ACD自动呼叫分配，是呼叫中心的核心功能。无论是电话呼叫中心还是多媒体呼叫中心，工作核心都是由ACD负责将各种批量客户的实时请求按照指定的转接方式传送到人工座席，由人工座席完成业务请求的受理。
随着呼叫中心技术及市场的发展，服务渠道请求接入渠道从单一电话媒体扩展到文字、音频、视频等多媒体，服务处理从纯人工座席服务扩展到机器人、人工座席的混合服务，ACD始终在发挥着巨大的作用，而ACD处理机制也在不断演变升级，本文从ACD技术角度将ACD分为四代。
第一代ACD：轮询机制
轮询机制，专业词汇Hunt Group（寻找组），即轮流对服务队列进行扫描询问是否空闲，如有空闲服务队列或座席，即将请求分配给空闲队列或座席。
轮询机制是最早、最原始的ACD策略，是所有呼叫中心都具备的基础ACD功能。轮询时ACD需要对各个服务队列进行依次逐一询问，服务队列统计状态并回应ACD，ACD再分配，适用于少量座席的简单业务场景。
第二代ACD：基于技能
轮询机制比较原始，随着服务请求、座席的数量增多，轮询的效率明显不高，最典型的改进的方法就是第二代ACD：基于技能路由（Skill-Based）的ACD策略，即对服务队列、服务座席进行技能属性赋值（Master Skill），服务队列可以按照业务类型分类（如咨询、查询、售后、投诉…）、也可按照业务种类分类（如产品A、产品B、产品C…），座席可按照技能属性（如咨询座席、售后投诉综合座席）来分类，ACD可根据业务的类型、种类等前置条件，将业务请求分解成各个小的技能请求队列，只对相对应的技能服务队列进行轮询，大大减少状态统计和计算量，基于技能的ACD可快速准确的完成中大型呼叫中心的路由分配。
第二代基于技能的ACD，核心是专业化分工，对运营管理的颗粒度要求很细，适用分工很明确、较少变动的呼叫中心。
第三代ACD：图形化ACD
当呼叫中心业务复杂到一定程度，应用基于技能的ACD虽仍可使用，但经常调整变更对运营管理是一种考验。
这时候图形化ACD面世，以可视化工具，对服务请求、服务处理进行更高颗粒的细化，服务请求的优先级条件更为丰富（支持语种、区域、业务贡献等）、座席服务处理的技能也进一步细化（支持1-10级分级），形成两个矩阵。图形化ACD对双矩阵进行完全可视化路由分配策略配置。
可以说，有了图形化ACD工具，传统ACD路由策略已经近乎完美，可以快速创建各种ACD策略流程并进行灵活调整，可谓运营管理之利器。
第四代ACD：深度学习Deep Learning
图形化ACD近乎完美，但仍然需要运营管理者去手工配置和管理。
近年来，AI人工智能的浪潮席卷全球，随着技术的不断进步，“人工智能”时代来临，ACD也进入“人工智能”时代——第四代ACD深度学习（Deep Learning）。
“人工智能”的概念早在1956年就被提出，顾名思义用计算机来构造复杂的，拥有与人类智慧同样本质特性的机器。人工智能、机器学习、深度学习等技术应用取得重大突破，得益于数据量的上涨，运算力的提升和机器学习算法(深度学习)的出现，人工智能开始大爆发。
机器学习最基本的做法是，使用算法来解析数据从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。机器学习源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。
深度学习在传统的“输入层”和“输出层”之间加入了几个逻辑层——也就是所谓的“卷积层”。每一个卷积层只识别一种特定规模的图形模式，然后后面一层只需要在前面一层的基础上进行识别；这样做的好处是每一个神经元只需要处理一个很小区域的数据，且参数可以重复使用，这就大大减少了运算量。
在这个新模型中，那些只有一层卷积的结构被称为简单神经网络（左图）；而那些有多层卷积的，就叫做“深度学习”神经网络（右图）。
将“深度学习”神经网络应用到ACD技术上，直接定义了第四代ACD：即深度学习ACD，基于多层卷积结构，通过有监督、无监督、半监督学习、集成学习、深度学习和强化学习等学习方式，对客户请求侧、座席受理侧的碎片化数据进行综合分析和管理，数据条件更加丰富，各种数据标签都可以作为判断条件，如性别、年龄、爱好、行业、风格、习惯、关注、购买记录等，同样在座席受理侧，数据标签包括：性别、年龄、教育背景、从业经验、技能种类、技能熟练度、处理时长等等，深度学习ACD运用知识图谱技术，将客户请求分配到综合条件关联度最高的座席。
深度学习ACD具备自学习能力，在充足数据及算法的保证下，完全模拟人脑进行工作，ACD路由分配更加智能精准，可将运营管理完全解放出来，专注于运营数据和指标，而非运营过程，将大大提高生产力效率。
