CN102017591B - 无序地从呼叫者集路由呼叫者 - Google Patents

Abstract

提供在呼叫中心路由环境中将呼叫者路由至代理的方法和***。示例性方法包括：识别呼叫者队列中的至少一个呼叫者的呼叫者数据；以及基于所识别的呼叫者数据跳过在呼叫者队列前端的呼叫者跳到另一呼叫者。所述呼叫者数据包括统计数据和心理数据之一或两者。跳过呼叫者进一步基于经由例如关联算法的模式匹配算法将呼叫者数据与关联于代理的代理数据相比较，在一个实例中，如果在队列前端的呼叫者被跳过预定数目次数，则接下来路由该队列前端的呼叫者(并且不能够被再次跳过)。

Description

无序地从呼叫者集路由呼叫者

相关专利申请的交叉引用

本申请是2008年1月28日递交的美国No.12/021,251的部分连续案，和2008年11月6日递交的美国No.12/266,418，都在2008年12月9日递交的美国No.12/331,181，12/331,210，12/331,195，12/331,186，以及2009年1月16日递交的美国No.12/355,602的部分连续案，为此将他们的全部内容通过引用合并于此，并且进一步要求主张2008年7月28日递交的美国临时申请No.61/084,201的利益，为此通过引用将其合并于此。

技术领域

本发明涉及在联系中心***内路由电话呼叫和其他电信的领域。

背景技术

典型的联系中心包括多个人工代理，其每个分配给与中心交换机连接的电信设备，如用于进行电子邮件或因特网聊天会话的电话或计算机。使用这些设备，代理通常用于向联系中心的顾客或未来顾客或联系中心的客户端提供销售、客户服务、或技术支持。

典型地，联系中心或客户端将向其顾客、未来顾客、或其他第三方告知对于特定服务的多个不同联系号码或地址，例如用于帐单疑问或用于技术支持。然后，寻求特定服务的顾客、未来顾客、或第三方将使用这个联系信息，并且在一个或多个路由点将流入呼叫者路由至在联系中心处可提供适当服务的人工代理。响应于这样的流入联系的联系中心称为“入站联系中心”。

类似地，联系中心可向当前或未来顾客或第三方发出流出联系。可进行这种联系以鼓励产品的销售，提供技术支持或帐单信息，调查消费者偏好，或协助收集债务。进行这种流出联系的联系中心称为“出站联系中心”。

在入站联系中心和出站联系中心中，使用电信设备与联系中心代理交互的个人(例如顾客、未来顾客、调查参与者、或其他第三方)在本申请中称为“呼叫者”。与呼叫者交互的联系中心获得的个人在本申请中称为“代理”。

传统上，联系中心操作包括将呼叫者与代理连接的交换机***。在入站联系中心内，这些交换机将流入呼叫者路由至联系中心内的特定代理，或者，如果部署了多个联系中心，则路由至特定联系中心以进一步路由。在采用电话设备的出站联系中心内，除了交换机***之外，典型地采用拨号器。拨号器用于根据电话号码的列表自动拨打电话号码，以及用于确定是否从呼叫的电话号码联络到真正呼叫者(与以下情况相反：没有获得答复，繁忙信号，错误消息，或答复机器)。当拨号器获得真实呼叫者时，交换机***将呼叫者路由至联系中心内的特定代理。

由此开发了路由技术以优化呼叫者体验。例如，美国专利号7,236,584描述了一种电话***，用于使得呼叫者跨多个电话交换机的等待时间均等，而不考虑可能存在于那些交换机之间的一般性能改变。然而，在入站联系中心内的联系路由是这样的处理过程，该过程通常构建为将呼叫者连接到已经空闲了最长时间段的代理。在仅一个代理可用的入站呼叫者的情况下，通常为呼叫者选择该代理，而不进一步分析。在另一实例中，如果在联系中心处存在八个代理，并且七个被联系占用，则交换机通常将入站呼叫者路由至可用的一个代理。如果所有八个代理被联系占用，则交换机典型地使得联系搁置，并随后将其路由至变为可用的下一代理。更一般地，联系中心将建立流入呼叫者队列，并且优先将最长等待呼叫者路由至随时间变为可用的代理。将联系路由至第一可用代理或最长等待代理的这种模式称为“轮询”联系路由。在轮询联系路由中，在呼叫者和代理之间的最终匹配和连接基本是随机的。

作出了某些尝试，以改善将呼叫者与代理连接的这些标准的、但基本随机的处理。例如，美国专利No.7,209,549描述了一种电话路由***，其中收集流入呼叫者的语言偏好，并用于将他们的电话呼叫路由至可按这个语言提供服务的特定联系中心或代理。这样，语言偏好是将呼叫者与代理匹配和连接的主要驱动力，但是一旦构成了这样的偏好，呼叫者几乎始终按“轮询”方式来路由。作出了其他尝试以改变一般的轮询***。例如，美国专利No.7,231,032描述了一种电话***，其中代理自身分别创建对于流入呼叫者的个人路由规则，允许每个代理定制向他们路由的呼叫者的类型。这些规则可包括代理期望向他们路由的特定呼叫者的列表，例如代理之前曾与之交互的呼叫者。然而，这个***倾向于代理的偏好，并且没有考虑代理的相对能力，以及呼叫者和代理自身的个人特征。

发明内容

根据本发明一个实例，用于呼叫中心的方法和***包括：识别呼叫者队列中的呼叫者的呼叫者数据；以及基于所识别的呼叫者数据用呼叫者集的另一呼叫者跳过在队列前端或顶部的呼叫者(例如基于队列顺序要路由的下一个呼叫者)。所述呼叫者数据包括统计数据和心理数据之一或两者。跳过队列前端的呼叫者可进一步基于将呼叫者数据与关联于代理(例如可用代理)的代理数据相比较。呼叫者数据和代理数据经由模式匹配算法(例如反映预测的期望交互的机会的计算机模型)来比较。然后，队列中的最佳匹配呼叫者可跳过队列前端的呼叫者，并且被路由至代理。

在一个实例中，如果在队列前端的呼叫者被跳过预定数目次数(例如一次、两次、或更多次)，则将呼叫者路由至下一可用代理，并且不能够被另一呼叫者再次跳过。例如，***可仅允许在队列前端的呼叫者被跳过预定数目次数。

示例性方法和***还可包括：如果超过在队列前端的呼叫者的搁置阈值，则将在队列前端的呼叫者路由至下一可用代理。所述搁置阈值包括时间段、呼叫者被其他呼叫者跳过的次数、或预测的搁置时间的倍数中的一个或多个。所述搁置阈值可由用户调节。

根据本发明另一实施例，用于呼叫中心的方法和***包括：识别呼叫者队列中的呼叫者的呼叫者数据；以及基于呼叫者数据使得呼叫者跳跃或移动至队列中的不同位置。所述呼叫者数据包括统计数据和心理数据之一或两者。所述呼叫者可在队列中相对于至少一个其他呼叫者向前或向后跳跃。跳跃呼叫者进一步基于经由例如关联算法的模式匹配算法将呼叫者数据与关联于代理的代理数据相比较。

在另一实例中，方法和***包括从呼叫者队列无序地路由呼叫者。在一个实例中，方法包括识别对于队列的多个呼叫者中的呼叫者的呼叫者数据；以及基于所识别的数据不按队列顺序路由队列中的呼叫者。例如，基于所识别的呼叫者数据，相对于队列顺序无序地从队列路由不在队列顶部的呼叫者。基于所识别的呼叫者数据，可以将该呼叫者路由至另一呼叫者队列、呼叫者池、或代理，其中所述呼叫者数据包括统计数据和心理数据之一或两者。呼叫者可基于经由模式匹配算法或计算机模型将呼叫者数据与关联于代理的代理数据进行比较，而从队列路由。

在另一实例中，方法和***包括基于关联于呼叫者的至少一个呼叫者数据从呼叫者池路由呼叫者，其中呼叫者池包括例如没有基于时间顺序或呼叫者的搁置时间按时间排序并路由的呼叫者集。将该呼叫者从呼叫者池路由至代理，设置在另一呼叫者池中，或设置在呼叫者的队列中。所述呼叫者数据包括统计数据或心理数据。呼叫者可基于经由模式匹配算法或计算机模型将呼叫者数据与关联于代理的代理数据进行比较，而从呼叫者池路由。

在另一实例中，方法和***包括：将流入呼叫者放入池中；以及使得来自呼叫者池的呼叫者被路由。将该呼叫者从呼叫者池路由至代理，设置在另一呼叫者池中，或设置在呼叫者的队列中。呼叫者可基于所识别的呼叫者数据被路由，所述呼叫者数据可包括统计或心理数据。呼叫者可基于经由模式匹配算法或计算机模型将呼叫者数据与关联于代理的代理数据进行比较而从呼叫者池路由。

在另一实例中，方法和***包括：识别对于呼叫者集的呼叫者的呼叫者数据，其中所述呼叫者数据包括统计或心理数据；以及基于所识别的呼叫者数据使得呼叫者集的呼叫者被路由。呼叫者可基于经由模式匹配算法或计算机模型将呼叫者数据与关联于代理的代理数据进行比较而从呼叫者集路由。呼叫者集可包括呼叫者队列，并且可将呼叫者路由至呼叫者队列中的新位置、不同的呼叫者队列、呼叫者池、或代理。备选地，呼叫者集可包括呼叫者池，并且可将呼叫者路由至不同的呼叫者池、呼叫者队列、或代理。

应注意，与所提供的实例相比较，传统路由***可包括一个或多个队列(例如基于语言、优选帐户状态等)，但是典型地被设置为将可用代理与队列中的下一呼叫者路由和连接。此外，应注意，传统路由***典型为预先基于时间线性确定顾客是否需要特定语言代理(例如西班牙语)或者是否为优选状态顾客，然后基于此将他们分配至适当的呼叫者队列中。然而，传统路由***并非无序地从队列拉出呼叫者，或者在队列中使得呼叫者跳跃。此外，传统路由***并未将呼叫者如上所述放入池中，或者将池中的呼叫者匹配用于路由到代理，如上所述。

在某些实例中，方法和***还可包括将关联于至少一个呼叫者的数据与关联于可用代理的数据相比较。在某些实例中，呼叫者数据和代理数据可经由模式匹配算法和/或计算机模型来比较，用于预测具有最高期望结果的可能的呼叫者-代理对。在一个实例中，基于度量(例如模式匹配适应性分数)将呼叫者从呼叫者队列或呼叫者池路由，而不单独地或主要地依赖于呼叫者等待时间或队列中的位置。例如，至少部分地基于模式匹配算法，一个呼叫者可能在池中或队列中等待了更长时间周期的其他呼叫者之前与代理连接。

在某些实例中，可包括池中的一个或多个呼叫者的搁置阈值作为因子，例如作为在模式匹配算法中与其他数据一起使用的加权因子或路由呼叫者的触发器。搁置阈值可包括预定时间、当呼叫者到达时对于呼叫者的平均或期望搁置时间的倍数、在搁置时路由的呼叫者的数目，例如他们被其他呼叫者“跳过”多少次等。例如，可向呼叫者分配搁置阈值(例如秒、分、或他们被“跳过”的次数)，当超过这个搁置阈值时，不考虑模式匹配算法，例如以防止呼叫者被无限期搁置。此外，可例如基于与呼叫者相关的数据，如他们生成收入的倾向或优选帐户状态，单独地为每个呼叫者分配搁置阈值，或可向所有呼叫者给出共同搁置阈值。

在一个实例中，对于队列中或池中的呼叫者应用“成本”或“痛苦”函数以分析呼叫者在呼叫者队列中或池中等待时变化的成功交互机会。模式匹配算法或计算机模型可在将呼叫者映射至代理时使用成本函数。例如，考虑这样的实例，其中呼叫者的最佳匹配代理可能被占用并且对于呼叫者具有70％的增加收入生成机会，但是预期不会很快空闲(例如进入另一呼叫仅几秒)。下一最佳匹配代理是空闲的，并且对于呼叫者具有95％的增加收入生成机会。成本函数可指示***将呼叫者路由至下一最佳代理，因为对于呼叫者70％增加收入生成机会将随时间减少，到最佳代理空闲时很可能低于95％。

在其他实例中，优选的呼叫者(例如优选帐户成员、白金/金牌服务等级等)可用于将匹配分数与某些“白金”因子相乘，以加速对于这些优选呼叫者的连接时间，或使得他们在呼叫者队列中跳跃。在其他实例中，优选呼叫者可包括在不同队列或池中以进行更快服务。

此外，在一个实例中，一个或多个搁置阈值可通过用户(例如经由显示的用户接口实时地)调节和控制。例如，用户能够调节对于呼叫者的允许搁置时间，或调节由***使用的成本函数的权重。此外，在某些实例中，***可响应于调节或设置搁置阈值来分析和显示对于***的一个或多个输出表现变量的估计效果。例如，增加呼叫者可被搁置的时间可增加某个输出变量(例如收入)，但是减少另一输出变量(例如顾客满意度)。因此，某些实例允许用户基于搁置阈值调节和浏览估计的表现效果。

可利用基于各种表现和/或基于与呼叫者和代理均相关的可用信息用于将呼叫者和代理匹配的模式匹配算法。一般地，联系中心路由通过以下方式潜在地改进或优化：路由联系，使得呼叫者通过增加对于联系中心有利的交互(在本申请中称为“最佳交互”)的机会的方式与特定代理匹配并与其连接。最佳交互的实例包括增加销售、减少联系的持续时间(因此减少联系中心的成本)、提供可接受的顾客满意水平、或联系中心寻求控制或优化的任意其他交互。示例性***和方法可通过以下操作提高最佳交互的机会：一般地，关于最佳交互而对代理分级；以及将分级的代理与呼叫者匹配，以增加最佳交互的机会。一旦被匹配，则呼叫者可与分级的代理连接。在更高级的实施例中，***和方法也可用于通过以下操作增加最佳交互的机会：使用从描述关于呼叫者的统计、地理、心理、过去购买行为、个人特征(例如经由MyersBrigg型指示符测试等)、时间效果(例如关联于不同日、周、月的时间的数据等)、或其他相关信息的数据，以及描述关于代理的统计、地理、心理、个人特征、时间效果、或历史表现的数据导出的计算机模型，将呼叫者与代理匹配。

在另一实例中，示例性***和方法可通过组合关于代理的代理等级(例如代理表现的分级或排名)、代理统计数据、代理心理数据、和其他交易相关数据(在本申请中分别地或共同地称为“代理数据”)，以及关于呼叫者的统计、心理、和其他交易相关数据(在本申请中分别地或共同地称为“呼叫者数据”)来增加最佳交互的机会。代理和呼叫者统计数据可包括：性别、人种、年龄、教育、口音、收入、国家、民族、电话区号、邮递区号、婚姻状态、工作状态、和信用分数。代理和呼叫者心理数据可包括：内向性、社交性、财政成功的期望、以及电影和电视偏好。

可通过将呼叫者的联系信息用作索引从可用数据库检索呼叫者统计和心理数据。可用数据库包括但不限于，公共可用的数据库、商业可用的数据库、或由联系中心或联系中心客户端创建的数据库。在出站联系中心环境内，呼叫者的联系信息是预先已知的。在入站联系中心环境内，呼叫者的联系信息可通过检查呼叫者的呼叫者ID信息，或在联系的开始例如经由呼叫者账号的项目或其他呼叫者识别信息请求呼叫者的这个信息来检索。也可从可用数据库检索其他交易相关数据，例如历史购买行为、作为顾客的当前满意等级、或主动的产品兴趣等级。

一旦收集了代理数据和呼叫者数据，将这个数据传递至计算***。计算***随后在模式匹配算法中使用这个数据，以创建一计算机模型，将每个代理与每个呼叫者匹配，并且根据多个最佳交互评估每个匹配的可能结果，例如销售的生成、联系的持续时间、或生成顾客觉得满意的交互的可能。作为实例，***和方法指示出，通过将呼叫者与女性代理匹配，匹配将增加销售概率百分之4，减少联系持续时间百分之6，以及增加呼叫者对交互的满意度百分之12。一般地，***和方法将跨代理和呼叫者的多个统计和心理方面生成更加复杂的预测。示例性***和方法可得出，例如，如果呼叫者与在其家庭中具有高速因特网并享受喜剧电影的单身、白人、男性、25岁的代理连接，将使得销售可能性增加百分之12，联系持续时间增加百分之7，以及呼叫者对联系的满意度减少百分之2。并行地，示例性***和方法还可确定，如果呼叫者与已婚、黑人、女性、55岁的代理连接，将使得销售可能性增加百分之4，联系持续时间减少百分之6，以及呼叫者对联系的满意度增加百分之9。

尽管这个高级实施例优选地使用代理等级、统计、心理、和其他交易相关数据，以及呼叫者统计、心理、和其他交易相关数据，其他实施例可排除一个或多个类型或种类的呼叫者或代理数据，以最小化采用示例性***和方法所必须的计算能力或存储空间。

在示例性***和方法中使用的模式匹配算法可包括任意关联算法，例如神经网络算法或基因算法。为了一般地训练或细化算法，将实际联系结果(对于最佳交互测量的)与发生的每个联系的实际代理和呼叫者数据相比较。然后，模式匹配算法可得知如下信息，或改进其对如下信息的了解：如何将某些呼叫者与某些代理匹配将改变最佳交互的机会。这样，模式匹配算法可随后用于在具有特定呼叫者数据集合的呼叫者与具有特定代理数据集合的代理匹配的环境中预测最佳交互的机会。优选地，在关于呼叫者交互的更多实际数据变为对其可用时，周期性细化模式匹配算法，例如在联系中心完成了一天的操作之后在每晚周期性训练算法。

可以使用模式匹配算法创建一计算机模型，反映对于每个代理和呼叫者的匹配，预测的最佳交互的机会。优选地，计算机模型将包括，对于记录在联系中心内的每个代理与每个可用呼叫者匹配，预测的最佳交互集合的机会。备选地，计算机模型可包括这些的子集，或含有上述集合的集合。例如，取代于将记录在联系中心中的每个代理与每个可用呼叫者匹配，示例性***和方法可将每个可用代理与每个可用呼叫者匹配，或甚至代理或呼叫者的更窄子集。同样，***和方法可将曾经工作于特定活动的每个代理-无论是否可用或是被记录-与每个可用呼叫者匹配。类似地，计算机模型可包括预测的对于一个最佳交互或多个最佳交互的机会。

计算机模型还可进一步被细化，以包括对于代理和呼叫者的每个匹配的适用性分数。适用性分数可通过以下操作来确定：利用由模式匹配算法预测的最佳交互集合的机会，以及对那些机会加权以更多地或更少地强调与另一最佳交互相关的特定最佳交互。然后，在示例性***和方法，可随后使用适用性分数来确定应该将哪些代理与哪些呼叫者连接。

例如，计算机模型可指示呼叫者与第一代理匹配将导致高销售机会，但是高的长联系机会，而呼叫者与第二代理匹配将导致低销售机会，但是高的短联系机会。如果销售的最佳交互的权重高于低成本的最佳交互，则与第二代理相比，第一代理的适用性分数将指示呼叫者应与第一代理连接。如果另一方面，销售的最佳交互的权重低于低成本联系的最佳交互，则与第一代理相比，第二代理的适用性分数将指示呼叫者应与第二代理连接。

示例性方法和***的另一方面在于，其可通过存储数据来开发邻近数据库，该数据库包括关于各个呼叫者的联系结果的数据(在本申请中称为“呼叫者邻近数据”)，其独立于他们的统计、心理、或其他交易相关信息。这种呼叫者邻近数据可包括呼叫者的购买历史、联系时间历史、或顾客满意历史。这些历史可以是一般行的，例如用于购买产品的呼叫者的一般历史、与代理的平均联系时间、或平均顾客满意率。这些历史也可以是特定于代理，例如当与特定代理连接时的呼叫者的购买、联系时间、或顾客满意历史。然后，可使用呼叫者邻近数据来细化可使用示例性***和方法进行的匹配。

示例性方法和***的另一方面在于，可开发包括以下内容的邻近数据库：与特定呼叫者统计、心理、或其他交易相关特征匹配的个人代理的收入生成、成本、和顾客满意效果数据(在本申请中称为“代理邻近数据”)。如此的邻近数据库可例如使得示例性***和方法预测，特定代理与类似年龄的呼叫者的交互表现最佳，与明显更大和更小年龄的呼叫者的交互略差。类似地，这种邻近数据库可使得示例性***和方法预测，具有某些代理邻近数据的代理处理源自特定地理区域的呼叫者更加优于所述代理处理来自其他地理区域的呼叫者。作为另一实例，示例性***和方法可预测特定代理在该代理与发怒的呼叫者连接的情形下表现良好。

尽管优选地与通过模式匹配算法生成匹配的代理数据和呼叫者数据组合使用了邻近数据库，但是也可独立于代理数据和呼叫者数据使用邻近数据库中存储的信息，从而邻近信息是用于生成匹配的唯一信息。

示例性方法和***还可包括连接规则，以定义何时或如何将匹配的代理连接到呼叫者。连接规则可能很简单，如指示***或方法根据所有可用代理中与该特定呼叫者之间的最佳匹配来连接呼叫者。这样，可最小化呼叫者搁置时间。连接规则也可能更复杂，例如指示方法或***仅当可用代理和呼叫者之间存在最小阈值匹配时连接呼叫者，或允许预定时间段来搜索那时的最小匹配或最佳可用匹配。当对于潜在更好的匹配进行搜索时，连接规则也可有目标地保持某些代理可用。

在另一实例中，***和方法包括将模式匹配算法的多个输出变量(用于匹配呼叫者和代理)组合成一个度量以用于控制和管理路由***。模式匹配算法可包括神经网络架构，其中示例性方法和***组合对于每个输出变量一个的来自多个神经网络的输出。例如，***和方法确定对于模式匹配算法的两个或更多个变量输出中的每个的Z分数(例如无量纲标准分数)。例如，输出变量可包括或关联于收入生成、成本、顾客满意度表现、第一呼叫解答、取消(例如由于购买者懊悔随后取消了销售)、或来自***的模式匹配算法的其他变量输出。可计算确定的Z分数的线性组合，以基于多个变量提供单个分数。例如，呼叫路由中心可对于***的期望输出(例如期望优化输出变量的某些混合或判断将一个变量的权重更大于另一变量)组合两个或更多个Z分数。然后，由路由***使用线性组合和单个分数，经由模式匹配算法将呼叫者路由或匹配至代理，其中例如可在对于不同呼叫者-代理对最大化Z分数的确定线性组合的输出值或分数的尝试中匹配呼叫者和代理。

此外，在一个实例中，模式匹配算法和Z分数可能受到呼叫者已被搁置的时间长度的影响，例如考虑呼叫者的痛苦阈值函数。例如，增加收入、顾客满意度等的可能性可基于呼叫者在路由至代理之前被搁置的等待时间而改变。例如，如果呼叫者基于搁置阈值或对于呼叫者等待时间的成本函数被搁置太久，预测的结果的可能会改变(例如在搁置特定时间之后，对于特定呼叫者的销售的可能会急剧降低)。由此，***可基于Z分数和输出变量的线性组合将呼叫者路由至其他次佳的代理匹配。例如，期望的输出变量的混合被设定为使得收入的权重大于成本或顾客满意度，然而在特定呼叫者达到痛苦阈值之后，***可能通过对顾客满意度大大加权的方式路由呼叫者。

根据所述示例性***和方法的另一方面，可向连接中心或他们的客户端提供视觉计算机接口和可打印报告，允许他们实时地或基于过去表现地监视代理与呼叫者匹配的统计，测量正实现的最佳交互相对于计算机模型预测的交互，以及使用这里所述方法的实时或过去表现的任意其他测量。也可向联系中心或联系中心客户端提供改变最佳交互的权重的视觉计算机接口，从而如上所述他们可在未来实时地或在预定时间监视或改变权重。

这里所述的许多技术可在硬件、固件、软件、或其组合中实现。优选地，所述技术在可编程计算机上执行的计算机程序中实现，所述可编程计算机分别包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)、和适合的输入和输出设备。程序代码应用于使用输入设备录入的数据，以执行所述的功能和生成输出信息。输出信息应用于一个或多个输出设备。此外，每个程序优选地高级过程或面向对象编程语言实现以与计算机***进行通信。然而，如果期望，程序可通过汇编或机器语言实现。在任意情况下，语言可以是编译或解释性语言。

每个这样的计算机程序优选地存储在通过通用或专用可编程计算机可读的存储介质或设备(例如CD-ROM、硬盘或磁盘)上，用于当计算机读取存储介质或设备时配置和操作计算机以执行所述过程。***也可实现为配置有计算机程序的计算机可读存储介质，其中当存储介质如此配置时使得计算机通过特定和预定的方式运行。

附图说明

图1是反映联系中心操作的一般设置的视图。

图2示出包括模式匹配引擎的示例性联系中心路由***。

图3示出具有基于表现和/或模式匹配算法路由呼叫者的映射引擎的示例性路由***。

图4是反映使用代理数据和呼叫者数据使得来自呼叫者池的呼叫者匹配于代理的实例的流程图。

图5是反映路由来自呼叫者集的呼叫者的实例的流程图。

图6是反映在呼叫者队列中跳跃呼叫者的实例的流程图。

图7是反映用于优化模式匹配算法和计算机模型的多个输出变量的组合或混合的实例的流程图。

图8是反映用于优化模式匹配算法和计算机模型的多个输出变量的组合或混合的另一实例的流程图。

图9示出可用于实现本发明某些实施例中的某些或所有处理功能的典型计算***。

具体实施方式

提供以下说明，使得本领域普通技术人员能够实现和使用本发明，并且以下说明在特定应用及其需求的环境下提供。实施例的各种修改对于本领域普通技术人员是容易理解的，并且这里定义的一般原理可在不脱离本发明的精神和范围的情况下应用于其他实施例和应用。此外，在以下说明中，为了说明的目的阐述了多个细节。然而，本领域普通技术人员可在不使用这些具体细节的情况下实现本发明。在其他情形下，以框图形式示出已知结构和设备，从而不会用不必要的细节掩盖本发明的说明。因此，本发明不限于所示实施例，而是符合与这里公开的原理和特征一致的最宽泛范围。

尽管通过特定实例和示例性附图描述了本发明，但是本领域普通技术人员将认识到，本发明不限于所述的实例或附图。本领域普通技术人员将认识到，可使用硬件、软件、固件、或其组合适当地实现各个实施例的操作。例如，某些处理可在软件、固件、或硬连线逻辑的控制下使用处理器或其他数字电路来实现(术语“逻辑”指的是固定硬件、可编程逻辑和/或其适当组合，本领域普通技术人员可认识到其可执行所述功能。)软件和固件可存储在计算机可读存储介质上。某些其他处理器可使用本领域普通技术人员已知的模拟电路实现。此外，在本发明实施例中可采用存储器或其他存储装置，以及通信组件。

起初，为了将呼叫者路由至代理，描述了利用模式匹配算法和计算机模型的示例性呼叫路由***和方法。这个说明之后是路由来自呼叫者队列或呼叫者池的呼叫者的示例性方法，以及优化模式匹配算法和计算机模型的多个变量结果的混合的示例性***和方法。例如，***和方法用于组合与算法的多个变量输出相关的各种度量以及将他们组合在共同度量中，以将呼叫者匹配至代理、路由来自呼叫者队列或呼叫者池的呼叫者、或在队列中使得呼叫者跳跃。

图1是反映联系中心操作100的一般设置的视图。网络云团101反映被设计为接收流入呼叫者或支持为流出呼叫者进行的联系的特定或区域电信网络。网络云团101可包括一个联系地址(例如电话号码或电子邮件地址)或多个联系地址。中心路由器102反映被设计为帮助在呼叫中心103之间路由联系的联系路由硬件和软件。在仅部署了一个联系中心时，不需要中心路由器102。当部署了多个联系中心时，需要更多路由器将联系路由至用于特定联系中心103的另一路由器。在联系中心级103，联系中心路由器104将通过个人电话或其他电信设备105将联系路由至代理105。典型地，在联系中心103处存在多个代理105，不过一定存在在联系中心103处仅有一个代理105的实施例，在这种情况下，可证明联系中心路由器104是不必要的。

图2示出示例性联系中心路由***200(可通过图1的联系中心路由器104包括)。广泛地讲，路由***200可操作为至少部分地基于代理表现、模式匹配算法或取决于呼叫者数据和/或代理数据的计算机模型等匹配呼叫者和代理。路由***200可包括通信服务器202和模式匹配引擎204(有时称为“满意映射”或“SatMap”)，用于接收流入呼叫者并将其匹配至代理。

模式匹配引擎204可通过各种方式操作，以基于模式匹配算法和计算机模型将呼叫者匹配至代理，这基于先前呼叫者-代理匹配的性能或结果不时地改变。在一个实例中，模式匹配引擎204包括基于神经网络的自适应模式匹配引擎，以下将更详细描述。可包括各种其他示例性模式匹配和计算机模型***和方法，其中在2008年1月28日递交的、题为“Systems andMethods for Routing Callers to an Agent in a Contact Center”的美国No.12/021,251中描述了内容路由***和/或模式匹配引擎204，其全部内容通过引用合并与此。

路由***200还可包括其他组件，例如收集器206，用于收集流入呼叫者的呼叫者数据、关于呼叫者-代理对的数据、呼叫者-代理对的结果、代理的代理数据等。此外，路由***200可包括报告引擎208，用于生成路由***200的操作和性能的报告。路由***200还可能包含各种其他服务器、组件、和功能。此外，尽管示出为一个硬件设备，但是可理解，各种组件可彼此远程地定位(例如通信服务器202和路由引擎204不需要包括在共同硬件/服务器***或包括在共同位置)。此外，路由***200可包括各种其他组件和功能，但是这里为了简明将省略。

图3示出示例性路由引擎204的细节。路由引擎204包括主映射引擎304，其从数据库310和312接收呼叫者数据和代理数据。在某些实例中，路由引擎204可单独地或部分地基于与代理相关的表现数据路由呼叫者。在其他实例中，路由引擎204可单独地或部分地基于将各个呼叫者数据和代理数据(可包括例如基于表现的数据、统计数据、心理数据、和其他交易相关数据)的比较作出路由决定。此外，可使用邻近数据库(未示出)，并且可由路由引擎204接收这种信息用于作出路由决定。

在一个实例中，路由引擎204包括一个或多个神经网络引擎306或与之通信。神经网络引擎306可直接或经由路由引擎204接收呼叫者和代理数据，并且可操作为基于所生成的模式匹配算法和计算机模型匹配和路由呼叫者，以增加期望结果的改变。此外，如图3所示，可使用呼叫历史数据(包括例如对于成本、收入、顾客满意等的呼叫者-代理对结果)来保持和修改神经网络引擎306。

路由引擎204还包括搁置队列/池逻辑308或与之通信。在一个实例中，搁置队列/池逻辑308操作为对于多个呼叫者的队列，例如存储或访问搁置时间、空闲时间、和/或呼叫者和代理的队列顺序，并且通过映射引擎304操作以基于呼叫者和/或代理的队列顺序将呼叫者映射至代理。映射引擎304可操作为基于模式匹配算法(例如神经网络引擎306所包括的)、或基于队列顺序(如从搁置队列308检索的)来映射呼叫者。此外，如以下更详细所述，搁置队列/池逻辑308可通过一个或多个映射引擎304和神经网络引擎306操作，以从队列不按照队列顺序拉出呼叫者，用于路由至代理、另一呼叫者队列、或另一呼叫者池。在另一实例中，搁置队列/池逻辑308可操作为将呼叫者放入池中，所述呼叫者是从池拉出的，用于路由至代理、另一呼叫者池或队列，而不考虑搁置时间、空闲时间、或队列顺序(例如不存在如队列中那样的呼叫者的排序列)。

下文是各种示例性方法，其中模式匹配引擎可操作为将来自呼叫者池或队列的呼叫者路由至可用代理、另一呼叫者队列或池、或跳过呼叫者队列中的呼叫者。例如，如上所述，模式匹配算法可关于表现对代理定级，将代理数据和呼叫者数据相比较并根据模式匹配算法匹配，创建计算机模型以预测代理-呼叫者对的结果等。可理解，内容路由器***可包括实现示例性方法的软件、硬件、固件或其组合。

图4示出例如通过路由***200在呼叫中心环境中路由呼叫者的示例性方法。在一个实例中，在402，确定或识别对于呼叫者集的至少一个呼叫者的呼叫者数据。呼叫者数据可包括关于呼叫者的统计、心理、和其他交易相关数据。呼叫者集可包括呼叫者的任意组，例如呼叫者队列或呼叫者池(例如可通过搁置队列/池逻辑308存储或确定)。在404，呼叫者可基于在402中识别的呼叫者数据从呼叫者集路由至代理、另一呼叫者队列、或呼叫者池。例如，基于单独的呼叫者数据或当经由模式匹配算法、计算机模型、或这里讨论的其他方面与代理数据相比较时，呼叫者可从队列或呼叫者池拉出，并路由至另一呼叫者队列或池。例如，可将呼叫者路由至基于特定呼叫者数据划分或分段的呼叫者的第二队列或呼叫者池。此外，基于单独的呼叫者数据或当经由模式匹配算法、计算机模型、或这里讨论的其他方面与代理数据相比较时，呼叫者可例如从呼叫者集拉出并路由至可用代理。

图5示出例如通过路由***200在呼叫中心环境中路由呼叫者的另一示例性方法。在这个实例中，在502，确定或识别对于呼叫者队列(例如流入呼叫者的时间排序队列)的至少一个呼叫者的呼叫者数据。呼叫者数据可包括这里所述的统计或心理数据。然后，在504，可基于在502中识别的呼叫者数据在呼叫者队列中将呼叫者移动或跳到队列中的新位置，例如按队列顺序调到另一呼叫者之前(或之后)。例如，基于单独的呼叫者数据或当经由模式匹配算法、计算机模型、或这里讨论的其他方面与代理数据相比较时，呼叫者可在队列中跳到其他呼叫者之前。呼叫者可在具有最高优先级队列位置时被路由至代理，或如上所述不按队列顺序被拉出和路由。

在另一实例中，与上述类似，基于在502确定或识别的呼叫者数据，在呼叫者队列前端的呼叫者可被另一呼叫者跳过。例如，在代理变得空闲时，可识别队列中的至少一个呼叫者的呼叫者数据，并且在队列前端的呼叫者(例如使得呼叫者路由优先级为零)可基于识别的呼叫者数据跳到另一呼叫者。在一个实例中，基于单独的呼叫者数据或当经由模式匹配算法、计算机模型、或这里讨论的其他方面与代理数据相比较时，使得呼叫者被跳过。如上所述，方法和***可包括在队列前端的呼叫者在根据队列顺序被路由之前可被跳过的预定最大次数。此外，如上所述，可将呼叫者路由至代理、呼叫者池、或另一呼叫者队列。

图6-9描述使用呼叫者数据和/或代理数据作出路由决定的各种方法，例如评估呼叫者数据和作出将呼叫者路由至代理、其他队列或呼叫者池的决定，使得呼叫者在队列中跳过等。图6示出通过组合关于代理的代理等级(可根据关于期望结果对代理分级或排列来确定)、代理统计数据、代理心理数据、和/或其他交易相关数据(在本申请中分别或共同称为“代理数据”)、以及关于呼叫者的统计、心理、和其他交易相关数据(在本申请中分别地或共同地称为“呼叫者数据”)来增加最佳交互的机会的示例性方法。代理和呼叫者统计数据可包括：性别、人种、年龄、教育、口音、收入、国家、民族、电话区号、邮递区号、婚姻状态、工作状态、和信用分数。代理和呼叫者心理数据可包括：内向性、社交性、财政成功的期望、以及电影和电视偏好。

在一个实例中，一种操作联系中心的方法包括：确定与呼叫者集(例如搁置的呼叫者池)的至少一个呼叫者相关的呼叫者数据；确定与一个或多个代理(例如一个或多个可用代理)相关的代理数据；将代理数据与呼叫者数据(例如经由模式匹配算法)相比较；以及使得池中的呼叫者之一与代理匹配，以增加最佳交互的机会。具体地，在602，识别或确定对于呼叫者集的至少一个的呼叫者数据(例如呼叫者统计或心理数据)。实现这个操作的一个方式为通过将呼叫者的联系信息用作索引从可用数据库进行检索。可用数据库包括但不限于，公共可用的数据库、商业可用的数据库、或由联系中心或联系中心客户端创建的数据库。在出站联系中心环境内，呼叫者的联系信息是预先已知的。在入站联系中心环境内，呼叫者的联系信息可通过检查呼叫者的呼叫者ID信息，或在联系的开始例如经由呼叫者账号的项目或其他呼叫者识别信息请求呼叫者的这个信息来检索。也可从可用数据库检索其他交易相关数据，例如历史购买行为、作为顾客的当前满意等级、或主动的产品兴趣等级。

典型地，在联系中心处形成搁置的呼叫者队列。当形成了队列时，期望最小化每个呼叫者的搁置时间，以增加获得顾客满意和减少联系成本的机会，所述成本不仅是联系持续时间的函数，而且是如果等待太长则呼叫者将失去联系的机会的函数。因此，在一个实例中，在将呼叫者与代理匹配之后，联系规则可因此被配置为包括用于队列跳跃的算法，从而搁置的呼叫者和可用代理的有利匹配将通过以下操作得到“跳跃”队列的呼叫者：增加呼叫者的连接优先级，从而将呼叫者传递至在按时间顺序列出的队列中的排在其他人之前的第一代理。队列跳跃算法还可被配置为，自动地在与保持呼叫者搁置相关的成本和在呼叫者跳跃队列时发生的最佳交互的机会的利益之间进行权衡，并且使得在成本的可接受或最小等级或顾客满意的机会下随时间发生呼叫者跳出队列，以增加最佳交互的总机会。如果邻近数据库指示在呼叫者与已经可用的特定代理匹配时特别可能发生最佳交互，则呼叫者也可跳出队列。此外，可如上所述将呼叫者从队列拉出或路由至代理、另一队列、或呼叫者池。

在604，识别或确定例如可用代理的一个或多个代理的代理数据。确定代理统计或心理数据的一个方法可涉及在他们雇用时或在他们雇用期间周期地调查代理。这样的调查处理可以是手动的，例如通过纸张或口头调查，或通过在计算机***上进行的调查自动进行，例如通过在web浏览器上的部署。尽管这个高级实施例优选地使用代理等级、统计、心理、和其他交易相关数据，以及呼叫者统计、心理、和其他交易相关数据，示例性方法和***的其他实施例可排除一个或多个类型或种类的呼叫者或代理数据，以最小化必须的计算能力或存储空间。

在606，然后可将代理数据和呼叫者数据相比较。例如，可将代理数据和呼叫者数据传递至计算***，用于针对每个代理-呼叫者对将呼叫者数据与代理数据相比较，即，以逐对方式将代理数据与搁置的每个呼叫者相比较。在一个实例中，比较通过将代理和呼叫者数据传递至模式匹配算法来实现，以建立一计算机模型，该模型将每个代理与呼叫者匹配，并且根据多个最佳交互评估每个匹配的可能结果，例如销售的生成、联系的持续时间、或生成顾客觉得满意的交互的可能。

此外，可考虑在呼叫者池中呼叫者搁置的时间量。在一个实例中，对于池中的呼叫者应用“成本”或“痛苦”函数以分析呼叫者在池中等待时变化的成功交互机会。模式匹配算法或计算机模型可在将呼叫者映射至代理时使用成本函数。例如，考虑这样的实例，其中呼叫者的最佳匹配代理可能被占用并且对于呼叫者具有70％的增加收入生成机会，但是预期不会很快空闲(例如进入另一呼叫仅几秒)。下一最佳匹配代理是空闲的，并且对于呼叫者具有95％的增加收入生成机会。成本函数可指示***将呼叫者路由至下一最佳代理，因为对于呼叫者70％增加收入生成机会将随时间减少，到最佳代理空闲时很可能低于95％。由此，除了其他呼叫者和代理数据之外，模式匹配算法或计算机模型可在将呼叫者映射至代理时使用成本函数。

此外，在一个实例中，可包括池中的一个或多个呼叫者的搁置阈值作为因子，例如作为在模式匹配算法中通过其他数据使用的加权因子或路由呼叫者的触发器。搁置阈值可包括预定时间、当呼叫者到达时对于呼叫者的平均或期望搁置时间的倍数、在搁置时路由的呼叫者的数目，例如他们被其他呼叫者“跳过”多少次等。例如，可向呼叫者分配搁置阈值(例如秒、分、或他们被“跳过”的次数)，当超过这个搁置阈值时，不考虑模式匹配算法，例如以防止呼叫者被无限期搁置。此外，可基于与呼叫者相关的数据，如他们生成收入的倾向或优选帐户状态，单独地为每个呼叫者分配搁置阈值，或可向所有呼叫者给出共同搁置阈值。

示例性模式匹配算法可包括任意关联算法，例如神经网络算法或基因算法。在一个实例中，可使用弹性反馈(RProp)算法，如M.Riedmiller，H.Braun在Proc.Of the IEEE Intl.Conf.on Neural Networks 1993的文件“A Direct Adaptive Method for Faster backpropagation Learning：TheRPROP Algorithm”，其全部内容通过引用合并于此。为了一般地训练或细化算法，将实际联系结果(对于最佳交互测量的)与发生的每个联系的实际代理和呼叫者数据相比较。然后，模式匹配算法可得知如下信息，或改进其对如下信息的了解：如何将某些呼叫者与某些代理匹配将改变最佳交互的机会。这样，模式匹配算法可随后用于在具有特定呼叫者数据集合的呼叫者与具有特定代理数据集合的代理匹配的环境中预测最佳交互的机会。优选地，在关于呼叫者交互的更多实际数据变为对其可用时，周期性细化模式匹配算法，例如在联系中心完成了一天的操作之后在每晚周期性训练算法。

模式匹配算法可创建一计算机模型，反映预测的对于匹配的每个代理和呼叫者的最佳交互的机会。优选地，计算机模型将包括，对于记录在联系中心内与每个可用呼叫者匹配的每个代理的、预测的最佳交互集合的机会。备选地，计算机模型可包括这些的子集，或含有上述集合的集合。例如，取代于将记录在联系中心中的每个代理与每个可用呼叫者匹配，实例可将每个可用代理与每个可用呼叫者匹配，或甚至代理或呼叫者的更窄子集。同样，本发明可将曾经工作于特定活动的每个代理-无论是否可用或是被记录-与每个可用呼叫者匹配。类似地，计算机模型可包括预测的对于一个最佳交互或多个最佳交互的机会。

计算机模型还可包括对于代理和呼叫者的每个匹配的适用性分数。适用性分数可通过以下操作来确定：利用由模式匹配算法预测的最佳交互集合的机会，以及对那些机会加权以更多地或更少地强调与另一最佳交互相关的特定最佳交互。然后，在示例性方法和***中，可随后使用适用性分数来确定应该将哪些代理与哪些呼叫者连接。

基于模式匹配算法和/或计算机模型，该方法还包括：在908，确定具有与代理的最佳匹配的呼叫者。可理解，最佳匹配的呼叫者可取决于特定呼叫者中心选择的模式匹配算法、计算机模型、以及期望输出变量和权重。然后，在910，将确定的最佳匹配路由至代理。

呼叫者数据和代理数据可包括邻近数据。由此，示例性方法和***还可包括邻近数据库，所述数据库包括关于各个呼叫者的联系结果的数据(在本申请中称为“呼叫者邻近数据”)，其独立于他们的统计、心理、或其他交易相关信息。这种呼叫者邻近数据可包括呼叫者的购买历史、联系时间历史、或顾客满意历史。这些历史可以是一般性的，例如用于购买产品的呼叫者的一般历史、与代理的平均联系时间、或平均顾客满意率。这些历史也可以是特定于代理的，例如当与特定代理连接时的呼叫者的购买、联系时间、或顾客满意历史。

然后，可使用呼叫者邻近数据来细化可使用示例性方法和***进行的匹配。作为实例，某些呼叫者可通过他们的呼叫者邻近数据被识别为很可能作出购买的呼叫者，因为在联系呼叫者的最后几个例子中，呼叫者选择购买产品或服务。然后，使用这个购买历史来适当地细化匹配，从而呼叫者优先地与被认为适于呼叫者增加最佳交互机会的代理匹配。使用这个实施例，联系中心可以优先地将呼叫者与对于生成收入来说不具有高等级的代理或否则为不可接受匹配的代理匹配，因为如果给定了呼叫者的过去购买行为，销售机会仍然是可能的。这种匹配策略将使得否则会被呼叫者的联系交互所占用的其他代理可用。备选地，联系中心可代替地确保呼叫者与对于生成收入来说具有高等级的代理匹配，而不考虑使用呼叫者数据和代理统计或心理数据生成的匹配可能指示了什么。

由本发明开发的更高级邻近数据库是在其中跨各种代理数据跟踪呼叫者的联系结果的数据库。这样的分析可以指示例如，如果他们匹配于类似性别、种族、年龄的代理、或甚至特定代理，则呼叫者最可能满意这样的联系。使用这个实施例，本发明可优先地将呼叫者与通过呼叫者邻近数据已知的生成了可接受最佳交互的特定代理或代理类型匹配。

当商业、客户端、或公共可用数据库源可能缺少关于呼叫者的信息时，邻近数据库可提供关于呼叫者的特定可操作信息。这个数据库开发也可用于进一步提高联系路由和代理至呼叫者的匹配，即使在存在关于呼叫者的可用数据的情况下，因为这可能得出这样的结论，即个人呼叫者的联系结果可能与商业数据库所暗示的有所不同。作为实例，如果本发明仅依赖于商业数据库以匹配呼叫者和代理，则可预测，呼叫者将最佳地匹配于相同性别的代理以实现最佳顾客满意度。然而，通过包括从与呼叫者的先前交互开发的邻近数据库信息，本发明可能更加精确地预测呼叫者将最佳地匹配于不同性别的代理以实现最佳顾客满意度。

示例性方法和***的另一方面在于，可开发包括以下内容的邻近数据库：与特定呼叫者统计、心理、或其他商业相关特征匹配的个人代理的收入生成、成本、和顾客满意效果数据(在本申请中称为“代理邻近数据”)。如此的邻近数据库可例如使得示例性方法和***预测特定代理执行与类似年龄的呼叫者的交互最佳，与明显更大和更小年龄的呼叫者的交互略差。类似地，这种邻近数据库可使得实例预测出，具有某些代理邻近数据的代理处理源自特定地理区域的呼叫者更加优于所述代理处理来自其他地理区域的呼叫者。作为另一实例，方法或***可预测特定代理在该代理与发怒的呼叫者连接的情形下更好地执行。

尽管优选地与通过模式匹配算法生成匹配的代理数据和呼叫者数据组合使用了邻近数据库，但是也可独立于代理数据和呼叫者数据使用邻近数据库中存储的信息，从而邻近信息是用于生成匹配的唯一信息。

示例性方法和***可存储每个路由的呼叫者特定的数据，用于随后分析。例如，***和方法可存储在任意计算机模型中生成的数据，包括如计算机模型预测的最佳交互的机会，例如销售的机会、联系持续时间、顾客满意度、或其他参数。这样的存储可包括构成呼叫者连接的实际数据，包括代理和呼叫者数据，是否发生销售，联系的持续时间，和顾客满意度水平。这样的存储还可包括进行的代理与呼叫者的匹配的实际数据，以及如何、怎样和何时依据连接规则和在到特定代理的连接之前考虑匹配。

图7示出将性能匹配算法(用于匹配呼叫者和代理)的多个输出变量组合成单个度量以用于控制和管理路由***的示例性方法。该示例性方法包括：在702，确定对于模式匹配算法的两个或更多个变量输出中的每个的Z分数(例如无量纲标准分数)。Z分数或标准分数可计算如下：

z＝(x-μ)/σ

其中x是对于特定输出变量的模式匹配算法的原始输出，μ是输出变量的平均值，以及σ是输出变量的标准偏差。可对于(例如使用的模式匹配算法的)呼叫路由***的任意数目个输出变量计算Z分数。输出变量可包括或关联于例如收入生成、成本、顾客满意度等。

在704，使用Z分数确定两个或更多个输出变量的线性组合，其中可基于输出变量的期望混合或加权来选择线性组合。例如，呼叫中心可确定顾客满意度是最重要的变量，并且对收入生成和成本的加权小于顾客满意度(例如分配总计为1的加权分数)。然后，基于多个输出变量和加权因子计算所确定的Z分数的线性组合，以提供单个分数。例如，呼叫路由中心可组合对于***的期望输出的Z分数(例如决定使一个变量的权重大于另一变量)。然后，在706，可由路由***使用线性组合，以经由模式匹配算法将呼叫者路由或匹配至代理。例如，可在估计或最大化Z分数的所确定线性组合的值或分数的尝试中匹配呼叫者和代理。

应注意，传统地，对于入站呼叫中心，当许多呼叫者在搁置并且代理为空闲时，将队列中的第一呼叫者(例如搁置最久)路由至空闲代理。然而，如上所述，用于路由呼叫者的示例性方法包括：使得可用代理与被搁置的所有呼叫者成对；以及基于模式匹配算法/计算机模型及其期望输出变量将最佳匹配呼叫者路由至代理。图8示出对于多个呼叫者在搁置并且一个代理变为空闲以接受呼叫者的特定实例用于优化模式匹配算法和/或计算机模型的多个输出变量的组合或混合的特定示例性方法。该示例性方法包括：在802，确定来自呼叫者取样的呼叫者数据集。例如，呼叫者数据可包括对于在呼叫者中心搁置的、等待代理的所有或某些呼叫者的呼叫者数据。该方法还包括：在804，从可用于接受呼叫者的代理确定代理数据集，这可仅从已知代理数据来访问。

该方法包括，在806，对于每个可能的代理-呼叫者对，将关联的代理和呼叫者数据传递通过模式匹配算法/计算机模型。在808，可对于每个代理-呼叫者对确定Z分数，这基于针对每个输出变量(例如针对每个神经网络输出)的模式匹配算法，如以下详细所述。然后，可连接最高积分的代理-呼叫者对，例如路由基于Z分数的最佳匹配呼叫者。

用于组合其多个变量输出的更具体的、但示例性的模式匹配算法和方法包括神经网络算法或基因算法。如上所述(例如参照图6)，模式匹配算法，例如可通过将实际结果与呼叫者和代理数据相比较(例如比较输入和输出数据)来训练或细化的神经网络算法，可得知如下信息，或改进其对如下信息的了解：如何将某些呼叫者与某些代理匹配将改变最佳交互的机会。下文包括示例性神经网络模式匹配算法，随后是缩放输出分数以及将输出分数组合成合成分数用于确定对于期望结果的呼叫者-代理对的示例性方法。

起初，定义示例性模式匹配算法的各个项来示出运算。使得A＝{a_i}{i＝1，...，N}为当前记录于可用于与流入呼叫者匹配的队列中的代理的集合。注意，这些代理可以在一个物理呼叫中心中或跨若干呼叫中心分布以及由若干专用交换机(PBX)控制。此外，呼叫者集可表示为：

C＝{c_j}.........................................................(1)

每个代理和呼叫者具有关联的代理数据和呼叫者数据，例如统计、心理信息等。(在某些情况下，呼叫者数据可能不可用，例如当呼叫者的电话号码不可用，或不能够在可访问数据库中发现时)。呼叫者数据和代理数据可分别表示为：

$I_{i,k}^A$ (i＝1，...，N)(k＝1，..，P)

$I_{i,k}^C$ (i＝1，...，M)(k＝1，...，Q)....................................(2)

其中P变量描述例如代理的统计和心理特征，Q变量描述客户端的这些特征，其中P和Q不必相等。

还存在输出变量，其描述呼叫中心性能的某些特征，这是期望优化的。三个最常用的是：收入，表示为R；成本，通常作为呼叫处理时间来计算，这里表示为T；和满意度，表示为S。在这个示例性实例中，仅考虑这三个示例性输出变量，但是应理解，可增加更多变量或者可对于收入、成本和满意度替换不同变量。例如，其他变量可包括第一呼叫解答、取消(例如由于购买者懊悔随后取消了销售)等。

示例性模式匹配算法或基于模式匹配算法的计算机模型还可包括“杠杆”，在这个实例中为三个杠杆，用于当作出代理-呼叫者匹配时调节在模式匹配算法中三个输出变量中的每个优化的程度。这些杠杆可表示为：

L_R，L_C&L_S(0≤L_R，L_C，L_S≤1)..........................(3)

其中三个值受到限制：

L_R+L_C+L_S＝1................................................(4)

在这个特定实例中，对于模式匹配算法的每个输出变量，训练弹性反馈(RPROP)神经网络。可理解，RPROP神经网络是在神经网络架构中使用的学习启发，用于基于过去结果提供更新机制以改善算法随时间的输出。得到的神经网络评估函数(分别对于收入、成本、和满意度)可如下：

每个评估函数采用向量，包括对于一个代理和一个呼叫者的呼叫者数据和代理数据(例如统计、心理信息等)，并且将其映射至一个实数，例如：

$f_R(I_{\text{i,1}}^A,...,I_{i,P}^A,I_{j,1}^{\text{C}},...,I_{j,Q}^C)=x...\left(6\right)$

其中收入神经网络函数将第i代理和第j呼叫者的特征映射至一个实数x。

然后，可由示例性***使用上述神经网络匹配算法从可用代理和流入呼叫者确定最佳代理-呼叫者对。在一个实例中，存在可作出代理-呼叫者对决定的三类条件。他们包括

i.许多代理可用，并且呼叫者呼入(入站)，或要作出对于引导列表中的下一呼叫者的呼叫(出站)。

ii.入站呼叫被搁置，并且一个代理可用。

iii.呼叫者被搁置，并且多于一个代理可用。

呼叫中心典型地将在条件ii下运行(例如关于图4-6所述)。以下实例主要独立于上述条件，然而将假设最常用的情况iii。例如，在某些时候假设三个代理可用：

$A^{*}=\left\{a_i^{*}\right\}$ (i＝1，2，3).....................................(7)

其中空闲代理是记录在代理池中的c₁，c₂的子集：此外，假设两个呼叫者在排队。这个简单的实例提供了存在六个(3×2＝9)可能代理-呼叫者对：

$a_1^{*}\↔c_1$

$a_1^{*}\↔c_2$

$a_2^{*}\↔c_1$

$a_2^{*}\↔c_2$

$a_3^{*}\↔c_1$

$a_3^{*}\↔c_2...\left(8\right)$

示例性模式匹配算法对这六个可能进行运算，以在考虑三个杠杆设置L_R，L_C&L_S(这可通过联系路由中心针对期望输出性能而设置)时确定六个可能的最佳匹配输出。

在一个实例中，第一步是通过收入、成本、和满意度神经网络算法评估六个可能对。***查询代理数据和呼叫者数据(例如代理的和客户端的统计和心理数据)以形成长度P+Q的六个向量，并且对每个应用神经网络函数以生成六个实数。将收入作为实例，***计算：

$f_R(I_{a_{1,}^{*}1}^A,...,I_{a_{1,}^{*}P}^A,I_{c_{1,}1}^C,...,I_{c_{1,}Q}^C){=r}_{1,1}$

$f_R(I_{a_{1,}^{*}1}^A,...,I_{a_{1,}^{*}P}^A,I_{c_{2,}1}^C,...,I_{c_{2,}Q}^C){=r}_{1,2}$

$f_R(I_{a_{2,}^{*}1}^A,...,I_{a_{2,}^{*}P}^A,I_{c_{1,}1}^C,...,I_{c_{1,}Q}^C){=r}_{2,1}$

$f_R(I_{a_{2,}^{*}1}^A,...,I_{a_{2,}^{*}P}^A,I_{c_{2,}1}^C,...,I_{c_{2,}Q}^C){=r}_{2,2}$

$f_R(I_{a_{3,}^{*}1}^A,...,I_{a_{1,}^{*}P}^A,I_{c_{1,}1}^C,...,I_{c_{1,}Q}^C){=r}_{3,1}$

$f_R(I_{a_{3,}^{*}1}^A,...,I_{a_{3,}^{*}P}^A,I_{c_{2,}1}^C,...,I_{c_{2,}Q}^C){=r}_{\mathrm{3,2}}...\left(9\right)$

其中r_i，j表示对于第i代理和第j呼叫者的对的收入神经网络的输出(注意，这里的记号为表示对于代理a_i ^*的统计和心理信息)。通过相同方式，可计算六个数的集，他们称为c_i，j和s_i，j，是分别对于六个代理-呼叫者对的成本和满意度神经网络函数。

神经网络的输出的可以是任意尺度的，以将他们彼此相比较，可将他们重新缩放成共同度量。为此，在记录的代理(A)和呼叫者之间形成大量随机对(例如使用超过上述六个的呼叫者和代理)。例如，考虑先前天数，对于特定队列的呼叫中心数据可用于在代理和呼叫者之间形成几百、几千个取样、或更多个随机匹配。对于每个神经网络(例如用于收入、成本、和满意度)，评估这些随机对，并且可计算神经网络输出的结果分布的平均值和标准偏差。例如，计算六个量μ_R、σ_R、μ_C、σ_C、μ_S、σ_S，其中μ_R和σ_R是收入神经网络输出的分布的平均值和标准偏差，对于成本和满意度类似。

使用平均值和标准偏差，可对于六个代理-呼叫者对计算对于收入、成本和满意度的每个的Z分数：

$Z_{i,j}^R=\frac{r_{\mathrm{1,2}}-{\mathrm{\μ}}_R}{{\mathrm{\σ}}_R}$ (i＝1，2，3j＝1，2)

$Z_{i,j}^C=\frac{c_{\mathrm{1,2}}-{\mathrm{\μ}}_C}{{\mathrm{\σ}}_C}$ (i＝1，2，3j＝1，2)

$Z_{i,j}^S=\frac{s_{\mathrm{1,2}}-{\mathrm{\μ}}_S}{{\mathrm{\σ}}_S}$ (i＝1，2，3j＝1，2)

..................(10)

呼叫中心可希望优化输出变量的组合，如杠杆设置所表达，以确定代理-呼叫者对。可将确定的Z分数组合至合成Z分数，并由模式匹配算法使用来选择最佳代理-呼叫者对。在一个实例中，形成神经网络输出的线性组合，以得到对于每个代理与呼叫者对的一个总Z，如下：

$Z_{\mathrm{1,1}}=L_R\×Z_{\mathrm{1,1}}^R+L_C\×Z_{\mathrm{1,1}}^C+L_S\×Z_{\mathrm{1,1}}^S$

$Z_{1,2}=L_R\×Z_{1,2}^R+L_C\×Z_{1,2}^C+L_S\×Z_{1,2}^S$

$Z_{\mathrm{2,1}}=L_R\×Z_{\mathrm{2,1}}^R+L_C\×Z_{2,1}^C+L_S\×Z_{2,1}^S$

$Z_{2,2}=L_R\×Z_{2,2}^R+L_C\×Z_{2,2}^C+L_S\×Z_{2,2}^S$

$Z_{3,1}=L_R\×Z_{3,1}^R+L_C\×Z_{3,1}^C+L_S\×Z_{3,1}^S$

$Z_{3,2}=L_R\×Z_{3,2}^R+L_C\×Z_{3,2}^C+L_S\×Z_{3,2}^S...\left(11\right)$

由此，***和方法可发现i和j，为此：

Z_i，j＝Max({Z_i，j}).................................................(12)

并且将代理i与呼叫者j匹配或路由。在这个实例中，通过两个可变代理和三个排队的呼叫者，***和方法可随后将两个可用代理与三个排队呼叫者中的两个匹配并路由，选择具有最高总和Z分数的两个代理-呼叫者对。

在一个实例中，取代于选择在等式11中具有最高组合Z分数的代理-呼叫者对，该方法检查在等式11中的最高Z是否超过预设阈值Z分数，并且仅当超过时将呼叫者分配给代理。如果可用代理-呼叫者对中任一个的Z分数都没有超过阈值，则***不分配呼叫，并且进行等待，直到更多代理和/或呼叫者变得可用并且对不超过阈值。

应注意和认识到，实践中，所述三个结果变量(即收入、成本、和满意度)典型地并非独立。例如，在许多呼叫中心情况下，如处理时间所测量，收入和成本反相关，因为在呼叫上花费最久的代理倾向于具有更高销售率。因此，在一个实例中，所述杠杆设置可从考虑此的模型来确定，例如依据过去数据的基于衰退的模型，被设置以最大化用于他们交互的输出变量的组合。

此外，在某些实例中，模式匹配算法和Z分数可能受到对于呼叫者的搁置阈值的影响，例如呼叫者被搁置的时间长度，这可包括例如经由成本函数的呼叫者的痛苦阈值。例如，增加收入、顾客满意度等的可能性可基于呼叫者在路由至代理之前被搁置的等待时间而改变。例如，如果呼叫者基于搁置阈值或对于呼叫者等待时间的成本函数被搁置太久，预测的结果的可能会改变(例如在搁置一分钟之后，对于特定呼叫者的销售的可能会急剧降低)。由此，***可基于Z分数和输出变量的线性组合将呼叫者路由至其他次佳的代理匹配。例如，期望的输出可能是最大化收入，然而在呼叫者达到痛苦阈值之后，***可能通过对顾客满意度大大加权的方式路由呼叫者。

在某些实例中，呼叫者数据可能失去或不可用。例如，统计和心理数据可能对于呼叫者未知，或者可能PBX无法提供呼叫者的电话号码。在这种情况下，示例性模式匹配算法将不再执行，因为I^C值将未知。在一个实例中，算法可在等式(10)中计算Z^R、Z^C和Z^S，而根本无需参考客户端。例如，对于A中的每个代理，***可具有历史性能数据，这是与代理在历史周期(例如天的周期或多于例如30天)上处理的每个呼叫相关的收入、成本、和满意度的值。对于池中的每个代理，Z分数(分别对于收入、成本和满意表现)可计算如下：

${\stackrel{\‾}{Z}}_i^R=\frac{H_i^R-{\stackrel{\‾}{H}}^R}{\mathrm{sd}\left(H^R\right)}$

${\stackrel{\‾}{Z}}_i^C=\frac{H_i^C-{\stackrel{\‾}{H}}^C}{\mathrm{sd}\left(H^C\right)}$ (i＝1，...，N)

${\stackrel{\‾}{Z}}_i^S=\frac{H_i^S-{\stackrel{\‾}{H}}^S}{\mathrm{sd}\left(H^S\right)}...\left(13\right)$

其中H_i ^R是代理i的平均历史收入表现，和sd(H^R)分别是池中所有N个代理的历史表现的平均值和标准偏差。在呼叫者数据失去的情况下，在等式11中与该呼叫者的对具有这些使用的Z值。

由于聚集代理数据典型地在呼叫路由中心的控制下进行，失去代理数据通常不会发生。然而，在某些或所有代理数据失去的情形下，可向代理分配Z＝0值，在没有代理数据的情况下这可给出作为平均拟合的最佳估计(由于Z值的平均值为0)。

应注意，呼叫路由中心及其客户端可修改线性组合，例如，随时间改变期望输出变量的混合或加权。此外，基础Z分数可随时间被重新计算，导致对于线性组合和呼叫者路由的改变。可选地，联系中心或其客户端可控制在因特网或某些其他数据转移***上的输出变量的混合。作为实例，联系中心的客户端可访问在因特网浏览器上当前使用的输出变量的混合，并远程修改他们。这样的修改可设置为即时生效，并且在这种修改之后立即地，随后的呼叫者路由根据新建立的Z分数组合发生。这种实例的情形可引起以下情况：联系中心客户端决定目前在他们交易中最重要的策略优先级是收入的最大化。在这种情况下，客户端将远程修改组合以倾向于在给定联系中生成最大销售可能的代理的路由和匹配。随后，代理可采用顾客满意的最大化对于他们的交易最重要的观点。在这个事件中，他们可远程修改组合，从而将呼叫者路由至代理，以最大可能地最大化他们的满意水平。备选地，可设置改变在随后时间(例如开始下一早晨时)生效。

根据这里所述的示例性***和方法的另一方面，可向联系中心以及他们的客户端提供视觉计算机接口和可打印报告，允许他们实时地或基于过去表现监视代理与呼叫者匹配的统计，测量所实现的最佳交互相对于计算机模型预测的交互，以及使用这里所述方法的实时或过去表现的任意其他测量。也可向联系中心或联系中心客户端提供改变最佳交互的权重的视觉计算机接口，从而如上所述他们可在未来实时地或在预定时间监视或改变权重。

这里所述的许多技术可在硬件或软件、或两者组合中实现。优选地，所述技术在可编程计算机上执行的计算机程序中实现，所述可编程计算机分别包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)、和适合的输入和输出设备。程序代码应用于使用输入设备录入的数据，以执行所述的功能和生成输出信息。输出信息应用于一个或多个输出设备。此外，每个程序优选地通过高级过程或面向对象编程语言实现以与计算机***进行通信。然而，如果期望，程序可通过汇编或机器语言实现。在任意情况下，语言可以是编译或解释性语言。

每个这样的计算机程序优选地存储在通过通用或专用可编程计算机可读的存储介质或设备(例如CD-ROM、硬盘或磁盘)上，用于当计算机读取存储介质或设备时配置和操作计算机以执行所述过程。***也可实现为配置有计算机程序的计算机可读存储介质，其中当存储介质如此配置时使得计算机通过特定和预定的方式运行。

图9示出可用于实现本发明某些实施例中的处理功能的典型计算***900。这种计算***可用于例如客户端和服务器中。相关领域普通技术人员还将认识到如何使用其他计算机***或架构实现本发明。计算***900可表示例如桌面型、膝上型或笔记本型计算机、手持计算设备(PDA、手机、掌机等)、主机、服务器、客户端、或可期望或适用于给定应用或环境的专用或通用计算设备。计算***900可包括一个或多个处理器，例如处理器904。处理器904可使用例如微处理器、微控制器或其他控制逻辑的通用或专用处理引擎。在这个实例中，处理器904连接至总线902或其他通信介质。

计算***900还可包括主存储器908，例如随机存取存储器(RAM)或其他动态存储器，用于存储由处理器904执行的信息和指令。主存储器908也可用于在由处理器904执行指令期间存储临时变量或其他中间信息。计算***900可同样包括耦合至总线902的只读存储器(“ROM”)或其他静态存储设备，用于存储对于处理器904的静态信息和指令。

计算***900也可包括信息存储***910，其可包括例如介质驱动器912和可移动存储接口920。介质驱动器912可包括支持固定或可移动存储介质的驱动器或其他机制，例如硬盘驱动器、软盘驱动器、磁带驱动器、光谱驱动器、CD或DVD驱动器(R或RW)、或其他可移动或固定介质驱动器。存储介质918可包括例如硬盘、软盘、磁带、光盘、CD或DVD、或通过介质驱动器912读取和写入的其他固定或可移动介质。如这些实例所示，存储介质918可包括其中存储特定计算机软件或数据的计算机可读存储介质。

在备选实施例中，信息存储***910可包括其他类似组件，用于允许计算机程序或其他指令或数据加载至计算***900中。这种组件可包括例如可移动存储单元922和接口920，例如程序盒和盒接口、可移动存储器(例如闪速存储器或其他可移动存储模块)和存储器槽、和其他可移动存储单元922和接口920(其允许软件和数据从可移动存储单元918传送至计算***900)。

计算***900也可包括通信接口924。通信接口924可用于允许在计算***900和外部设备之间传送软件和数据。通信接口924的实例可包括调制解调器、网络接口(例如以太网或其他NIC卡)、通信端口(例如USB端口)、PCMCIA槽和卡等。经由通信接口924传送的软件和数据具有信号的形式，可以是能够由通信接口924接收的电、电磁、光或其他信号。这些信号经由信道928提供至通信接口924。这个信道928可承载信号，以及可使用无线介质、有线或电缆、光纤或其他通信介质实现。信道的某些实例包括电话线、蜂窝电话线、RF链路、网络接口、局域网或广域网、和其他通信信道。

在本文档中，术语“计算机程序产品”、“计算机可读介质”等可一般地表示物理、有形介质，例如存储器908、存储介质918、或存储单元922。可包含计算机可读介质的这些和其他形式，以存储在处理器904所使用的一个或多个指令，使得处理器执行特定操作。这种指令，通常称为“计算机程序代码”(可通过计算机程序的形式分组或其他分组)，当执行时使得计算***900能够执行本发明的实施例的特征或功能。应注意，代码可使得处理器直接执行专用操作，被编译执行此操作，和/或与其他软件、硬件、和/或固件元素(例如执行标准功能的库)组合以执行此操作。

在使用软件实现元素的实施例中，可将软件存储在计算机可读介质中，并且使用例如可移动存储介质918、驱动器912或通信接口924加载至计算***900中。控制逻辑(在这个实例中，软件指令或计算机程序代码)，当由处理器904执行时，使得处理器904执行所述本发明的功能。

可理解，为了简明，以上说明书参照不同功能单元和处理器描述了本发明的实施例。然而，明显地，可在不偏离本发明的情况下，使用不同功能单元、处理器或域之间的功能的任意适当分布。例如，示出为通过分离的处理器或控制器执行的功能可通过相同处理器或控制器执行。因此，对于特定功能单元的引用仅被看作用于提供所述功能的适当装置的引用，并非表示严格的逻辑或物理结构或组织。

本发明的上述实施例仅意味着示例性，而非限制性。在不脱离本发明的更广泛意义的情况下可作出各种改变和修改。所附权利要求包含在本发明的精神和范围内的这种改变和修改。

Claims (28)

1.一种在呼叫中心路由环境中将呼叫者路由至代理的方法，该方法包括以下操作：

由一个或多个计算机识别对于呼叫者集的每一个呼叫者的呼叫者数据，所述呼叫者数据包括从呼叫者的人口统计数据和心理数据中选择的两个或更多个数据单元；

由所述一个或多个计算机识别对于代理集的代理数据，所述代理数据包括从所述代理的人口统计数据和心理数据中选择的两个或更多个数据单元；

由所述一个或多个计算机，至少部分地基于所述人口统计数据和心理数据，使用模式匹配算法来将所述代理集的每一代理匹配到所述呼叫者集的每一呼叫者，并且确定针对每一匹配的对于最佳交互的可能性分数；以及

由所述一个或多个计算机，至少部分地基于从所述模式匹配算法获得的可能性分数，致使所述呼叫者集的呼叫者中的一个呼叫者被移到队列中，或被移到池中，或被移到队列中的不同位置，或从一个队列被移动到不同队列中，或从一个呼叫者池被移动到不同呼叫者池中。

2.如权利要求1所述的方法，进一步包括，通过对照针对相应匹配的代理数据和呼叫者数据比较多个呼叫者-代理匹配的实际结果，以改进对于最佳交互的呼叫者中的确定的呼叫者与代理中的确定的代理的匹配，来创建或细化用于使用所述模式匹配算法获得所述最佳交互的模型。

3.如权利要求1所述的方法，其中所述致使步骤至少部分地基于从所述模式匹配算法获得的可能性分数将所述呼叫者中的一个移到至不同队列。

4.如权利要求1所述的方法，其中所述致使步骤至少部分地基于从所述模式匹配算法获得的可能性分数将所述呼叫者中的一个移到至不同呼叫者池。

5.如权利要求1所述的方法，其中所述呼叫者集排成队列，并且所述一个呼叫者被所述一个或多个计算机至少部分地基于对于与所述呼叫者的匹配的相应可能性分数在所述队列中无序地连接到所述代理中的一个代理。

6.如权利要求1所述的方法，进一步包括：当呼叫者-代理对具有最佳可能性分数时，由所述一个或多个计算机将所述呼叫者集中的呼叫者中给定的一个呼叫者路由至所述代理中的一个代理。

7.如权利要求1所述的方法，还包括：由所述一个或多个计算机将给定的呼叫者添加到队列，所述队列进行操作以当对于所述给定的呼叫者的搁置阈值被超出时基于队列顺序将呼叫者与下一可用代理匹配。

8.如权利要求7所述的方法，其中对于所述给定的呼叫者的相应搁置阈值可通过所述给定的呼叫者调节。

9.如权利要求1所述的方法，其中所述最佳交互是收入生成。

10.如权利要求1所述的方法，其中所述最佳交互是由所述一个或多个计算机使用成本函数减少成本。

11.如权利要求1所述的方法，其中所述最佳交互是限制呼叫的持续时间。

12.如权利要求1所述的方法，进一步包括：

由所述一个或多个计算机从呼叫者与代理之间的一个或多个历史联系访问对于所述最佳交互的结果数据；以及

由所述一个或多个计算机基于所述结果数据修改所述模式匹配算法。

13.如权利要求1所述的方法，其中由所述一个或多个计算机识别所述代理集的代理数据包括：人口统计数据和心理数据的三个数据单元。

14.如权利要求1所述的方法，进一步包括：

由所述一个或多个计算机使用所述模式匹配算法以获得针对多个匹配中的每一个的对于多个不同交互类型的相应可能性分数；

由所述一个或多个计算机基于一个或多个标准加权对于所述多个不同交互类型的可能性分数；

对于多个相应匹配中的每一个，使用所述一个或多个计算机将加权的可能性分数加在一起，以获得对于相应匹配的合成分数；以及

由所述一个或多个计算机，至少部分地基于所述合成分数，致使所述呼叫者集的呼叫者中的一个呼叫者被移到队列中，或被移到池中，或被移到队列中的不同位置，或从一个队列被移动到不同队列中，或从一个呼叫者池被移动到不同呼叫者池中。

15.一种在呼叫中心环境中将呼叫者路由至代理的***，该***包括：

用于由一个或多个计算机识别对于呼叫者集的每一个呼叫者的呼叫者数据的装置，所述呼叫者数据包括从呼叫者的人口统计数据和心理数据中选择的两个或更多个数据单元；

用于由所述一个或多个计算机识别对于代理集的代理数据的装置，所述代理数据包括从所述代理的人口统计数据和心理数据中选择的两个或更多个数据单元；

用于由所述一个或多个计算机，至少部分地基于所述人口统计数据和心理数据，使用模式匹配算法来将所述代理集的每一代理匹配到所述呼叫者集的每一呼叫者，并且确定针对每一匹配的对于最佳交互的可能性分数的装置；以及

用于由所述一个或多个计算机，至少部分地基于从所述模式匹配算法获得的可能性分数，致使所述呼叫者集的呼叫者中的一个呼叫者被移到队列中，或被移到池中，或被移到队列中的不同位置，或从一个队列被移动到不同队列中，或从一个呼叫者池被移动到不同呼叫者池中的装置。

16.如权利要求15所述的***，进一步包括：用于通过对照针对相应匹配的代理数据和呼叫者数据比较多个呼叫者-代理匹配的实际结果，以改进对于最佳交互的呼叫者中的确定的呼叫者与代理中的确定的代理的匹配，来创建或细化用于使用所述模式匹配算法获得所述最佳交互的模型的装置。

17.如权利要求15所述的***，其中所述用于致使的装置至少部分地基于从所述模式匹配算法获得的可能性分数将所述呼叫者中的一个移到至不同队列。

18.如权利要求15所述的***，其中所述用于致使的装置至少部分地基于从所述模式匹配算法获得的可能性分数将所述呼叫者中的一个移到至不同呼叫者池。

19.如权利要求15所述的***，其中所述呼叫者集排成队列，并且所述一个呼叫者被所述一个或多个计算机至少部分地基于对于与所述呼叫者的匹配的相应可能性分数在所述队列中无序地连接到所述代理中的一个代理。

20.如权利要求15所述的***，进一步包括：用于当呼叫者-代理对具有最佳可能性分数时，由所述一个或多个计算机将所述呼叫者集中的呼叫者中给定的一个呼叫者路由至所述代理中的一个代理的装置。

21.如权利要求15所述的***，进一步包括：用于由所述一个或多个计算机将给定的呼叫者添加到队列的装置，所述队列进行操作以当对于所述给定的呼叫者的搁置阈值被超出时基于队列顺序将呼叫者与下一可用代理匹配。

22.如权利要求21所述的***，其中对于所述给定的呼叫者的相应搁置阈值可通过所述给定的呼叫者调节。

23.如权利要求15所述的***，其中所述最佳交互是收入生成。

24.如权利要求15所述的***，其中所述最佳交互是由所述一个或多个计算机使用成本函数减少成本。

25.如权利要求15所述的***，其中所述最佳交互是限制呼叫的持续时间。

26.如权利要求15所述的***，进一步包括：

用于由所述一个或多个计算机从呼叫者与代理之间的一个或多个历史联系访问对于所述最佳交互的结果数据的模块；以及

用于由所述一个或多个计算机基于所述结果数据修改所述模式匹配算法的装置。

27.如权利要求15所述的***，其中由所述一个或多个计算机识别所述代理集的代理数据包括：人口统计数据和心理数据的三个数据单元。

28.如权利要求15所述的***，进一步包括：

用于由所述一个或多个计算机使用所述模式匹配算法以获得针对多个匹配中的每一个的对于多个不同交互类型的相应可能性分数的装置；

用于由所述一个或多个计算机基于一个或多个标准加权对于所述多个不同交互类型的可能性分数的装置；

用于对于多个相应匹配中的每一个，使用所述一个或多个计算机将加权的可能性分数加在一起，以获得对于相应匹配的合成分数的装置；以及

用于由所述一个或多个计算机，至少部分地基于所述合成分数，致使所述呼叫者集的呼叫者中的一个呼叫者被移到队列中，或被移到池中，或被移到队列中的不同位置，或从一个队列被移动到不同队列中，或从一个呼叫者池被移动到不同呼叫者池中的装置。