CN108476230A - 基于机器学习的交互到联络中心代理的最优路由 - Google Patents
基于机器学习的交互到联络中心代理的最优路由 Download PDFInfo
- Publication number
- CN108476230A CN108476230A CN201680074593.3A CN201680074593A CN108476230A CN 108476230 A CN108476230 A CN 108476230A CN 201680074593 A CN201680074593 A CN 201680074593A CN 108476230 A CN108476230 A CN 108476230A
- Authority
- CN
- China
- Prior art keywords
- agency
- interaction
- client
- candidate
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 277
- 238000010801 machine learning Methods 0.000 title description 4
- 230000006870 function Effects 0.000 claims description 58
- 230000002452 interceptive effect Effects 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 41
- 230000036651 mood Effects 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 17
- HRANPRDGABOKNQ-ORGXEYTDSA-N (1r,3r,3as,3br,7ar,8as,8bs,8cs,10as)-1-acetyl-5-chloro-3-hydroxy-8b,10a-dimethyl-7-oxo-1,2,3,3a,3b,7,7a,8,8a,8b,8c,9,10,10a-tetradecahydrocyclopenta[a]cyclopropa[g]phenanthren-1-yl acetate Chemical group C1=C(Cl)C2=CC(=O)[C@@H]3C[C@@H]3[C@]2(C)[C@@H]2[C@@H]1[C@@H]1[C@H](O)C[C@@](C(C)=O)(OC(=O)C)[C@@]1(C)CC2 HRANPRDGABOKNQ-ORGXEYTDSA-N 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 description 151
- 238000004422 calculation algorithm Methods 0.000 description 46
- 230000006978 adaptation Effects 0.000 description 30
- 238000004891 communication Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 21
- 238000003860 storage Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 238000001914 filtration Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 229910052737 gold Inorganic materials 0.000 description 5
- 239000010931 gold Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 229910052709 silver Inorganic materials 0.000 description 4
- 239000004332 silver Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000000699 topical effect Effects 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 229910000906 Bronze Inorganic materials 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000010974 bronze Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001632414 Meum Species 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011844 contact investigation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
- H04M3/5232—Call distribution algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/63—Routing a service request depending on the request content or context
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/40—Support for services or applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/53—Network services using third party service providers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
- H04M3/5232—Call distribution algorithms
- H04M3/5233—Operator skill based call distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2203/00—Aspects of automatic or semi-automatic exchanges
- H04M2203/40—Aspects of automatic or semi-automatic exchanges related to call centers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2203/00—Aspects of automatic or semi-automatic exchanges
- H04M2203/40—Aspects of automatic or semi-automatic exchanges related to call centers
- H04M2203/401—Performance feedback
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
- H04M3/5238—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing with waiting time or load prediction arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Human Resources & Organizations (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Telephonic Communication Services (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于将交互路由到联络中心代理的***。更具体地,该***适用于识别将被路由的交互,并且根据用于产生一个或多个候选代理的一个或多个限制识别代理组。该***还适用于收集围绕候选代理的上下文数据。对候选代理中的每一个代理,该***适用于估计通过将交互路由到代理将获得的期望值。该***进一步适用于根据所述估计选择候选代理中的特定代理,并向路由装置发送信号以将交互路由到特定代理。
Description
背景技术
有效的联络中心操作的一个重要方面在于将正确的客户交互路由到正确的联络中心代理。这种交互可以包括电话呼叫、电子邮件、文本消息、聊天消息以及类似交互。识别最佳代理有助于服务两个目的:(i)为呼叫者提供好的体验;和(ii)降低成本和/或提高业务收入。客户联络中心(CC)传统上使用基于技能的路由来路由客户交互。在传统的基于技能的路由中,代理的技能是确定代理是否有能力处理特定交互所要考虑的主要因素之一。技能可以与代理的语言熟练度、销售技能、认证和类似方面相关。在这种基于技能路由的传统方法中,为代理生成明确的技能模型,并且该技能模型与预设的路由策略一起使用以将交互映射到代理。
使用明确的技能模型的基于技能的传统路由的一个缺点是该模型通常是静态的且不能基于环境的实时变化动态地适应。基于技能的传统匹配也经常产生被认为具有相应技能的相对大的代理池。基于技能的传统模型的另一个缺点是他们需要人力来构建和维护。因此,技能模型越改进,它的成本越高。因此,期望有一种用于将客户交互匹配到代理的***和方法,以使这些连接比根据仅基于技能的传统路由的匹配更优,其中所述匹配可以使用可以通过最小的人力构建和/或维护的模型完成。
发明内容
根据一个实施例,本发明涉及一种通过处理器和其中存储有指令的内存适用于将交互路由到联络中心代理的***。更具体地,该***适用于识别将被路由的交互,并且根据用于产生一个或多个候选代理的一个或多个限制识别代理组。***还适用于收集围绕候选代理的上下文数据。对于候选代理中的每一个代理,***适用于估计通过将交互路由到代理获得的期望值。***进一步适用于根据所述估计选择候选代理的特定代理,并且向路由装置发送信号以将交互路由到特定代理。
根据一个实施例,一个或多个限制是用于处理多个交互的技能。
根据一个实施例,期望值根据候选代理的配置文件、与交互相关联的客户的配置文件以及交互的意图计算。
根据一个实施例,候选代理中的每一个的配置文件包括动态添加的技能。动态添加的技能可以被忽略或映射到另一个技能,以用于计算期望值。
根据一个实施例,熟练等级与技能相关联。熟练等级可以根据对候选代理中的每一个的呼叫转接的分析调整。
根据一个实施例,候选代理的配置文件包括在处理交互中代理中的每一个的偏好,并且根据相应的代理的偏好为候选代理中的一个或多个生成路由提议。
根据一个实施例,与多个交互相关联的候选代理和客户被建模为代理与客户网络。代表候选代理中的一个的节点与代表客户中的一个节点之间的连接可以表示候选代理中的所述一个与客户中的所述一个之间的配合。
根据一个实施例,所述***进一步适用于确定与将被路由的交互相关联的客户与特定代理的配合程度。在确定所述配合时,***可以被适用于预测在客户与特定代理之间的交互期间预期的情绪。
根据一个实施例,期望值被建模为具有置信上界的标准正态分布,并且***被适用于选择与具有最高置信上界的期望值相关联的代理。
根据一个实施例,对与最高置信上界相关联的代理的选择平衡探索和利用的需求。根据一个实施例,通过选择被认为次优的代理满足探索需求,并且通过选择最大化期望值的代理满足利用需求。
根据一个实施例,在选择特定代理中,***被适用于同时识别等待被路由的多个交互,其中多个交互包括将被路由的交互,并且为多个交互选择联络中心代理。
根据一个实施例,***被适用于估计将多个交互中的每一个路由到联络中心代理中的每一个所获得的所述期望值。
根据一个实施例,***被适用于计算与联络中心代理中的每一个相关联的预测等待时间,其中针对联络中心代理中的特定的一个的期望值是多个代理中的特定的一个的预测等待时间的函数。
根据一个实施例,交互为实时交互。
本发明的上述和其它特征、方面和优点将参照以下详细说明、权利要求以及附图得到更好的理解。当然,本发明的实际范围将通过权利要求限定。
根据一个实施例,本发明涉及一种通过处理器和其中存储有指令的内存适用于将交互路由到联络中心代理的***。更具体地,该***适用于识别将被路由的交互,并根据用于产生一个或多个候选代理的一个或多个限制识别第一代理组。***适用于收集候选代理中的每一个的偏好,收集交互的上下文,并且根据收集的偏好和上下文从一个或多个候选代理识别第二代理组。***进一步适用于调用第二组中的每个代理为交互进行投标。***还适用于接收来自第二组中的特定代理的投标,并响应于接收的投标,发送信号以将交互路由到特定代理。
根据一个实施例,交互为实时交互。
根据一个实施例,对候选代理中的每一个,***被适用于估计通过将交互路由到代理获得的预期值,并且根据估计选择候选代理中的特定代理。预期值可以是代理满意度值。
根据一个实施例,偏好与交互的属性相关。属性可以是交互的上下文。
根据一个实施例,偏好与代理技能相关。代理技能可以是被标记为代理偏好的自我评估的代理技能。
根据一个实施例,偏好与时限相关联,在时限之后偏好过期。
根据一个实施例,***进一步被适用于从第二组中的第二代理接收与来自特定代理的投标同时发生的第二投标;和使用用于将交互分配到特定代理的打破关联程序。打破关联路由可以包括确定通过特定代理和第二代理积累的投标积分量。
根据一个实施例,***被适用于根据与候选代理中的每一个相关联的代理状态识别第二组。
根据一个实施例,交互与投标积分相关联,并且***被适用于在完成交互时为特定代理分配投标积分。
在一个实施例中,与交互相关联的一个或多个候选代理和客户被建模为代理与客户网络,其中代表候选代理中的一个的节点与代表客户的节点之间的连接被表示为候选代理中的一个与客户之间的配合。
根据一个实施例,在识别第二代理组中,***进一步被适用于确定客户与第二代理组的配合程度。在确定配合中,***可以被适用于预测在客户与第二代理中的每一个之间的交互期间期望的情绪。
根据一个实施例,一个或多个限制为用于处理多个交互的技能和可用性。
本发明的上述和其它特征、方面和优点将参照以下详细说明、权利要求以及附图得到更好的理解。当然,本发明的实际保护范围将通过权利要求限定。
根据一个实施例,本发明涉及一种通过处理器和其中存储有指令的内存适用于将交互路由到联络中心代理的***。更具体地,该***适用于识别代理与客户网络。网络的每个节点表示代理或客户,并且响应于识别客户与代理之间的配合在代表代理的节点与代表客户的节点之间建立连接。该***适用于识别将被路由的当前交互,根据用于产生一个或多个候选代理的一个或多个限制识别第一代理组,并且根据代理与客户网络确定当前客户与候选代理中的每一个之间的配合。该***进一步适用于选择候选代理中的具有最佳配合的特定代理,和发送信号以将当前交互路由到特定代理。
根据一个实施例,在确定配合中,***被适用于预测当前交互期间期望的情绪。
根据一个实施例,在预测情绪中,***进一步适用于分析多个先前交互中的每一个的内容。对先前交互中的每一个,***还被适用于识别来自分析的内容的情绪,学习产生识别的情绪的代理属性或客户属性,和根据学习的属性为当前交互识别期望的情绪。
根据一个实施例,当前客户与候选代理中的特定代理之间的配合是基于与特定代理的属性相容的客户属性。
根据一个实施例,特定代理的属性包括代理的技能,代理的技能响应于分别检测到特定主题的交互的增加和减少动态地添加和删除。
根据一个实施例,特定代理和当前客户的属性被分别存储在代理配置文件记录和客户配置文件记录中。
根据一个实施例,当前客户的属性从客户与自动应答***的交互获得。
根据一个实施例,当前客户与候选代理中的每一个之间的配合程度是基于当前客户与候选代理中的每一个之间的先前交互。
根据一个实施例,配合被表示为指示当前客户与候选代理中的每一个之间的配合程度的数值。数值可以是基于作为当前客户与候选代理中的每一个之间的先前交互的结果获得的值。
根据一个实施例,数值可以是基于作为将当前交互路由到候选代理中的每一个的结果所获得的每一个期望值。
根据一个实施例,期望值根据候选代理中的每一个的配置文件、当前客户的配置文件以及当前交互的意图计算。
根据一个实施例,候选代理中的每一个的配置文件包括在处理交互中代理的偏好。该***适用于根据相应代理的偏好为多个候选代理中的一个或多个生成路由提议。
根据一个实施例,候选代理中的每一个的配置文件包括动态添加的技能。动态添加的技能可以被忽略或映射到另一个技能以计算所述期望值。
根据一个实施例,熟练等级与技能相关联。熟练等级可以根据候选代理中的每一个的呼叫转接的分析进行调整。
根据一个实施例,交互为实时交互。
根据一个实施例,一个或多个限制为用于处理多个交互的技能。
根据一个实施例,本发明涉及一种适用于通过处理器和其中存储有指令的内存将交互路由到联络中心代理的***。更具体地,该***适用于同时识别等待被路由的多个交互,并且识别可以用于处理多个交互的多个候选代理。该***还被适用于计算与候选代理中的每一个相关联的预测等待时间。对多个候选代理中的每一个代理,该***被适用于估计通过将多个交互中的每一个路由到代理所获得的期望值。根据一个实施例,期望值是预测等待时间的函数。该***进一步被适用于根据估计的回报将多个交互中的每一个分配到多个候选代理中的一个,并且向路由装置发送信号以将多个交互中的每一个路由到分配到交互的代理。
根据一个实施例,交互为实时交互。
根据一个实施例,预测等待时间是基于相应代理的当前状态。
根据一个实施例,状态指示代理是否可用于处理交互。
根据一个实施例,预测等待时间是基于预测的客户耐心阈值,客户耐心阈值表示放弃交互之前客户将等待的时长。
根据一个实施例,期望值根据折扣系数进行折扣,其中折扣系数根据预测等待时间计算。
根据一个实施例,如果候选代理中的特定的一个当前不可用且等待时间超出预测的客户耐心阈值,则通过将交互中的特定的一个路由到候选代理中的特定的一个获得的期望值被计算为0。
根据一个实施例,期望值被建模为具有置信上界的标准正态分布。
根据一个实施例,期望值根据多个候选代理的配置文件、与多个交互相关联的客户的配置文件以及多个交互中的每一个的意图计算。
根据一个实施例,多个候选代理中的每一个的配置文件包括动态添加的技能。动态添加的技能可以被忽略或映射到另一个技能以计算期望值。
根据一个实施例,熟练等级与技能相关联。熟练等级可以根据对多个候选代理中的每一个的呼叫转接的分析进行调整。
根据一个实施例,多个候选代理的配置文件包括在处理交互中代理中的每一个的偏好,并且该***适用于根据相应的代理的偏好为多个候选代理中的一个或多个生成路由提议。
根据一个实施例,多个候选代理和与多个交互相关联的客户被建模为代理与客户网络。代表候选代理中的一个的节点与代表客户中的一个的节点之间的连接可以表示候选代理中的所述一个与客户中的所述一个之间的配合。
根据一个实施例,在将多个交互中的每一个分配到多个候选代理中的一个中,该***进一步被适用于确定与交互中的特定的一个相关联的客户与多个候选代理中的所述一个的配合程度。
根据一个实施例,在确定客户与多个候选代理中的所述一个的配合程度中,该***被适用于预测在客户与多个候选代理中的所述一个之间的交互期间期望的情绪。
根据一个实施例,***进一步被适用于识别一个或多个限制,其中多个候选代理被认为满足所述一个或多个限制。一个或多个限制可以为用于处理多个交互的技能。
根据一个实施例中,在将多个交互中的每一个分配到多个候选代理中的一个中,该***进一步被适用于从分配中查找最大化总期望值的分配。
本发明的上述和其它特征、方面和优点将参照以下详细说明、权利要求以及附图得到更好的理解。当然,本发明的实际保护范围将通过权利要求限定。
附图说明
图1为根据本发明的一个示例性实施例的用于支持联络中心提供联络中心服务的***的示意性框图;
图2为根据本发明的一个实施例的图1中的路由服务器的更详细的框图;
图3为根据本发明的一个实施例的图2中的回报最大化模块的示意性布局图;
图4A和4B为根据本发明的一个实施例的示例性贝尔曲线(bell curve)建模回报估计的曲线图;
图5为根据本发明的一个实施例的由用于根据检测的实际交互中的变化动态调整联络中心操作的适配模块执行的过程的流程图;
图6为根据本发明的一个实施例的可以通过适配模块填充的呼叫分配表的总体布局图;
图7为根据本发明的一个实施例的示例性呼叫转移图;
图8为示出为了更好的交互-代理匹配可以通过替换的回报最大化模块开发机会窗口的时序图;
图9为根据本发明的一个实施例的代理投标模块的示意性布局图;
图10为根据本发明的一个实施例的同时为多个交互查找最优代理分派的过程的流程图;
图11A为根据本发明的一个实施例的计算装置的框图;
图11B为根据本发明的一个实施例的计算装置的框图;
图11C为根据本发明的一个实施例的计算装置的框图;
图11D为根据本发明的一个实施例的计算装置的框图;以及
图11E为根据本发明的一个实施例的包括多个计算装置的网络环境的框图。
具体实施方式
概括而言,本发明的实施例涉及用于客户交互(iXn)的优化路由的***和方法,其旨在与仅基于技能的传统路由相比更好地满足联络中心、代理和/或客户的实时需求或期望。这种优化的路由应当有助于提高商业价值、降低联络中心成本和/或降低代理和客户在实现期望目标中的工作强度。该优化的路由还通过允许联络中心的技术资源(例如,自动语音应答***、电信端口和/或类似资源)更有效的使用而带来电信领域中的技术进步。例如,客户交互的优化路由可以提高第一呼叫解决率,从而最小化使用联络中心的技术资源的重复呼叫。
根据一个实施例,客户交互的优化路由考虑客户配置文件、客户意图、代理配置文件、代理偏好、业务目标、客户目标、当前交互数据、跨信道交互历史、联络中心统计、代理和客户的性格和行为、预测的客户情绪和/或实际代理表现结果中的一个或多个,以最优地连接客户和代理。当交互完成后接收到反馈时,所述***进入机器学习以改进未来交互的路由。
图1为根据本发明的一个示例性实施例的用于支持联络中心提供联络中心服务的***的示意性框图。联络中心可以是企业或公司的内部设施,用于在执行与通过该企业可获得的产品和服务相关的销售和服务的功能中服务该企业。在另一方面中,联络中心可以是第三方服务提供商。联络中心可以部署在专用于该企业或第三方服务提供商的设备中和/或部署在远程计算环境(例如,具有用于支持用于多个企业的多个联络中心的基础设施的私人或公共的云环境)中。联络中心***的多个部件还可以被分散在多个地理位置和计算环境,而非必须包含在单个位置、计算环境或者甚至计算装置中。
根据一个示例性实施例,联络中心***管理资源(例如,人员、计算机和电信设备),以能够通过电话或其它通信机制实现服务传送。这些服务可以根据联络中心类型变化,并且范围可以从客户服务到帮助台、紧急响应、电话营销、订单处理以及类似服务。
期望从联络中心接收服务的客户、潜在客户或其他终端用户(统称为客户)可以通过他们的终端用户装置10a-10c(统一标记为10)发起到联络中心的入站电话呼叫。终端用户装置10中的每一个可以是本领域中的传统通信装置,例如电话、无线电话、智能手机、个人计算机、电子平板和/或类似装置。操作终端用户装置10的用户可以发起、管理以及响应电话呼叫、电子邮件、聊天、文本消息、网页浏览器会话以及其他多媒体交易。
来自终端用户装置10的入站电话呼叫和到达终端用户装置10的出站电话呼叫可以依据正在使用的装置的类型穿过电话、蜂窝电话和/或数据通信网络14。例如,通信网络14可以包括私人或公共交换电话网络(PSTN)、局域网(LAN)、专用广域网(WAN)和/或公共广域网诸如,例如因特网。通信网络14还可以包括承载网络,包括码分多址(CDMA)网络、全球移动通信***(GSM)网络或本领域中常用的任何无线网络/技术,包括但不限于3G、4G、LTE以及类似网络。
根据一个示例性实施例,联络中心包括连接到通信网络14以用于接收并传送终端用户和联络中心之间的电话呼叫的交换机/媒体网关12。交换机/媒体网关12可以包括配置为用作用于该中心内的代理层路由的中心交换机的电话交换机。所述交换机可以是硬件交换***或通过软件实现的软件交换机。例如,交换机12可以包括自动呼叫分配器、专用小交换机(PBX)、基于IP的软件交换机和/或被配置为从客户接收来自因特网的呼叫、和/或来自电话网络的呼叫并将这些呼叫路由到例如代理电话装置的任何其它交换机。在本示例中,交换机/媒体网关通过建立例如客户的电话线和代理的电话线之间的连接在呼叫客户和代理电话装置之间建立语音路径(图中未示出)。
根据本发明的一个示例性实施例,交换机连接到呼叫服务器18,呼叫服务器18可以例如用作交换机与联络中心的路由、监控和其他呼叫处理部件的其余部分之间的适配器或端口。
呼叫服务器18可以被配置为处理PSTN呼叫、VoIP呼叫以及类似呼叫。例如,呼叫服务器18可以包括用于处理SIP呼叫的会话发起协议(SIP)服务器。根据一些示例性实施例,呼叫服务器18可以例如提取与客户交互相关的数据,例如呼叫者的电话号码(通常称为自动号码识别(ANI)号码)、或客户的互联网协议(IP)地址、或电子邮件地址相关的数据,并且与其它CC部件和/或正在处理呼叫的CC iXn服务器25通信。
根据本发明的一个示例性实施例,所述***还包括交互式媒体应答(IMR)服务器34,IMR服务器34还可以被称为自助***、虚拟助手或类似名称。IMR服务器34可以类似于交互式语音应答(IVR)服务器,但是IMR服务器并不限于语音,还可以涵盖包括语音在内的多种媒体信道。然而,以语音作为实例,IMR服务器可以用IMR脚本配置以按照客户的需求查询呼叫客户。例如,如果呼叫者希望获得账户余额,则银行的联络中心可以通过IMR脚本告诉他们“按1”。如果是这种情况,则通过与IMR的持续交互,客户可以完成服务而不需要与代理对话。IMR服务器34还可以询问开放的问题,例如“需要我帮助吗?”,客户可以说话或以其他方式输入联系联络中心的原因。客户的应答随后可以被路由服务器20使用,以将该呼叫路由到适当的联络中心资源。
如果呼叫将被路由到代理,则呼叫服务器18与路由服务器20交互以查找用于处理该呼叫的适当代理。用于路由入站呼叫的适当代理的选择可以根据例如路由服务器20所使用的路由策略,并且进一步根据与代理可用性、技能和通过例如统计服务器22提供的其他路由参数相关的信息。
在一些实施例中,路由服务器20可以查询客户数据库,所述客户数据库存储与现有客户相关的信息,例如联系信息、服务水平协议(SLA)要求、先前客户联系以及通过联络中心执行的用以解决任何客户问题的动作的性质以及类似信息。数据库可以是例如Cassandra或任何noSQL数据库,并且可以存储在大容量存储装置30中。该数据库还可以是SQL数据库且可以通过任何数据库管理***进行管理,所述数据库管理***例如为Oracle、IBM DB2、Microsoft SQL Server、Microsoft Access、PostgreSQL、MySQL、FoxPro以及SQLite。路由服务器20可以通过ANI或通过IMR服务器34收集的任何其他信息从客户数据库查询客户信息。
一旦适当的代理可用于处理呼叫,在呼叫者与所识别的代理的代理装置38a-38c(统称为38)之间建立连接。还可以将(例如,通过与IMR服务器34的交互)收集的与该呼叫者相关的信息和/或该呼叫者的历史信息提供给代理装置,以帮助代理更好地服务呼叫。就此而言,每个代理装置38可以包括适用于常规电话呼叫、VoIP呼叫以及类似呼叫的电话。代理装置38还可以包括计算机,所述计算机用于与联络中心的一个或多个服务器通信并执行与联络中心操作相关联的数据处理,并且所述计算机用于通过语音和其他多媒体通信机制与客户连接。
联络中心***还可以包括用于与终端用户装置10和/或网络服务器32进行媒体交互而非语音交互的多媒体/社交媒体服务器24。媒体交互可以涉及例如电子邮件、语音邮件(通过电子邮件发送语音邮件)、聊天、视频、文本消息、网页、社交媒体、共同浏览以及类似媒体。网络服务器32可以包括例如多种已知社交网站的社交网站主机,终端用户可以订阅所述社交网站例如脸书、推特以及类似网站。网络服务器还可以为由联络中心支持的企业提供网页。终端用户可以浏览网页并获取与企业的产品和服务相关的信息。网页还可以提供用于联系该联络中心的方法,例如通过网页聊天、语音呼叫、电子邮件、网页实时通信(WebRTC)或类似方法联系。
根据本发明的一个示例性实施例,除了实时交互,可延迟(也被称为后台或离线)交互/活动也可以被路由到联络中心代理。这种可延迟活动可以包括例如回复电子邮件、回复信件、参加培训研讨会或者不需要与客户进行实时通信的任何其它活动。就此而言,交互服务器25与路由服务器20交互,以选择用于处理活动的适当代理。一旦分配到代理,该活动可以被推送到代理,或者可以作为要由该代理完成的任务出现在代理的工作框26a-26c(统称为26)中。代理的工作框可以通过本领域常用的任何数据结构实现,例如链表、阵列和/或类似数据结构。工作框可以被保持在例如每个代理装置38的缓冲内存中。
根据本发明的一个示例性实施例,(多个)大容量存储装置30可以存储与代理数据(例如,代理配置文件、日程表等等)、客户数据(例如,客户配置文件)、交互数据(例如,与客户每个交互的细节,包括交互原因、处理数据、保持时间、处理时间,等等)以及类似数据相关的一个或多个数据库。根据一个实施例,一些数据(例如,客户配置文件数据)可以保持在托管在大容量存储装置30或其他位置的客户关系管理(CRM)数据库中。大容量存储装置可以采用本领域常规的硬盘或磁盘阵列的形式。
联络中心***还可以包括被配置为从通过统计服务器22聚集的数据生成报表的报表服务器28。这种报表可以包括关于资源状态的近实时报表或历史报表,例如平均等待时间、放弃率、代理占用率以及类似信息。报表可以自动地或响应于请求者(例如,代理/管理员、联络中心应用和/或类似方面)的特定请求而生成。
联络中心***可以还包括为联络中心***的多种资源提供配置参数的配置服务器27。例如,当代理登入***时,可以从配置服务器27检索特定代理的代理配置文件数据。当联络中心***使用的其他对象或进程被创建时,配置服务器27还可以在***启动时或随后为所述对象或进程提供属性值。
图1中的各种服务器中的每一个都可以包括一个或多个处理器,所述处理器执行计算机程序指令并与其他***部件交互以执行本文说明的各种功能。计算机程序指令被存储在使用标准存储装置实现的内存中,例如随机存取存储器(RAM)。计算机程序指令还可以被存储在其他非易失性计算机可读介质中,例如CD-ROM、闪存或类似介质。另外,尽管每个服务器的功能被描述为通过特定服务器提供,但是本领域技术人员应当理解的是,在不背离本发明的实施例的范围的情况下,多种服务器的功能可以组合或集成到单个服务器中,或者特定服务器的功能可以分布到一个或多个其他服务器。
在多个实施例中,术语交互通常用于指使用任何通信信道(包括但不限于电话呼叫(PSTN或VoIP呼叫)、电子邮件、语音邮件(通过电子邮件发送的语音邮件)、视频、聊天、屏幕共享、文本消息、社交媒体消息、网页实时通信(例如,WebRTC呼叫)以及类似通信信道)的任何实时和非实时的交互。
图2为根据本发明一个实施例的路由服务器20的更加详细的框图。根据图2的实施例,用于处理客户交互的最优代理的查找可以以两个阶段执行。在第一阶段,代理过滤模块100根据硬性限制过滤代理。硬性限制可以是代理必须满足的限制,从而被认为是当前交互的可用代理。根据一个示例,硬性限制包括代理可用性和代理技能。根据这个示例,代理必须可用且必须满足处理交互所需的最低技能,以便被包括为可用代理。对于本领域技术人员来说显而易见的是可以有其他硬性限制,例如认证要求、性别、语言熟练程度、劳动力需求、交易/许可规定、劳动力使用管理规则、客户偏好(例如,“最后一个代理路由”)、工作分配的训练以及类似条件。
在第二阶段期间,一个或多个数据驱动的优化模块102-108进一步减少在第一阶段期间识别的代理,以最终选择要处理待处理交互的一个或多个代理。示例性的数据驱动优化模块包括但不限于回报最大化模块102、代理投标模块104、代理/客户社交网络模块106以及替代回报最大化模块108。在通过代理过滤模块100识别代理的初始设置之后,这些模块可以通过路由策略被调用。
尽管图2的框图假设了查找最优代理的两阶段方法,但是本来技术人员应当理解的是,代理过滤模块100的功能可以合并到最优模块102-108中的一个或多个中,和/或代理过滤模块100的目标或结果可以通过最优模块中的一个或多个经由模块运行的算法获得,这对于本领域技术人员是显而易见的。例如,在通过代理过滤模块100选择代理中要满足的硬性限制可以被认为是通过模块运行的算法要满足的另一个方面。根据这样的实施例,代理可以不需要是基于队列、服务类型和客户段来静态分段。相反,根据本实施例,交互被路由到适于处理特定主题的代理,而不限制于其传统上将严格分配到的段。
以类似的方式,图2中的两阶段方法还可以被扩展到三个(或更多个)阶段方法,其中,最优模块102-108中的一个进一步过滤通过代理过滤模块100提供的候选代理的列表,以向最优模块102-108中的另一个提供更加精选的候选代理列表。
根据图2的实施例,可以通过***同时处理多个交互,从而导致从相同代理池选择路由目标。这可能导致竞争状态,其中为一个进程过滤的路由目标池中的代理将被另一个进程选择为实际路由目标。缓解这种情况的一个方法是应用高级的/智能的代理预留策略,所述代理预留策略暂时阻止其他路由进程考虑处在给定的路由进程的候选池中的代理。在一个实施例中,代理预留策略可以适用于容许挪用已被保留的代理的一个进程。例如,预留策略可以被配置为对各种进程排名,从而允许较高排名的进程挪用为较低排名的进程保留的代理。另一个选择是用于多对多的交互对代理路由的集成的复杂路由进程,所述复杂路由进程中的冲突被内部解决。
另外,尽管在图2中没有示出,但是为了解决冲突,可以将仲裁模块连接到数据驱动的最优模块102-108中的一个或多个。例如,尽管特定代理可以被认为是第二阶段结束时的最优代理,但是该代理可以具有不同的(或者甚至冲突的)偏好,或者可能期望选择次优代理而非最优代理,例如为了训练目的,或者由于其它标准,例如代理占用率和空闲时间。也就是说,如果次优代理具有最大的空闲时间量,或者如果最优代理的占用率高于阀值,则可以将该交互路由到次优代理。
根据一个实施例,代理过滤模块100被配置为根据识别的状态在第一阶段期间运行传统匹配算法以过滤代理。例如,如果交互是到与服务类型相关联的特定电话号码的入站交互,则检索该电话号码的路由策略,以确定该交互应当如何处理。根据一个实施例,路由策略通过SCXML代码实现。
电话交互的路由策略可以指示交互初始被路由到IMR 34,以确定客户意图(例如,呼叫的原因)和/或与呼叫者相关的其它信息。根据收集的信息,路由策略识别用于处理该交互的期望的技能组。根据一个实施例,该期望的技能组可以被硬编码到路由策略中。
路由服务器20与统计服务器22交互,以从当前可用的(或马上将可用的)代理池中识别具有期望的技能组的候选代理组。在第一阶段期间通过代理过滤模块100识别的候选代理被提供到一个或多个数据驱动的最优模块102-108以查找用于处理交互的最优代理。从联络中心、客户、代理或他们的组合的角度看,代理可以被认为是最优的。
根据一个实施例,在第二阶段期间,回报最大化模块102被配置为提供联络中心关心的目标函数的长期最优化。目标函数可以被表示为期望的商业结果、目标、回报或收益(统称为“回报”或“期望值”)的加权和。一般而言,回报最大化模块102被配置为最大化受到限制的目标函数。具体而言,根据一个实施例,回报最大化模块102被配置为对特定交互选择代理,以在平衡探索和利用需求的同时最大化长期回报。就此而言,回报最大化模块102根据与代理、客户和意图相关的上下文信息为特定交互选择最优代理。在交互结束后的任何时候接收反馈。例如,回报可以是销售的完成(通过订单管理***记录),并且可以在代理交互完成之后较晚时间获得。反馈被回报最大化模块102用于强化学习以适应代理选择策略,从而最大化回报。反馈可以是交互期间获得的实际回报。
根据一个实施例,通过回报最大化模块使用的强化学***衡探索与利用的代理选择的明确的策略。强化学***均回报的代理(已知的模型),而探索可以包含选择新的/随机的代理以尽可能地做得更好。根据一个实施例,采用的强化学习算法为LinUCB。LinUCB在置信界限内明确地模拟回报估计,并且允许在一些可容许的限制内对可能做得更好的代理进行选择,而非选择具有最优期望回报的代理。
代理投标模块104被配置为在第二阶段期间在路由确定中考虑代理的偏好。就此而言,在代理过滤模块100可以被认为在选择代理中由于考虑呼叫者和/或交互的偏好/需求而选择交互最优的代理时,代理投标模块可以被认为由于模块考虑代理的偏好/需求而选择代理最优的交互。
在第二阶段期间,代理/客户社交网络模块106在客户与代理的社交网络的框架内创建代理到客户的匹配度。交互的路由被用作连接的代理与客户的一种机制。代理和客户的配置文件和其他特征还可以被用于创建该连接。根据一个实施例,该连接被评估以确定代理与客户之间的适合度,并且选择具有最佳适合度的代理来处理来自客户的交互。适合度的确定可以根据客户对每个代理的情绪的预测。当前交互的情绪可以根据导致涉及其他客户和其他代理的先前交互的情绪进行预测。
在回报最大化的另一个实施例中,替代回报最大化模块108被配置为同时评估将通过由代理过滤模块100返回的候选代理路由的多个交互,而非考虑队列中的单个交互,并且在进一步考虑队列中的另一个交互之前将该交互路由到代理。这么做时,替代回报最大化模块108被配置为选择期望的最优代理,以最大化通过多个交互的分配获得的总回报量。就此而言,替代回报最大化模块108使用对客户耐心的了解和当前不可用的代理的预测的可用性来延迟一个或多个交互的路由,只要该延迟将最大化期望的为所有交互获得的总回报即可。根据一个实施例,将交互分配到当前可用的代理中的回报的期望值以折扣系数(discount factor)被减少,所述折扣系数是基于客户被分配到该代理必须等待的时长。
尽管多个最优模块102-108被假设为分离的功能单元,但是本领域技术人员应当理解的是在不背离本发明的精神的情况下,所述模块的功能可以被组合或集成到单个模块中,或者进一步细分成另外的子模块。另外,多个模块102-108可以被同时、并行或彼此替代地被调用。另外,尽管多个模块被指示为路由服务器20的一部分,但是本领域技术人员应当理解的是所述模块中的一个或多个可以是通过联络中心***提供的其他服务器中的一部分。
用于选择最优代理的两阶段机制可以不是提供到全部客户的服务。当然,服务可以根据诸如客户分段的因素被选择性地提供。例如,服务可以被提供到金牌客户而不提供给银牌或铜牌客户。该两阶段机制还不会导致在诸如没有可用代理的特定情况下选择代理。在这种情况中,路由服务器可以被配置为等待特定的时长并再次尝试。如果代理还是不可用,则路由服务器20可以被配置为调用溢出逻辑来扩大搜索标准。溢出逻辑可以采用最优模块102-108的全部方面或特定方面。
基于回报/价值最大化的代理分配
图3为根据本发明的一个实施例的回报最大化模块102的示意性布局图。回报(也被称为价值)最大化模块102将与环境(也被称为上下文)相关的多种观察值作为输入,所述观察值包括但不限于全局代理配置文件数据300和通过代理过滤模块100选择的代理的特定代理配置文件数据301、与将被路由的交互相关联的客户的客户配置文件数据302以及客户意图数据304。该多种观察值可以表示为多维特征向量。
根据一个实施例,收集的观察值被输入到回报估计函数306。回报估计函数对每个候选代理评估通过将交互路由到该代理将预期获得的回报或期望值。就此而言,回报估计函数306被配置为利用代理的表现(回报)如何对于不同的上下文变化的知识,以便在给定上下文中为代理预测回报,并且选择代理以使通过***长期获得的总回报被最大化。在尝试长期最大化价值中,作出短期内看似次优的选择,这被称为探索。例如,假设针对给定上下文筛选出两个代理A1和A2,并且针对选择A1的评估回报是0.7、针对选择A2的评估回报是0.1。如果***将呼叫仅路由到A1而从不路由到A2(即,仅“利用”已知的),那么另一个代理(例如,加入该组的新代理A3)可能永远不会被选择,即使存在他可能是具有比A1的回报更高的回报的更好选择的可能性也不会被选择。另一方面,如果***始终随机选择代理(被称为“探索”)而不使用我们从过去获得的知识,则回报可能不会被最大化。为了克服这个问题,根据本发明的一个实施例使用的算法旨在平衡探索与利用的需求。可以使用的一个这种算法是LinUCB算法。
根据一个实施例,长期回报最大化的代理选择问题可以被表述为强化学习问题,例如“上下文***(contextual bandits)”问题,或更具体地,本领域技术人员已知的k臂上下文***问题。上下文或观察值包括关于客户、代理和交互的信息;所述动作为交互要路由到的代理的选择;并且回报是来自交互完成时的环境的反馈(例如,获得的目标的值)。
观察值O可以被表示为元祖((cp,ci,ap,a),r),其中:
1.cp表示被定义为一组键值对的客户配置文件数据302,所述键值对被配置为反映与独立于特定交互的客户相关的可用特征。示例性的客户配置文件数据包括但不限于年龄、性别、语言、地点、产品购买、亲和力、联系信息(地址、电话、电子邮件、社交ID)、Klout评分、商业相关信息(家庭状况、兴趣爱好、职业、会员资格,等等)以及类似数据。
2.ci代表被定义为一组键值对的客户意图数据304。例如,意图键值对可以表示为:意图=‘争议账单’。
3.ap代表定义为被配置为反映可以由其他代理共享的代理属性(以下称为全局属性)的一组键值对的全局代理配置文件300。这种全局属性可以包括例如性别、年龄、语言、技能熟练程度以及类似属性。性别属性的键值对可以表示为例如:性别=“女性”。在一个实施例中,捕获特定代理的全局属性允许已学习的信息在其他代理之间迁移以用于迁移学习。就此而言,回报最大化模块102被配置为根据学习模式的全局属性为共享全局属性的代理创建代理的全局代理模型。例如,全局代理模块可以反映性别年龄颠倒,其中当由年轻的女性代理处理时,来自年长男性的交互可以提供更好的结果。
4.a为用于检索特定代理配置文件301的实际代理标识符,所述特定代理配置文件被配置为反映代理的个人属性,这些个人属性可能不能通过他们的配置文件明确地捕获,但是可以区分他们的表现。这些个人属性包括但不限于耐心、交际、业余爱好以及没有作为代理的配置文件数据被***暴露的其他属性。在一个实施例中,捕获特定代理的个人属性数据允许回报最大化模块102创建仅用于该代理的模型,也被称为不相交代理模型,用于该特定代理的学习模式。例如,特定代理“Mary”的模型可以指示她在处理一种类型的任务中比另一个代理更好,或者她在处理某些类型的客户(例如,发怒的客户)中比其他代理更好。
5.r为完成与客户的交互时作为来自环境的明确信号获得的回报。该回报可以是例如完成业务目标,包括但不限于获得期望的客户满意度、销售收入、客户费力分数(customer effort score)、代理努力分数(agent effort score)、净推荐值(NPS)和/或在交互结束时获得的任何其它观察值结果。例如,该结果可以被提供为客户调查、销售数据以及类似结果的一部分。
一般而言,上下文***问题的解决方案包括两个部分:
1.了解特定代理(不相交)或全部代理放在一起(全局)的上下文与回报之间的关系;和
2.探索与利用权衡的策略。
部分1是可以通过本领域已知的算法解决的监督式学习问题。就此而言,在策略的部分1中,分析训练数据以产生可以用于映射新数据的推断函数。根据一个实施例,线性回归算法可以用于监督式学习。
对于部分2,可以使用强化学习算法,例如上界置信区间(UCB)算法。
根据一个实施例,通过回报估计函数306使用的算法被称为LinUCB,所述算法在数学上组合了两种算法(线性回归和UCB)并提供了易于实现的闭合式解决方案。虽然LinUCB被用作一个示例,但是本领域技术人员应当理解的是也可以使用其他算法,例如随机化的UCB、epsilon-greedy以及本领域技术人员已知的类似的算法。例如,如果使用epsilon-greedy算法,则该算法可以探索,即90%的时间选择最优代理,并且利用,即剩余10%的时间选择随机代理。
在回报估计函数306被配置为运行LinUCB算法的实施例中,回报分配被建模为具有置信上界和置信下界的标准通用分配(也被称为贝尔曲线)。回报的置信上界可以通过作为LinUCB算法的一部分运行的UCB算法评计。在估计置信上界中,所述算法识别每个代理的真实平均回报值为未知—仅迄今为止收集的回报的采样平均值为已知。根据一个实施例,UCB算法计算置信区间,所述置信区间捕获关于真实平均估计的不确定性并通过提供置信下界和置信上界来提供可能的值的范围。
图4A和4B为根据本发明的一个实施例的对回报估计进行建模的示例性贝尔曲线的曲线图。贝尔曲线包括基于迄今为止获得的回报的观察值的采样平均值322’、以及根据传统机制计算的标准偏差值(SD)。当标准偏差大时,该曲线短且宽,如图4A所示;当标准偏差小时(在进行了更多观察之后),该曲线高且窄,如图4B所示。置信区间320是曲线下方的区域。可以选择置信上界作为单个标准偏差或两倍的标准偏差。如果使用两倍的标准偏差,则置信区间为95%,这意味着所述区间覆盖了贝尔曲线下方区域的95%。换句话说,真实平均值在范围326'与326"内的机会有95%。
看到越来越多的样本(例如,真实回报值)时,标准偏差变得越来越小,如图4B中所示;因此,包含真实平均值的范围变得越来越小。因此,在回报估计上下文中,通过在与对应于其它代理(其回报已估计)的置信上界比较时选择对应于最高置信上界(例如,置信上界326')的代理,所述算法选择最不确定的代理。例如,这可以是对其观察较少的新代理。对于这种新代理的回报估计的范围大;导致高的置信上界。根据一个实施例,所述算法持续选择具有高置信上界的新代理,直到他的置信上界低于更多建立的代理的置信上界为止。通过这种处理,算法开始新代理的探索。一旦算法看到已经收集其回报的每个代理的足够样本,则这种代理中的每一个的置信上界接近真实平均值。此时,通过选择具有最大上界的代理,算法开始利用先前知识。
再次参考图3,回报估计函数向代理选择函数308返回计算/估计的回报和置信上界。根据一个实施例,代理选择函数被配置为选择具有最大置信上界的代理,从而利用先前知识。回报最大化模块108随后继续发送信号到例如随后可以向交换机/媒体网关12发送信号的呼叫服务器18,以将交互路由到对应于所选择的代理的代理装置38。根据一个实施例,代理选择偏好可以被一些其它仲裁函数否决。作为本领域技术人员应当理解的是,置信上界的使用自动在探索与利用之间权衡。如果两个代理之间存在联系,则根据一个实施例,该联系被随意断开。
根据一个实施例,通过由交互实际获得的回报估量的交互结果由监视函数310监视。例如,如果销售由交互产生,则监视函数捕获围绕该销售的信息,例如销售价格、项目、时间以及类似信息。获得的回报是来自该销售的销售收入。回报还可以是客户满意度评级、NPS分数、客户费力分数以及类似项目。
来自交互的实际回报可以被提供到更新函数314以根据需要更新用于回报估计的回报估计函数。根据一个实施例,线性回归算法被用于根据观察的结果学习回报函数。回报函数的更新可以在每个结果被观察到时完成,或定期地批量执行。
根据一个实施例,配置服务器27提供用于由联络中心管理员访问的图形用户界面,以微调回报最大化模块102的一个或多个参数。例如,管理员可以选择将通过回报最大化模块优化的一个或多个回报。在一个实施例中,联络中心管理员可能希望优化第一呼叫解决率而非等待时间。在该示例中,客户可以保持等待更长的时间,但是被路由到更加匹配的代理。
还可以基于包括例如呼叫者配置文件、呼叫者意图、日期以及类似因素的多种因素在每个呼叫基础上自动提炼参数。输入中的一部分可以被预先固定,而其它的可以被导出。例如,客户意图304可以被从在其中被转换为文本的语音信道或文本信道中的文本上运行文本分析算法而导出。在另一个示例中,对于给定的客户配置文件,回报最大化模块102可以根据机器学习确定具有该配置文件的客户更加有耐心,并且因此在呼叫被放弃之前愿意为代理等待更长的时间。例如,所述回报最大化模块可以学习到金牌客户比银牌客户更加耐心。如果特定交互因此来自金牌客户,则回报估计函数可以尝试优化第一呼叫解决率而非等待时间,并且将呼叫路由到将优化第一呼叫解决率的代理。根据一个实施例,这会调用更广泛形式的最优决策,使得其中交互池和代理池一起被全部估计,下文将更详细地说明,其中队列中的交互为可以保持的客户交互。
根据一个实施例,通过用于估计回报的回报最大化模块获得的观察值为在联络中心适应于真实世界中的变化时可以动态变化的属性。例如,特定主题(例如,新的iPhone版本)可能在一段时间很流行,但在一段时间过去后会逐渐消失。然而,尽管该主题很流行,但联络中心可能会遇到与该热门主题相关的交互的增加(例如,与新的iPhone版本的一些方面相关的呼叫的80%)。对于这种热门主题,期望可以动态识别与主题相关的子主题,以便更加理想地将呼叫路由到代理以处理特定的子主题。
根据一个实施例,可以在联络中心的任意服务器(例如,配置服务器27、路由服务器20或类似服务器)中托管的适配模块被配置为观察联络中心操作、学习真实交互中的变化以及因此动态调整联络中心操作。所述调整可以与在查找处理交互的最优代理中由路由服务器20考虑的标准相关。该标准可以与例如将为路由考虑的代理技能相关。随着主题的受欢迎度的升高和衰减,适配模块可以被配置为向一个或多个代理动态地添加和删除技能和子技能(如在他们的全局代理配置文件300中所呈现),以处理(或不处理)这些主题。
在另一个示例中,所述标准可能与客户细分(例如,金牌、银牌或铜牌)相关。根据一个实施例,适配模块可以与回报最大化模块102通信,以根据给定交互的预期结果动态地重新分配到客户、被存储为客户配置文件数据302的特定客户段,如在2014年8月1日申请的、名称为“System And Method For Anticipatory Dynamic Customer SegmentationFor A Contact Center”的美国申请第14/450,194号中所述,该申请的内容通过引用的方式并入本文。例如,即使该客户的当前客户段是“银牌”,根据交互的预期结果,客户也可以被作为“金牌”客户对待。
除了根据观察到的变化更新代理技能和/或客户配置文件之外,对联络中心操作的其它动态调整也可以根据例如主题热门度来完成。例如,响应于路由服务器20检测到特定主题上的呼叫涌入,可以通过适配模块为联络中心添加客户可以呼叫以查询该热门主题的专用电话号码,并且路由策略可以动态地与路由点关联。在另一个示例中,通过IMR服务器34运行的脚本可以通过适配模块动态地修改以添加指向该热门主题的选项或提示。附加的选项可以用于将客户连接到熟练处理该特定主题的代理,这进一步在2013年10月31日申请的名称为“System and Method for Performance-Based Routing of Interactions ina Contact Center”的美国申请第14/068,959号中说明,该申请的内容通过引用的方式并入本文。
图5为根据本发明一个实施例的用于根据实际交互中检测的变化动态地调整联络中心操作的适配模块所执行的过程的流程图。在操作500中,适配模块开始通过联络中心处理的交互的观察。就此而言,模块监视可以用于推断交互的明确或隐含的意图的多种数据。这些数据可以通过IMR 34根据客户与IMR的交互、通过语音分析引擎根据交互期间发出的语音回顾、非语音交互期间提供的文本分析以及类似方式提供。所述观察可以与交互实时进行、在每个交互完成后进行或两种方式的组合。
例如,语音分析引擎可以包含用于分析实时的或记录的呼叫的音频的指令,并且在大容量存储装置30中存储分析数据。分析数据可以是例如基于对客户发出的一个或多个短语的识别到预定义类别的呼叫分类。例如,呼叫可以根据短语识别,例如“我希望确认我的订单状态。”,被分类为具有特定呼叫主题,例如“我的东西在哪里,”。
在操作502中,适配模块识别观察到的交互的主题,并且填充例如用于收集从通过联络中心接收的交互导出的不同的交互主题列表的呼叫分布表。
图6为根据本发明的一个实施例的可以通过适配模块填充的呼叫分布表600的总体布局图。呼叫分布表600包括特定时段期间为通过呼叫中心、特定代理、部门或代理组接收的呼叫推测的交互主题/类别602的列表。所述类别与诸如账单问题、设备问题以及类似问题的特定交互主题相关。呼叫分布表600还包括为特定时间段检测的呼叫百分比604、呼叫总数606以及呼叫平均持续时间608。其它信息也可以保持在呼叫分布表中,例如检测到列出的呼叫主题的时间段、处理每种类别的代理的标识符以及类似信息。另外,除了主要主题之外,还可以识别特定主题的子主题。
再次参照图5,在操作504中,确定是被作为识别的交互主题中的任何一个是否被认为是趋势化的或流行的。流行度可以以本领域常用的任何方式来确定,例如根据在联络中心处接收到的与特定主题相关的交互百分比来确定。如果这些交互的百分比高于阈值量,则与它们相关的特定主题可以被标记为是流行的。
如果特定主题被识别为是流行的,则在操作506中,模块进一步为流行的主题识别子主题。子主题的识别帮助将粒度添加到可以被认为用于将交互路由到适合的代理的技能。例如,应对新iPhone版本的特定子主题可以与手机曲度、如何购买手机、电池寿命以及类似主题相关。子主题的产生和识别可以通过语音识别和通过从交互中分析并提取观念来完成,如在名称为“System and Method of Call Classification with ContextModeling”的美国专利第7,487,094号和名称为“System and Method for Discoveringand Exploring Concepts”的美国申请第13/952,459号中进一步所述,这两件申请的内容通过引用的方式并入本文。
在操作508中,识别子技能并分派给相应的用于处理子主题的代理配置文件300中的代理。根据一个实施例,可以在加入在联络中心接收的电子邮件、聊天以及类似方式的文本分析或最近的语音交互的文本副本的分析时自动导出子技能。根据近期内预期该代理相关的主题,还可以通过代理建议子技能以添加为子技能。根据一个实施例,识别的子技能不能被包括为硬编码的路由策略中的在路由呼叫中通过路由服务器20使用的部分。相反地,在调用回报最大化模块102时动态识别并通过路由策略考虑该子技能。
在操作510中,适配模块确定主题是否淡出。这可以例如通过监视交互并确定例如与该主题相关的交互数量来完成。例如,如果在一段时间内没有接收与该主题相关的交互,或者如果与该主题相关的交互的百分比下降到阈值,则可以确定该主题已经淡化。
如果特定主题已经淡化,则在操作512中,适配模块开始删除或禁用分派到代理的子技能。根据一个实施例,子技能的添加和/或移除可以是自动地。在其他实施例中,在通过管理员验证和允许之前不会发生子技能的添加和/或移除。
适配模块还可以提供用于定义代理技能的其他流动和分散机制。例如,取代或除了可以由联络中心管理员设定的任何静态技能,代理还可以自由地给自己分配技能。就此而言,适配模块提供图形用户界面,所述图形用户界面对代理可访问以浏览他的配置文件,并且动态地将他可能希望为自己公开的技能添加到这个配置文件。根据交互结果,该公开的技能可能是强化的或冲突的。例如,如果为自己公开了“抵押”技能组的代理持续地不能结清抵押交易,则适配模块可以被配置为移除或降低该公开的技能的技能等级值。然而,如果代理具有抵押交易的平均结算率,但是该代理已联系的其他代理或客户认可该代理的这种特别任务,则适配模块可以增加该代理的“抵押”技能等级,假定例如收到至少阈值数量的背书。就此而言,客户可以访问以查看他有过交互的代理的信息,包括代理技能、(例如,基于每种技能的)代理评级以及类似信息。该信息可以作为通过适配模块提供的社交媒体网页获得。在一个示例中,客户可以通过社交媒体网页认可代理的技能。根据一个实施例,第一代理可以背后监视第二代理以给予第二代理可能需要的对等认可,以获得技能等级的提高。
除了用于生成或修改代理技能的呼叫主题流行度之外,代理技能/子技能还可以根据其他学习的事件(例如,从一个代理到另一个的转接)进行修改。就此而言,银行可以具有用于处理与***相关的呼叫的代理组。然而,存在与信贷相关的多种子主题,其中一个代理可以证明比另一个代理在特定子主题中更加熟练。根据一个实施例,适配模块被配置为监视围绕从一个代理到另一个的呼叫转接的信息。就此而言,适配模块保持有呼叫转接图,其中节点代表代理,边界代表转接方向和交互主题。适配模块时时分析呼叫转接图以根据分析为代理修改技能。用于图形理论的任何合适的算法可以被适配模块调用,以分析呼叫转接图并(根据具有转接到代理的子主题的呼叫)导出代理熟练的子主题以及(根据具有所述代理决定转出的子主题的呼叫)导出所述代理不熟练的子主题。转出呼叫的决定根据围绕转接的上下文可以或多或少地作为熟练度的指标。例如,当呼叫被转接到另一个代理时,可以考虑代理能力。如果代理接近最大能力,则转接可能因为代理太忙,而不一定是因为该代理在该主题上不够熟练。另外,基于具有子主题的呼叫被转入代理的代理在特定子主题上熟练的推测可以或多或少取决于实际交互结果。例如,尽管特定代理经常得到与特定子主题相关的呼叫的转接,但是如果该代理没有将这些呼叫处理到所涉及的客户的满意度,则该代理将不被认为熟练该特定子主题。
图7为根据本发明一个实施例的示例性呼叫转接图。在所示的呼叫转接图中,可以通过分析该图推断出由于36个具有该主题的呼叫从其他代理转接到代理A,因此代理A熟练于帮助客户开新***,但是因为代理A决定将处理信用额度增加和余额转移的主题的交互分别转接到代理C和代理B,因此并不熟练处理这些后续主题。另一方面,根据处理这些主题的转入呼叫,代理B可以被认为熟练于新***的主题,以及代理C可以被认为熟练于信用额度增加的主题。
根据一个实施例,可以动态变化的联络中心的另一个属性是回报本身。例如,取代联络中心管理员静态地将一个或多个期望的KPI值设置为最大化的回报,期望的KPI值可以根据在联络中心处检测到一个或多个触发事件动态地变化。对用于更新期望的KPI值的这些触发事件的监视可以每天发生、每小时发生或甚至在每次交互时发生。例如,响应于检测到与当前交互相关联的特定触发事件,例如,检测到当前交互与特定客户属性相关联,可以为该当前交互做出获得第一KPI值比获得第二KPI值更加重要的判定。因此,在路由当前交互中,选择预测最大化第一KPI值的代理而非预测最大化第二KPI值的代理。根据一个实施例,期望被最大化的回报呈现给代理,以使代理可以专注于获得这样的回报。
根据一个实施例,正在变化的联络中心属性可以被视为快速变化或缓慢变化的维度。这种属性可以与技能和其他路由标准以及服务类型、客户配置文件、客户细分以及类似项相关。根据一个实施例,本领域技术人员应当理解的是,联络中心的属性可以使用类似于公共仓库元模型的联络中心元模型来建模。与公共仓库元模型一样,保持在联络中心元模型中的属性的管理可以根据该属性是快速变化或是缓慢变化而不同。例如,历史信息的保持可以根据该属性是快速变化或是缓慢变化而不同。根据一个实施例,快速变化的属性被从存储缓慢变化的属性的表移除到单独的表中。在这种方式中,所述表不会很快地填充有为流行主题临时生成而在该主题的流行度消失后移除的技能上的历史信息。
正如调整报告以适应数据仓库中快速或缓慢变化的维度,路由也可能需要被调整。例如,具有在其代理配置文件中限定的技能组的代理可以随着时间的推移学习新的技能,或者旧的技能可能变得过时,从而导致他的技能组变化。服务类型也可以随着时间变化。例如,响应于公司中新的业务细分的出现,可以为路由目的添加新的服务类型(例如,“抵押”),或者该公司的两个业务细分可以被合并为一个,从而导致旧的服务类型变得过时。代理对他们喜欢处理类型的交互的偏好也会随着时间变化。
以代理技能作为示例,随着主题的流行度升高和降低以及技能和子技能从一个或多个代理的配置文件动态地添加和删除,代理中的被认为预测当前回报的一个代理的当前技能组可能不同于获得先前回报中相关的先前技能组。可以使用不同的机制来尝试对获得的回报利用先前技能组的学习相关性,同时最小化当前回报预测的偏差。根据一个实施例,如果特定技能被识别为快速变化的技能,则可以使用滑动时间窗,使得如果离开该滑动时间窗,则这种快速变化的技能和与这种快速变化的技能相关的回报变得过时。就此而言,正如为了报表目的使快速变化的维度可以从表中移除,在短时间段之后(例如,在导致新技能或子技能被生成的主题的流行、消失之后),快速变化的代理技能和相关联的回报信息可以被移除/覆盖。
在另一个实施例中,不再相关的快速变化技能可以被映射到当前的且相关的技能。就此而言,适配模块可以被配置为将快速变化的技能识别为与另一个技能在同一个集合(family)中。例如,适配模块可以被配置为假定在与HDD存储方案相关的问题上支持客户中得到高分的代理也可以在SSD技术上服务客户。因此,与HDD相关的技能可以被认为和与SDD相关的技能在相同的集合中。随后,HDD的代理追踪记录可以被用于判断与SSD相关的交互的代理的技能并计算期望回报。
尽管将技能用作示例,但是本领域技术人员应当理解的是上述机制可以扩展到其他快速变化的属性。
根据一个实施例,配置服务器27的适配模块可以进一步允许联络中心管理将某些快速变化的属性具体地标记为短暂的,使它们更低或更短地影响其它属性的预测回报。例如,如果存在特定产品X的召回,则联络中心管理员可以预测与产品X相关的呼叫的峰值。为了避免该特定呼叫意图超出被认为是预测回报的其它属性,联络中心管理员可以(例如,通过图形用户界面)明确地向回报最大化模块102发出该特定呼叫意图为短暂的信号。在产品X的召回的示例中,联络中心管理员可以向回报最大化模块102发出信号,即,与产品X的召回相关的呼叫意图应当作为召回期间过后不再相关的快速变化属性被忽略。当为在特定期间内销售产品Y而运行活动时,上述机制同样可以使用,并且在活动期间存在与产品Y相关的呼叫的峰值。联络中心管理员可以向回报最大化模块102发出信号,以在活动期间忽略与该呼叫意图相关联的回报数据。
在类似的权标中,联络中心管理员可以将特定属性识别为与其它属性相比对回报预测具有更大或更长的影响。例如,如果代理的地理位置与客户的满意度、客户难度、交互长度和/或类似方面更好地相关,则联络中心管理员可以向回报最大化模块102发出信号以与其它标准相比在更长的一段时间内(例如,长于一年)考虑该属性,和/或给它更大的权重。
根据一个实施例,联络中心管理员还可能希望试验独立的属性/标准如何影响路由。就此而言,适配模块被配置为提供管理员可访问的工具,以向不同的属性分配临时权重,并且在受控设置中运行路由以观察在这种受控设置中获得的回报。根据一个实施例,这种试验允许联络中心管理员判断特定标准的相关性和/或敏感度。为了简化,可以逐步删除没有影响或低影响的标准。
基于预测代理可用性和客户耐心的代理分配
替代的回报最大化模块108被配置为根据最大化期望值来扩展代理分配,以使在代理组上同时评估多个交互而非在代理组上评估单个交互。一般而言,这样处理的优势在于客户可以准备好保持以获得更好的结果,并且可以根据先前交互模式预测代理未来的可用性,从而在可以如何路由交互中产生更大的灵活性等级。
为了理解路由中最优技术的潜力,可以考虑简单(toy)示例。在该示例中,假设客户呼叫是为以下两个原因中的一个:询问_账单或报告_错误。联络中心中有两个代理:A1和A2。尽管所述代理中的每一个都可以处理上述呼叫类型,但是在标准(例如,NPS)下他们的表现各不相同。表1示出了来自历史交互数据分析的在[0.0,1.0]范围中标准化的代理A1和A2的示例性平均表现分数。如该表中所示,历史数据指示对于呼叫原因询问_账单,A2比A1表现更好,而对于呼叫原因报告_错误,A1比A2表现更好。
呼叫者意图 | 代理A1 | 代理A2 |
询问_账单 | 0.3 | 0.4 |
报告_错误 | 0.35 | 1.0 |
表1
为了本示例的目的还做了假设,即,交互队列当前包含每种类型中的一种的两个交互并且第一个是呼叫原因查询_账单。在基于路由设置的典型技能中,队列中的交互通过将每个交互分配到有资格处理该交互的可用代理接连处理(例如,FIFO)。传统路由方案通常不具有与代理相关联的“表现分数”的概念。因此,在简单示例中,这种传统路由方案可以将交互查询_账单分配到A2并将报告_错误分配到A1,从而产生0.75(0.4+0.35)的总表现分数。
如果采用贪婪分配策略,则该策略将交互分配到对该交互类型具有最高表现分数的代理而非分配到可用代理中的任意一个。因此,在分配查询_账单交互中,路由策略被配置为查看两个代理的表现分数并选择具有较高分数的A2。然后,报告_错误被分配到为仅有的可用代理的A1。结果,总分数再次为0.75(0.4+0.35)。
根据一个实施例,替代的回报最大化模块108被配置为使用作为一个整体考虑队列中的多个(例如,全部)交互和多个(例如,全部)候选代理以最大化总的期望回报/值的分配策略,而非为单个交互识别最优代理。在上述示例中,由替代的回报最大化模块使用的基于最大化的方法考虑全部可能的分配途径,即,(查询_账单→A1,报告_错误→A2)和(查询_账单→A2,报告_错误→A1),并且选择产生最大期望回报的一个。因此,替代回报最大化模块选择(查询_账单→A1,报告_错误→A2),它获得大于与其他选择相关联的0.75的总回报1.3。
在为队列中的多个交互最大化总期望回报中,如果某个代理当前不可用于接收交互分配,替代回报最大化模块108平衡客户耐心与预测代理可用性上的信息。根据所述信息,替代回报最大化模块确定是否应该迟延路由交互以获得更好的代理分配。根据一个实施例,客户耐心值针对特定意图类型(呼叫意图)。耐心值可以是根据观察到的放弃率、服务时间、NPS分数以及类似信息通过替代回报最大化模块推导/计算的值。例如,可以使用呼叫者等待时间对最终NPS分数的影响的信息计算呼叫意图类型的客户耐心数。就此而言,可以为每个意图类型识别在NPS分数下降后的等待时间阈值。例如,假设对于一种意图类型,观察到它的平均处理时间为619秒以及平均呼叫者等待时间是40秒(其中70%的呼叫在小于1秒内被应答),并且仅在190秒之后,NPS分数剧烈下降。这种意图类型的客户“耐心数”可以被设置为180秒。这个示例说明客户准备为正确的代理等待(一段时间)而非勉强接受较低技能的代理。因此,考虑到可靠的代理可用性短期预测以及在放弃或负面影响产生之前用于等待的客户的耐心或忍耐等级的估计,可以利用时间灵活性来进行更优的交互-代理匹配。
图8为示出可以由替代回报最大化模块108用于更好的交互-代理匹配的机会窗的时序图。在图8的示例中,尽管当呼叫者进入队列时代理-1(A1)可用,但是因为与通过将交互分配到当前不可用的代理2可以获得的回报相比的潜在的低回报,该交互没有被分配到A1。相反,替换代报最大化模块108被配置为等待将交互分配到期望获得更高回报的代理-2。在上述简单示例中,假设A1可用,并且A2不可用但在可接受时间内(例如,在呼叫者的耐心阈值内)可用。在这个示例中,替代回报最大化模块选择具有总回报1.3的更优分配,其中查询_账单交互被分配到A1,并且报告_错误交互被分配到A2。
根据一个实施例,可以通过替代回报最大化模块108使用的用于分配的算法将更高回报分配到稍后可用的代理。根据这种算法,使得:
rij-交互i通过代理j处理的期望回报(例如,期望回报的置信上界)。
λ-可以通过联络中心预先设置的[0.0,1.0]范围内的折扣系数;与前面的回报相比,给后面的回报赋予更大的重要性。
t-基于代理的当前状态和呼叫者的耐心等级的预测等待时间;如果很可能在代理j变得可用前可能放弃交互i,则为‘-1’
然后,
基于预测的时间调整的贴现回报是:
该回报仅根据代理的当前可用性计算,即,没有使用任何预测/推测模型,该回报可以被认为是上述广义表达式的特例:
虽然上述回报函数帮助缩短等待时间,但是还可以将目标函数定义成使诸如放弃率、代理空闲时间等方面被考虑进去。
在上述简单示例中,假设代理A2当前正在通话,并且替代回报最大化模块108预测他将在客户的耐心阀值中的下一次保持信号中空闲。这种代理何时变得可用的预测可以基于例如对呼叫意图类型的估计处理时间的分析。还可以调用用于预测代理可用性的其他算法以推测代理何时变得可用。在这种情况中,λ设置为0.9,使用可用性预测模型的分配可以如表2中所示。
表2
从表2看出,可以注意到t=0时,尽管A1在处理报告_错误获得更多回报,但是由于A2处理报告_错误获得显著更大的回报,因此所述算法在下一个报时信号中分配期望A2的可用性的查询_账单。
图10为根据本发明的一个实施例的用于同时为多个交互查找代理的最优分配的过程的流程图。就此而言,假设仍然应用两阶段法,在操作600中,代理过滤模块100同时识别正在等待被路由的两个或更多个交互(例如,全部路由在时间=0时被等待处理)。在操作602中,代理过滤模块100根据硬性限制为所述两个或更多个交互过滤代理,并且向替代回报最大化模块108返回候选代理组。根据一个实施例,代理的当前可用性不是通过过滤模块被认为是候选代理所需要满足的硬性限制。也就是说,具有用于处理多个交互中的一个或多个的技能的代理可以被作为潜在候选返回,即使该代理当前是不可用的也是如此。
在操作604中,模块108开始计算与每个候选代理相关联的预测等待时间。根据一个实施例,该预测等待时间是基于代理当前的状态和针对所识别的交互意图类型的阈值客户耐心。代理的当前状态可以包括关于代理是否可用于处理交互的信息。如果代理当前不可用,则当前状态可以包括他当前正在处理的交互的信息,例如交互类型、为该交互识别的意图、处理时间以及类似信息。根据一个实施例,如果代理当前可用,则等待时间被设置为0,如果代理当前忙碌且直到预测呼叫者放弃交互之后仍不能期望他可用则设置为-1。对于其它情况,等待时间是代理的预测可用性的函数。
在操作606中,模块108为每个交互和每个候选代理计算期望通过将交互分配到代理获得的时间折扣回报。根据一个实施例,使用由回报最大化模块102使用的算法计算时间折扣回报值。在一个实施例中,算法选择期望的回报的置信上界。然而,与通过回报最大化模块102计算的回报不同,替代的回报最大化模块108根据折扣系数给期望回报的置信上界打折。就此而言,折扣系数对早些获得的回报而非稍后获得的回报更重要。根据一个实施例,折扣系数是被计算为等待时间的函数的值。例如,等待时间越小,折扣系数值越小。如果代理立即可用,则为该代理计算的期望回报不打折扣。另一方面,如果在代理变得可用之前可能放弃呼叫(例如,预测代理变得可用的时间长于客户放弃该交互之前预测的保持时间,或换句话说,等待时间超过预测的客户耐心阈值),则期望回报被计算为0。
在操作608中,模块108根据时间折扣回报为交互查找最优分配。
在操作610中,模块108传送信号以使例如交换机/媒体网关12根据操作608中的分配将多种交互路由到代理装置。
代理偏好和投标
再次参照图2,用于查找交互到代理的最优匹配的另一个数据驱动的最优化模块为代理投标模块104。代理投标模块104被配置为在路由交互中满足代理的偏好。根据一个实施例,投标模块104可以采用通过代理过滤模块100提供的候选代理组,并且根据匹配的偏好为候选代理中的一个或多个生成路由提议。路由提议可以向提议的代理呈现投标机会。每个提议的代理可以通过用于处理呼叫的投标来响应。可以进行一轮或多轮投标,直到该呼叫成功地匹配到单个代理为止。
图9为根据本发明一个实施例的代理投标模块104的示意性布局图。代理投标模块104包括用于进一步减少通过代理过滤模块100产生的候选代理的代理匹配函数。所述匹配可以例如根据代理偏好数据400、代理状态数据402、交互数据404以及类似数据完成。就此而言,代理匹配函数406被配置为识别具有匹配或被认为适合于特定交互类型的偏好和状态的代理。
根据一个实施例,匹配的适合性是基于通过交互数据404提供的交互的上下文。交互数据404可以例如通过呼叫服务器18或交互服务器25收集。例如,当电话呼叫到达交换机/媒体网关12时,呼叫服务器18开始生成具有入站呼叫细节(例如,被叫号码、主叫号码、等待时间以及类似信息)的呼叫对象。当客户与***交互时,交互细节被追踪并添加到呼叫对象。例如,提供到IMR 34的数据(例如,呼叫原因)可以被捕获并存储在呼叫对象中。其它交互细节可以从客户配置文件记录和/或存储在例如大容量存储装置30中的交互记录中获得。这些记录可以提供与客户和他/她的先前交互相关的附加数据,,例如客户细分数据、未解决的交互、先前交互的统计以及类似数据。根据一个实施例,在可用的情况下,交互细节包括可以对代理可用的相同或相似的属性,以被设置为代理偏好的。
根据一个实施例,类似于如何用属性标记代理,代理投标模块104可以进一步被配置为将技能和属性的标记扩展到客户和客户交互。例如,诸如语言流畅性、可接受性或由客户提供的估计的组合的属性可以根据交互的需求向投标过程和投标代理提供指示。就此而言,客户可以在IVR交互期间通过例如客户偏好配置文件以及类似形式提供他们想要的代理的偏好。该数据可以明确地或隐含地提供。例如,客户提供的代理偏好可以根据该客户与相同或不同的代理进行的先前交互推断。
被认为用于将交互匹配到代理的代理偏好400可以是静态和/或动态的偏好。例如,代理可以标记作为偏好的特定客户意图(例如,账单查询)、代理技能(例如,聊天)和/或与交互或客户相关的任何其它属性(例如,已经等待了特定时长的呼叫)。代理还可以根据例如未来相关标准的预测针对在***中已经可获得的新标准指示偏好。根据一个实施例,代理偏好被表示为指示被保持为偏好的特别标记的属性的时间限制的时间界限/限制(例如,偏好过期后的下一个30分钟)。关于如何将代理偏好纳入路由不同类型的联络中心活动的附加细节见于2012年11月19日申请的名称为“System and Method for Contact CenterActivity Routing based on Agent Preferences”的美国申请第13/681,420号,该申请的内容通过引用并入本文。
根据一个实施例,代理偏好和/或状态数据通过可由代理通过代理装置38访问的图形用户界面输入。例如,作为优选,在设置代理偏好中,代理可以调用可以由代理选择的预先设定的属性列表下拉框。作为优选,由代理选择特定属性可以导致特定属性被(可视地或以其它方式)标记。根据一个实施例,代理可以通过他/她的技能等级的自我评估将技能标记为优先。例如,在处理特定呼叫类型/意图的呼叫之后,代理可以认为在特定呼叫类型/意图中获得了某种专业知识并且为与该特定呼叫类型/意图相关的技能标记了优先。
根据一个实施例,可以根据来自例如其他代理或监管员的确认来限制代理将技能标记为优先的能力。还可以使用该认可将新技能添加到代理可以选择标记为优先的属性列表的下拉框。在一些实施例中,偏好的程度或等级还可以与时间属性一起设置(例如,从1到5的值),所述时间属性指示在其中设置偏好的时段。
根据一个实施例,代理偏好作为代理配置文件的一部分被静态地存储在大容量存储装置30中。就此而言,偏好数据被设置为离线(例如,当没有调度代理来工作时),并且被存储为当代理登录以进行工作时用于检索的代理配置文件。当代理日间处理交互时,偏好还可以由该代理动态地设置。例如,如果正在处理特定类型的交互的代理希望处理不同类型的交互,则该代理可以通过代理装置指示对其它交互类型的偏好。代理偏好可以对例如将路由到该代理的下一个交互实时兑现。
关于也被投标模块104考虑以用于将交互匹配到代理的代理状态402,可以监视代理的生物/生理特性以自动设定代理状态402。例如,代理穿戴的装置可以实时监视代理的特定生理/生物属性以推断代理的当前生理或情绪状态。可穿戴装置可以是手表、头戴式耳机或类似装置。可穿戴装置可以被配置为监视代理的心率以判定代理是否焦虑、疲劳以及类似方面。可穿戴装置还可以被配置为监视代理的语音、打字速度以及类似方面,以推断用户的生理或情绪属性。就此而言,语音分析引擎可以实时捕获并分析代理的语音以推断与他/她的语气/情绪相关的代理状态。例如,语音分析引擎可以被配置为监视特定声音或单词的发出、监视每分钟发出的单词数量和/或类似方面,以为代理分配情绪和/或耐心分数。在另一个示例中,通过打字分析引擎捕获并分析的代理的打字速度可以指示小于阈值量的平均值的打字速度,从而得出代理疲劳的结论。当然,尽管已经说明了可穿戴装置的使用,但是本领域技术人员应当理解的是,如本领域技术人员将领会的,还可以使用非可穿戴装置来检测当前的代理状态。
收集的关于代理偏好400、状态402以及交互数据404的数据被输入到代理匹配函数406。根据一个实施例,代理匹配函数406被配置为通过代理过滤模块100过滤掉不满足设定的匹配分数的代理输出。匹配分数可以基于在交互数据404中列出的被认为是代理偏好的属性的数量。匹配分数还可以基于用于过滤出处于可能被认为对处理当前交互不兼容或不利的状态下的代理的代理状态402。根据一个实施例,全部或仅具有特定匹配分数的代理随后被输出到投标函数408。
根据一个实施例,调用诸如回报估计模块306的回报估计算法的算法以查找具有匹配特定交互的偏好和状态的代理。就此而言,通过回报估计函数306考虑的用于运行所述算法的附加输入包括代理状态402和代理偏好400。根据本实施例,通过所述算法最大化的回报可以是代理满意度值。交互与代理的偏好越匹配,则代理满意度值应当越高。在调用回报估计算法时,代理匹配函数406可以被配置为选择具有在特定阈值内的回报的多个代理而非具有最高置信上界的单个代理。
另一种结合回报最大化模块102或替代回报最大化模块108与代理投标模块的功能的方式可以是具有在第一阶段通过过滤模块100返回的候选代理列表,以进一步根据如本文讨论的代理偏好和/或代理对投标提议的接受进行过滤。
投标函数408被配置为邀请通过代理匹配函数406识别的代理中的一个或多个,以为交互进行投标。就此而言,投标函数408向代理中的一个或多个发送路由/投标提议/邀请。路由提议包括与代理回顾并设置他们的投标的信息相关的信息。该信息可以是交互数据404(例如,与意图相关的数据)、客户类别/细分、平均等待时间(AWT)、先前的平均处理时间以及类似信息中的全部或部分。该投标可以响应于接收的路由/投标提议通过代理设置。就此而言,投标函数408可以被配置为将路由/投标提议发送到每个匹配的代理的代理装置38。提议可以被配置为作为例如弹出消息在设定的时段内在每个代理装置38上显示。在该设定的时段期间,代理可以通过例如选择关于邀请的选项(例如,“接受”按钮)来设置处理交互的投标。如果代理没有与邀请交互以设置投标,则提议被配置为过期并消失。
根据一个实施例,代理投标模块104可以被配置为根据“货币”或“积分”(统称为积分)进一步扩增投标过程。就此而言,投标函数408可以被配置为根据例如用于处理该交互将获得的值或回报、交互的复杂度、客户的处理和/或类似方面分析投标积分并将投标积分分配到当前交互。例如,可以向可能比第二交互谈妥更大的交易的第一交互分配大于分配可以比分配到第二交互的投标积分更大的投标积分。在另一个示例中,可以为来自在过去为其提供低NPS分数的客户的第一交互分配比第二交互更大的投标积分,这是因为第一交互可以被预测为难处理的一个。投标积分的实际增加额可以基于代理处理该交互的成功程度。例如,客户满意度分数高于阈值分数可以使代理获得全部投标积分。
根据一个实施例,代理可以具有限定量的投标积分,这可以帮助他们在选择过程中占上风。例如,在针对同一交互与另一个代理投标有关联的情况中,累积的投标积分可以用于为特定交互类型赢得投标。就此而言,除了根据通过代理处理的先前交互累积积分之外,积分可以作为给代理的激励或回报通过例如监管员给出。积分还可以作为基于代理资历或呼叫结束评级的激励来奖励,其中每次成功(例如,高满意率)将会产生许多货币积分。当给予投标积分时,代理的选择可以用于进一步优化到目前为止捕获的属性标签。这种输入可以在未来用作具有一定到期范围的静态输入。
路由/投标提议/邀请的接收被转发到代理选择函数410,以用于选择当前交互将被路由到达的单个代理。就此而言,第一个提交投标的代理被选择为交互将被路由到达的代理。在另一个实施例中,该选择可以基于多个交互到代理组的最优化交叉并行分配,正如在2012年11月19日申请的名称为“Best Match Interaction Set Routing”的美国申请第13/681,417号中所述,该专利申请的内容通过引用并入本文。
在两个或更多个代理同时投标的投标关联的事件中,代理选择函数408可以包括用于打破该联系的算法。例如,所述算法可以被配置为考虑预先设定的最优化标准,例如训练目标、费用以及类似标准。根据一个实施例,最优化算法,例如在http://en.wikipedia.org/wiki/Hungarian_algorithm中更加详细说明的匈牙利算法(其内容通过引用并入本文),可以用于根据设定的最优化标准优化特定交互到并存的投标代理的路由。例如,在与另一个代理关联的情况下,该算法可以选择在特定主题上需要更多实际训练的代理,而所述另一个代理对这种训练需求更小。关联中断器(tie breaker)也可以基于通过代理累积的分数。例如,相对于具有较低积分数量的代理,具有更高的累积积分数量的代理可以赢得投标。
根据一个实施例,如果当前一轮投标没有产生代理的选择,则另一轮投标可以通过投标模块408发起。在一个示例中,向其发送投标提议的代理数量可以被扩大为包括可能在初始阈值匹配分数以下的代理。
代理/客户社交网络
再次参照图2,用于查找交互与代理的最优匹配的另外的数据驱动的最优化模块为代理/客户社交网络模块106。就此而言,代理到客户的匹配可以被放入客户与代理的社交网络的框架中。代理和客户是网络的节点或顶点。当客户的交互被路由到代理时,可以在代理与客户之间建立连接。在一个实施例中,连接还根据代理和/或客户偏好的认知建立,正如在2010年10月22日申请的名称为“System for Rating Agents and Customers forUse in Profile Compatibility Routing”的美国申请第12/910,179号中进一步详细说明,该专利申请的内容通过引用并入本文。例如,响应于客户提供与代理的先前交互中的积极评级,可以在客户与代理之间建立连接。根据一个实施例,代理和客户的社交和行为配置文件(也被称为特征)均被用于构成连接。所述连接通过网络中的边界和链接呈现。配置文件可以被保持与节点相关联。
节点可以被分配可以存储在相应的配置文件中的不同属性,例如社交和行为属性。另外,边界本身可以具有可以捕获与它们连接的节点之间的关系的特性相关的信息的值或权重。例如,如果在客户与每个代理之间具有特定等级的“配合”,则可以形成客户与每个代理节点之间的边界。这种“配合”的确定可以基于例如客户与IMR服务器34的交互、客户与企业网站的交互、客户的社交媒体交互、客户与代理交互之后收到的反馈(例如,客户调查回复、NPS分数、代理评级,等等)、交互结果、客户/代理偏好信息、客户/代理的特征以及类似信息。可以被认为用于确定“配合”的客户/代理的特征可以类似于回报最大化模块102所考虑的客户配置文件(cp)和代理配置文件(ap和/或a)。这些配置文件数据的分析可以指示与将要被路由的交互相关联的客户与每个候选代理之间的配合度级别。例如,可以假设代理的配置文件与客户的配置文件的重合度越高,则客户与代理之间的匹配或配合越好。重合度可以根据哪些和多少属性被客户与代理共享(例如,代理和客户去同一个学校、生活在相同地区、有相同爱好、有相同国籍、有相同种类的宠物,等等)确定。在计算重合度时,特定属性的权重可以比其它属性更高。
客户与在第二阶段期间为确定配合而可以考虑的候选代理的其它特征可以与他们的行为配置文件相关。行为配置文件可以是例如代理和客户的实时行为状态,所述实时行为状态可以以与通过代理投标模块104(例如,通过语音分析模块)捕获的代理状态402类似的方法捕获。例如,可以认为感到不安的客户更加适合于被识别为具有高耐心分数的代理。就此而言,当涉及行为配置文件时,模块106可以不总是查找共享行为,相反地,而是查找兼容行为。行为兼容性可以基于模块106可访问的预设规则。例如,客户的不安行为可以被认为与代理的高耐心分数相容。
为确定“配合”考虑的因素中的一个或多个可以每个均表现为连接客户节点到相应的代理节点的单独边界。例如,可以提供分离的“代理评级”链接以将特定客户连接到特定代理,以表示在与该客户交互之后由该代理接收到的全部评级的平均值。这些值可以通过对每次交互完成时的岗位联络调查获得。另外,如果没有明确的调查,但是代理向***指示该交互总体是积极的,则可以使用描述来自特定客户的积极客户满意度的值来更新“客户满意度”链接。还可以为特定客户/代理对保持并更新其它边界和相关联的值/权重,例如,提供代理与客户之间的交互期间获得的全部回报值的平均值的“回报”链接、提供表明代理的配置文件多大程度上匹配客户的配置文件的值的“配置文件匹配”链接、以及为确定代理与客户之间的基本“配合”可以考虑的其它链接。
当新客户第一次与联络中心交互时,除了例如通过回报最大化模块102和/或代理投标模块104收集的偏好数据之外,没有任何关于特定代理的初始偏好。也就是说,新客户初始可能不会呈现在代理与客户的网络中。即使客户不是新的,在客户与有限数量的代理交互的大的联络中心中,也可能没有过去与联络中心中的大部分代理交互的数据。因此,从客户节点到任何代理节点的边界的值/权重可以是相同的(例如,全部具有值1)。然而,在很多情况中,偏好信息可以根据将客户路由到代理之前可以提取的与客户相关的特征信息进行推断。特定客户特征可以例如根据客户当前位置、对通过IMR服务器34提供的提示的响应、音频情绪分析、意图分析以及类似信息进行提取。客户与每个代理之间的配合随后可以根据提取的客户特征进行预测,并且选择被推测为最佳配合的代理用于将该客户路由到该代理。根据一个实施例,预测的配合是基于在交互期间获得的期望回报。期望的回报可以例如通过回报最大化模块102计算。
在一个示例中,模块106甚至可以接入从公共社交网络获得的信息中来确定代理与客户之间的配合。这些公共社交网络可以是通用的(例如,Facebook)或专业的(例如,自行车爱好者网络)。如果在代理-客户社交网络中代理与特定客户之间具有强链接(例如,他们是Facebook上的直接好友,或者分离程度在2或3之内),则可以假设该代理与在其它社交网络中与该客户亲密的人也亲密。
根据一个实施例,客户与每个代理之间的配合可以根据预测如果来自客户的交互将被路由到代理可能产生的情绪来预测。就此而言,代理/客户社交网络模块106可以被配置为分析全部客户的过去交互的音频记录、文本副本、电子邮件、SMS消息、聊天副本以及类似信息,以识别关键词,例如“谢谢,你给我很大帮助”、“你提供很好的帮助”以及作为明确情绪信息的表达交互的期望或非期望的状态或质量的其它词语。还可以从后续交互调查获取情绪信息,其中客户提供明确评级,例如代理评级、NPS分数、调查分数以及类似信息。即使没有明确的调查分数,如果客户明确地表示他喜欢特定代理(例如,该客户将代理标记为“喜欢”),则这可以作为对该代理积极情绪的明确指示,正如在2014年3月7日申请的名称为“Conversation Assistant”的美国申请第14/201,648号中进一步详细说明的,该专利申请的内容通过引用并入本文。
根据一个实施例,代理/客户社交网络模块106被配置为采用针对全部客户从过去的交互收集的数据(例如,指示和评级),并且为每个交互执行情绪分析。就此而言,模块106被配置为运行情绪分析算法以由收集的数据为过去的交互中的每一个确定情绪。所述算法可以包括语音标注、提取与客户所表达的关于交互的期望或不期望的状态或质量的意见相关的文本的一部分以及类似方面的指示。模块106随后可以应用本领域常用的监督学习技术来将交互分类为例如具有积极或消极的情绪。就此而言,所述算法可以被配置为根据情绪分析使用情绪标签来标记交互。所述标签可以是例如数值、图形化描述(星形、大拇指向上或向下)或者指示积极或消极情绪的其它标签(例如,“好”或“坏”)和/或这种情绪的等级。例如,如果使用数值,则值“1”可以指示客户不喜欢与代理交互,而值“5”可以指示客户真的喜欢与代理交互。
一旦分析了先前交互的情绪,则代理/客户社交网络模块106可以将该分析推广或扩展到预测特定客户与特定代理之间的当前交互的情绪。这种推广可以使用协同过滤或深度神经网络。对于协同过滤,将为当前客户预测情绪时,模块106尝试查找志趣相投(例如,共享相似的属性)且在代理中具有相似品味的其他客户。对于深度神经网络,到网络的输入可以是代表客户属性和代理属性的特征,输出为预测的情绪。根据一个实施例,根据产生特定情绪的过去交互中的客户和代理属性来训练深度神经网络。一般而言,在训练/学***、收入水平、位置以及类似方面。可以被认可的代理属性包括但不限于年龄、性别、教育水平、工作年限以及位置。
当客户与特定代理交互且该交互产生积极或消极体验时,可以由学习经验修改(多个)边界的权重。根据一个实施例,如果交互产生积极的体验,则客户节点与代理节点之间的一般“配合”边界(和/或,更具体地,“客户体验”边界)的权重将会升高,但是当交互产生消极的体验时则会降低。升高或降低的量可以基于例如在交互期间获得的实际回报。升高或降低的量还可以基于在交互之后的查询期间通过客户提供的值和/或交互之后从客户或代理接收的其它反馈。
根据一个实施例,替代或除了分配给连接代理和客户的边界的权重,可以操作特定客户节点与特定代理节点之间的距离,这样代理与客户之间配合越好,则节点在被显示以看到社交网络的图形中将显示得越近,而配合越差,则节点将显示地越远。
根据一个实施例,在确定通过代理过滤模块提供的多个候选代理中的哪一个应当被选择为最优代理时,代理/客户社交网络模块106考虑特定客户的特征、候选代理的配置文件和/或特定客户节点与候选代理节点之间的边界的权重或距离。根据一个实施例,代理/客户社交网络模块106根据代理/客户社交网络的分析执行用于推荐用于处理当前交互的候选代理中的一个或多个的分类算法。根据一个实施例,预测推荐的候选代理与客户具有最佳配合。
根据一个实施例,被认为与特定客户具有很好的配合的代理可以在第二阶段期间相对于其他候选代理被优先选择。
根据一个实施例,对特定代理的客户偏好可以在社交网络中展示给其他客户,以允许那些其他客户效仿且也表达对所述特定代理的偏好。就此而言,代理/客户社交网络模块提供对客户可访问的图形用户界面,以向其它客户展示他们的偏好数据。例如,特定客户可以(例如,通过大拇指向上的指示符或分配的等级值)在社交网络上向所述客户的朋友(例如,所述客户在FacebookTM上的朋友)共享或展示对特定代理的偏好。然而在另一个示例中,即使特定客户没有明确地展示他对特定代理的偏好,代理/客户社交网络模块也可以被配置为在为所述特定客户的朋友选择代理时考虑这些偏好数据。
在代理/客户社交网络模块106与其它最优化模块(例如,回报最大化模块102和/或代理投标模块104)结合使用的实施例中,代理与客户之间的配合的确定可以实现在这些其它模块完成的最优代理的选择之前或之后,以查找模块106和其它模块中的一个或多个认为最优的重叠代理。
在一个实施例中,如本领域技术人员将理解的,在前述附图中的多个服务器、控制器、交换机、网关、引擎和/或模块(统称为服务器)中的每一个通过硬件或固件(例如,ASIC)实现。
在一个实施例中,在前述附图中的多个服务器、控制器、交换机、网关、引擎和/或模块(统称为服务器)中的每一个为运行在一个或多个计算装置1500(例如,图9A、图9B)中的一个或多个处理器上、执行计算机程序指令并与用于执行本文描述的多种功能的其它***部件交互的进程或线程。计算机程序指令被存储在内存中,所述内存可以被实现为使用标准存储设备(例如,随机存取存储器(RAM))的计算装置。计算机程序指令还可以存储在其它非易失性计算机可读介质中,例如CD-ROM、闪存驱动器或类似介质。另外,本领域技术人员应当理解,计算装置可以通过固件(例如,应用程序专用的集成电路)、硬件或者软件、固件和硬件的组合来实现。本领域技术人员还应当理解的是,在不背离本发明的示例性实施例的范围的情况下,多种计算装置的功能可以被组合或集成到单个计算装置中,或者特定计算装置的功能可以被分散到一个或多个其它技术装置。服务器可以是软件模块,所述软件模块还可以被简称为模块。联络中心中的模块组可以包括服务器和其它模块。
多种服务器可以位于与联络中心的代理相同物理位置处的站内计算装置上,或者可以位于地理上不同位置处的站外(或云中),例如位于通过诸如因特网的网络连接到联络中心的远程数据中心。另外,服务器中的一些服务器可以位于联络中心处的站内计算装置中,而其它服务器可以位于站外计算装置中,或者提供冗余功能的服务器可以同时通过站内和站外计算装置提供以提供更大的故障容差。在本发明的一些实施例中,通过位于站外计算装置上的服务器提供的功能可以通过虚拟私人网络(VPN)访问并提供,如同这些服务器为站内服务器,或者所述功能可以使用软件即服务(SaaS)提供以使用多种协议通过因特网提供功能,例如通过使用可扩展标记语言(XML)或JavaScript对象表示法(JSON)编码来交换数据。
图11A和11B示出可以在本发明的示例性实施例中使用的计算装置1500的框图。每个计算装置1500包括中央处理单元1521和主内存单元1522。如图11A所示,计算装置1500还可以包括存储装置1528、可移除介质接口1516、网络接口1518、输入/输出(I/O)控制器1523、一个或多个显示装置1530c、键盘1530a和指向装置1530b,例如鼠标。存储装置1528可以包括但不限于用于操作***和软件的存储器。如图11B所示,每个计算装置1500还可以包括附加的可选元件,例如存储器端口1503、桥接器1570、一个或多个附加输入/输出装置1530d,1530e和与中央处理单元1521通信的高速缓存1540。输入/输出装置1530a、1530b、1530d和1530e在本文可以统一使用附图标记1530表示。
中央处理单元1521为响应并处理从主内存单元1522获取的指令的任何逻辑电路。所述逻辑电路可以被实现为例如集成电路、微处理器、微控制器或图形处理单元(GPU)的形式、或者现场可编程门阵列(FPGA)或应用程序专用的集成电路(ASIC)。主内存单元1522可以是能够存储数据并允许中央处理单元1521直接访问任何存储位置的一个或多个内存芯片。如图11A所示,中央处理单元1521通过***总线1550与主存储1522通信。如图11B所示,中央处理单元1521还可以通过内存端口1503与主内存1522直接通信。
图11B示出了中央处理单元1521通过第二总线(有时被称为后端总线)与高速缓存1540直接通信的实施例。在其它实施例中,中央处理单元1521使用***总线1550与高速缓存1540通信。高速缓存1540通常具有比主内存1522更快的响应时间。如图11A中所示,中央处理单元1521通过本地***总线1550与多种I/O装置1530通信。多种总线可以用作本地***总线1550,包括视频电子标准协会(VESA)本地总线(VLB)、工业标准体系结构(ISA)总线、扩展工业标准体系结构(EISA)总线、微通道架构(MCA)总线、外设部件互连标准(PCI)总线、PCI扩展(PCI-X)总线、PCI高速总线或网络用户总线。对于I/O装置为显示装置1530c的实施例,中央处理单元1521可以通过高级图形端口(AGP)与显示装置1530c通信。图11B示出其中中央处理单元1521与I/O装置1530e直接通信的计算机1500的实施例。图11B还示出了在其中混合了本地总线和直接通信的实施例:中央处理单元1521在与I/O装置1530e直接通信的同时使用本地***总线1550与I/O装置1530d通信。
计算装置1500中可以存在各种I/O装置1530。输入装置包括一个或多个键盘1530a、鼠标、触控板、轨迹球、麦克风和绘图板。输出装置包括视频显示装置1530c、扬声器和打印机。如图11A中所示,I/O控制器1523可以控制I/O装置。I/O控制器可以控制一个或多个I/O装置,例如键盘1530a和指向装置1530b,例如鼠标或光笔。
再次参照图11A,计算装置1500可以支持一个或多个可移除介质端口1516,例如软盘驱动器、CD-ROM驱动器、DVD-ROM驱动器、多种格式的磁带驱动器、USB端口、安全数字或COMPACT FLASHTM内存卡端口、或者适于从只读介质读取数据或从读写介质读取数据或向其写入数据的任何其它装置。I/O装置1530可以是***总线1550和可移除介质接口1516之间的桥接器。
可移除介质接口1516可以例如用于安装软件和程序。计算装置1500可以进一步包括存储装置1528,例如一个或多个硬盘驱动器或硬盘驱动器阵列,以存储操作***和其它相关软件以及存储应用程序软件程序。可选地,可移除介质接口1516还可以用作存储装置。例如,操作***和软件可以由可引导介质(例如,可引导CD)运行。
在一些实施例中,计算装置1500可以包括或连接到多个显示装置1530c,多个显示装置1530c中的每一个可以是相同或不同类型和/或形式。这样,I/O装置1530和/或I/O控制器1523中的任何一个都可以包括任何类型或形式的适当的硬件、软件或硬件和软件的组合,以通过计算装置1500支持、启动或提供到多个显示装置1530c的连接以及对多个显示装置1530c的使用。例如,计算装置1500可以包括任意类型和/或形式的视频适配器、显卡、驱动器和/或库,以连接、通信、连接或以其它方式使用显示装置1530c。在一个实施例中,视频适配器可以包括多个连接器以连接到多个显示装置1530c。在其它实施例中,计算装置1500可以包括多个视频适配器,并且每个视频适配器连接到显示装置1530c中的一个或多个。在一些实施例中,计算装置1500的操作***的任何一部分均可以被配置为使用多个显示装置1530c。在其它实施例中,显示装置1530c中的一个或多个可以通过一个或多个其它计算装置提供、通过网络连接到例如计算装置1500。这些实施例可以包括任意类型的软件,所述任意类型的软件被设计并构造为使用作为计算装置1500的第二显示装置1530c的另一个计算装置的显示装置。本领域技术人员将认识并领会到计算装置1500可以被配置为具有多个显示装置1530c的多种方法和实施例。
图11A和图11B中描述的类型的计算装置1500可以在操作***的控制下操作,所述操作***控制任务的进度以及对***资源的访问。计算装置1500可以运行任何操作***、任何嵌入式操作***、任何实时操作***、任何开源操作***、任何专用操作***、用于移动计算装置的任何操作***或者能够在计算装置上运行并执行本文描述的操作的任何其它操作***。
计算装置1500可以是任何工作站、台式计算机、膝上型或笔记本计算机、服务器机器、手持式计算机、移动电话或其它便携式电信装置、媒体播放装置、游戏***、移动计算装置或者能够通信并具有高效处理能力和存储能力以执行本文描述的操作的任何其它类型和/或形式的计算装置、电信装置或媒体装置。在一些实施例中,计算装置1500可以具有不同的处理器、操作***以及与所述装置配合的输入装置。
在其它实施例中,计算装置1500为移动装置,例如支持Java的蜂窝电话或个人数字助理(PDA)、智能手机、数字音频播放器或便携式媒体播放器。在一些实施例中,计算装置1500包括装置的组合,例如与数字音频播放器或便携式媒体播放器组合的移动电话。
如图11C所示,中央处理单元1521可以包括多个处理器P1、P2、P3、P4,并且可以提供多个指令的同时执行或者在多于一段的数据上的一个指令的同时执行的功能。在一些实施例中,计算装置1500可以包括具有一个或多个核的并行处理器。在这些实施例中的一个中,计算装置1500为具有多个处理器和/或多个处理器核的共享内存并行装置,其作为单个全局地址空间访问全部可用内存。在这些实施例中的另一个中,计算装置1500为具有每一个仅访问本地内存的多个处理器的分布式内存并行装置。仍然在这些实施例中的另一个中,计算装置1500同时包括一些共享的内存和一些仅可以由特定处理器或处理器的子集访问的存储内存。甚至在这些实施例中的另一个中,中央处理单元1521包括多核微处理器,所述多核微处理器将两个或更多个独立处理器组合为单个封装体,例如单个集成电路(IC)。在一个示例性实施例中,如图11D中所示,计算装置1500包括至少一个中央处理单元1521和至少一个图形处理单元1521'。
在一些实施例中,中央处理单元1521提供单指令多数据结构(SIMD)功能,例如,在多段数据上同时执行单个指令。在其他实施例中,中央处理单元1521中的多个处理器可以提供在多段数据上同时执行多个指令的功能(MIMD)。仍然在其他实施例中,中央处理单元1521可以在单个装置中使用SIMD和MIMD核的任意组合。
计算装置可以是通过网络连接的多个机器中的一个,或者所述计算装置可以包括如此连接的多个机器。图11E示出了示例性网络环境。网络环境包括通过一个或多个网络1504与一个或多个远程机器1506a、1506b、1506c(也统称为(多个)服务器1506或(多个)远端机器1506)通信的一个或多个本地机器1502a、1502b(也统称为(多个)本地机器1502、(多个)客户端1502、(多个)客户端节点1502、(多个)客户机1502、(多个)客户端计算机1502、(多个)客户端装置1502、(多个)端点1502或(多个)端点节点1502)。在一些实施例中,本地机器1502具有同时用作寻求访问通过服务器提供的资源的客户端节点和向其他客户端1502a和1502b提供对托管资源的访问的服务器的能力。尽管在图11E中仅示出了两个客户端1502和三个服务器1506,但是它们中的每一个通常可以为任意数量。网络1504可以是局域网(LAN)(例如,专用网络,诸如公司内联网)、城域网(MAN)或广域网(WAN)(例如,因特网)或另一种公共网络或它们的组合。
计算装置1500可以包括网络接口1518,以通过包括但不限于标准电话线、局域网(LAN)或广域网(WAN)链接、宽带连接、无线连接或上述各种连接的任意或全部的组合连接到网络1504。可以使用多种通信协议建立连接。在一个实施例中,计算装置1500通过任意类型和/或形式的网关或隧道协议(例如,加密套接字协议层(SSL)或安全传输层协议(TLS))与其它计算装置1500通信。网络接口1518可以包括适合于将计算装置1500连接到能够通信并执行本文描述的操作的任意类型的网络的内置网络适配器,例如网络接口卡。I/O装置1530可以是***总线1550与外部通信总线之间的桥接器。
根据一个实施例,图11E中的网络环境可以是虚拟网络环境,所述网络环境中的多种部件为虚拟的。例如,多种机器1502可以是实现为运行在物理机器上的基于软件的计算机的虚拟机。虚拟机可以共享相同的操作***。在其它实施例中,可以在每个虚拟机实例上运行不同的操作***。根据一个实施例,在多个虚拟机运行在同一主机物理机器上的情况中,实现虚拟化的“超级监管员”类型,每个虚拟机都像是具有其自己的专用空间。当然,虚拟机还可以运行在不同的主机物理机器上。
还能想到其它类型的虚拟化,例如网络(例如,通过软件定义网络(SDN))。诸如会话边界控制器的功能和其它类型的功能也可以通过例如网络功能虚拟化(NFV)被虚拟化。
尽管已在某些特定实施例中描述了本发明,但是本领域技术人员不难设计出所描述的实施例的变形,这些变形绝不脱离本发明的保护范围和精神。例如,替换以顺序方式将单个交互路由到单个代理,实施例可以扩展为多个交互同时路由/分配到多个代理。此外,对于各个技术领域的技术人员来说,本文的发明本身将提出其它任务的解决方案以及针对其他应用的修改。例如,尽管上述实施例主要以路由入站交互进行说明,但是本领域技术人员应当理解的是还可以应用在出站活动期间选择向其分配代理的出站呼叫/客户。因此,例如,回报最大化模块102可以根据客户的配置文件估计客户并将特定代理分配到预测使回报(例如,销售)最大化的呼叫/客户中的一个。因此,本发明的当前实施例在各个方面都应当被认为是说明性的而非限制性的。
Claims (70)
1.一种用于将交互路由到联络中心代理的***,所述***包括:
处理器;和
内存,其中所述内存中存储有指令,当通过所述处理器执行所述指令时使所述处理器:
识别将被路由的交互;
根据用于产生一个或多个候选代理的一个或多个限制识别代理组;
收集围绕所述候选代理的上下文数据;
针对所述候选代理中的每一个代理,估计通过将所述交互路由到所述代理获得的期望值;
根据所述估计选择所述候选代理中的特定代理;和
向路由装置发送信号以将所述交互路由到所述特定代理。
2.根据权利要求1所述的***,其中,所述一个或多个限制为用于处理所述多个交互的技能。
3.根据权利要求1所述的***,其中,所述期望值根据所述候选代理的配置文件、与所述交互相关联的客户的配置文件以及所述交互的意图计算。
4.根据权利要求3所述的***,其中,所述候选代理中的每一个的配置文件包括动态添加的技能,其中所述动态添加的技能被忽略或映射到另一个技能,以计算所述期望值。
5.根据权利要求3所述的***,其中,熟练等级与所述技能相关联,其中所述熟练等级根据对所述候选代理中的每一个的呼叫转接的分析来调整。
6.根据权利要求3所述的***,其中,所述候选代理的所述配置文件包括在处理所述交互中所述代理中的每一个的偏好,其中所述指令进一步使所述处理器:
根据所述相应的代理的偏好为所述候选代理中的一个或多个生成路由提议。
7.根据权利要求6所述的***,其中,与多个交互相关联的所述候选代理和客户被建模为代理与客户网络,其中代表所述候选代理中的一个的节点与代表所述客户中的一个的节点之间的连接表示所述候选代理中的所述一个与所述客户中的所述一个之间的配合。
8.根据权利要求7所述的***,其中,使所述处理器选择所述特定代理的所述指令进一步包括使所述处理器确定与将被路由的所述交互相关联的客户与所述特定代理的配合程度的指令。
9.根据权利要求8所述的***,其中,使所述处理器确定所述客户与所述特定代理的配合程度的所述指令进一步包括使所述处理器预测在所述客户与所述特定代理之间的所述交互期间预期情绪的指令。
10.根据权利要求1所述的***,其中,所述期望值被建模为具有置信上界的标准正态分布,并且使所述处理器选择所述特定代理的所述指令使所述处理器选择与具有最高置信上界的期望值相关联的代理。
11.根据权利要求1所述的***,其中,对与所述最高置信上界相关联的所述代理的所述选择平衡探索和利用的需求。
12.根据权利要求11所述的***,其中,通过选择被认为是次优的代理满足所述探索需求,并且通过选择最大化期望值的代理满足利用需求。
13.根据权利要求1所述的***,其中,使所述处理器选择所述特定代理的所述指令包括使所述处理器完成以下操作的指令:
同时识别等待被路由的多个交互,其中所述多个交互包括将被路由的所述交互;以及
为所述多个交互选择联络中心代理。
14.根据权利要求13所述的***,还包括:
估计将所述多个交互中的每一个路由到所述联络中心代理中的每一个所获得的所述期望值。
15.根据权利要求14所述的***,还包括:
计算与所述联络中心代理中的每一个相关联的预测等待时间,其中针对所述联络中心代理中的特定的一个的所述期望值是所述多个代理中的所述特定的一个的预测等待时间的函数。
16.根据权利要求1所述的***,其中,所述交互为实时交互。
17.一种用于将交互路由到联络中心代理的***,所述***包括:
处理器;和
内存,其中所述内存中存储有指令,当通过所述处理器执行所述指令时使所述处理器:
识别将被路由的交互;
根据用于产生一个或多个候选代理的一个或多个限制识别第一代理组;
收集所述候选代理中的每一个的偏好;
收集所述交互的上下文;
根据收集的所述偏好和所述上下文从所述一个或多个候选代理中识别第二代理组;
调用所述第二组中的每个代理以为所述交互进行投标;
接收来自所述第二组中的特定代理的投标;和
响应于接收到的所述投标,发送信号以将所述交互路由到所述特定代理。
18.根据权利要求17所述的***,其中,所述交互为实时交互。
19.根据权利要求17所述的***,其中,使所述处理器识别所述第二代理组的所述指令进一步包括使所述处理器执行以下操作的指令:
为所述候选代理中的每一个估计将通过路由所述交互到所述代理获得的预期值;和
根据所述估计选择所述候选代理中的特定代理。
20.根据权利要求19所述的***,其中,所述预期值是代理满意度值。
21.根据权利要求17所述的***,其中,所述偏好与所述交互的属性相关。
22.根据权利要求21所述的***,其中,所述属性是所述交互的上下文。
23.根据权利要求17所述的***,其中,所述偏好与代理技能相关。
24.根据权利要求23所述的***,其中,所述代理技能是被标记为所述代理偏好的自我评估的代理技能。
25.根据权利要求17所述的***,其中,所述偏好与时限相关联,在所述时限之后,所述偏好过期。
26.根据权利要求17所述的***,其中,所述指令进一步使所述处理器:
从所述第二组中的第二代理接收与来自所述特定代理的投标同时发生的第二投标;和
使用打破关联程序以将所述交互分配到所述特定代理。
27.根据权利要求26所述的***,其中,所述打破关联路由包括确定通过所述特定代理和所述第二代理积累的投标积分数。
28.根据权利要求17所述的***,其中,使所述处理器识别所述第二代理组的所述指令进一步包括使所述处理器根据与所述候选代理中的每一个相关联的代理状态来识别所述第二组的指令。
29.根据权利要求17所述的***,其中,所述交互与投标积分相关联,并且所述指令进一步使所述处理器:
在完成所述交互时为所述特定代理分配所述投标积分。
30.根据权利要求17所述的***,其中,与所述交互相关联的所述一个或多个候选代理和客户被建模为代理与客户网络,其中代表所述候选代理中的一个的节点与代表所述客户的节点之间的连接表示所述候选代理中的所述一个与所述客户之间的配合。
31.根据权利要求30所述的***,其中,使所述处理器识别所述第二代理组的所述指令进一步包括使所述处理器确定所述客户与所述第二代理组的配合程度的指令。
32.根据权利要求31所述的***,其中,使所述处理器确定所述客户与所述第二代理组的配合程度的所述指令进一步包括使所述处理器预测在所述客户与所述第二代理中的每一个之间的交互期间期望的情绪的指令。
33.根据权利要求17所述的***,其中,所述一个或多个限制为用于处理所述多个交互的技能或可用性。
34.一种用于将交互路由到联络中心代理的***,所述***包括:
处理器;和
内存,其中所述内存中存储有指令,当通过所述处理器执行所述指令时使所述处理器:
识别代理与客户网络,其中所述网络中的每个节点表示代理或客户,并且响应于识别所述客户与所述代理之间的配合在代表所述代理的所述节点与代表所述客户的所述节点之间建立连接;
识别将被路由的当前交互;
根据用于产生一个或多个候选代理的一个或多个限制识别第一代理组;
根据所述代理与客户网络确定当前客户与所述候选代理中的每一个的配合;
选择所述候选代理中的具有最优配合的特定代理;和
发送信号以将所述当前交互路由到所述特定代理。
35.根据权利要求34所述的***,其中,使所述处理器确定所述当前客户与所述候选代理中的每一个之间的所述配合的所述指令包括使所述处理器预测所述当前交互期间期望的情绪的指令。
36.根据权利要求35所述的***,其中,使所述处理器预测情绪的所述指令包括使所述处理器执行以下操作的指令:
分析多个先前交互中的每一个的内容;
为所述先前交互中的每一个识别来自分析的所述内容的情绪;
学习产生识别的所述情绪的代理属性或客户属性;和
根据学习的所述属性为所述当前交互识别期望的情绪。
37.根据权利要求34所述的***,其中,所述当前客户与所述候选代理中的特定代理之间的所述配合是基于与所述特定代理的属性相容的所述客户的属性。
38.根据权利要求37所述的***,其中,所述特定代理的所述属性包括所述代理的技能,所述代理的技能响应于分别检测到特定主题的交互的增加和减少被动态地添加和删除。
39.根据权利要求37所述的***,其中,所述特定代理和所述当前客户的所述属性被分别存储在代理配置文件记录和客户配置文件记录中。
40.根据权利要求37所述的***,其中,所述当前客户的所述属性从所述客户与自动应答***的交互获得。
41.根据权利要求34所述的***,其中,所述当前客户与所述候选代理中的每一个之间的所述配合是基于所述当前客户与所述候选代理中的每一个之间的先前交互。
42.根据权利要求34所述的***,其中,所述配合被表示为指示所述当前客户与所述候选代理中的每一个之间的配合程度的数值。
43.根据权利要求42所述的***,其中,所述数值是基于作为所述当前客户与所述候选代理中的每一个之间的先前交互的结果获得的值。
44.根据权利要求42所述的***,其中,所述数值是基于作为将所述当前交互路由到所述候选代理中的每一个的结果而获得的每一个期望值。
45.根据权利要求44所述的***,其中,所述期望值根据所述候选代理中的每一个的配置文件、所述当前客户的所述配置文件以及所述当前交互的意图计算。
46.根据权利要求45所述的***,其中,所述候选代理中的每一个的所述配置文件包括在处理交互中所述代理的偏好,并且所述指令进一步使所述处理器:
根据所述相应代理的所述偏好为所述多个候选代理中的一个或多个生成路由提议。
47.根据权利要求44所述的***,其中,所述候选代理中的每一个的所述配置文件包括动态添加的技能,其中所述动态添加的技能被忽略或映射到另一个技能以计算所述期望值。
48.根据权利要求47所述的***,其中,所述熟练等级与所述技能相关联,其中所述熟练等级根据对所述候选代理中的每一个的呼叫转接的分析进行调整。
49.根据权利要求34所述的***,其中,所述交互为实时交互。
50.根据权利要求34所述的***,其中,所述一个或多个限制为用于处理所述多个交互的技能。
51.一种用于将交互路由到联络中心代理的***,所述***包括:
处理器;和
内存,其中所述内存中存储有指令,当通过所述处理器执行所述指令时使所述处理器:
同时识别等待被路由的多个交互;
识别能够用于处理所述多个交互的多个候选代理;
计算与所述候选代理中的每一个相关联的预测等待时间;
针对所述多个候选代理中的每一个代理,估计通过将所述多个交互中的每一个路由到所述代理将获得的期望值,其中所述期望值是所述预测等待时间的函数;
根据所述估计的回报将所述多个交互中的每一个分配到所述多个候选代理中的一个;和
向路由装置发送信号以将所述多个交互中的每一个路由到分配到所述交互的所述代理。
52.根据权利要求51所述的***,其中,所述交互为实时交互。
53.根据权利要求51所述的***,其中,所述预测等待时间是基于所述相应代理的当前状态。
54.根据权利要求53所述的***,其中,所述状态表示所述代理是否能够用于处理所述交互。
55.根据权利要求51所述的***,其中,所述预测等待时间是基于预测的客户耐心阈值,所述客户耐心阈值指示放弃所述交互之前所述客户将等待的时长。
56.根据权利要求51所述的***,其中,所述期望值根据折扣系数进行折扣,其中所述折扣系数根据所述预测的等待时间计算。
57.根据权利要求56所述的***,其中,如果所述候选代理中的特定的一个当前不可用且所述等待时间超出预测的客户耐心阈值,则通过将所述交互中的特定的一个路由到所述候选代理中的所述特定的一个获得的所述期望值被计算为0。
58.根据权利要求51所述的***,其中,所述期望值被建模为具有置信上界的标准正态分布。
59.根据权利要求51所述的***,其中,所述期望值根据所述多个候选代理的配置文件、与所述多个交互相关联的客户的配置文件以及所述多个交互中的每一个的意图计算。
60.根据权利要求59所述的***,其中,所述多个候选代理中的每一个的所述配置文件包括动态添加的技能,其中所述动态添加的技能被忽略或映射到另一个技能以计算所述期望值。
61.根据权利要求60所述的***,其中,所述熟练等级与所述技能相关联,其中所述熟练等级根据对所述多个候选代理中的每一个的呼叫转接的分析进行调整。
62.根据权利要求59所述的***,其中,所述多个候选代理的所述配置文件包括在处理交互中所述代理中的每一个的偏好,其中所述指令进一步使所述处理器:
根据所述相应的代理的所述偏好为所述多个候选代理中的一个或多个生成路由提议。
63.根据权利要求51所述的***,其中,所述多个候选代理和与所述多个交互相关联的客户被建模为代理与客户网络,其中代表所述候选代理中的一个的节点与代表所述客户中的一个的节点之间的连接表示所述候选代理中的所述一个与所述客户中的所述一个之间的配合。
64.根据权利要求63所述的***,其中,使所述处理器将所述多个交互中的每一个分配到所述多个候选代理中的一个的所述指令进一步包括使所述处理器确定与所述交互中的特定的一个相关联的所述客户与所述多个候选代理中的所述一个的配合程度的指令。
65.根据权利要求63所述的***,其中,使所述处理器确定所述客户与所述多个候选代理中的所述一个的配合程度的所述指令进一步包括使所述处理器预测在所述客户与所述多个候选代理中的所述一个之间的所述交互期间期望的情绪的指令。
66.根据权利要求51所述的***,其中,所述指令还使所述处理器:
识别一个或多个限制,其中所述多个候选代理被认为满足所述一个或多个限制。
67.根据权利要求51所述的***,其中,所述一个或多个限制为用于处理所述多个交互的技能。
68.根据权利要求51所述的***,其中,使所述处理器将所述多个交互中的每一个分配到所述多个候选代理中的一个的所述指令进一步使所述处理器:
从所述分配中查找最大化总期望值的分配。
69.一种参照附图说明的与上文基本相同的***。
70.一种参照附图说明的与上文基本相同的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011269070.9A CN112671823A (zh) | 2015-10-19 | 2016-10-18 | 基于机器学习的交互到联络中心代理的最优路由 |
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/887,310 US9723151B2 (en) | 2015-10-19 | 2015-10-19 | Optimized routing of interactions to contact center agents based on forecast agent availability and customer patience |
US14/887,276 | 2015-10-19 | ||
US14/887,276 US9716792B2 (en) | 2015-10-19 | 2015-10-19 | System and method for generating a network of contact center agents and customers for optimized routing of interactions |
US14/887,297 US9635181B1 (en) | 2015-10-19 | 2015-10-19 | Optimized routing of interactions to contact center agents based on machine learning |
US14/887,310 | 2015-10-19 | ||
US14/887,318 | 2015-10-19 | ||
US14/887,297 | 2015-10-19 | ||
US14/887,318 US20170111503A1 (en) | 2015-10-19 | 2015-10-19 | Optimized routing of interactions to contact center agents based on agent preferences |
PCT/US2016/057560 WO2017070126A1 (en) | 2015-10-19 | 2016-10-18 | Optimized routing of interactions to contact center agents based on machine learning |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011269070.9A Division CN112671823A (zh) | 2015-10-19 | 2016-10-18 | 基于机器学习的交互到联络中心代理的最优路由 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108476230A true CN108476230A (zh) | 2018-08-31 |
CN108476230B CN108476230B (zh) | 2022-04-19 |
Family
ID=58558009
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011269070.9A Pending CN112671823A (zh) | 2015-10-19 | 2016-10-18 | 基于机器学习的交互到联络中心代理的最优路由 |
CN201680074593.3A Active CN108476230B (zh) | 2015-10-19 | 2016-10-18 | 基于机器学习的交互到联络中心代理的最优路由 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011269070.9A Pending CN112671823A (zh) | 2015-10-19 | 2016-10-18 | 基于机器学习的交互到联络中心代理的最优路由 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9723151B2 (zh) |
EP (1) | EP3366025A4 (zh) |
KR (1) | KR102121135B1 (zh) |
CN (2) | CN112671823A (zh) |
AU (1) | AU2016341201A1 (zh) |
CA (4) | CA3009944C (zh) |
WO (1) | WO2017070126A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993314A (zh) * | 2019-02-13 | 2019-07-09 | 阿里巴巴集团控股有限公司 | 基于强化学习模型的业务用户分流方法和装置 |
CN111669329A (zh) * | 2019-03-07 | 2020-09-15 | 阿瓦亚公司 | 联络中心路由机制 |
CN112306707A (zh) * | 2019-07-26 | 2021-02-02 | 阿瓦亚管理有限合伙公司 | 增强的数字消息传递 |
CN114223188A (zh) * | 2019-08-14 | 2022-03-22 | 利维帕尔森有限公司 | 用于管理交互邀请的***和方法 |
TWI815400B (zh) * | 2022-04-14 | 2023-09-11 | 合作金庫商業銀行股份有限公司 | 情緒分析系統 |
Families Citing this family (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8300798B1 (en) | 2006-04-03 | 2012-10-30 | Wai Wu | Intelligent communication routing system and method |
US9525743B2 (en) * | 2013-07-16 | 2016-12-20 | Interactive Intelligence Group, Inc. | System and method for predictive live interaction offering and hosting |
US20170310746A1 (en) * | 2016-04-21 | 2017-10-26 | Sony J. ROUNDHILL | System for communicating with select group(s) of users and methods of use |
US10083451B2 (en) | 2016-07-08 | 2018-09-25 | Asapp, Inc. | Using semantic processing for customer support |
CN111555954B (zh) | 2016-07-08 | 2023-04-07 | 艾赛普公司 | 自动响应用户的请求 |
US10109275B2 (en) | 2016-12-19 | 2018-10-23 | Asapp, Inc. | Word hash language model |
AU2018220752A1 (en) * | 2017-02-17 | 2019-08-29 | Kyndi, Inc. | Method and apparatus of machine learning using a network with software agents at the network nodes and then ranking network nodes |
US20180288226A1 (en) * | 2017-04-03 | 2018-10-04 | Avaya Inc. | High performance distributed computer work assignment engine |
US11188809B2 (en) * | 2017-06-27 | 2021-11-30 | International Business Machines Corporation | Optimizing personality traits of virtual agents |
US10762423B2 (en) * | 2017-06-27 | 2020-09-01 | Asapp, Inc. | Using a neural network to optimize processing of user requests |
US11777875B2 (en) | 2017-09-15 | 2023-10-03 | Microsoft Technology Licensing, Llc | Capturing and leveraging signals reflecting BOT-to-BOT delegation |
US11151467B1 (en) | 2017-11-08 | 2021-10-19 | Amdocs Development Limited | System, method, and computer program for generating intelligent automated adaptive decisions |
US10771406B2 (en) | 2017-11-11 | 2020-09-08 | Microsoft Technology Licensing, Llc | Providing and leveraging implicit signals reflecting user-to-BOT interaction |
US20190158366A1 (en) * | 2017-11-17 | 2019-05-23 | International Business Machines Corporation | Cognitive analysis based prioritization for support tickets |
US10497004B2 (en) | 2017-12-08 | 2019-12-03 | Asapp, Inc. | Automating communications using an intent classifier |
US10489792B2 (en) | 2018-01-05 | 2019-11-26 | Asapp, Inc. | Maintaining quality of customer support messages |
US11568236B2 (en) | 2018-01-25 | 2023-01-31 | The Research Foundation For The State University Of New York | Framework and methods of diverse exploration for fast and safe policy improvement |
US10210244B1 (en) * | 2018-02-12 | 2019-02-19 | Asapp, Inc. | Updating natural language interfaces by processing usage data |
US10165109B1 (en) * | 2018-02-20 | 2018-12-25 | Ploytech Ipco Pty Ltd. | Telephony software control via web application |
US20220292518A1 (en) * | 2018-03-16 | 2022-09-15 | Wells Fargo Bank, N.A. | Sentiment analysis data retrieval |
US11188855B2 (en) * | 2018-03-26 | 2021-11-30 | International Business Machines Corporation | Machine learning task assignment |
US10169315B1 (en) | 2018-04-27 | 2019-01-01 | Asapp, Inc. | Removing personal information from text using a neural network |
US11216510B2 (en) | 2018-08-03 | 2022-01-04 | Asapp, Inc. | Processing an incomplete message with a neural network to generate suggested messages |
US10747957B2 (en) | 2018-11-13 | 2020-08-18 | Asapp, Inc. | Processing communications using a prototype classifier |
US11551004B2 (en) | 2018-11-13 | 2023-01-10 | Asapp, Inc. | Intent discovery with a prototype classifier |
US11295251B2 (en) * | 2018-11-13 | 2022-04-05 | International Business Machines Corporation | Intelligent opportunity recommendation |
US10938867B2 (en) * | 2018-12-03 | 2021-03-02 | Avaya Inc. | Automatic on hold communication session state management in a contact center |
US10880238B2 (en) * | 2019-01-28 | 2020-12-29 | LiveChat Software S.A. | Chat-based method and system for displaying to the end user greetings or custom messages based on qualifiers |
US10395648B1 (en) * | 2019-02-06 | 2019-08-27 | Capital One Services, Llc | Analysis of a topic in a communication relative to a characteristic of the communication |
WO2020194322A1 (en) * | 2019-03-23 | 2020-10-01 | Telefonaktiebolaget Lm Ericsson (Publ) | Apparatus, program, and method, for resource control |
SG11202109962PA (en) * | 2019-03-28 | 2021-10-28 | Liveperson Inc | Dynamic message processing and aggregation of data in messaging |
US10951504B2 (en) | 2019-04-01 | 2021-03-16 | T-Mobile Usa, Inc. | Dynamic adjustment of service capacity |
US10951764B2 (en) * | 2019-04-01 | 2021-03-16 | T-Mobile Usa, Inc. | Issue resolution script generation and usage |
US11270354B2 (en) | 2019-07-29 | 2022-03-08 | TapText llc | System and methods for advertisement campaign tracking and management using a multi-platform adaptive ad campaign manager |
US20230021327A1 (en) * | 2019-07-29 | 2023-01-26 | TapText llc | System and methods for claiming promotional rewards using a reward wheel |
US11657424B2 (en) * | 2019-07-29 | 2023-05-23 | TapText llc | System and method for multi-channel dynamic advertisement system |
US11403666B2 (en) * | 2019-07-29 | 2022-08-02 | TapText llc | System and method for advertisement campaign tracking and management utilizing near-field communications |
US20210233097A1 (en) * | 2020-01-20 | 2021-07-29 | TapText llc | System and method for text-based delivery of sales promotions |
US11599916B2 (en) * | 2020-01-20 | 2023-03-07 | TapText llc | System and method for omnichannel text-based router and communication system |
US11399097B2 (en) * | 2019-08-02 | 2022-07-26 | Fmr Llc | Systems and methods for search based call routing |
US11025780B2 (en) * | 2019-08-02 | 2021-06-01 | Fmr Llc | Systems and methods for search based call routing |
US11425064B2 (en) | 2019-10-25 | 2022-08-23 | Asapp, Inc. | Customized message suggestion with user embedding vectors |
US11289075B1 (en) * | 2019-12-13 | 2022-03-29 | Amazon Technologies, Inc. | Routing of natural language inputs to speech processing applications |
US20210200743A1 (en) * | 2019-12-30 | 2021-07-01 | Ensemble Rcm, Llc | Validation of data in a database record using a reinforcement learning algorithm |
US11367089B2 (en) * | 2020-03-16 | 2022-06-21 | Nice Ltd | Genuineness of customer feedback |
WO2021195222A1 (en) * | 2020-03-24 | 2021-09-30 | Tap Text llc | System and method for omnichannel text-based router and communication system |
US11252202B2 (en) * | 2020-04-07 | 2022-02-15 | International Business Machines Corporation | Support request assignment using pace of conversation |
CN111431628B (zh) * | 2020-04-10 | 2021-07-06 | 厦门大学 | 一种提升水声通信链路平均吞吐量的方法 |
US11336539B2 (en) * | 2020-04-20 | 2022-05-17 | SupportLogic, Inc. | Support ticket summarizer, similarity classifier, and resolution forecaster |
US11232798B2 (en) | 2020-05-21 | 2022-01-25 | Bank Of America Corporation | Audio analysis system for automatic language proficiency assessment |
US11128591B1 (en) * | 2020-08-27 | 2021-09-21 | Cisco Technology, Inc. | Dynamic interaction of a dynamic ideogram in an electronic messaging environment |
US11531670B2 (en) | 2020-09-15 | 2022-12-20 | Ensemble Rcm, Llc | Methods and systems for capturing data of a database record related to an event |
US20220092512A1 (en) * | 2020-09-21 | 2022-03-24 | Nice Ltd | System and method for distributing an agent interaction to the evaluator by utilizing hold factor |
US11128754B1 (en) | 2020-11-16 | 2021-09-21 | Allstate Insurance Company | Machine learning system for routing optimization based on historical performance data |
CN116888951A (zh) | 2020-12-08 | 2023-10-13 | 吉尼赛斯云服务第二控股有限公司 | 用于具有放弃的多技能联络中心中的稳健等待时间估计的方法和*** |
US11645595B2 (en) * | 2020-12-15 | 2023-05-09 | International Business Machines Corporation | Predictive capacity optimizer |
BR112023023161A2 (pt) * | 2021-05-07 | 2024-01-23 | Genesys Cloud Services Holdings Ii Llc | Sistema para rotear interações, método de rotear interações, e, uma ou mais mídias de armazenamento não transitórias |
US20220374813A1 (en) * | 2021-05-19 | 2022-11-24 | Mitel Networks Corporation | Customer request routing based on social media clout of customers and agents |
US11955117B2 (en) | 2021-05-27 | 2024-04-09 | The Toronto-Dominion Bank | System and method for analyzing and reacting to interactions between entities using electronic communication channels |
US20230015083A1 (en) * | 2021-07-18 | 2023-01-19 | Nice Ltd. | System and method for managing staffing variances in a contact center |
US11868942B2 (en) | 2021-10-26 | 2024-01-09 | Sy Interiors Pvt. Ltd. | Methods and systems for facilitating ranking agents making sales of real estate |
WO2023091519A1 (en) * | 2021-11-17 | 2023-05-25 | Aktana, Inc. | Systems and methods for goal-driven contextual omnichannel optimization using well-rounded artificial intelligence |
US11989514B2 (en) | 2022-03-18 | 2024-05-21 | Capital One Services, Llc | Identifying high effort statements for call center summaries |
WO2023250008A1 (en) * | 2022-06-22 | 2023-12-28 | Afiniti, Ltd. | Fault management in a communication system |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0995300A2 (en) * | 1997-07-09 | 2000-04-26 | Iex Corporation | Skills-based scheduling for telephone call centers |
EP1107557A2 (en) * | 1999-12-06 | 2001-06-13 | Avaya Technology Corp. | System for automatically routing calls to call center agents in an agent surplus condition based on delay probabilities |
US20030007628A1 (en) * | 2001-06-26 | 2003-01-09 | International Business Machines Corporation | Load balancing among call center agents |
US20040081311A1 (en) * | 2002-10-23 | 2004-04-29 | Paul Thompson | Method abandoned call rescue |
CN101010934A (zh) * | 2004-09-10 | 2007-08-01 | 微软公司 | 机器学习 |
US20090122972A1 (en) * | 2007-11-13 | 2009-05-14 | Kaufman Donald L | Independent customer service agents |
CN101529458A (zh) * | 2006-08-30 | 2009-09-09 | 维瑞蒂有限责任公司 | 订单分发器 |
US7676034B1 (en) * | 2003-03-07 | 2010-03-09 | Wai Wu | Method and system for matching entities in an auction |
CN102273185A (zh) * | 2008-08-29 | 2011-12-07 | 资源集团国际有限公司 | 基于多变量标准化评分和影子队列的呼叫路由方法及*** |
US20120051536A1 (en) * | 2010-08-26 | 2012-03-01 | The Resource Group International Ltd | Estimating agent performance in a call routing center system |
US20130030854A1 (en) * | 2011-07-29 | 2013-01-31 | Avaya Inc. | Method and system for managing contacts in a contact center |
WO2013148452A1 (en) * | 2012-03-26 | 2013-10-03 | The Resource Group International, Ltd. | Call mapping systems and methods using bayesian mean regression (bmr) |
US20140355748A1 (en) * | 2013-05-28 | 2014-12-04 | Mattersight Corporation | Optimized predictive routing and methods |
US20150117632A1 (en) * | 2013-10-31 | 2015-04-30 | Genesys Telecommunications Laboratories, Inc. | System and method for performance-based routing of interactions in a contact center |
US20150215463A1 (en) * | 2014-01-29 | 2015-07-30 | Avaya Inc. | Agent rating prediction and routing |
US20150281448A1 (en) * | 2014-03-25 | 2015-10-01 | Interactive Intelligence, Inc. | System and method for predicting contact center behavior |
Family Cites Families (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020087393A1 (en) | 1998-07-31 | 2002-07-04 | Laurent Philonenko | Dynamically updated QoS parameterization according to expected business revenue |
US20010011228A1 (en) | 1998-07-31 | 2001-08-02 | Grigory Shenkman | Method for predictive routing of incoming calls within a communication center according to history and maximum profit/contribution analysis |
US6366666B2 (en) | 1998-12-16 | 2002-04-02 | Avaya Technology Corp. | Adjustment of call selection to achieve target values for interval-based performance metrics in a call center |
US7373410B2 (en) | 2002-10-23 | 2008-05-13 | Genesys Telecommunications Laboratories, Inc. | Method and system for providing adaptive and proactive interaction management for multiple types of business interactions occurring in a multimedia communications environment |
US7792773B2 (en) | 2002-10-23 | 2010-09-07 | Genesys Telecommunications Laboratories, Inc. | Method and system for enabling automated and real-time discovery of skills available to agents and systems in a multimedia communications network |
US20060233346A1 (en) | 1999-11-16 | 2006-10-19 | Knowlagent, Inc. | Method and system for prioritizing performance interventions |
US6584192B1 (en) | 1999-12-06 | 2003-06-24 | Genesys Telecommunications Laboratories, Inc. | Method and apparatus for skills-based task routing |
US7321298B2 (en) | 2000-02-25 | 2008-01-22 | Harris Corporation | Skills based routing method and system for call center |
US6556671B1 (en) | 2000-05-31 | 2003-04-29 | Genesys Telecommunications Laboratories, Inc. | Fuzzy-logic routing system for call routing with-in communication centers and in other telephony environments |
US7430523B1 (en) | 2000-06-12 | 2008-09-30 | Tariq Khalidi | Automated competitive bidding system and process |
DE10052214A1 (de) | 2000-10-20 | 2002-05-08 | Ais Man Gmbh | Verfahren und System zur Durchführung von Ausschreibungen |
US7299259B2 (en) * | 2000-11-08 | 2007-11-20 | Genesys Telecommunications Laboratories, Inc. | Method and apparatus for intelligent routing of instant messaging presence protocol (IMPP) events among a group of customer service representatives |
US7929562B2 (en) * | 2000-11-08 | 2011-04-19 | Genesis Telecommunications Laboratories, Inc. | Method and apparatus for optimizing response time to events in queue |
US8126799B2 (en) | 2002-01-09 | 2012-02-28 | Ariba, Inc. | Method of bidding to drive competition in an auction |
US7023979B1 (en) | 2002-03-07 | 2006-04-04 | Wai Wu | Telephony control system with intelligent call routing |
US7363055B2 (en) * | 2002-05-09 | 2008-04-22 | Casabyte, Inc. | Method, apparatus and article to remotely associate wireless communications devices with subscriber identities and/or proxy wireless communications devices |
US7962379B2 (en) | 2003-06-16 | 2011-06-14 | Oprisk Associates, Llc | Business process for increasing win probability in large complex contract competitions |
US7487094B1 (en) | 2003-06-20 | 2009-02-03 | Utopy, Inc. | System and method of call classification with context modeling based on composite words |
WO2005036531A2 (en) | 2003-09-12 | 2005-04-21 | Cendant Mobility Services Corporation | System and method of selecting freight forwarding companies |
US6963826B2 (en) * | 2003-09-22 | 2005-11-08 | C3I, Inc. | Performance optimizer system and method |
US20060182258A1 (en) | 2005-02-15 | 2006-08-17 | Seatlink, Inc. | Contact-center routing based on games or contests involving the agents |
US20060245580A1 (en) * | 2005-04-27 | 2006-11-02 | Sbc Knowledge Ventures Lp | Method and apparatus for associating customer needs with agents |
US8300798B1 (en) | 2006-04-03 | 2012-10-30 | Wai Wu | Intelligent communication routing system and method |
US8718262B2 (en) | 2007-03-30 | 2014-05-06 | Mattersight Corporation | Method and system for automatically routing a telephonic communication base on analytic attributes associated with prior telephonic communication |
CN101060617B (zh) * | 2007-05-22 | 2010-07-28 | 华为技术有限公司 | 一种视频点播控制方法、客户端设备和切换控制装置 |
US20090171752A1 (en) | 2007-12-28 | 2009-07-02 | Brian Galvin | Method for Predictive Routing of Incoming Transactions Within a Communication Center According to Potential Profit Analysis |
CN101340494B (zh) * | 2008-07-29 | 2011-03-16 | 华为技术有限公司 | 一种呼叫中心的通告方法及*** |
US8644488B2 (en) | 2008-10-27 | 2014-02-04 | Nuance Communications, Inc. | System and method for automatically generating adaptive interaction logs from customer interaction text |
US8412530B2 (en) | 2010-02-21 | 2013-04-02 | Nice Systems Ltd. | Method and apparatus for detection of sentiment in automated transcriptions |
US8861710B2 (en) * | 2010-05-19 | 2014-10-14 | Avaya Inc. | Playing expected wait time on agent's notification |
US20120101865A1 (en) | 2010-10-22 | 2012-04-26 | Slava Zhakov | System for Rating Agents and Customers for Use in Profile Compatibility Routing |
US8965793B2 (en) | 2011-03-24 | 2015-02-24 | Valorbec, Societe En Commandite | Multi-attribute auctioning method and system |
US8489421B2 (en) | 2011-05-02 | 2013-07-16 | Matthew Davis | Health care cost management marketplace |
CN103067194B (zh) * | 2011-10-24 | 2017-06-27 | 南京中兴新软件有限责任公司 | 一种终端在线状态监控方法及*** |
US9208465B2 (en) * | 2011-12-01 | 2015-12-08 | Xerox Corporation | System and method for enhancing call center performance |
US20130144746A1 (en) | 2011-12-06 | 2013-06-06 | Tam A. Phung | Methods, devices and systems for the generation of requests for quotes from aggregated construction-related and permitting information |
US8761380B2 (en) * | 2012-02-28 | 2014-06-24 | Avaya Inc. | Adaptive estimated wait time predictor |
US8718269B2 (en) * | 2012-09-20 | 2014-05-06 | Avaya Inc. | Risks for waiting for well-matched |
US8792630B2 (en) * | 2012-09-24 | 2014-07-29 | Satmap International Holdings Limited | Use of abstracted data in pattern matching system |
US9392115B2 (en) | 2012-11-19 | 2016-07-12 | Genesys Telecommunications Laboratories, Inc. | System and method for contact center activity routing based on agent preferences |
US9900435B2 (en) | 2012-11-19 | 2018-02-20 | Genesys Telecommunications Laboratories, Inc. | Best match interaction set routing |
US20140143018A1 (en) | 2012-11-21 | 2014-05-22 | Verint Americas Inc. | Predictive Modeling from Customer Interaction Analysis |
US9674356B2 (en) | 2012-11-21 | 2017-06-06 | Genesys Telecommunications Laboratories, Inc. | Dynamic recommendation of routing rules for contact center use |
US9912816B2 (en) | 2012-11-29 | 2018-03-06 | Genesys Telecommunications Laboratories, Inc. | Workload distribution with resource awareness |
US10289967B2 (en) | 2013-03-01 | 2019-05-14 | Mattersight Corporation | Customer-based interaction outcome prediction methods and system |
US9386152B2 (en) | 2013-03-15 | 2016-07-05 | Genesys Telecommunications Laboratories, Inc. | Intelligent automated agent and interactive voice response for a contact center |
US9154626B2 (en) * | 2013-03-15 | 2015-10-06 | Avaya Inc. | Secret transfers in contact centers |
US9154627B2 (en) | 2013-05-13 | 2015-10-06 | Genesys Telecommunication Laboratories, Inc. | Activities assignment optimization for multi-skill contact center |
US9172810B2 (en) * | 2013-06-27 | 2015-10-27 | Avaya Inc. | System and method for calculating context-aware estimated wait time for customers |
US9654638B2 (en) * | 2013-07-29 | 2017-05-16 | Avaya Inc. | Method and system for determining customer's skill, knowledge level, and/or interest |
US9020128B1 (en) | 2013-10-10 | 2015-04-28 | Avaya, Inc. | System and method for cost-based automatic call distribution with statistically predictable wait time |
US9661067B2 (en) | 2013-12-23 | 2017-05-23 | 24/7 Customer, Inc. | Systems and methods for facilitating dialogue mining |
US9392116B2 (en) * | 2013-12-26 | 2016-07-12 | Genesys Telecommunications Laboratories, Inc. | System and method for customer experience management |
US9413890B2 (en) * | 2014-01-08 | 2016-08-09 | Avaya Inc. | Systems and methods for monitoring and prioritizing metrics with dynamic work issue reassignment |
US10339544B2 (en) * | 2014-07-02 | 2019-07-02 | WaitTime, LLC | Techniques for automatic real-time calculation of user wait times |
US20160006871A1 (en) * | 2014-07-03 | 2016-01-07 | Avaya Inc. | System and method for managing resources in an enterprise |
CN104506923B (zh) * | 2014-12-31 | 2017-11-28 | 华为技术有限公司 | 一种多媒体处理装置、多媒体处理服务器及其方法 |
-
2015
- 2015-10-19 US US14/887,310 patent/US9723151B2/en active Active
-
2016
- 2016-10-18 KR KR1020187013906A patent/KR102121135B1/ko active IP Right Grant
- 2016-10-18 CA CA3009944A patent/CA3009944C/en active Active
- 2016-10-18 AU AU2016341201A patent/AU2016341201A1/en not_active Abandoned
- 2016-10-18 CA CA3151722A patent/CA3151722A1/en active Pending
- 2016-10-18 CA CA3151384A patent/CA3151384A1/en active Pending
- 2016-10-18 CA CA3151430A patent/CA3151430A1/en active Pending
- 2016-10-18 EP EP16858080.1A patent/EP3366025A4/en not_active Withdrawn
- 2016-10-18 CN CN202011269070.9A patent/CN112671823A/zh active Pending
- 2016-10-18 CN CN201680074593.3A patent/CN108476230B/zh active Active
- 2016-10-18 WO PCT/US2016/057560 patent/WO2017070126A1/en active Application Filing
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0995300A2 (en) * | 1997-07-09 | 2000-04-26 | Iex Corporation | Skills-based scheduling for telephone call centers |
EP1107557A2 (en) * | 1999-12-06 | 2001-06-13 | Avaya Technology Corp. | System for automatically routing calls to call center agents in an agent surplus condition based on delay probabilities |
US20030007628A1 (en) * | 2001-06-26 | 2003-01-09 | International Business Machines Corporation | Load balancing among call center agents |
US20040081311A1 (en) * | 2002-10-23 | 2004-04-29 | Paul Thompson | Method abandoned call rescue |
US7676034B1 (en) * | 2003-03-07 | 2010-03-09 | Wai Wu | Method and system for matching entities in an auction |
CN101010934A (zh) * | 2004-09-10 | 2007-08-01 | 微软公司 | 机器学习 |
CN101529458A (zh) * | 2006-08-30 | 2009-09-09 | 维瑞蒂有限责任公司 | 订单分发器 |
US20090122972A1 (en) * | 2007-11-13 | 2009-05-14 | Kaufman Donald L | Independent customer service agents |
CN102273185A (zh) * | 2008-08-29 | 2011-12-07 | 资源集团国际有限公司 | 基于多变量标准化评分和影子队列的呼叫路由方法及*** |
US20120051536A1 (en) * | 2010-08-26 | 2012-03-01 | The Resource Group International Ltd | Estimating agent performance in a call routing center system |
US20130030854A1 (en) * | 2011-07-29 | 2013-01-31 | Avaya Inc. | Method and system for managing contacts in a contact center |
WO2013148452A1 (en) * | 2012-03-26 | 2013-10-03 | The Resource Group International, Ltd. | Call mapping systems and methods using bayesian mean regression (bmr) |
US20140355748A1 (en) * | 2013-05-28 | 2014-12-04 | Mattersight Corporation | Optimized predictive routing and methods |
US20150117632A1 (en) * | 2013-10-31 | 2015-04-30 | Genesys Telecommunications Laboratories, Inc. | System and method for performance-based routing of interactions in a contact center |
US20150215463A1 (en) * | 2014-01-29 | 2015-07-30 | Avaya Inc. | Agent rating prediction and routing |
US20150281448A1 (en) * | 2014-03-25 | 2015-10-01 | Interactive Intelligence, Inc. | System and method for predicting contact center behavior |
Non-Patent Citations (1)
Title |
---|
DIAMANTINO FALCÃO等: "Q-Learning Based Hyper-Heuristic For Scheduling System Self-Parameterization", 《IEEE》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993314A (zh) * | 2019-02-13 | 2019-07-09 | 阿里巴巴集团控股有限公司 | 基于强化学习模型的业务用户分流方法和装置 |
TWI743558B (zh) * | 2019-02-13 | 2021-10-21 | 開曼群島商創新先進技術有限公司 | 基於強化學習模型的業務用戶分流方法和裝置 |
CN111669329A (zh) * | 2019-03-07 | 2020-09-15 | 阿瓦亚公司 | 联络中心路由机制 |
CN112306707A (zh) * | 2019-07-26 | 2021-02-02 | 阿瓦亚管理有限合伙公司 | 增强的数字消息传递 |
CN114223188A (zh) * | 2019-08-14 | 2022-03-22 | 利维帕尔森有限公司 | 用于管理交互邀请的***和方法 |
CN114223188B (zh) * | 2019-08-14 | 2024-04-26 | 利维帕尔森有限公司 | 用于管理交互邀请的***和方法 |
TWI815400B (zh) * | 2022-04-14 | 2023-09-11 | 合作金庫商業銀行股份有限公司 | 情緒分析系統 |
Also Published As
Publication number | Publication date |
---|---|
US9723151B2 (en) | 2017-08-01 |
CA3151430A1 (en) | 2017-04-27 |
US20170111507A1 (en) | 2017-04-20 |
CN112671823A (zh) | 2021-04-16 |
CA3151722A1 (en) | 2017-04-27 |
CA3009944C (en) | 2022-05-31 |
EP3366025A1 (en) | 2018-08-29 |
KR20180071312A (ko) | 2018-06-27 |
WO2017070126A1 (en) | 2017-04-27 |
EP3366025A4 (en) | 2018-10-03 |
CA3151384A1 (en) | 2017-04-27 |
AU2016341201A1 (en) | 2018-06-07 |
CN108476230B (zh) | 2022-04-19 |
KR102121135B1 (ko) | 2020-06-18 |
CA3009944A1 (en) | 2017-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108476230A (zh) | 基于机器学习的交互到联络中心代理的最优路由 | |
US9635181B1 (en) | Optimized routing of interactions to contact center agents based on machine learning | |
US9716792B2 (en) | System and method for generating a network of contact center agents and customers for optimized routing of interactions | |
US20190026676A1 (en) | System and method for providing dynamic recommendations based on interactions in retail stores | |
US20170111503A1 (en) | Optimized routing of interactions to contact center agents based on agent preferences | |
US9762733B1 (en) | System and method for recommending communication mediums based on predictive analytics | |
US20160189558A1 (en) | Learning Based on Simulations of Interactions of a Customer Contact Center | |
CN106062803A (zh) | 用于客户体验管理的***和方法 | |
JP5819572B1 (ja) | 階層ベース配列の機械学習モデル | |
US20150201077A1 (en) | Computing suggested actions in caller agent phone calls by using real-time speech analytics and real-time desktop analytics | |
CN104813311A (zh) | 用于多人的虚拟代理推荐的***和方法 | |
CN105960655A (zh) | 用于呼叫中心中交互的基于性能的路由的***和方法 | |
CN105229687A (zh) | 用于呼叫中心的智能自动代理 | |
JP2015534148A (ja) | 階層ベース配列の機械学習モデル | |
US10387506B2 (en) | Systems and methods for online matchmaking | |
WO2015183940A1 (en) | Multi-tenant based analytics for contact centers | |
CA2999184C (en) | Method and apparatus for reserving zero-wait time agent interactions | |
CN106797382A (zh) | 用于呼叫中心的基于事件的路由的***和方法 | |
CN111402071B (zh) | 保险业智能客服机器人***以及设备 | |
US11431574B2 (en) | System and method for hierarchical relationship matrix opportunity scoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |