥对接收到的加密特征数据进行解密，恢复原始呼叫中心的特征数据。
4.根据权利要求3所述的一种基于人工智能的呼叫中心数据分析方法，其特征在于，所述利用非对称加密算法生成的公钥对称加密算法生成的随机密钥进行加密的公式为：
；
其中，H表示为加密后的特征数据；
F表示为需要加密的特征数据；
t表示为公钥中的加密指数；
x表示为模数；
mod表示模运算。
5.根据权利要求1所述的一种基于人工智能的呼叫中心数据分析方法，其特征在于，所述对得到的加密特征数据进行分类，识别出与客户指标相关的关键特征包括以下步骤：
S21、从得到的加密特征数据中提取并识别出影响客户指标分析效率的异常特征数据；
S22、确定针对客户指标分析效率的评估标准，设定接受的最佳分析效率的预设阈值，并制定相应的调整策略；
S23、如果发现异常特征数据导致分析效率超出预设阈值，则使用预先设定的调整策略对异常特征数据进行修正；
S24、定义目标函数和约束条件，建立针对客户指标的优化模型；
S25、应用分类算法于优化模型，寻找满足约束条件的最佳解决方案，作为判断异常特征数据是否导致客户指标分析效率超过预设阈值的依据；
S26、将优化模型的结果应用于实际的客户指标分析过程中，并生成与客户指标相关的关键特征。
6.根据权利要求5所述的一种基于人工智能的呼叫中心数据分析方法，其特征在于，所述应用分类算法于优化模型，寻找满足约束条件的最佳解决方案，作为判断异常特征数据是否导致客户指标分析效率超过预设阈值的依据包括以下步骤：
S251、对异常特征数据进行处理，以满足预设条件，得到处理后的异常特征数据；
S252、初始化分类算法的参数，并设定初始的异常特征数据修正策略；
S253、通过定义的目标函数，计算每种异常特征数据修正策略对应的客户指标分析效率，并更新状态；
S254、对每种异常特征数据修正策略按照预设条件进行优化、评估及调整，并更新状态；
S255、如果达到预设的迭代次数或客户指标分析效率达到预设阈值，则执行步骤S256，否则返回步骤S253，继续优化异常特征数据修正策略；
S256、确定全局最优的异常特征数据修正策略，作为最终的异常特征数据修正策略；
S257、应用最终的异常特征数据修正策略，重新进行客户指标分析，并比较处理前后的结果，以分析所选修正策略的有效性。
7.根据权利要求1所述的一种基于人工智能的呼叫中心数据分析方法，其特征在于，所述基于关键特征，构建客户预测模型，并通过客户预测模型评估不同客户群体的满意度等级包括以下步骤：
S31、收集历史时间段内与客户满意度相关的数据；
S32、将关键特征数据和客户满意度数据划分为训练集和测试集；
S33、构建客户预测模型，将关键特征数据输入到客户预测模型中，得到不同客户群体的未来满意度预测值；
S34、基于模型得到的不同客户群体的未来满意度预测值，评估不同客户群体的满意度等级。
8.根据权利要求1所述的一种基于人工智能的呼叫中心数据分析方法，其特征在于，所述应用分析算法对不同客户群体的满意度等级进行深入分析，判断影响客户满意度的关键因素包括以下步骤：
S41、将获取的不同客户群体的满意度等级与行业标准客户体验指标进行比较；
S42、分析影响客户满意度的关键因素，并设定相应的满意度评价级别；
S43、使用分析算法对获取的不同客户群体的满意度等级进行训练，计算客户满意度得分，并判断其是否属于高满意度群体；
S44、将分析算法得到的客户满意度得分进行归一化，并计算模糊集合；
S45、通过分析专家对各个关键因素在不同客户满意度等级上进行评估，形成客户满意度评估矩阵；
S46、运用模糊逻辑方法将归一化后的满意度得分与满意度评估矩阵进行计算，得出综合的满意度评估结果；
S47、根据综合评估结果的分量值来判断客户在不同满意度等级中的相对位置，并确定客户满意度等级；
S48、判断客户满意度等级是否超过设定的阈值，如果超过，则标识为高满意度客户；如果未超过，则视为低或中等满意度客户；
S49、根据分析算法的结果，结合分析专家的建议，判断影响客户满意度的关键因素。
9.根据权利要求8所述的一种基于人工智能的呼叫中心数据分析方法，其特征在于，所述分析影响客户满意度的关键因素，并设定相应的满意度评价级别包括以下步骤：
S421、根据市场调研和客户反馈数据，收集影响客户满意度的各种关键因素；
S422、对收集到的各种影响客户满意度的关键因素进行筛选和分类，去除重复因素，并归纳为可衡量的关键因素集合；
S423、根据市场调研和客户服务经验为每个影响满意度的关键因素设定权重，并为每个关键因素设定评价级别；
S424、根据设定的评价级别来反映每个关键因素在客户满意度评估中的重要性和表现。
10.一种基于人工智能的呼叫中心数据分析系统，用于实现权利要求1‑9中任一项所述的基于人工智能的呼叫中心数据分析方法，其特征在于，该基于人工智能的呼叫中心数据分析系统包括：数据获取与处理模块、数据识别模块、模型构建模块、客户满意度分析模块及服务优化模块；
其中，所述数据获取与处理模块，用于获取所有的呼叫中心数据，并对所有的呼叫中心数据进行预处理，得到加密特征数据；
所述数据识别模块，用于对得到的加密特征数据进行分类，识别出与客户指标相关的关键特征；
所述模型构建模块，用于基于关键特征，构建客户预测模型，并通过客户预测模型评估不同客户群体的满意度等级；
所述客户满意度分析模块，用于应用分析算法对不同客户群体的满意度等级进行深入分析，判断影响客户体验的关键因素；
所述服务优化模块，用于根据评估结果，调整人工智能的响应策略和服务流程。