KR20180071312A - 기계 학습에 기반한 최적화된 컨택 센터 에이전트와의 라우팅 인터랙션 - Google Patents
기계 학습에 기반한 최적화된 컨택 센터 에이전트와의 라우팅 인터랙션 Download PDFInfo
- Publication number
- KR20180071312A KR20180071312A KR1020187013906A KR20187013906A KR20180071312A KR 20180071312 A KR20180071312 A KR 20180071312A KR 1020187013906 A KR1020187013906 A KR 1020187013906A KR 20187013906 A KR20187013906 A KR 20187013906A KR 20180071312 A KR20180071312 A KR 20180071312A
- Authority
- KR
- South Korea
- Prior art keywords
- agent
- interaction
- customer
- agents
- processor
- Prior art date
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 395
- 238000010801 machine learning Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims description 106
- 230000006870 function Effects 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 50
- 230000008451 emotion Effects 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 699
- 238000004422 calculation algorithm Methods 0.000 description 50
- 230000006978 adaptation Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 21
- 238000001914 filtration Methods 0.000 description 21
- 238000005457 optimization Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 230000002996 emotional effect Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000002787 reinforcement Effects 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
- 238000007726 management method Methods 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
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000007774 longterm 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
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 229910000906 Bronze Inorganic materials 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 239000010974 bronze Substances 0.000 description 2
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 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 compound 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 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 231100000735 select agent Toxicity 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
-
- H04L67/327—
-
- 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
-
- 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
-
- G06N99/005—
-
- 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)
- Educational Administration (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (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
컨택 센터 에이전트와의 인터랙션을 라우팅하도록 적응된 시스템이다. 보다 구체적으로, 상기 시스템은 라우팅될 인터랙션을 식별하고, 하나 이상의 후보 에이전트를 생성하기 위한 하나 이상의 제약에 기초하여 에이전트 그룹을 식별하도록 적응된다. 상기 시스템은 또한 후보 에이전트들을 둘러싸는 컨텍스트 데이터를 수집하도록 적응된다. 상기 후보 에이전트의 각 에이전트에 대해, 상기 시스템은 상기 에이전트와의 상기 인터랙션을 라우팅함으로써 획득될 기대값을 추정하도록 적응된다. 상기 시스템은 추정치들에 기초하여 후보 에이전트들의 특정 에이전트를 선택하고, 상기 특정 에이전트로 상기 인터랙션을 라우팅하기 위한 라우팅 디바이스에 신호를 보내도록 더 적응된다.
Description
효율적인 컨택 센터 운영의 중요한 측면은 적합한 고객 인터랙션을 적합한 컨택 센터 에이전트에게 전달하는 것이다. 이러한 인터랙션은 전화 통화, 전자 메일, 텍스트 메시지, 채팅 메시지 등으로 구성될 수 있다. 최상의 에이전트를 확인하는 것은 두 가지 목적을 제공하는 데에 도움이 되며, 이는 (i) 발신자에게 좋은 경험을 제공하고, (ii) 비용을 절감하고 그리고/또는 비즈니스 수익을 향상시키는 것이다. 고객 컨택 센터 (CC)는 전통적으로 고객 인터랙션을 라우팅하기 위해 스킬 베이스(skill-based) 라우팅을 사용한다. 전통적인 스킬 베이스 라우팅에서, 에이전트의 스킬은 에이전트가 특정 인터랙션을 처리할 수 있는지 여부를 결정할 때 고려해야 할 주요 요인 중 하나이다. 이 스킬은 에이전트의 언어 숙련도, 영업 스킬, 인증 등에 관련될 수 있다. 이러한 스킬 기반 라우팅에 대한 전통적인 접근 방식에서는 에이전트에 대해 명시적 스킬 모델(explicit skill models)이 생성되고, 에이전트에게 인터랙션하는 것을 매핑(mapping)하기 위한 프리셋(preset) 라우팅 전략과 함께 스킬 모델이 사용된다.
명시적 스킬 모델을 사용하는 전통적인 스킬 베이스 라우팅의 한 가지 단점은 모델이 종종 정적이며 환경에 대한 실시간 변경을 기반으로 동적으로 적응하지 않는다는 것이다. 전통적인 스킬 베이스 매칭(matching)은 종종 동일한 스킬을 가진 것으로 간주되는 비교적 큰 에이전트 풀을 생성한다. 전통적인 스킬 베이스 모델의 또 다른 단점은 수동 구축 및 유지 관리가 필요하다는 것이다. 따라서 스킬 모델이 세련될수록 비용이 많이 든다. 따라서, 고객의 인터랙션을 에이전트에 매칭하여 전통적인 스킬 베이스 라우팅에만 기초한 매칭보다 이러한 접속을 더 최적으로 만드는 고객 인터랙션을 에이전트에 매칭시키는 시스템 및 방법이 필요하며, 여기서 매칭은 최소화된 수작업으로 구성 및/또는 유지될 수 있는 모델을 사용하여 수행될 수 있다.
일 실시예에 따르면, 본 발명은 인터랙션을 콘택트 센터 에이전트에 라우팅하기 위해서, 명령을 저장한 프로세서 및 메모리를 통해서, 적응된 시스템에 관한 것이다. 보다 구체적으로, 상기 시스템은 라우팅될 인터랙션을 식별하고, 하나 이상의 후보 에이전트를 생성하기 위한 하나 이상의 제약에 기초하여 에이전트 그룹을 식별하도록 적응된다. 상기 시스템은 또한 상기 후보 에이전트들을 둘러싸는 컨텍스트(contest) 데이터를 수집하도록 적응된다. 상기 후보 에이전트의 각 에이전트에 대해, 상기 시스템은 상기 에이전트와의 상기 인터랙션을 라우팅함으로써 획득될 기대값을 추정하도록 적응된다. 상기 시스템은 상기 추정치들에 기초하여 상기 후보 에이전트들의 특정 에이전트를 선택하고, 상기 인터랙션을 상기 특정 에이전트로 라우팅하기 위한 라우팅 디바이스에 신호를 보내도록 더 적응된다.
일 실시예에 따르면, 하나 이상의 제약은 복수의 인터랙션을 처리하기 위한 기술이다.
일 실시예에 따르면, 기대값은 후보 에이전트의 프로파일, 인터랙션과 연관된 고객의 프로파일 및 인터랙션의 의도에 기초하여 계산된다.
일 실시예에 따르면, 후보 에이전트들 각각의 프로파일은 동적으로 부가된 스킬을 포함한다. 동적으로 부가된 스킬은 예상값을 계산하기 위해, 무시되거나 다른 스킬에 매핑될 수 있다.
일 실시예에 따르면, 숙련도 레벨은 스킬과 관련된다. 능숙도 레벨은 후보 에이전트 각각에 대한 호출 전송의 분석에 기초하여 조정될 수 있다.
일 실시예에 따르면, 상기 후보 에이전트의 상기 프로파일은 상기 인터랙션을 처리하는데 있어서 상기 에이전트 각각의 선호도를 포함하고, 상기 시스템은 상기 대응하는 에이전트의 선호도에 기초하여 후보 에이전트 중 하나 이상에 대한 라우팅 제안을 생성하도록 적응된다.
일 실시예에 따르면, 복수의 인터랙션과 관련된 후보 에이전트 및 고객은 에이전트 및 고객의 네트워크로서 모델링된다. 후보 에이전트 중 하나를 나타내는 노드와 고객 중 하나를 나타내는 노드 간의 연결은 후보 에이전트 중 하나와 고객 중 하나 사이의 적합성을 나타낼 수 있다.
일 실시예에 따르면, 상기 시스템은 라우팅될 인터랙션과 관련된 고객이 특정 에이전트와 얼마나 적합한지를 결정하도록 또한 구성된다. 적합성을 결정할 때, 시스템은 고객과 특정 에이전트 간의 인터랙션 중에 예상되는 정서를 예측하도록 적용될 수 있다.
일 실시예에 따르면, 기대값은 상위 신뢰 경계(upper confidence bound)를 갖는 표준 정규 분포로서 모델링되고, 시스템은 가장 높은 상위 신뢰 경계를 갖는 기대값과 연관된 에이전트를 선택하도록 적응된다.
일 실시예에 따르면, 가장 높은 상위 신뢰 범위와 관련된 에이전트의 선택은 탐색(exploration) 및 악용(exploitation) 니즈(needs)의 균형을 맞춘다. 일 실시예에 따르면, 탐색 니즈는 차선의 것으로 간주되는 에이전트를 선택함으로써 만족되고, 기대값을 최대화하는 에이전트를 선택함으로써 악용 니즈가 충족된다.
일 실시예에 따르면, 특정 에이전트를 선택할 때, 시스템은 라우팅 될 대기중인 복수의 인터랙션을 동시에 식별하고, 복수의 인터랙션은 라우팅될 인터랙션을 포함하며, 복수의 인터랙션을 위한 컨택 센터 에이전트를 선택한다.
일 실시예에 따르면, 시스템은 복수의 인터랙션들 각각을 컨택 센터 에이전트들 각각으로 라우팅하기 위해 획득될 기대값을 추정하도록 적응된다.
일 실시예에 따르면, 시스템은 컨택 센터 에이전트들 각각과 연관된 예측된 대기 시간을 계산하도록 적응되며, 여기서 컨택 센터 에이전트 중 특정 컨택 센터 에이전트에 대한 기대 값은 복수의 에이전트 중 특정 에이전트에 대한 예측된 대기 시간의 함수이다.
일 실시예에 따르면, 인터랙션은 실시간 인터랙션이다.
본 발명의 이들 및 다른 특징, 양상 및 장점은 다음의 상세한 설명, 첨부된 청구 범위 및 첨부된 도면과 관련하여 고려될 때 더욱 완전히 이해될 것이다. 물론, 본 발명의 실제 범위는 첨부된 청구 범위에 의해 한정된다.
일 실시예에 따르면, 본 발명은 인터랙션을 콘택트 센터 에이전트에 라우팅하기 위해 명령을 저장한 프로세서 및 메모리를 통해 적응된 시스템에 관한 것이다. 보다 구체적으로, 시스템은 라우팅될 인터랙션을 식별하고, 하나 이상의 후보 에이전트를 생성하기 위한 하나 이상의 제약에 기초하여 제1 에이전트 그룹을 식별하도록 적응된다. 상기 시스템은 후보 에이전트 각각의 선호도를 모으고, 인터랙션의 컨텍스트를 수집하며, 상기 하나 이상의 후보 에이전트로부터, 상기 수집된 선호도 및 컨텍스트에 기초하여 제2 에이전트 그룹을 식별하도록 적응된다. 상기 시스템은 또한 제2 그룹의 각 에이전트를 초대하여 인터랙션을 위한 입찰을 하도록 구성된다. 상기 시스템은 또한 제2 그룹 내의 특정 에이전트로부터 입찰을 수신하고, 상기 수신된 입찰에 응답하여 상기 인터랙션을 상기 특정 에이전트에 라우팅하기 위한 신호를 전송하도록 적응된다.
일 실시예에 따르면, 인터랙션은 실시간 인터랙션이다.
일 실시예에 따르면, 후보 에이전트 각각에 대해, 시스템은 에이전트에 인터랙션을 라우팅하고 예상에 기초하여 후보 에이전트의 특정 에이전트를 선택함으로써 얻어질 기대값을 추정하도록 되어 있다. 기대값은 에이전트 만족값일 수 있다.
일 실시예에 따르면, 선호도는 인터랙션의 속성에 관련된다. 속성은 인터랙션의 컨텍스트 일 수 있다.
일 실시예에 따르면, 선호는 에이전트 스킬에 관한 것이다. 에이전트 스킬은 에이전트가 선호하는 것으로 표시된 자체 평가 에이전트 스킬일 수 있다.
일 실시예에 따르면, 선호도는 그 후 선호도가 만료되는 시간 제한과 관련된다.
일 실시예에 따르면, 시스템은 또한 특정 에이전트로부터의 비딩과 동시에 제2 그룹의 제2 에이전트로부터 제2 비딩을 수신하도록 적응되며; 특정 에이전트에 인터랙션을 할당하는 타이 브레이크 루틴을 사용한다. 타이 브레이크 라우팅은 특정 에이전트 및 제2 에이전트에 의해 발생된 입찰 포인트의 양을 결정하는 것을 포함할 수 있다.
일 실시예에 따르면, 시스템은 후보 에이전트 각각에 관련된 에이전트 상태에 기초하여 제2 그룹을 식별하도록 적응된다.
일 실시예에 따르면, 인터랙션은 입찰 포인트와 연관되고, 시스템은 인터랙션이 완료되면 특정 에이전트에 입찰 포인트를 할당하도록 되어 있다.
일 실시예에 따르면, 하나 이상의 후보 에이전트 및 인터랙션과 연관된 고객은 에이전트 및 고객의 네트워크에서 모델링되며, 후보 에이전트 중 하나를 나타내는 노드와 고객을 나타내는 노드 간의 연결은 후보 에이전트 중 하나와 고객 사이에 적합하다.
일 실시예에 따르면, 제2 에이전트 그룹을 식별하는데 있어서, 시스템은 고객이 제2 에이전트 그룹에 얼마나 적합한지를 결정하도록 또한 적응된다. 적합성을 결정할 때, 시스템은 고객과 제 2의 에이전트 각각과의 인터랙션 동안 예상되는 정서를 예측하도록 적응될 수 있다.
일 실시예에 따르면, 하나 이상의 제한은 스킬 및 복수의 인터랙션을 처리하기 위한 유용성이다.
본 발명의 이들 및 다른 특징, 양상 및 장점은 다음의 상세한 설명, 첨부된 청구 범위 및 첨부된 도면과 관련하여 고려 될 때 더욱 완전히 이해될 것이다. 물론, 본 발명의 실제 범위는 첨부된 청구 범위에 의해 한정된다.
일 실시예에 따르면, 본 발명은 인터랙션을 콘택트 센터 에이전트에 라우팅하기 위해 명령을 저장한 프로세서 및 메모리를 통해 적응된 시스템에 관한 것이다. 보다 구체적으로, 시스템은 에이전트 및 고객의 네트워크를 식별하도록 적응된다. 네트워크의 각 노드는 에이전트 또는 고객을 나타내며 고객과 에이전트 간의 적합성을 확인하는 것에 대한 응답으로 에이전트를 나타내는 노드와 고객을 나타내는 노드간에 연결이 이루어진다. 상기 시스템은 라우팅 될 현재의 인터랙션을 식별하고, 하나 이상의 후보 에이전트를 생성하기 위한 하나 이상의 제약에 기초하여 제1 에이전트 그룹을 식별하고, 현재 고객과 상기 후보 에이전트 각각 간의 적합성을 결정하도록 적응된다. 에이전트 및 고객의 네트워크. 상기 시스템은 또한 최적합을 갖는 후보 에이전트의 특정 에이전트를 선택하고, 현재 에이전트와의 현재 인터랙션을 라우팅하기 위한 신호를 전송하도록 적응된다.
일 실시예에 따르면, 적합을 결정함에 있어서, 시스템은 현재 인터랙션 동안 예상될 정서를 예측하도록 적응된다.
일 실시예에 따르면, 정서를 예측할 때, 시스템은 복수의 이전 인터랙션의 각각의 물질을 분석하도록 추가로 구성된다. 이전 인터랙션 각각에 대해, 시스템은 분석된 물질로부터 정서를 식별하고, 식별된 정서를 초래한 에이전트 또는 고객 속성을 학습하고, 학습된 특성에 기초하여 현재 인터랙션에 대한 예상된 정체를 식별하도록 또한 적응된다.
일 실시예에 따르면, 현재 고객과 후보 에이전트의 특정 에이전트 사이의 적합성은 특정 에이전트의 속성과 호환 가능한 고객의 속성에 기초한다.
일 실시예에 따르면, 특정 에이전트의 속성은 특정 주제의 인터랙션의 증가 및 감소를 각각 검출하는 것에 응답하여 동적으로 추가되고 삭제되는 에이전트의 기술을 포함한다.
일 실시예에 따르면, 특정 에이전트 및 현재 고객의 속성은 에이전트 및 고객 프로파일 레코드에 각각 저장된다.
일 실시예에 따르면, 현재 고객의 속성은 고객과 자동 응답 시스템의 인터랙션으로부터 얻어진다.
일 실시예에 따르면, 현재 고객과 각각의 후보 에이전트 사이의 적합성(fit)은 현재 고객과 후보 에이전트 각각 간의 이전 인터랙션에 기초한다.
일 실시예에 따르면, 적합은 현재 고객과 후보 에이전트 각각 사이의 적합량을 나타내는 수치로 표현된다. 숫자 값은 현재 고객과 각 후보 에이전트 사이의 이전 인터랙션 결과로 얻은 값을 기반으로 할 수 있다.
일 실시예에 따르면, 수치는 후보 에이전트 각각에 현재의 인터랙션을 라우팅한 결과로서 얻어질 각 기대값에 기초할 수 있다.
일 실시예에 따르면, 기대값은 후보 에이전트 각각의 프로파일, 현재 고객의 프로파일 및 현재 인터랙션의 의도에 기초하여 계산된다.
일 실시예에 따르면, 후보 에이전트 각각의 프로파일은 인터랙션을 처리하는 에이전트의 선호도를 포함한다. 상기 시스템은 대응하는 에이전트들의 선호도에 기초하여 상기 복수의 후보 에이전트들 중 하나 이상에 라우팅 제안(offer)을 생성하도록 적응된다.
일 실시예에 따르면, 후보 에이전트들 각각의 프로파일은 동적으로 부가된 스킬을 포함한다. 동적으로 추가된 스킬은 기대값을 계산하기 위해 무시되거나 다른 스킬에 매핑될 수 있다.
일 실시예에 따르면, 숙련도 레벨은 스킬과 관련된다. 능숙도 레벨은 후보 에이전트 각각에 대한 호출 전송의 분석에 기초하여 조정될 수 있다.
일 실시예에 따르면, 인터랙션은 실시간 인터랙션이다.
일 실시예에 따르면, 하나 이상의 제약은 복수의 인터랙션을 처리하기 위한 기술이다.
일 실시예에 따르면, 본 발명은 인터랙션을 콘택트 센터 에이전트에 라우팅하기 위해 명령을 저장한 프로세서 및 메모리를 통해 적응된 시스템에 관한 것이다. 보다 구체적으로, 시스템은 라우팅 될 대기중인 복수의 인터랙션을 동시에 식별하고, 복수의 인터랙션을 처리하기 위해 실행 가능한 복수의 후보 에이전트를 식별하도록 적응된다. 시스템은 또한 후보 에이전트 각각과 관련된 예측된 대기 시간을 계산하도록 구성된다. 복수의 후보 에이전트의 각각의 에이전트에 대해, 시스템은 복수의 인터랙션 각각을 에이전트에 라우팅함으로써 얻어질 기대값을 추정하도록 되어 있다. 일 실시예에 따르면, 기대값은 예측된 대기 시간의 함수이다. 상기 시스템은 또한 상기 추정된 리워드에 기초하여 상기 복수의 인터랙션 각각을 상기 복수의 후보 에이전트 중 하나에 할당하고, 상기 복수의 인터랙션 각각을 상기 인터랙션에 할당된 에이전트로 라우팅 하기 위한 라우팅 디바이스에 신호를 보낸다.
일 실시예에 따르면, 인터랙션은 실시간 인터랙션이다.
일 실시예에 따르면, 예측된 대기 시간은 대응하는 에이전트의 현재 상태에 기초한다.
일 실시예에 따르면, 상태는 에이전트가 인터랙션을 처리할 수 있는지 여부를 나타낸다.
일 실시예에 따르면, 예측된 대기 시간은 고객이 인터랙션을 포기하기 전에 기꺼이 기다려야 하는 시간의 양을 나타내는 예측된 고객 인내 임계값에 기초한다.
일 실시예에 따르면, 기대값은 디스카운트 팩터(discount factor)에 기초하여 할인되고, 여기서 디스카운트 팩터는 예측된 대기 시간에 기초하여 계산된다.
일 실시예에 따르면, 후보 에이전트 중 특정 하나가 현재 이용 가능하지 않고 대기 시간이 예측된 고객 인내 임계값을 초과하는 경우, 인터랙션 중 특정 하나를 후보 에이전트 중 특정 하나에 라우팅함으로써 획득될 기대값은 0으로 계산된다.
일 실시예에 따르면, 기대 값은 상위 신뢰 경계를 갖는 표준 정규 분포로서 모델링된다.
일 실시예에 따르면, 기대 값은 복수의 후보 에이전트의 프로파일, 복수의 인터랙션과 연관된 고객의 프로파일, 및 복수의 인터랙션 각각의 인텐트(intent)에 기초하여 계산된다.
일 실시예에 따르면, 복수의 후보 에이전트 각각의 프로파일은 동적으로 부가된 스킬을 포함한다. 동적으로 추가된 스킬은 기대값을 계산하기 위해 무시되거나 다른 스킬에 매핑될 수 있다.
일 실시예에 따르면, 숙련도 레벨은 스킬과 관련된다. 숙련도는 복수의 후보 에이전트 각각에 대한 호출 전송의 분석에 기초하여 조정될 수 있다.
일 실시예에 따르면, 복수의 후보 에이전트의 프로파일은 인터랙션을 처리하는데 있어서 에이전트의 각각의 선호도를 포함한다. 시스템은 대응되는 에이전트의 선호도에 기초하여 하나 이상의 복수의 후보 에이전트에 라우팅 제안을 생성하기 위해 적응된다.
일 실시예에 따르면, 복수의 후보 에이전트 및 복수의 인터랙션과 연관된 고객은 에이전트 및 고객의 네트워크로서 모델링된다. 후보 에이전트 중 하나를 나타내는 노드와 고객 중 하나를 나타내는 노드 간의 커넥션은 후보 에이전트 중 하나와 고객 중 하나 사이의 적합성을 나타낼 수 있다.
일 실시예에 따르면, 상기 복수의 인터랙션 각각을 상기 복수의 후보 에이전트 중 하나에 할당함에 있어서, 상기 시스템은 또한 상기 인터랙션 중 특정 하나와 연관된 고객이 상기 복수의 후보 에이전트 중 하나와 얼마나 적합한지를 결정하도록 적응된다.
일 실시예에 따르면, 고객이 복수의 후보 에이전트 중 하나에 얼마나 적합한지를 결정할 때, 시스템은 고객과 복수의 후보 에이전트 중 하나 사이의 인터랙션 동안 예상될 정서를 예측하도록 적응된다.
일 실시예에 따르면, 시스템은 또한 하나 이상의 제약을 식별하도록 적응되며, 여기서 복수의 후보 에이전트는 하나 이상의 제약을 만족시키는 것으로 간주된다. 하나 이상의 제약은 복수의 인터랙션을 처리하기 위한 스킬일 수 있다.
일 실시예에 따르면, 상기 복수의 인터랙션 각각을 상기 복수의 후보 에이전트 중 하나에 할당함에 있어서, 상기 시스템은 상기 할당들로부터 전체 예상값을 최대화하는 할당들을 발견하도록 더 적응된다.
본 발명의 이들 및 다른 특징, 양상 및 장점은 다음의 상세한 설명, 첨부된 청구 범위 및 첨부된 도면과 관련하여 고려될 때 더욱 완전히 이해될 것이다. 물론, 본 발명의 실제 범위는 첨부된 청구 범위에 의해 한정된다.
도 1은 본 발명의 일 실시예에 따른 컨택 센터 서비스를 제공하는 컨택 센터를 지원하는 시스템의 개략적인 블록도이다.
도 2는 도 1은 본 발명의 일 실시예에 따른 라우팅 서버의 보다 상세한 블록도이다.
도 3은 도 2는 본 발명의 일 실시예에 따른 리워드 최대화 모듈의 개략적인 레이아웃 다이어그램이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 전형적인 보상 곡선 모델링 보상 곡선의 그래프이다.
도 5는 본 발명의 일 실시예에 따른 실제 인터랙션에서 검출된 변화에 기초하여 컨택 센터 동작을 동적으로 조정하기 위한 어댑테이션 모듈에 의해 실행되는 프로세스의 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 어댑테이션 모듈에 의해 채워질 수 있는 호출 분배 테이블의 개념적 레이아웃 다이어그램이다.
도 7은 본 발명의 일 실시예에 따른 예시적인 호출 전송 그래프이다.
도 8은 보다 양호한 인터랙션 에이전트 매칭을 위한 대체 리워드 최대화 모듈에 의해 이용될 수 있는 기회창을 보여주는 타이밍 다이어그램이다.
도 9는 본 발명의 일 실시예에 따른 에이전트 입찰 모듈의 개략적 레이아웃 도면이다.
도 10은 본 발명의 실시예에 따른 동시에 복수의 인터랙션을 위한 에이전트의 최적 할당을 찾는 프로세스의 흐름도이다.
도 11a는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 블록도이다.
도 11b는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 블록도이다.
도 11c는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 블록도이다.
도 11d는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 블록도이다.
도 11e는 본 발명의 일 실시예에 따른 몇몇 컴퓨팅 디바이스를 포함하는 네트워크 환경의 블록도이다.
도 2는 도 1은 본 발명의 일 실시예에 따른 라우팅 서버의 보다 상세한 블록도이다.
도 3은 도 2는 본 발명의 일 실시예에 따른 리워드 최대화 모듈의 개략적인 레이아웃 다이어그램이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 전형적인 보상 곡선 모델링 보상 곡선의 그래프이다.
도 5는 본 발명의 일 실시예에 따른 실제 인터랙션에서 검출된 변화에 기초하여 컨택 센터 동작을 동적으로 조정하기 위한 어댑테이션 모듈에 의해 실행되는 프로세스의 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 어댑테이션 모듈에 의해 채워질 수 있는 호출 분배 테이블의 개념적 레이아웃 다이어그램이다.
도 7은 본 발명의 일 실시예에 따른 예시적인 호출 전송 그래프이다.
도 8은 보다 양호한 인터랙션 에이전트 매칭을 위한 대체 리워드 최대화 모듈에 의해 이용될 수 있는 기회창을 보여주는 타이밍 다이어그램이다.
도 9는 본 발명의 일 실시예에 따른 에이전트 입찰 모듈의 개략적 레이아웃 도면이다.
도 10은 본 발명의 실시예에 따른 동시에 복수의 인터랙션을 위한 에이전트의 최적 할당을 찾는 프로세스의 흐름도이다.
도 11a는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 블록도이다.
도 11b는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 블록도이다.
도 11c는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 블록도이다.
도 11d는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 블록도이다.
도 11e는 본 발명의 일 실시예에 따른 몇몇 컴퓨팅 디바이스를 포함하는 네트워크 환경의 블록도이다.
일반적으로, 본 발명의 실시예들은 컨택 센터, 에이전트 및/또는 고객의 실시간 요구 또는 갈망을, 전통적인 스킬 베이스 라우팅만을 사용하는 것보다, 더 잘 충족시키도록 목표된 고객 인터랙션 (iXn)의 최적화된 라우팅을 위한 시스템 및 방법에 관한 것이다. 이러한 최적화된 라우팅은 비즈니스 가치를 높이고 컨택 센터 비용을 낮추며 그리고/또는 원하는 목표를 달성하기 위해 에이전트와 고객의 노력을 줄여준다. 최적화된 라우팅은 또한 예를 들어, 자동 음성 응답 시스템, 원격 통신 포트 등과 같은 컨택 센터의 기술 자원을 보다 효율적으로 사용할 수 있게 함으로써 전기 통신 분야에서 기술적 개선을 가져온다. 예를 들어, 고객 인터랙션의 최적 라우팅은 컨택 센터의 기술 리소스를 사용하는 반복 호출을 최소화하는 최초 통화 해결을 높일 수 있다.
일 실시예에 따르면, 고객 인터랙션의 최적화된 라우팅은 고객의 프로파일, 고객의 의도, 에이전트 프로파일, 에이전트 선호도, 비즈니스 목표, 고객 목표, 현재 인터랙션 데이터, 크로스-채널(cross-channel) 인터랙션 이력, 컨택 센터 통계, 에이전트 및 고객의 성격 및 행동, 고객의 예상된 정서, 및/또는 실제 에이전트 성과 결과를 바탕으로 고객과 에이전트를 최적으로 연결한다. 인터랙션이 완료된 후 피드백이 수신되면 시스템은 기계 학습을 통해 향후 인터랙션의 경로를 개선한다.
도 1은 본 발명의 일 실시예에 따라 컨택 센터 서비스를 제공하는 컨택 센터 지원을 위한 시스템의 개략적인 블록도이다. 컨택 센터는 기업을 통해 제공되는 제품 및 서비스와 관련하여 판매 및 서비스 기능을 수행하는 기업을 서비스하는 기업 또는 회사의 사내 시설일 수 있다. 다른 측면에서, 컨택 센터는 제3 자 서비스 제공자 일 수 있다. 컨택 센터는 기업 또는 제3 자 서비스 제공자에게 전용된 장비에 배치될 수 있고, 및/또는 예를 들어 복수의 기업에 대한 복수의 컨택 센터를 지원하기 위한 인프라를 갖는 사설 또는 공용 클라우드 환경과 같은 원격 컴퓨팅 환경에 배치될 수 있다. 컨택 센터 시스템의 다양한 구성 요소는 다양한 지리적 위치 및 컴퓨팅 환경에 분산될 수 있으며 반드시 단일 위치, 컴퓨팅 환경 또는 컴퓨팅 디바이스에 포함되지 않을 수도 있다.
하나의 예시적인 실시예에 따르면, 컨택 센터 시스템은 전화 또는 다른 통신 메커니즘을 통해 서비스의 전달을 가능하게 하는 자원 (예를 들어, 인사, 컴퓨터 및 원격 통신 장비)을 관리한다. 이러한 서비스는 컨택 센터의 유형에 따라 달라질 수 있으며 고객 서비스에서 헬프 데스크, 응급 상황 대처, 텔레 마케팅, 주문 처리 등의 범위를 가질 수 있다.
컨택 센터로부터 서비스를 받기를 희망하는 고객, 잠재 고객 또는 다른 최종 사용자 (집합적으로 고객라고 함)는 엔드 유저 디바이스 10a-10c (통칭하여 10으로 표시됨)를 통해 컨택 센터에 대한 인바운드 전화 통화를 시작할 수 있다. 엔드 유저 디바이스들 (10) 각각은 예를 들어 전화, 무선 전화, 스마트 폰, 개인용 컴퓨터, 전자 타블렛, 및/또는 등과 같은 당 업계에서 통상적인 통신 장치 일 수 있다. 엔드 유저 디바이스 (10)를 조작하는 사용자는 전화 통화, 이메일, 채팅, 문자 메시지, 웹 브라우징 세션 및 다른 멀티미디어 트랜잭션을 개시, 관리 및 응답할 수 있다.
엔드 유저 디바이스 (10)와의 인바운드 및 아웃바운드 전화 호출은 사용되는 장치의 유형에 따라 전화, 셀룰러 및/또는 데이터 통신 네트워크 (14)를 횡단할 수 있다. 예를 들어, 통신 네트워크 (14)는 사설 또는 공중 전화망 (PSTN), 근거리 통신망 (LAN), 사설 광역 통신망 (WAN) 및/또는 예를 들어 인터넷과 같은 공중 광역 통신망을 포함할 수 있다. 또한, 통신 네트워크 (14)는 코드 분할 다중 액세스 (CDMA) 네트워크, 이동 통신용 글로벌 시스템 (GSM) 네트워크, 당 업계에 통상적인 임의의 무선 네트워크/기술을 포함하는 무선 캐리어 네트워크를 포함할 수 있고, 3G, 4G, LTE 등을 포함하지만 이에 한정되는 것은 아니다.
일 실시예에 따르면, 컨택 센터는 최종 사용자와 컨택 센터 간의 전화 통화를 수신하고 전송하기 위해 통신 네트워크 (14)에 연결된 스위치/미디어 게이트웨이 (12)를 포함한다. 스위치/미디어 게이트웨이 (12)는 센터 내의 에이전트 레벨 라우팅을 위한 중앙 스위치로서 기능하도록 구성된 전화 스위치를 포함할 수 있다. 스위치는 하드웨어 스위칭 시스템이거나 소프트웨어를 통해 구현된 소프트 스위치일 수 있다. 예를 들어, 스위치 (12)는 자동 전화 분배기, 사설 구내 교환기 (PBX), IP 기반 소프트웨어 스위치, 및/또는 인터넷 발신 전화 및/또는 고객으로부터 전화 네트워크 소싱 호출을 수신하도록 구성된 임의의 다른 스위치, 그리고 이러한 통화를, 예를 들어 에이전트 전화 장치로 라우팅한다. 이 예에서, 스위치/미디어 게이트웨이는, 예를 들어 고객의 전화선과 에이전트의 전화선 사이의 연결을 설정하여, 발신 고객과 에이전트 전화 장치 사이에, 음성 경로 (도시되지 않음)를 설정한다.
본 발명의 일 실시예에 따르면, 스위치는 콜 서버 (18)에 연결되며, 콜 서버 (18)는 예를 들어, 스위치와 나머지 라우팅, 모니터링 및 컨택 센터의 다른 콜 핸들링 구성 요소 사이의 어댑터 또는 인터페이스로서 기능할 수 있다.
콜 서버 (18)는 PSTN 호출, VoIP 호출 등을 처리하도록 구성될 수 있다. 예를 들어, 콜 서버 (18)는 SIP 호출을 처리하기 위한 세션 개시 프로토콜 (SIP) 서버를 포함할 수 있다. 일부 예시적인 실시예에 따르면, 콜 서버 (18)는 예를 들어 자동 번호 식별 (ANI) 번호 또는 고객의 인터넷 프로토콜 (IP) 주소, 또는 전자 메일 주소로 종종 알려진 호출자의 전화 번호와 같은 고객 인터랙션에 관한 데이터를 추출할 수 있으며, 호출을 프로세싱하는 동안 다른 CC 구성 요소 및/또는 CC iXn 서버 (25)와 통신할 수 있다.
본 발명의 일 실시예에 따르면, 시스템은 셀프 헬프 (self-help) 시스템, 가상 어시스턴트 (virtual assistant) 등으로 지칭될 수 있는 대화식 미디어 응답 (IMR) 서버 (34)를 더 포함한다. IMR 서버 (34)는 대화형 음성 응답 (IVR) 서버와 유사할 수 있지만, IMR 서버는 음성에 제한되지 않고, 음성을 포함하는 다양한 미디어 채널을 커버할 수 있다. 그러나 음성을 예로 들자면, IMR 서버는 고객의 요구에 따라 전화를 걸기 위해 IMR 스크립트로 구성될 수 있다. 예를 들어, 은행의 컨택 센터는 발신자에게 IMR 스크립트를 통해 어카운트 밸런스(account balance)를 얻으려는 경우 "1을 누르십시오"라고 알릴 수 있다. 이 경우 IMR과의 지속적인 인터랙션을 통해 고객은 에이전트와 통화하지 않고도 서비스를 완료할 수 있다. IMR 서버 (34)는 또한 예를 들어, "어떻게 도울 수 있습니까?"와 같은 열린 질문을 요구할 수 있고 고객은 말하거나 다르게는 컨택 센터에 연락하는 이유를 입력할 수 있다. 고객의 응답은 라우팅 서버 (20)에 의해 사용되어 적절한 컨택 센터 리소스로 호출을 라우팅한다.
호출이 에이전트로 라우팅되는 경우, 콜 서버 (18)는 라우팅 서버 (20)와 인터랙션하여 호출을 처리하기 위한 적절한 에이전트를 찾는다. 인바운드 콜을 라우팅하기 위한 적절한 에이전트의 선택은, 예를 들어, 라우팅 서버 (20)에 의해 채용된 라우팅 전략에 기초할 수 있고, 예를 들어, 통계 서버 (22)에 의해 에이전트 유용성, 스킬 및 다른 라우팅 파라미터에 관한 정보에 기초할 수 있다.
일부 실시예에서, 라우팅 서버 (20)는 컨택 정보, 서비스 레벨 어그리먼트(Service Level Agreement, SLA) 요구 사항, 이전 고객 컨택의 특성 및 컨택 센터가 고객 문제를 해결하기 위해 취한 동작 등의 기존 클라이언트에 관한 정보를 저장하는 고객 데이터베이스에 질의할 수 있다. 데이터베이스는 예를 들어 카산드라 (Cassandra) 또는 임의의 noSQL 데이터베이스일 수 있으며 대용량 스토리지 (30)에 저장될 수 있다. 데이터베이스는 SQL 데이터베이스일 수도 있으며 Oracle, IBM DB2, Microsoft SQL 서버, Microsoft Access, PostgreSQL, MySQL, FoxPro 및 SQLite와 같은 데이터베이스 관리 시스템에서 관리할 수 있다. 라우팅 서버 (20)는 ANI 또는 IMR 서버 (34)에 의해 수집된 임의의 다른 정보를 통해 고객 데이터베이스로부터 고객 정보를 질의할 수 있다.
적절한 에이전트가 호출을 처리할 수 있게 되면, 발신자와 식별된 에이전트의 에이전트 장치 (38a-38c) (집합적으로 38로 참조됨) 사이에 연결이 이루어진다. 호출자에 관한 수집된 정보 (예를 들어, IMR 서버 (34)와의 인터랙션을 통해) 및/또는 호출자의 이력 정보는 또한 호출을 더 양호하게 서비스하기 위해 에이전트를 돕기 위해 에이전트 장치에 제공될 수 있다. 이와 관련하여, 각 에이전트 장치 (38)는 정규 전화 호출, VoIP 호출 등에 적합한 전화를 포함할 수 있다. 에이전트 장치 (38)는 또한 컨택 센터의 하나 이상의 서버와 통신하고 컨택 센터 동작과 관련된 데이터 프로세싱을 수행하고 음성 및 다른 멀티미디어 통신 메커니즘을 통해 고객과 인터페이싱하기 위한 컴퓨터를 포함할 수 있다.
컨택 센터 시스템은 또한 엔드 유저 디바이스 (10) 및/또는 웹 서버 (32)와의 음성 인터랙션 이외의 미디어 인터랙션에 참여하기 위한 멀티미디어/소셜 미디어 서버 (24)를 포함할 수 있다. 미디어 인터랙션은 예를 들어 이메일, 브이메일 (이메일을 통한 음성 메일), 채팅, 비디오, 텍스트 메시징, 웹, 소셜 미디어, 공동 브라우징 등과 관련될 수 있다. 웹 서버 (32)는 예를 들어, 페이스북, 트위터 등과 같은 최종 사용자가 가입할 수 있는 다양한 알려진 소셜 인터랙션 사이트에 대한 사회적 인터랙션 사이트 호스트를 포함할 수 있다. 웹 서버는 컨택 센터가 지원하는 엔터프라이즈용 웹 페이지를 제공할 수도 있다. 최종 사용자는 웹 페이지를 탐색하고 기업의 제품 및 서비스에 대한 정보를 얻을 수 있다. 웹 페이지들은 또한 예를 들어 웹 채팅, 음성 호출, 이메일, 웹 실시간 통신 (WebRTC) 등을 통해 컨택 센터에 연락하는 메커니즘을 제공할 수 있다.
본 발명의 일 실시예에 따르면, 실시간 인터랙션에 부가하여, 연기 가능한 (back-office 또는 offline) 인터랙션/액티비티가 또한 컨택 센터 에이전트에 라우팅될 수 있다. 이러한 연기 가능한 액티비티에는 예를 들어 전자 메일에 응답하거나, 서신에 응답하거나, 교육 세미나에 참석하거나, 고객과의 실시간 커뮤니케이션을 수반하지 않는 기타 액티비티가 포함될 수 있다. 이와 관련하여, 인터랙션 서버 (25)는 적절한 에이전트를 선택하여 활동을 처리하기 위하여 라우팅 서버 (20)와 인터랙션한다. 일단 에이전트에 할당되면, 활동은 에이전트에 푸시되거나, 에이전트에 의해 완료되어야 할 작업으로서 에이전트의 워크빈(workbin) (26a-26c) (집합적으로 26으로 표시됨)에 나타날 수 있다. 에이전트의 워크빈은 예를 들어 링크된 리스트, 어레이 및/또는 이와 같은 것과 같은 당 업계의 통상적인 임의의 데이터 구조를 통해 구현될 수 있다. 워크빈은 예를 들어 각 에이전트 장치 (38)의 버퍼 메모리에 유지될 수 있다.
본 발명의 일 실시예에 따르면, 대용량 스토리지 (들) (30)는 에이전트 데이터 (예: 에이전트 프로파일, 스케줄 등), 고객 데이터 (예: 고객 프로파일), 인터랙션 데이터(예를 들어, 인터랙션의 이유, 처리 데이터, 보류 시간, 처리 시간 등을 포함하여 고객과의 각각의 인터랙션에 대한 세부 사항), 등을 저장할 수 있다. 일 실시예에 따르면, 일부 데이터 (예를 들어, 고객 프로파일 데이터)는 대용량 스토리지 (30) 또는 다른 곳에 호스팅된 고객 관계 관리 (CRM) 데이터베이스에서 유지될 수 있다. 대용량 기억 장치는 당 업계에서 통상적인 하드 디스크 또는 디스크 어레이의 형태를 취할 수 있다.
컨택 센터 시스템은 또한 통계 서버 (22)에 의해 수집된 데이터로부터 보고서를 생성하도록 구성된 보고 서버 (28)를 포함할 수 있다. 그러한 보고서는 예를 들어, 평균 대기 시간, 포기율, 에이전트 점유율 등과 같은 리소스의 상태에 관한 거의 실시간의 리포트 또는 이력 리포트를 포함할 수 있다. 보고서는 자동으로 또는 요청자 (예: 에이전트/관리자, 컨택 센터 애플리케이션 및/또는 기타 등)의 특정 요청에 대한 응답으로 생성될 수 있다.
컨택 센터 시스템은 컨택 센터 시스템의 다양한 리소스에 대한 구성 파라미터를 제공하는 컨피겨레이션 서버 (27)를 더 포함할 수 있다. 예를 들어, 에이전트가 시스템에 로그인할 때, 특정 에이전트에 대한 에이전트 프로파일 데이터가 구성 서버 (27)로부터 검색될 수 있다. 구성 서버 (27)는 다른 객체 또는 프로세스 시스템이, 시작시 또는 그 이후에 생성될때, 컨택 센터 시스템에 의해 사용되는 다른 객체 또는 프로세스에 대한 속성값을 제공할 수 있다.
도 1의 다양한 서버는, 각각 컴퓨터 프로그램 명령을 실행하고 여기에 기술된 다양한 기능을 수행하기 위해 다른 시스템 구성 요소와 인터랙션하는 하나 이상의 프로세서를 포함할 수 있다. 컴퓨터 프로그램 명령은 예를 들어, 랜덤 액세스 메모리 (RAM)와 같은 표준 메모리 장치를 사용하여 구현된 메모리에 저장된다. 컴퓨터 프로그램 명령은 또한 예를 들어 CD-ROM, 플래시 드라이브 등과 같은 다른 일시적이지 않은 컴퓨터 판독 가능 미디어에 저장될 수 있다. 또한, 각 서버의 기능이 특정 서버에 의해 제공되는 것으로 설명되었지만, 당업자는 다양한 서버의 기능이 단일 서버에 결합되거나 통합될 수 있다는 것을 인식해야 하며, 특정 서버는 본 발명의 실시예들의 범위를 벗어나지 않으면서 하나 이상의 다른 서버들에 걸쳐 분산될 수 있다.
다양한 실시예에서, 인터랙션이라는 용어는 일반적으로 전화 통화 (PSTN 또는 VoIP 호출), 전자 메일, 이메일, 브이메일(이메일을 통한 음성 메일), 비디오, 채팅, 화면 공유, 문자 메시지, 소셜 미디어 메시지, 웹 실시간 통신 (예: WebRTC 통화) 등을 포함하는 임의의 통신 채널을 사용하는 임의의 실시간 및 비 실시간 인터랙션을 지칭하는데 사용된다.
도 2는 본 발명의 일 실시예에 따른 라우팅 서버 (20)의 보다 상세한 블록도이다. 도 2의 실시예에 따르면, 고객 인터랙션을 처리하기 위한 최적의 에이전트의 발견은 2 회의 패스에서 수행될 수 있다. 제1 패스 동안, 에이전트 필터링 모듈 (100)은 엄격한 제한들에 기초하여 에이전트들을 필터링한다. 엄격한 제약(hard constraints)은 에이전트가 현재 인터랙션을 수행할 수 있는 에이전트로 간주되기 위해 충족시켜야 하는 제약일 수 있다. 일례에 따른 엄격한 제약은 에이전트 유용성 및 에이전트 기술을 포함한다. 이 예에 따르면 에이전트는 이용 가능해야 하며 가능한 에이전트로 포함되기 위해 인터랙션을 처리하는 데 필요한 최소 기술을 충족해야 한다. 자격 요건, 성별, 언어 숙련도, 노동 요건, 거래/라이센스 규정, 활용에 대한 노동력 관리 규칙, "마지막 에이전트 라우팅"과 같은 고객 선호도, 작업 할당에 대한 교육 등 당업자에게 명백한 다른 어려운 제약이 있을 수 있다.
제2 패스 동안, 하나 이상의 데이터 구동 최적화 모듈 (102-108)은 보류중인 인터랙션을 처리할 하나 이상의 에이전트를 궁극적으로 선택하기 위해 제1 패스 동안 식별된 에이전트를 더 감소시킨다. 예시적인 데이터 - 구동 최적화 모듈은 리워드 최대화 모듈 (102), 에이전트 비딩 모듈 (104), 에이전트/고객 소셜 네트워크 모듈 (106) 및 대체 리워드 최대화 모듈 (108)을 포함하지만 이에 한정되지 않는다. 이들 모듈은 초기 에이전트 세트가 에이전트 필터링 모듈 (100)에 의해 식별된 후에 라우팅 전략에 의해 호출될 수 있다.
도 2의 블록도는, 도 2가 최적의 에이전트를 찾는 데 2 단계 접근법을 가정한다면, 당업자는 에이전트 필터링 모듈 (100)의 기능이 하나 이상의 최적화 모듈 (102-108) 및/또는 에이전트 필터링 모듈 (100)의 목표 또는 결과는 당업자에게 명백한 바와 같이 모듈에 의해 실행되는 알고리즘을 통해 하나 이상의 최적화 모듈에 의해 달성될 수 있다. 예를 들어, 에이전트 필터링 모듈 (100)에 의해 에이전트를 선택할 때 충족되어야 할 심층 제한은 모듈에 의해 실행되는 알고리즘에 의해 충족될 또 다른 차원으로 고려될 수 있다. 그러한 실시예에 따르면, 에이전트는 대기열, 서비스 유형 및 고객 세그먼트에 기초하여 정적으로 분할될 필요가 없을 수 있다. 대신에, 이 실시예에 따르면, 인터랙션은 전통적으로 강하게 할당된 세그먼트에 제한되지 않으면서 특정 토픽을 다루는데 능숙한 에이전트로 라우팅된다.
유사한 방식으로, 도 2의 2-스텝 접근법은 3 스텝 접근법으로 확장될 수 있고, 여기서 최적화 모듈 (102-108) 중 하나는 에이전트 필터링 모듈 (100)에 의해 제공되는 후보 에이전트들의 리스트를 더 필터링하여 후보 에이전트들의보다 정교한 리스트를 최적화 모듈 (102-108) 중 다른 하나에 제공한다.
도 2의 실시예에 따르면, 복수의 인터랙션이 시스템에 의해 동시에 처리되어 동일한 에이전트 풀로부터 라우팅 타겟을 선택하는 것이 가능하다. 이것은 하나의 프로세스에 대한 필터링된 라우팅 대상의 풀 내의 에이전트가 다른 프로세스에 의해 실제 라우팅 대상으로 선택되는 경쟁 조건을 야기할 수 있다. 이를 줄이기 위한 한 가지 방법은 어드밴스/인텔리전트 에이전트 예약 정책을 적용하여 주어진 라우팅 프로세스의 후보자 풀에 있는 에이전트를 고려하지 않고 다른 라우팅 프로세스를 일시적으로 차단하는 것이다. 일 실시예에서, 에이전트 예약 정책은 예비된 에이전트를 도용하는 하나의 프로세스를 허용하도록 적응될 수 있다. 예를 들어, 예약 정책은 더 높은 순위의 프로세스가 더 낮은 순위의 프로세스를 위해 예약된 에이전트를 도용할 수 있도록 다양한 프로세스의 순위를 매기도록 구성될 수 있다. 또 다른 옵션은 충돌이 내부적으로 해결되는 에이전트 라우팅에 대한 다 대다 인터랙션을 위한 통합되고 복잡한 라우팅 프로세스이다.
또한, 도 2에는 도시되지 않았지만, 중재 모듈은 충돌을 해결하기 위해 하나 이상의 데이터-구동 최적화 모듈 (102-108)에 연결될 수 있다. 예를 들어, 특정 에이전트가 두 번째 단계가 끝날 때 최적의 에이전트로 간주될 수 있지만, 에이전트는 다른 (또는 충돌하는) 선호도를 가질 수 있고, 또는 최상의 에이전트 대신에 두번째의 최상의 에이전트를 선택하는 것이 바람직할 수 있는데, 예를 들면 트레이닝 목적, 또는 에이전트 점유 및 유휴 시간과 같은 다른 기준으로 인해 발생할 수 있다. 즉, 후속 에이전트가 최대 시간 동안 유휴 상태이거나 최적 에이전트의 점유율이 임계값보다 높으면 두번째 최상 에이전트에 인터랙션을 라우팅하는 것이 바람직할 수 있다.
일 실시예에 따르면, 에이전트 필터링 모듈 (100)은 식별된 제약들에 기초하여 제1 패스 동안 에이전트들을 필터링하기 위해 전통적인 매칭 알고리즘을 실행하도록 구성된다. 예를 들어 인터랙션이 서비스 유형과 관련된 특정 디렉토리 번호에 대한 인바운드 인터랙션인 경우, 인터랙션을 처리하는 방법을 결정하기 위해 디렉토리 번호에 대한 라우팅 전략을 검색한다. 일 실시예에 따르면, 라우팅 전략은 SCXML 코드를 통해 구현된다.
전화 통신 인터랙션에 대한 라우팅 전략은 인터랙션이 고객의 의도 (예를 들어, 통화의 이유) 및/또는 발신자에 관한 다른 정보를 결정하기 위해 IMR (34)로 초기에 라우팅될 것임을 나타낼 수 있다. 수집된 정보를 기반으로 라우팅 전략은 인터랙션을 처리하는 데 필요한 기술 집합을 식별한다. 일 실시예에 따르면, 원하는 스킬 세트는 라우팅 전략에 하드 코딩될 수 있다.
라우팅 서버 (20)는 통계 서버 (22)와 인터랙션하여, 현재 이용 가능한 (또는 곧 이용 가능할 것인) 에이전트들의 풀(pool)로부터 원하는 스킬 세트를 갖는 에이전트들의 후보 세트를 식별한다. 제1 패스 동안 에이전트 필터링 모듈 (100)에 의해 식별된 후보 에이전트는 하나 이상의 데이터 - 구동 최적화 모듈 (102-108)에 제공되어 인터랙션을 처리하기 위한 최적의 에이전트를 찾는다. 에이전트는 컨택 센터, 고객, 에이전트 또는 이들의 조합의 관점에서 최적인 것으로 간주될 수 있다.
일 실시예에 따르면, 리워드 최대화 모듈 (102)은 제2 패스 동안 컨택 센터가 관심을 갖는 오브젝티브 함수(objective function)의 장기간 최적화를 제공하도록 구성된다. 오브젝티브 함수는 원하는 비즈니스 결과, 목표, 보상 또는 보수 (총칭하여 "리워드" 또는 "기대값")의 가중치 합으로 표시될 수 있다. 일반적으로, 리워드 최대화 모듈 (102)은 제약 조건에 따라 오브젝티브 함수를 최대화하도록 구성된다. 구체적으로, 일 실시예에 따르면, 리워드 최대화 모듈 (102)은 탐색 및 악용 요구의 균형을 맞추면서 장기간 보상을 최대화하기 위해 특정 인터랙션에 대한 에이전트를 선택하도록 구성된다. 이와 관련하여, 리워드 최대화 모듈 (102)은 에이전트, 고객 및 의도에 관한 상황 정보에 기초하여 특정 인터랙션에 대한 최적의 에이전트를 선택한다. 피드백은 인터랙션이 완료된 후 언제든지 수신된다. 예를 들어, 보상은 판매 완료 (주문 관리 시스템에 명시되어 있음) 일 수 있으며 에이전트 인터랙션이 완료된 후에 나중에 올 수 있다. 피드백은 보상을 극대화하기 위해 에이전트 선택 전략을 적응시키는 보강 학습을 위해 리워드 최대화 모듈 (102)에 의해 사용된다. 피드백은 인터랙션 중에 달성된 실제 보상일 수 있다.
일 실시예에 따르면, 리워드 최대화 모듈에 의해 사용되는 강화 학습 알고리즘은 탐색 대 악용에 대한 에이전트 선택의 균형을 이루는 명시적 정책을 포함한다. 강화 학습의 상황에서 악용은 주어진 의도에 대해 가장 높은 평균 보상을 가진 에이전트 (알려진 모델)를 선택하는 것을 포함할 수 있지만, 탐색은 새로운/무작위 에이전트를 선택하는 것이 더 나아질 수 있다. 일 실시예에 따르면, 채용된 강화 학습 알고리즘은 LinUCB이다. LinUCB는 신뢰 경계 내에서 보상 추정을 명시적으로 모델링하고 예상되는 최상의 보상이 아닌 허용 가능한 한도 내에서 더 잘 수행할 수 있는 에이전트를 선택할 수 있다.
에이전트 비딩 모듈 (104)은 제2 패스 동안 라우팅 결정에서 에이전트들의 선호도를 고려하도록 구성된다. 이와 관련하여, 에이전트 필터링 모듈 (100)은 모듈이 호출자의 선호도/니즈 및/또는 에이전트 선택시 인터랙션을 고려한다는 사실로 인해 인터랙션 - 최적 에이전트를 선택하는 것으로 간주될 수 있지만, 에이전트 비딩 모듈은 모듈이 에이전트의 선호도/니즈를 고려한다는 사실로 인해 에이전트 최적의 인터랙션을 선택한다.
에이전트/고객 소셜 네트워크 모듈 (106)은 제2 패스 동안 소셜 네트워크의 고객 및 에이전트의 프레임 워크 내에서 고객에 대한 에이전트의 매칭을 생성한다. 인터랙션 라우팅은 에이전트와 고객을 연결하는 하나의 메커니즘으로 사용된다. 에이전트와 고객의 프로파일 및 기타 기능을 연결에 사용할 수도 있다. 일 실시예에 따르면, 에이전트와 고객 사이의 적합도를 결정하기 위해 접속이 평가되고, 최적 적합도를 갖는 에이전트가 고객으로부터의 인터랙션을 처리하기 위해 선택된다. 적합 여부 결정은 각 에이전트에 대한 고객의 정서에 대한 예측을 기반으로 할 수 있다. 현재 인터랙션에 대한 정서는 다른 고객 및 다른 에이전트와 관련된 사전 인터랙션을 초래한 정서에 따라 예측될 수 있다.
리워드 최대화의 다른 실시예에서, 대체 리워드 최대화 모듈 (108)은 대기열에서 단일 인터랙션을 고려하고 대기열에서 또 다른 인터랙션을 고려하기 전에 해당 인터랙션을 에이전트에게 전달하는 대신 에이전트 필터링 모듈 (100)에 의해 리턴된 후보 에이전트들에 대해 라우팅될 복수의 인터랙션을 동시에 평가하도록 구성된다. 그렇게함에 있어서, 대체 리워드 최대화 모듈 (108)은 다중 인터랙션의 할당에 의해 달성되는 보상의 총량을 최대화할 것으로 예상되는 최적의 에이전트를 선택하도록 구성된다. 이와 관련하여, 대체 리워드 최대화 모듈 (108)은 지연이 모든 것에 대해 달성될 것으로 예상되는 토탈 리워드를 최대화하는 경우에, 현재 하나 이상의 인터랙션의 라우팅을 지연시키는데 현재 이용 불가능한 에이전트의 예측된 유용성뿐만 아니라 고객 인내에 대한 통찰을 사용한다. 일 실시예에 따르면, 현재 이용 가능하지 않은 에이전트에 인터랙션을 할당할 때의 보상의 기대값은 고객이 그 에이전트에 할당되기 위해 대기해야 하는 시간의 양에 기초한 디스카운트 팩터에 의해 할인된다.
다양한 최적화 모듈 (102-108)이 개별적인 기능 유닛으로 가정되지만, 당업자는 본 발명의 사상으로부터 벗어남이 없이, 모듈의 기능이 단일 모듈로 결합되거나 통합될 수 있거나 또는 추가 서브 모듈로 더 세분될 수 있다는 것을 인식할 것이다. 또한, 다양한 모듈들 (102-108)은 동시에, 병렬로, 또는 대안적으로 호출될 수 있다. 또한, 다양한 모듈들이 라우팅 서버 (20)의 일부로서 표시되었지만, 당업자는 하나 이상의 모듈이 컨택 센터 시스템에 의해 제공되는 다른 서버의 일부일 수 있음을 이해할 것이다.
최적의 에이전트를 선택하기 위한 2 단계 통과 메커니즘은 모든 고객에게 제공되는 서비스가 아닐 수도 있다. 오히려, 고객 세분화와 같은 요인에 기초하여 선택적으로 서비스가 제공될 수 있다. 예를 들어 골드 고객에게는 서비스가 제공될 수 있지만 실버 또는 브론즈 고객에게는 제공되지 않을 수 있다. 두 번의 패스 메카니즘은 또한 예를 들어, 어떤 에이전트도 이용 가능하지 않은 경우와 같은 특정 상황에서 에이전트의 선택을 초래하지 않을 수 있다. 이 경우 라우팅 서버는 특정 시간 동안 대기한 후 다시 시도하도록 구성될 수 있다. 에이전트가 여전히 이용 가능하지 않은 경우, 라우팅 서버 (20)는 탐색 기준을 확장하기 위해 오버 플로우 로직을 호출하도록 구성될 수 있다. 오버 플로우 로직은 최적화 모듈들 (102-108)의 모든 또는 특정 양상들을 사용할 수 있다.
리워드/밸류 최대화에 따른 에이전트 할당
도 3은 본 발명의 일 실시예에 따른 리워드 최대화 모듈 (102)의 개략적인 레이아웃 다이어그램이다. 리워드 (또한 밸류로도 지칭됨) 최대화 모듈 (102)은 글로벌 에이전트 프로파일 데이터 (300) 및 특정 에이전트 프로파일 데이터 (301)를 포함하지만 이에 한정되지 않는 환경 (또한 컨텍스트로 지칭됨)에 관한 다양한 관찰을 입력으로서 취하고, 제한적이지는 않지만, 에이전트 필터링 모듈 (100), 라우팅될 인터랙션과 연관된 고객을 위한 고객 프로파일 데이터 (302), 및 고객 인텐트 데이터 (304)를 포함한다. 다양한 관찰은 다차원 특징 벡터로 표현될 수 있다.
일 실시예에 따르면, 수집된 관측치는 리워드 추정 함수 (306)에 입력된다. 리워드 추정 함수은 후보 에이전트 각각에 대해, 인터랙션을 에이전트에 라우팅함으로써 획득될 것으로 예상되는 리워드 또는 기대값을 추정한다. 이와 관련하여, 리워드 추정 함수 (306)은 주어진 컨텍스트에 대해 에이전트에 대한 리워드를 예측하기 위해 에이전트의 퍼포먼스 (리워드)가 상이한 컨텍스트에 대해 어떻게 변화하는지에 대한 지식을 이용하고, 에이전트를 선택하여 장기적으로 시스템에 의해 얻어지는 총 리워드 결과가 최대화된다. 장기적으로 밸류를 최대화하려는 시도에서 단기적으로는 최적이 아닌 선택이 이루어 지는데, 이를 탐색(exploration) 이라고 한다. 예를 들어 주어진 컨텍스트에 대해 A1 및 A2 두 개의 에이전트가 있다고 가정하고 A1을 선택하는 예상 보상은 0.7이며 A2를 선택하는데 대한 예상 보상은 0.1이다. 시스템이 A1에만 통화하고 A2에 통화를 연결하지 않으면 (즉, '악용(exploits)'만 알면), 다른 에이전트 (예: 팀에 합류하는 새 에이전트 A3)는 A1의 그것보다 높은 리워드를 가진 나은 선택일 수 있는 확률이 있지만 선택될 수 없을 것이다. 반대로, 과거에 우리가 알고 있는 것을 사용하지 않고 시스템이 항상 임의로 에이전트를 선택하면 (탐색이라고 함) 보상이 최대화되지 않을 수 있다. 이를 극복하기 위해, 본 발명의 일 실시예에 따라 사용되는 알고리즘은 악용 및 탐색의 필요성의 균형을 맞추는 것을 목적으로 한다. 사용할 수 있는 그러한 알고리즘 중 하나가 LinUCB 알고리즘이다.
일 실시예에 따르면, 장기간 보상 최대화를 위한 에이전트 선택의 문제는, 예를 들어, "상황적 밴디츠(contextual bandits)" 문제와 같은, 보다 구체적으로는 당업자에 의해 알려진 케이-암(k-armed) 상황적 밴디츠 문제와 같은, 보강 학습 문제로서 공식화될 수 있다. 컨텍스트 또는 관찰에는 고객, 에이전트 및 인터랙션에 대한 정보가 포함된다. 동작은 인터랙션이 라우팅될 에이전트를 선택하는 것이다. 보상은 인터랙션 완료시 환경으로부터의 피드백 (예: 달성된 목표의 가치)이다.
관측치 O 는 튜플 ((cp, ci, ap, a), r)로 표현될 수 있다.
1. cp 는 특정 인터랙션과 무관한 고객에 대해 이용 가능한 피쳐들을 반영하도록 구성된 키/값 쌍들의 세트로서 정의된 고객 프로파일 데이터 (302)를 나타낸다. 고객 프로파일 데이터의 예로는 연령, 성별, 언어, 위치, 제품 구매, 친목, 연락처 정보 (주소, 전화, 이메일, 소셜 ID), Klout 점수, 비즈니스 관련 정보 (가족 상태, 취미, 직업, 멤버십 등) 등을 포함할 수 있다.
2. ci 는 키/값 쌍들의 세트로서 정의된 고객 인텐트 데이터 (304)를 나타낸다. 예를 들어, 인텐트 키 값 쌍(intentkey value pair)은 다음과 같이 인텐트(intent) = '디스퓨팅 빌(disputing bill)'로 표현될 수 있다.
3. ap 는 다른 에이전트에 의해 공유될 수 있는 에이전트 (이하, 글로벌 속성이라고 함)의 속성을 반영하도록 구성된 키/값 쌍의 세트로서 정의된 글로벌 에이전트 프로파일 (300)을 나타낸다. 그러한 전역 속성은 예를 들어 성별, 나이, 언어, 기술 숙달도 등을 포함할 수 있다. 성별 속성의 키/값 쌍은 예를 들어 젠더(gender) = '여성(female)' 과 같이 나타낼 수 있다. 일 실시예에서, 특정 에이전트들에 대한 전역 속성들을 캡쳐링함으로써, 학습된 정보는 전송 학습을 위해 다른 에이전트들간에 전송될 수 있다. 이와 관련하여, 리워드 최대화 모듈 (102)은 글로벌 속성을 공유하는 에이전트에 대한 학습 패턴에 대한 글로벌 속성에 기초하여 에이전트에 대한 글로벌 에이전트 모델을 구축하도록 구성된다. 예를 들어, 글로벌 에이전트 모델은 노인과의 인터랙션이 젊은 여성 에이전트가 처리할 때 더 나은 결과를 제공하는 젠더 연령 반전을 반영할 수 있다.
4. a 는 자신의 프로파일에 의해 명시 적으로 캡처될 수 없지만 그의 성능을 차별화할 수 있는 에이전트에 대한 개인적인 속성을 반영하도록 구성된 특정 에이전트 프로파일 (301)을 검색하기 위한 실제 에이전트 식별자이다. 이러한 개인적 속성에는 인내, 외교, 취미 및 에이전트의 프로파일 데이터로 시스템에 노출되지 않는 기타 속성이 포함되나 이에 국한되지 않는다. 일 실시예에서, 특정 에이전트에 대한 개인 속성 데이터를 포착하는 것은 리워드 최대화 모듈 (102)이 특정 에이전트에 대한 패턴을 학습하기 위해 디스조인트 에이전트 (disjoint agent) 모델이라고도 하는 에이전트에 대한 모델을 구축하게 한다. 예를 들어 특정 에이전트인 "매리(Mary)"의 모델은 다른 유형의 에이전트 (예: 화난 고객)보다 특정 유형의 고객을 처리하는 것이 더 나은 것으로 나타났다.
5. r 은 고객과의 인터랙션이 완료되면 환경으로부터 명시적인 신호로 얻은 보상이다. 보상은 예를 들어 원하는 고객 만족도, 매출액, 고객 노력 점수, 에이전트 노력 점수, 순 발기인 점수 (NPS) 및/또는 기타 관찰 가능한 결과를 달성하는 것을 포함하지만 이에 국한되지는 않는 비즈니스 목표를 달성할 수 있다 인터랙션의 끝에서 얻은. 예를 들어, 결과는 고객 설문 조사, 영업 데이터 등의 일부로 제공될 수 있다.
일반적으로, 상황적 밴디츠 문제에 대한 해답은 두 부분으로 구성된다.
1. 특정 에이전트 (연결되지 않은 에이전트) 또는 모든 에이전트 (글로벌 에이전트)에 대한 컨텍스트와 보상간의 관계를 학습한다. 그리고
2. 악용 대 탐색(exploitation vs. exploration) 거래의 전략.
파트 1은 당 업계에 공지된 알고리즘을 통해 해결될 수 있는 감독 학습 문제이다. 이와 관련하여, 전략의 파트 1에서, 훈련 데이터가 분석되어 새로운 데이터를 매핑하는데 사용될 수 있는 추론 함수를 생성한다. 일 실시예에 따르면, 선형 회귀 알고리즘이 감독 학습에 사용될 수 있다.
파트 2에 대해, 예를 들어 UICB (Upper Confidence Bound) 알고리즘과 같은 강화 학습 알고리즘이 사용될 수 있다.
일 실시예에 따르면, 리워드 추정 함수 (306)에 의해 사용되는 알고리즘은 수학적으로 두 알고리즘 (선형 회귀 및 UCB)을 결합하고 구현하기 쉬운 폐쇄형 솔루션을 제공하는 LinUCB로 불린다. LinUCB가 하나의 예로서 사용되었지만, 당업자는 다른 알고리즘들, 예를 들어, 무작위화 UCB, 엡실론 - 그리디(epsilon-greedy algorithm) 알고리즘 등이 사용될 수 있음을 이해해야 한다. 예를 들어, 엡실론 - 그리디 알고리즘이 사용되면, 알고리즘은 즉, 가장 좋은 에이전트를 90 %의 시간으로 선택하고, 즉 10 % 남은 임의의 에이전트를 탐색할 수 있다.
리워드 추정 함수 (306)이 LinUCB 알고리즘을 실행하도록 구성된 실시예에서, 리워드 분포는 상한 및 하한 신뢰 범위를 갖는 표준 정규 분포 (종 곡선이라고도 함)로서 모델링된다. 리워드에 대한 상위 신뢰도는 LinUCB 알고리즘의 일부로 실행되는 UCB 알고리즘을 통해 추정될 수 있다. 상위 신뢰 경계를 추정할 때 알고리즘은 각 에이전트에 대한 실제 평균 리워드 값을 알 수 없으므로 지금까지 수집된 리워드의 표본 평균값만 알 수 있다. 일 실시예에 따르면, UCB 알고리즘은 진정한 평균 추정에 관한 불확실성을 포착하는 신뢰 구간을 계산하고, 보다 낮은 신뢰 경계를 제공함으로써 가능한 값들의 범위를 제공한다.
또한, 도 4a 및도 4b는 본 발명의 일 실시예에 따른 보상 추정을 모델링하는 예시적인 벨 곡선의 그래프이다. 벨 곡선은 지금까지 획득된 리워드의 관측에 기초한 샘플 평균값 (322 ') 및 종래 메커니즘에 따라 계산된 표준 편차 값 (SD)을 포함한다. 표준 편차가 클 때, 도 4a에 도시된 바와 같이, 곡선은 짧고 넓다. 표준 편차가 작을 때 (더 많은 관측이 이루어진 후에), 도 4b에 도시된 바와 같이, 곡선은 크고 좁아진다. 신뢰 구간 (320) 은 곡선 아래의 영역이다. 상위 신뢰 경계는 단일 표준 편차 또는 표준 편차의 두 배로 선택될 수 있다. 표준 편차의 두 배를 사용하면 신뢰 구간은 95 %이다. 즉, 구간이 종 곡선 아래의 영역의 95 %를 차지한다. 즉, 진정한 평균이 326' 및 326'' 범위 내에 있는 확률은 95 %이다.
점점 더 많은 샘플 (예: 실제 리워드 값)을 보았을 때, 도 4b에 도시된 바와 같이, 표준 편차는 더 작아지고 작아진다. 그러므로, 진정한 의미를 포함하는 범위는 점점 작아진다. 따라서, 리워드 추정의 맥락에서, 리워드가 추정되는 다른 에이전트에 대응하는 상위 신뢰 경계와 비교될 때 가장 높은 신뢰 범위 (예를 들어, 상위 신뢰 범위 (326'))에 대응하는 에이전트를 선택함으로써, 알고리즘은 가장 불확실한 에이전트를 선택한다. 예를 들어, 이는 관측치가 거의없는 새로운 에이전트 일 수 있다. 그러한 새로운 에이전트에 대한 리워드 추정의 범위는 크고, 신뢰도가 높은 상위 신뢰도를 얻게 된다. 일 실시예에 따르면, 알고리즘은 자신의 상위 신뢰 경계가 보다 많은 수의 에이전트의 상위 신뢰 경계 이하가 될 때까지 높은 상위 신뢰 경계를 갖는 새로운 에이전트를 계속 선택한다. 그렇게 함으로서, 알고리즘은 새로운 에이전트의 탐색에 관여한다. 알고리즘에서 리워드가 수집된 각 에이전트에 대해 충분한 샘플을 확인하면 각 에이전트에 대한 신뢰도 상위가 실제 평균값에 접근한다. 이 시점에서, 최대 상한을 갖는 에이전트를 선택함으로써 알고리즘은 사전 지식을 이용한다.
다시 도 3을 참조하면, 리워드 추정 함수은 계산/추정된 리워드 및 에이전트 신뢰 기능을 에이전트 선택 함수 (308)에 리턴한다. 일 실시예에 따르면, 에이전트 선택 기능은 최대 신뢰 신뢰도를 갖는 에이전트를 선택하도록 구성되어, 사전 지식을 악용(exploiting)한다. 그 후, 리워드 최대화 모듈 (108)은, 예를 들어 스위치/미디어 게이트웨이 (12)에 시그널링할 수 있는 콜 서버 (18)에 신호를 전송하여, 선택된 에이전트에 대응하는 에이전트 디바이스 (38)로 인터랙션을 라우팅한다. 일 실시예에 따르면, 에이전트 셀렉션 기회는 몇몇 다른 중재 기능에 의해 오버 룰(over-ruled)될 수 있다. 당업자가 이해할 수 있는 바와 같이, 상위 신뢰 경계의 사용은 악용과 탐색 사이에서 자동으로 상쇄된다. 두 에이전트 사이에 타이(tie)가 있는 경우, 타이는 일 실시예에 따라 임의로 끊어진다.
일 실시예에 따르면, 인터랙션에 의해 실제로 달성되는 보상과 관련하여 측정된 인터랙션의 결과는 모니터링 기능 (310)에 의해 모니터링된다. 예를 들어, 판매가 인터랙션의 결과인 경우, 모니터링 기능은 예를 들어 판매 가격, 품목, 시간 등과 같은 판매를 둘러싼 정보를 캡처한다. 획득한 리워드는 판매로 인한 판매 수익이다. 리워드는 또한 고객 만족도, NPS 점수, 고객 노력 점수 등이 될 수 있다.
인터랙션으로부터의 실제 보상은 업데이트를 위한 업데이트 기능 (314)에 제공될 수 있으며, 필요하다면, 리워드 추정에 사용된 리워드 추정 함수을 업데이팅할 수 있다. 일 실시예에 따르면, 선형 회귀 알고리즘은 관찰된 결과에 기초하여 보상 함수를 학습하기 위해 사용된다. 보상 기능의 갱신은 각 결과가 관찰되자마자 수행되거나 정기적으로 일괄적으로 수행될 수 있다.
일 실시예에 따르면, 구성 서버 (27)는 리워드 최대화 모듈 (102)의 하나 이상의 파라미터를 미세 조정하기 위해 컨택 센터 관리자에 의한 액세스를 위한 그래픽 사용자 인터페이스를 제공한다. 예를 들어, 관리자는 리워드 최대화 모듈에 의해 최적화될 하나 이상의 보상을 선택할 수 있다. 일 실시예에서, 컨택 센터 관리자는 대기 시간 대신에 제1 호출 분해능을 최적화하기를 원할 수 있다. 이 예에서 고객은 대기 시간을 길게 유지할 수 있지만 일치하는 에이전트에게 전달된다.
파라미터는 또한 예를 들어 호출자 프로파일, 호출자 인텐트, 시간 등을 포함하는 다양한 인자에 기초하여 호출 기준으로 자동으로 수정될 수 있다. 입력의 일부는 미리 고정되어 있고 나머지는 도출될 수 있다. 예를 들어, 고객 인텐트(304)는 텍스트로 변환된 음성 채널 또는 텍스트 채널에서 텍스트에 대한 텍스트 분석 알고리즘 실행으로부터 도출될 수 있다. 다른 예에서, 주어진 고객 프로파일에 대해, 리워드 최대화 모듈 (102)은 기계 학습에 기초하여 그 프로파일을 갖는 고객이 더 오래 참 으면서 호출이 포기되기 전에 에이전트에 대해 더 오래 기다릴 용의가 있는지를 결정할 수 있다. 예를 들어 골드 고객은 실버 고객보다 더 오래 인내할 수 있음을 알 수 있다. 따라서 특정 인터랙션이 골드 고객으로부터 제공된 경우 리워드 추정 함수은 대기 시간 대신 첫 번째 통화 해결을 최적화하고 첫 번째 통화 해결을 최적화하는 에이전트에게 통화를 라우팅할 수 있다. 일 실시예에 따르면, 이는 인터랙션들의 풀(pool) 및 에이전트들의 풀 모두가 이하에서 더 상세히 논의되는 바와 같이 함께 평가되는 최적의 의사 결정의 더 넓은 형태를 야기하며, 여기서 대기열(queue) 내의 인터랙션은 보유할 수 있는 고객의 인터랙션이다.
일 실시예에 따르면, 보상을 추정하기 위한 리워드 최대화 모듈에 의해 이루어진 관찰은 컨택 센터가 실제 세계에서의 변화에 적응함에 따라 동적으로 변화할 수 있는 속성이다. 예를 들어, 특정 토픽 (예: 새로운 아이폰 버전)은 한 번에 상당히 인기가 있지만 시간이 지나면 사라진다. 그러나 토픽이 대중적이지만 콘택트 센터는 인기있는 토픽과 관련된 인터랙션이 증가할 수 있다 (예: 새로운 아이폰 버전의 일부 측면과 관련된 통화의 80 %). 이러한 인기있는 토픽의 경우 특정 하위 토픽을 처리하기 위해 호출을 에이전트로 보다 최적으로 라우트하기 위해 메인 토픽과 관련된 하위 주제를 동적으로 식별하는 것이 바람직하다.
일 실시예에 따르면, 컨택 센터의 임의의 서버 (예를 들어, 구성 서버 (27), 라우팅 서버 (20) 등)에서 호스팅될 수 있는 어댑테이션 모듈은 컨택 센터 동작을 관찰하고, 실제 인터랙션의 변화를 학습하며, 그에 따라 컨택 센터 운영을 동적으로 조정한다. 조정은 인터랙션을 처리하기 위한 최적의 에이전트를 찾는 라우팅 서버 (20)에 의해 고려되는 기준에 관련될 수 있다. 기준은 예를 들어 라우팅을 고려해야하는 에이전트 기술과 관련될 수 있다. 토픽의 인기가 악화됨에 따라, 어댑테이션 모듈은 그러한 주제들을 다루기 위해 (또는 글로벌 에이전트 프로파일 (300)에 표현된 바와 같이) 하나 이상의 에이전트들에 대한 스킬 및 서브 스킬을 동적으로 추가 및 삭제하도록 구성될 수 있다.
다른 예에서, 기준은 고객 세분화 (골드, 실버 또는 브론즈)와 관련될 수 있다. 일 실시예에 따르면, 어댑테이션 모듈은 리워드 인터랙션 모듈 (102)과 통신하여, 주어진 인터랙션의 예상 결과에 기초하여 고객 프로파일 데이터 (302)로서 저장된 특정 고객 세그먼트에 동적으로 재할당할 수 있다. 2014 년 8 월 1 일자로 출원된 "컨택 센터를 위한 예상 동적 고객 세분화를 위한 시스템 및 방법(System And Method For Anticipatory Dynamic Customer Segmentation For A Contact Center)"이라는 명칭의 미국 특허 출원 제14/450,194 호 (이의 내용은 본원에 참조로 포함됨)에 개시되어 있다. 예를 들어 고객은 현재 고객 세그먼트가 "실버"이지만 인터랙션의 예상 결과에 따라 "골드"고객로 취급될 수 있다.
관찰된 변경 사항을 기반으로 에이전트 스킬 및/또는 고객 프로파일을 업데이트하는 것외에도, 컨택 센터 운영에 대한 다른 동적 조정은 예를 들어 주제의 인기도를 기반으로 이루어질 수 있다. 예를 들어, 라우팅 서버 (20)가 특정 토픽에 대한 호출 유입을 감지하면, 고객이 대중적인 토픽에 대해 문의하기 위해 호출할 수 있는 광고 전화 번호가 컨택 센터에 대해 어댑테이션 모듈에 의해 추가될 수 있고 라우팅 전략 경로 지점과 동적으로 연관될 수 있다. 다른 예에서, IMR 서버 (34)에 의해 실행되는 스크립트는 인기있는 토픽에 대한 옵션 또는 프롬프트를 부가하기 위해 어댑테이션 모듈에 의해 동적으로 수정될 수 있다. 추가 옵션은 고객을 특정 주제를 다루는 숙련된 에이전트에 연결하는 것일 수 있으며, 2013 년 10 월 31 일자로 출원된 "컨택 센터에서의 인터랙션의 성능 - 기반 라우팅을 위한 시스템 및 방법(System and Method for Performance-Based Routing of Interactions in a Contact Center)"이라는 명칭의 미국 특허 출원 제14/068,959 호를 참조하고, 그 내용은 본 명세서에 참조로 포함된다.
도 5는 본 발명의 일 실시예에 따라 실제 인터랙션에서 검출된 변화에 기초하여 컨택 센터 동작을 동적으로 조정하기 위한 어댑테이션 모듈에 의해 실행되는 프로세스의 흐름도이다. 동작(500)에서, 어댑테이션 모듈은 컨택 센터에 의해 처리되는 인터랙션의 관찰에 관여한다. 이와 관련하여 모듈은 인터랙션의 명시적 또는 암시적 의도를 추론하는데 사용될 수 있는 다양한 데이터를 모니터링한다. 그러한 데이터는 IMR과 인터랙션하는 고객에 대한 IMR (34), 인터랙션 동안 발언된 음성의 검토시 음성 분석 엔진, 비 - 음성 인터랙션 동안 제공된 텍스트의 분석 등등에 의해 제공될 수 있다. 관측은 인터랙션이 이루어진 후, 각 인터랙션이 완료된 후에 실시간으로 수행되거나, 두 가지가 혼합된 후에 수행될 수 있다.
예를 들어, 음성 분석 엔진은 실시간 또는 녹음된 호출의 오디오를 분석하고 분석 데이터를 대용량 스토리지 (30)에 저장하기 위한 명령을 포함할 수 있다. 분석 데이터는 예를 들어, 고객에 의해 발언된 하나 이상의 구(phrases)의 인식에 기초하여 미리 정의된 카테고리로 호출을 분류할 수 있다. 예를 들어, 전화는 "예를 들어 나의 주문 상태를 확인하고 싶다."와 같은 문구의 인식에 기초하여, 예를 들어, "나의 물건은 어디에 있는가"와 같은 특정 통화 주제를 갖는 것으로 분류될 수 있다.
동작 (502)에서, 어댑테이션 모듈은 콘택트 센터에 의해 수신된 인터랙션으로부터 추론된 상이한 인터랙션 토픽의 리스트를 수집하는데 사용되는 호출 분배 테이블과 같이, 관찰된 인터랙션 및 채우기에 대한 인터랙션 토픽을 식별한다.
도 6은 본 발명의 일 실시예에 따른 어댑테이션 모듈에 의해 채워질 수있는 호출 분배 테이블 (600)의 개념적 레이아웃 다이어그램이다. 호출 분배 테이블 (600)은 특정 기간 동안 콜 센터, 특정 에이전트, 부서 또는 에이전트 그룹에 의해 수신된 호출에 대해 추론된 인터랙션 토픽/카테고리(602)의 리스트를 포함한다. 카테고리는 빌링 이슈, 장비 이슈 등과 같은 특정 인터랙션 주제와 관련된다. 호출 분배 테이블 (600)은 특정한 시간주기 동안 검출된 호출 (604)의 백분율, 총 호출 수 (606), 및 호출 (608)의 평균 지속 시간을 더 포함한다. 또한, 예를 들어, 나열된 호출 토픽이 검출된 시간, 각 카테고리를 처리하는 에이전트의 식별자 등의 다른 정보가 호출 분배 테이블에서 유지될 수 있다. 또한 주요 주제 외에도 특정 주제에 대한 하위 주제를 식별할 수도 있다.
다시 도 5를 참조하면, 동작 (504)에서, 결정은 식별된 인터랙션 토픽 중 임의의 것이 트렌드 또는 인기있는 것으로 간주되는지 여부에 관한 결정이다. 인기도는 예를 들어, 특정 주제와 관련된 컨택 센터에서 수신되는 백분율 인터랙션에 기초하여 당 업계에서 통상적인 임의의 방식으로 결정될 수 있다. 이러한 인터랙션의 비율이 임계값보다 높으면 관련있는 특정 주제가 인기가 있다고 표시될 수 있다.
특정 토픽이 인기가 있는 것으로 식별되면, 모듈은 동작 (506)에서 인기있는 토픽에 대한 서브 토픽을 식별한다. 하위 주제를 식별하면 적절한 에이전트에게 라우팅 인터랙션을 고려할 수 있는 스킬에 세분성을 추가할 수 있다. 예를 들어, 새로운 아이폰(iPhone) 버전을 다루는 특정 하위 주제는 휴대 전화의 굽힘, 전화 구입 방법, 배터리 수명 등과 관련될 수 있다. 서브 토픽의 생성 및 식별은 음성 인식을 통해 인터랙션으로부터 컨셉을 분석 및 추출함에 의해 수행되고, "컨텍스트 모델링을 이용한 호출 분류의 시스템 및 방법(System and Method of Call Classification with Context Modeling)" 이라는 명칭의 미국 특허 제7,487,094 호, 및 "발견 및 탐색 컨셉을 위한 시스템 및 방법(System and Method for Discovering and Exploring Concepts)"이라는 명칭의 미국 특허 제13/952,459, 호에 기술되어 있고, 둘의 내용은 본 명세서에 참고로 포함된다.
동작 (508)에서, 서브 스킬이 식별되어 서브 토픽을 다루기 위해 대응하는 에이전트 프로파일 (300) 내의 에이전트에 할당된다. 일 실시예에 따르면, 서브 스킬은 콘택트 센터에서 수신된 이메일, 채팅 등의 텍스트 분석 또는 최근의 음성 인터랙션의 텍스트 성적표 분석에 참여할 때 자동으로 유도될 수 있다. 서브 스킬은 에이전트가 가까운 장래에 관련될 것으로 예상하는 토픽을 기반으로 서브 스킬로 추가되기 위해 에이전트가 제안할 수도 있다. 일 실시예에 따르면, 식별된 서브 스킬은 라우팅 라우팅에서 라우팅 서버 (20)에 의해 사용되는 하드 코딩된 라우팅 전략의 일부로서 포함되지 않는다. 그 대신에, 서브 스킬들은 즉석에서 식별되고 리워드 최대화 모듈 (102)의 발동시 라우팅 전략에 의해 고려된다.
동작 (510)에서, 어댑테이션 모듈은 주제가 퇴색했는지의 여부를 결정한다. 이것은, 예를 들어, 인터랙션을 모니터링하고, 예를 들어 주제와 관련된 많은 인터랙션을 결정함으로써 수행될 수 있다. 예를 들어, 주제와 관련하여 일정 기간 동안 인터랙션이 수신되지 않았거나 주제와 관련된 인터랙션의 비율이 임계값 아래로 떨어지면 토픽이 퇴색되었다고 판단될 수 있다.
특정 토픽이 퇴색되면, 어댑테이션 모듈은 동작 (512)에서 에이전트에 할당된 서브 스킬을 삭제 또는 불능(disable)이 된다. 일 실시예에 따르면, 서브 스킬의 추가 및/또는 제거는 자동일 수 있다. 다른 실시예에서, 서브 스킬의 추가 및/또는 제거는 관리자에 의해 확인되고 허용될 때까지 발생하지 않는다.
어댑테이션 모듈은 또한 에이전트의 스킬을 정의하기 위한 다른 유체 및 중심 이탈 메커니즘을 제공할 수 있다. 예를 들어, 컨택 센터 관리자가 설정할 수 있는 정적 스킬 대신 또는 추가적으로 스킬을 자신에게 할당할 수 있다. 이와 관련하여, 어댑테이션 모듈 에이전트가 액세스 할 수 있는 그래픽 사용자 인터페이스를 제공하여 에이전트의 프로파일을 보고 이 프로파일에 직접 선언할 수 있는 기술을 동적으로 추가한다. 선언된 기술은 인터랙션의 결과에 따라 강화되거나 모순될 수 있다. 예를 들어 자신에게 "모기지(mortgage)" 스킬 세트를 선언한 에이전트가 계속해서 모기지 거래를 종료하지 못하면 어댑테이션 모듈 선언된 스킬의 스킬 레벨값을 제거하거나 감소시키도록 구성될 수 있다. 그러나 에이전트가 모기지 거래의 평균 금리를 보유하고 있지만 에이전트가 연결되어 있는 다른 에이전트 또는 고객이 이 특정 태스크에 대한 에이전트를 보증하는 경우, 어댑테이션 모듈은 에이전트의 "모기지" 스킬 레벨을 증가시킬 수 있다. 예를 들어 적어도 임계수의 보증을 받았다고 가정한다. 이와 관련하여 고객은 에이전트의 기술, 에이전트의 등급 (예: 스킬별로) 등 인터랙션이 있는 에이전트에 대한 정보를 볼 수 있다. 정보는 어댑테이션 모듈에 의해 제공되는 소셜 미디어 웹 페이지로서 이용 가능할 수 있다. 한 예로, 고객은 소셜 미디어 웹 페이지를 통해 에이전트의 기술을 보증할 수 있다. 일 실시예에 따르면, 제1 에이전트는 스킬 레벨의 증가를 얻기 위해 제2 에이전트가 필요로 할 수 있는 피어 인도스먼트(peer endorsement)를 주기 위해 제2 에이전트를 조용하게 모니터링 할 수 있다.
에이전트 기술을 생성 또는 수정하기 위한 통화 주제의 인기뿐만 아니라 에이전트 스킬/서브 스킬은 예를 들어 에이전트 간 통화 전송과 같은 다른 학습 이벤트를 기반으로 수정될 수 있다. 이와 관련하여 은행에는 신용 카드 관련 통화를 처리할 수 있는 에이전트가 있을 수 있다. 그러나 한 에이전트가 다른 에이전트보다 특정 서브 토픽에 더 능숙하다는 것을 증명할 수 있는 학점과 관련된 다양한 서브 토픽이 있다. 일 실시예에 따르면, 어댑테이션 모듈은 하나의 에이전트로부터 다른 에이전트로의 호출의 전달을 둘러싼 정보를 모니터링하도록 구성된다. 이와 관련하여, 어댑테이션 모듈은 노드은 에이전트들을 나타내고 에지가 인터랙션 토픽뿐만 아니라 전송 방향을 나타내는 호출 전송 그래프를 나타낸다. 어댑테이션 모듈은 분석을 기반으로 에이전트의 스킬을 수정하기 위해 때때로 호출 전송 그래프를 분석한다. 그래프 이론에 사용된 임의의 적절한 알고리즘은 호출 전송 그래프를 분석하고 에이전트가 능숙한 서브 토픽 (에이전트로 전송된 서브 토픽을 갖는 호출에 기초함)을 추정하기 위한 어댑테이션 모듈에 의해 호출될 수 있으며, 에이전트가 능숙하지 않은 주제 (에이전트가 전송하기로 결정한 하위 주제를 사용한 통화에 기반). 외침을 옮기는 결정은 이동을 둘러싸고 있는 문맥에 따라 능숙도의 지표가 되는 것보다 많거나 적은 가중치를 부여받을 수 있다. 예를 들어, 통화가 다른 에이전트에게 전달되었을 때 에이전트 용량이 고려될 수 있다. 에이전트가 최대 용량에 가까워지면 에이전트가 너무 바빠서 에이전트가 주제에 능숙하지 않아서 전송된 것일 수 있다. 또한, 에이전트가 에이전트로 이전된 서브 토픽을 갖는 호출에 기초하여 특정 서브 토픽에 능숙하다는 추론은 실제 인터랙션 결과에 따라 더 많거나 적은 가중치를 부여받을 수 있다. 예를 들어 특정 에이전트가 특정 서브 토픽과 관련된 통화를 전송하는 경우가 많지만 해당 에이전트가 관련 고객을 만족시키기 위해 이러한 통화를 처리하지 않으면 에이전트는 해당 서브 토픽에 능숙하지 않은 것으로 간주된다.
도 7은 본 발명의 일 실시예에 따른 예시적인 호출 전송 그래프이다. 예시된 호출 전송 그래프에서, 이 주제와 함께 36 건의 통화가 다른 에이전트로부터로부터 A 에이전트에게 전달되었지만 능숙하지는 않았으므로 A 에이전트가 새로운 신용 카드를 개설할 수 있도록 도움을 준다고 그래프를 분석하여 추론할 수 있다. A 사가 후자의 토픽을 다루는 인터랙션을 C 에이전트와 B 에이전트에게 각각 이전하기로 결정한 이후로 신용 한도 증액 및 잔액 이체에 관한 주제를 다루었다. 반면에 에이전트 B는 새로운 신용 카드 주제에 숙달된 것으로 간주될 수 있으며 에이전트 C는 이러한 토픽을 다루는 이전된 통화를 기반으로 하는 크레딧 한도 증액 토픽에 능숙한 것으로 간주될 수 있다.
일 실시예에 따르면, 동적으로 변경될 수 있는 컨택 센터의 또 다른 속성은 리워드 그 자체이다. 예를 들어 컨택 센터 관리자가 하나 이상의 원하는 KPI 값을 최대화할 리워드로 정적으로 설정하는 대신 원하는 KPI 값이 컨택 센터에서 하나 이상의 트리거 이벤트를 감지하여 동적으로 변경될 수 있다. 원하는 KPI 값을 업데이트하기 위한 트리거 이벤트 모니터링은 매일, 매시간 또는 인터랙션별로 발생할 수 있다. 예를 들어, 현재 인터랙션이 특정 고객 속성과 관련되어 있음을 검출하는 것과 같이 현재 인터랙션과 관련된 특정 트리거 이벤트를 검출하는 것에 응답하여, 이 현재 인터랙션에 대해 제1 KPI 가치는 제2 KPI 값보다 더 중요하다. 따라서 현재 인터랙션을 라우팅 할 때 제1 KPI 값을 최대화할 것으로 예상되는 에이전트는 제2 KPI 값을 최대화할 것으로 예상되는 에이전트보다 선택된다. 일 실시예에 따르면, 최대화되기를 원하는 리워드는 에이전트에 노출되어 에이전트가 그러한 리워드를 달성하는데 집중할 수 있다.
일 실시예에 따르면, 변경중인 컨택 센터의 속성은 빠른-변화 또는 느린-변화 차원으로 볼 수 있다. 그러한 속성은 스킬 및 기타 라우팅 기준, 서비스 유형, 고객 프로파일, 고객 세분화 등과 관련될 수 있다. 일 실시예에 따르면, 컨택 센터의 속성은 당업자가 이해할 수 있는 공통웨어 하우스 메타 모델(common warehouse metamodel)과 유사한 컨택 센터 메타 모델(contact center metamodel)을 사용하여 모델링 될 수 있다. 공통웨어 하우스 메타 모델과 마찬가지로 컨택 센터 메타 모델에서 유지 관리되는 속성의 관리는 속성이 빠르게 변화하는지 또는 느리게 변화하는지에 따라 달라질 수 있다. 예를 들어, 히스토리 정보의 유지 보수는 속성이 빠르게 변화되는지 또는 느리게 변경되는지에 따라 다를 수 있다. 일 실시예에 따르면, 느리게 변화되는 속성들을 별도의 테이블에 저장하는 테이블로부터 빠르게 변화하는 속성들이 제거된다. 이러한 방식으로 인기있는 주제에 대해 일시적으로 생성되었지만 주제의 인기가 사라진 후에 제거된 기술에 대한 기록 정보로 표가 너무 빨리 채워지지 않는다.
보고가 데이터웨어 하우징의 변화하는 차원을 빠르게 또는 느리게 조정하는 것처럼 라우팅도 조정해야 할 수 있다. 예를 들어 에이전트 프로파일에 정의된 일련의 스킬을 가진 에이전트가 시간이 지남에 따라 새로운 스킬을 습득하거나 오래된 스킬이 쓸모 없게 되어 스킬 세트가 변경될 수 있다. 시간이 지남에 따라 서비스 유형이 변경될 수도 있다. 예를 들어, 새로운 서비스 유형 (예를 들어, "모기지 (mortgage)")은 회사를 위한 새로운 비즈니스 세그먼트의 출현에 응답하여 라우팅 목적으로 추가될 수 있으며, 또는 회사의 두 비즈니스 세그먼트가 하나로 결합되어 예전 서비스 유형이 폐기 될 수 있다.
에이전트 스킬을 예로들어 토픽의 주제에서 왁스(wax)와 웨인(wane), 스킬 및 서브 스킬이 에이전트의 프로파일에서 동적으로 추가 및 삭제되고, 현재 보상을 예측하는 것으로 간주되는 에이전트 중 하나에 대한 현재 기술 세트는 이전 리워드를 달성하는 데 관련된 이전 기술 세트와 다를 수 있다. 현재의 보상 예측의 왜곡을 최소화하면서, 획득된 리워드에 대한 선행 기술 세트의 학습된 상관 관계를 이용하려고 시도하기 위해 상이한 메커니즘이 사용될 수 있다. 일 실시예에 따르면, 특정 스킬이 빠른 변화 스킬인 것으로 식별되면, 빠른 변화하는 스킬 및 이와 같은 빠른 변화하는 스킬에 상관된 리워드는 슬라이딩 타임 윈도우의 아웃사이드라면 쓸모 없게 된다. 이와 관련하여 보고 목적을 위해 빠르게 변화하는 차원을 테이블에서 제거하는 것처럼 빠르게 변화하는 에이전트 스킬 및 관련 리워드 정보는 짧은 시간 후에 제거되거나 무시될 수 있다 (예: 토픽의 인기도 이후에는 새로운 스킬이 야기되거나 서브 스킬이 발생되거나 쇠퇴함).
다른 실시예에서, 더 이상 관련이 없는 빠르게 변화하는 스킬은 현재 및 관련 스킬에 맵핑될 수 있다. 이와 관련하여, 어댑테이션 모듈은 빠르게 변화하는 스킬을 다른 스킬과 동일한 패밀리에 있는 것으로 식별하도록 구성될 수 있다. 예를 들어, 어댑테이션 모듈은 HDD 저장 솔루션과 관련된 질문에 대해 고객 지원에서 높은 점수를 얻은 에이전트가 SSD 기술을 사용하는 고객에게도 서비스 할 수 있다고 가정하도록 구성될 수 있다. 따라서 HDD와 관련된 기술은 SDD와 관련된 기술과 동일한 가족으로 간주될 수 있다. SSD와 관련된 인터랙션을 위해 에이전트의 기술 기록을 평가하고 에이전트에게 예상되는 보상을 계산하는 데 HDD의 트랙 레코드를 사용할 수 있다.
스킬이 예로서 사용되었지만, 당업자는 상기 메커니즘이 다른 빠르게 변화하는 속성으로 확장될 수 있다는 것을 인식해야 한다.
일 실시예에 따르면, 컨피겨레이션 서버 (27)의 어댑테이션 모듈은 콘택트 센터 관리자가 부가적으로 다른 속성들에 대한 리워드를 예측할 때 더 낮거나 더 짧은 영향을 주도록 일시적인, 특정의 빠른 변화하는 속성으로서 마킹하도록 할 수 있다. 예를 들어, 특정 제품 X의 리콜이 있는 경우, 컨택 센터 관리자는 제품 X와 관련된 호출이 급증할 것으로 예상할 수 있다. 보상을 예측하기 위해 고려되는 다른 속성을 압도하는 이 특정 호출 의도를 피하기 위해, 컨택 센터 관리자는 리워드 최대화 모듈 (102)에 (예를 들어, 그래픽 사용자 인터페이스를 통해) 명시할 수 있으며, 이 특정 호출 의도는 일시적이다. 제품 X에 대한 회수의 예에서, 콘택트 센터 관리자는 리워드 최대화 모듈 (102)에 제품 X의 리콜에 관한 콜 인텐트가 리콜 기간이 끝난 후에는 관련되지 않는 빠른 변화하는 속성으로서 무시되어야 한다고 신호할 수 있다. 제품 Y의 특정 판매 기간 동안 실행되는 캠페인이 있고, 캠페인 기간 중에 제품 Y와 관련하여 전화가 급증할 때도 마찬가지이다. 컨택 센터 관리자는 캠페인 기간 동안이 콜 인텐트와 관련된 보상 데이터를 무시하도록 리워드 최대화 모듈 (102)에 신호할 수 있다.
비슷한 토큰에서, 컨택 센터 관리자는 특정 속성을 다른 속성보다 보상 예측에 더 강하거나 더 긴 영향을 미치는 것으로 식별할 수 있다. 예를 들어, 에이전트의 지리적 위치가 고객 만족, 고객의 어려움, 인터랙션의 길이 및/또는 이와 유사한 것과 더 잘 상관되는 경우, 컨택 센터 관리자는 리워드 최대화 모듈 (102)에 다른 기준보다 긴 기간(예를 들어, 1년 보다 길게) 동안 이 속성을 고려하고 및/또는 더 강한 가중치를 부여하도록 신호를 보낼 수 있다.
일 실시예에 따르면, 컨택 센터 관리자는 또한 개별 속성/기준이 라우팅에 어떻게 영향을 미칠지 실험할 수 있다. 이와 관련하여, 어댑테이션 모듈은 관리자가 액세스 할 수 있는 도구를 제공하여 일시적인 가중치를 다른 속성에 할당하고 제어된 설정에서 라우팅을 실행하여 제어된 설정에서 달성한 보상을 관찰하도록 구성된다. 일 실시예에 따르면, 이러한 실험을 통해 컨택 센터 관리자는 특정 기준의 관련성 및/또는 민감도를 판단할 수 있다. 단순화를 위해 영향이 없거나 낮음의 기준을 점차적으로 제거할 수 있다.
예측 에이전트 유용성 및 고객 인내에 따른 에이전트 할당
대체 리워드 최대화 모듈 (108)은 에이전트들의 세트에 대한 단일 인터랙션을 평가하는 대신에 복수의 인터랙션이 에이전트 세트를 통해 동시에 평가되도록 기대값을 최대화하는 것에 기초하여 에이전트 할당을 확장하도록 구성된다. 일반적으로 고객은 더 나은 결과를 얻기 위해 고객이 준비할 수 있는 통찰력을 얻게 되며, 이전 인터랙션 패턴에 따라 에이전트의 향후 유용성을 예측할 수 있으므로 인터랙션 방식을 보다 유연하게 조정할 수 있다.
라우팅에서 최적화 기술의 잠재력을 이해하려면 장난감 예제가 고려 될 수 있다. 이 예제에서는 고객이 Enquire_Bill 또는 Report_Fault 중 하나를 호출한다고 가정한다. 컨택 센터에는 A1과 A2라는 두 명의 에이전트가 있다. 각 통화 유형을 모두 처리할 수 있지만 메트릭 (예: NPS)에 따른 성능은 다양하다. 표 1은 과거 인터랙션 데이터의 분석으로부터 [0.0, 1.0]의 범위로 정규화된 에이전트 A1 및 A2의 대표적인 평균 성과 점수를 보여준다. 이 표에서 알 수 있듯이 기록 데이터는 통화 이유인 Enquire_Bill에 대해 A2가 A1보다 성능이 좋고 A1 이 통화 이유 Report_Fault 에 대해 A2보다 잘 수행함을 나타낸다.
| 호출자 인텐션 | 에이전트 A1 | 에이전트 A2 |
| Enquire_Bill | 0.3 | 0.4 |
| Report_Fault | 0.35 | 1.0 |
이 예에서 인터랙션 대기열(queue)에는 현재 각 유형 중 하나인 두 가지 인터랙션이 포함되며 첫 번째 호출은 호출 이유 Enquire_Bill에 대한 것으로 가정한다. 일반적인 스킬 베이스 라우팅 설정에서 대기열의 인터랙션은 호출을 처리할 수 있는 사용 가능한 에이전트 중 하나에 각 인터랙션을 할당하여 차례로 처리된다 (예: FIFO). 전통적인 라우팅 방식에는 대개 에이전트와 관련된 "성과 점수(performance score)"라는 개념이 없다. 따라서 장난감 예에서 이러한 전통적인 라우팅 체계는 A2에 대한 Enquire_Bill 및 Report_Fault 를 A1에 할당하여 총 성능 점수가 0.75 (0.4 + 0.35)가 되도록 할 수 있다.
만일 그리디 할당 전략을 사용하는 경우, 사용 가능한 에이전트 중 하나에 할당하는 대신 전략에서 인터랙션 유형에 대해 가장 높은 성과 점수를 가진 에이전트에게 인터랙션을 할당한다. 따라서 Enquire_Bill 인터랙션을 할당할 때 라우팅 전략은 두 에이전트의 성과 점수를 보고 높은 점수로 A2를 선택하도록 구성된다. 그런 다음 Report_Fault 가 A1에 할당되며 사용 가능한 유일한 에이전트이다. 결과적으로 전체 점수는 다시 0.75 (0.4 + 0.35)이다.
일 실시예에 따르면, 대체 리워드 최대화 모듈 (108)은 단일 인터랙션에 대한 최상의 에이전트를 식별하는 대신에, 대기열 내의 인터랙션 및 몇몇을 (예를 들어, 모두) 고려하는 할당 전략을 사용하도록 구성된다. 예상되는 보상/가치 총액을 최대화하기 위해 후보 에이전트를 전체적으로 통합해야 한다. 위의 예에서, 대체 리워드 최대화 모듈에 의해 사용된 최적화 기반 접근법은 가능한 모든 할당 방법, 즉 (Enquire_Bill → A1, Report_Fault → A2) 및 (Enquire_Bill → A2, Report_Fault → A1)를 선택하고 최대 예상 보상을 제공하는 것을 선택한다. 따라서 대체 리워드 최대화 모듈은 총 보상으로 1.3을 가져오므로 (Enquire_Bill → A1, Report_Fault → A2)를 선택한다. 이는 다른 선택과 관련된 0.75보다 크다.
대기열의 다중 인터랙션에 대한 총 예상 보상을 최대화할 때, 대체 리워드 최대화 모듈 (108)은 현재 인터랙션 할당을 수신하기 위해 특정 에이전트가 이용 가능하지 않은 경우에 고객 인내에 관한 정보를 예측하고 에이전트 유용성을 예측한다. 정보에 기초하여 대체 리워드 최대화 모듈은 보다 최적의 에이전트 할당을 얻기 위해 인터랙션을 보류(hold-off)해야 하는지 여부를 결정한다. 일 실시예에 따르면, 고객 인내값은 특정 인텐션 타입 (콜 인텐트)에 대한 것이다. 인내값은 관찰된 포기율, 서비스 시간, NPS 점수 등에 기초하여 대체 리워드 최대화 모듈에 의해 유도/계산된 값일 수 있다. 예를 들어, 최종 NPS 점수에 대한 호출자 대기 시간의 영향에 대한 정보는 호출 의도 유형의 고객 인내 수를 계산하는데 사용될 수 있다. 이와 관련하여, 대기 시간 임계값은 각 인텐션 타입에 대해 식별될 수 있으며, 그 후에 NPS 스코어는 떨어지게 된다. 예를 들어, 인텐션 타입 중 하나에 대해 평균 처리 시간이 619 초이고 평균 발신자 대기 시간이 40 초 (통화 중 70 %가 1 초 이내에 응답 됨)와 NPS 점수 190 초 후에만 급격히 떨어진다. 이 인텐션 타입에 대한 고객 "인내 수"는 180 초로 설정할 수 있다. 이 예는 고객이 덜 숙련된 에이전트를 기다리지 않고 올바른 에이전트를 기다릴 준비가 되어 있음을 보여준다. 따라서 에이전트 유용성에 대한 신뢰할 수 있는 단기 예측과 결과를 포기하거나 부정적인 영향을 미치기 전에 대기중인 고객의 인내 또는 허용 수준을 예측할 때 시간 유연성이 악용되어 최적의 인터랙션 - 에이전트 일치를 수행할 수 있다.
도 8은 더 나은 인터랙션 에이전트 매칭을 위해 대체 리워드 최대화 모듈 (108)에 의해 악용될 수 있는 기회창(window of opportuity)을 도시하는 타이밍 다이어그램이다. 도 8의 예에서는, 호출자가 대기열에 들어갔을 때 에이전트-1을 사용할 수 있지만, 현재 사용할 수 없는, 에이전트-2에 인터랙션을 할당함으로써 달성될 수 있는 리워드에 비해 낮은 리워드의 잠재성 때문에 에이전트-1에 인터랙션이 할당되지 않는다. 그 대신, 대체 리워드 최대화 모듈 (108)은 더 높은 보상을 가져올 것으로 예상되는 에이전트 -2에 인터랙션을 할당하기 위해 대기하도록 구성된다. 위 장난감 예에서 A1이 사용 가능하고 A2가 사용 가능하지 않지만 수용 가능한 시간 (예: 호출자의 인내 한계)에서 사용할 수 있다고 가정한다. 이 예에서 대체 리워드 최대화 모듈은 Enquire_Bill 인터랙션이 A1에 할당되고 Report_Fault 인터랙션이 A2에 할당되는 총 보상 1.3으로보다 최적의 할당을 선택한다.
일 실시예에 따르면, 대체 리워드 최대화 모듈 (108)에 의해 채용될 수 있는 할당 알고리즘은 더 일찍 이용 가능한 에이전트에 더 높은 리워드를 할당한다. 그런 알고리즘에 따르면, 정하자면,
그리하면,
예측을 기반으로 한 시간 조정 디스카운트 리워드는 다음과 같다.
에이전트의 현재 유용성 즉, 예측/예상(forecast/predictive) 모델을 사용하지 않고 계산된 리워드는 위의 일반화된 표현의 특수한 경우로 볼 수 있다.
위의 리워드 기능이 더 짧은 대기 시간을 선호하는 반면, 포기와 같은 측면, 에이전트 유휴 시간 등을 고려하여 오브젝티브 함수(objective function)를 정의할 수 있다.
상기 장난감 예에서, 에이전트 (A2)는 현재 호출 중이며, 대체 리워드 최대화 모듈 (108)은 고객의 인내 임계치 내에있는 다음 시간 틱에서 해제될 것으로 예측한다. 에이전트가 이용 가능하게 될 때의 그러한 예측은 예를 들어 콜 인텐트 유형에 대한 추정된 처리 시간의 분석에 기초할 수 있다. 에이전트 유용성을 예측하기 위한 다른 알고리즘을 호출하여 에이전트가 언제 사용 가능하게 되는지 예측할 수도 있다. 이러한 시나리오에서는 
를 0.9로 설정하면 가용도 예측 모델을 사용하는 할당은 표 2와 같을 수 있다.
| 시간 | 인텐션 | 에이전트 | 리워드 | 이용가능? | 시간 디스카운트 리워드 (λ=0.9) |
최적 할당 알고리즘의 아웃풋 |
라우팅 결정 |
| t=0 | Enquire_Bill | A1 | 0.3 | Y |
 |
Enquire_Bill → A1 Report_Fault → A2 |
Enquire_Bill → A1 |
| A2 | 0.4 | N |
 |
||||
| Report_Fault | A1 | 0.35 | Y |
 |
|||
| A2 | 1.0 | N |
 |
||||
| t=1 | Report_Fault | A2 | 1.0 | Y |
 |
Report_Fault → A2 | Report_Fault → A2 |
표 2에서 알 수 있듯이, t = 0에서 A1이 Report_Fault를 처리하는 보상을 더 많이 가져오더라도 A2는 다음 시간 틱에서 A2의 유용성을 예상하여 Enquire_Bill에 할당한다. A2는 Report_Fault를 처리하는 보상보다 훨씬 큰 보상을 얻는다.
도 10은 본 발명의 실시예에 따라 동시에 복수의 인터랙션을 위한 에이전트의 최적 할당을 찾는 프로세스의 흐름도이다. 이와 관련하여, 2-스텝 접근법이 여전히 적용된다고 가정하면, 단계 (600)에서, 에이전트 필터링 모듈 (100)은 라우팅 대기중인 2 이상의 인터랙션 (예를 들어, 시간 = 0 에서 계류중인 모든 인터랙션)을 동시에 식별한다. 단계 (602)에서, 에이전트 필터링 모듈 (100)은 심층 제한에 기초하여 2 개 이상의 인터랙션에 대한 에이전트를 필터링하고 후보 에이전트의 세트를 대체 리워드 최대화 모듈 (108)에 회신한다. 일 실시예에 따르면, 에이전트의 현재 유용성은 후보 에이전트로 간주되기 위해 필터링 모듈에 의해 충족될 필요가 있는 하드 제약이 아니다. 즉, 하나 이상의 인터랙션을 처리하는 기술을 보유한 에이전트는 해당 에이전트가 현재 사용 가능하지 않더라도 잠재적 후보로 반환될 수 있다.
동작 (604)에서, 모듈 (108)은 후보 에이전트 각각과 관련된 예측된 대기 시간을 계산하기 시작한다. 일 실시예에 따르면, 예측된 대기 시간은 에이전트의 현재 상태 및 식별된 인터랙션 인텐트 유형에 대한 임계 고객 인내에 기초한다. 에이전트의 현재 상태에는 에이전트가 대화를 처리할 수 있는지 여부에 대한 정보가 포함될 수 있다. 에이전트가 현재 이용 가능하지 않은 경우, 현재 상태는 인터랙션 유형, 인터랙션을 위해 식별된 의도, 처리 시간 등과 같은 현재 처리중인 인터랙션에 대한 정보를 포함할 수 있다. 일 실시예에 따르면, 대기 시간은 에이전트가 현재 이용 가능하면 0으로 설정되고, 에이전트가 현재 통화 중일 때 -1로 설정되고, 호출자가 그 인터랙션을 포기할 것으로 예상되는 시간 이후까지 이용 가능할 것으로 예상되지 않는다. 다른 경우, 대기 시간은 에이전트의 예측된 유용성의 함수이다.
동작 (606)에서, 모듈 (108)은 각각의 인터랙션 및 각각의 후보 에이전트에 대해 인터랙션을 에이전트에 할당함으로써 달성될 것으로 예상되는 시간 - 디스카운트 리워드를 계산한다. 일 실시예에 따르면, 시간 디스카운트 리워드 값은 리워드 최대화 모듈 (102)에 의해 사용되는 알고리즘을 사용하여 계산된다. 일 실시예에서, 알고리즘은 예상 보상의 상위 신뢰 범위를 선택한다. 그러나, 리워드 최대화 모듈 (102)에 의해 계산된 보상과는 달리, 대체 리워드 최대화 모듈 (108)은 디스카운트 팩터에 기초하여 예상 보상의 상위 신뢰 범위를 할인한다. 이와 관련하여, 디스카운트 팩터는 추후보다 일찍 성취될 보상에 더 중요성을 부여한다. 일 실시예에 따르면, 디스카운트 팩터는 대기 시간의 함수로서 계산되는 값이다. 예를 들어 대기 시간이 짧을수록 디스카운트 팩터 값은 더 작다. 에이전트를 즉시 사용할 수 있는 경우 해당 에이전트에 대해 계산된 예상 보상은 할인되지 않는다. 반면에 에이전트가 사용 가능하게되기 전에 인터랙션이 포기될 가능성이 있는 경우 (예: 에이전트가 사용 가능하게 될 것으로 예상되는 시간은 고객이 인터랙션을 포기하기 전에 보류할 것으로 예상되는 시간보다 길거나, 단어, 대기 시간이 예상 고객 인내 한계를 초과하는 경우), 기대 리워드는 0으로 계산된다.
단계 (608)에서, 모듈 (108)은 시간 할인 보상에 기초하여 인터랙션에 대한 최적 할당을 찾는다.
동작 (610)에서, 모듈 (108)은 신호를 송신하게 하며, 예를 들면 스위치/미디어 게이트웨이 (12)로 하여금 동작 (608)에서의 할당에 기초하여 에이전트 디바이스로 다양한 인터랙션을 라우팅하게 한다.
에이전트 선호도 및 비딩
다시 도 2를 참조하면, 에이전트에 대한 인터랙션의 최적 매치를 찾기 위한 또 다른 데이터 - 구동 최적화 모듈이 에이전트 비딩 모듈 (104)이다. 에이전트 비딩 모듈 (104)은 라우팅 인터랙션에서 에이전트의 선호도를 만족시키도록 구성된다. 일 실시예에 따르면, 입찰 모듈 (104)은 에이전트 필터링 모듈 (100)에 의해 제공된 후보 에이전트 세트를 취할 수 있고, 매치된 선호도에 기초하여 후보 에이전트 중 하나 이상에 라우팅 제안을 생성할 수 있다. 라우팅 제안은 제안된 에이전트에게 입찰 기회를 제공할 수 있다. 제안된 각 에이전트는 인터랙션을 처리하기 위한 입찰로 응답할 수 있다. 통화가 단일 에이전트와 성공적으로 일치할 때까지 하나 이상의 입찰 라운드가 수행될 수 있다.
도 9는 본 발명의 일 실시예에 따른 에이전트 비딩 모듈 (104)의 개략적 레이아웃 도면이다. 에이전트 비딩 모듈 (104)은 에이전트 필터링 모듈 (100)에 의해 생성된 후보 에이전트를 더 감소시키기 위한 에이전트 매칭 기능을 포함한다. 매칭은 예를 들어 에이전트 선호 데이터 (400), 에이전트 상태 데이터 (402), 인터랙션 데이터 (404) 등에 기초하여 수행될 수 있다. 이와 관련하여, 에이전트 매칭 기능 (406)은 특정 타입의 인터랙션에 대해 일치하거나 적합한 것으로 간주되는 선호도 및 상태를 갖는 에이전트를 식별하도록 구성된다.
일 실시예에 따르면, 매치의 적합성은 인터랙션 데이터 (404)에 의해 제공되는 인터랙션의 컨텍스트에 기초한다. 인터랙션 데이터 (404)는 예를 들어 콜 서버 (18) 또는 인터랙션 서버 (25)에 의해 수집될 수 있다. 예를 들어, 전화 통화가 스위치/미디어 게이트웨이 (12)에 도달하면, 콜 서버 (18)는 착신 호출, 예를 들어 호출된 번호, 호출 번호, 대기 시간 등과 같은 세부 사항을 갖는 호출 객체를 생성하기 시작한다. 고객이 시스템과 인터랙션할 때 인터랙션 세부 사항이 추적되어 통화 개체에 추가된다. 예를 들어, IMR (34)에 제공된 데이터 (예를 들어, 호출 이유)는 캡처되어 호출 객체에 저장될 수 있다. 고객 프로파일 기록 및/또는 인터랙션 기록으로부터 얻을 수 있는 다른 인터랙션 세부 사항은 예를 들어, 대용량 기억 장치 (30)에 저장된다. 이러한 기록은 고객 세그먼트 데이터, 미해결 인터랙션, 이전 인터랙션 통계 등과 같은 고객 및 그의 이전 인터랙션에 대한 추가 데이터를 제공할 수 있다. 일 실시예에 따르면, 이용 가능한 경우, 인터랙션 세부 사항은 에이전트에 의해 선호되는 것으로 설정되기 위해 에이전트에 이용 가능하게 될 수 있는 동일하거나 유사한 속성을 포함한다.
일 실시예에 따르면, 에이전트가 속성으로 어떻게 라벨링되는지와 유사하게, 에이전트 비딩 모듈 (104)은 기술 및 속성의 태깅을 고객 및 고객 인터랙션으로 확장하도록 또한 구성될 수 있다. 예를 들어, 언어 유창성, 동의성 또는 고객이 제공한 평가의 조합과 같은 속성은 비딩 프로세스 및 비딩 에이전트에게 인터랙션의 바람직함을 나타내는 지표를 제공할 수 있다. 이와 관련하여 고객은 예를 들어 IVR 인터랙션, 고객 선호도 프로파일 등을 통해 원하는 에이전트의 선호도를 제공할 수 있다. 데이터는 명시적으로 또는 묵시적으로 제공될 수 있다. 예를 들어, 고객에 의한 에이전트의 선호도는 고객이 동일하거나 상이한 에이전트를 가지고 있었던 이전 인터랙션에 기초하여 유추될 수 있다.
에이전트들에 대한 매칭 인터랙션을 위해 고려된 에이전트 선호들 (400)은 정적 및/또는 동적 선호도일 수 있다. 예를 들어 에이전트는 특정 고객의 의도 (예: 결제 조회), 에이전트 기술 (예: 채팅) 및/또는 인터랙션이나 고객에 대한 다른 속성 (예: 특정 시간 동안 기다렸던 통화)을 선호되는 것으로 표시할 수 있다. 에이전트는 또한 예를 들어 장래에 관련된 기준의 기대에 기초하여 시스템에서 이미 사용 가능한 새로운 기준에 대한 선호도를 나타낼 수도 있다. 일 실시예에 따르면, 에이전트 선호도는 특정 마킹된 속성이 선호되는 시간 제한 (예를 들어, 선호도가 만료된 후 30 분)을 나타내는 시간 제한/한계로 표현된다. 서로 다른 유형의 컨택 센터 활동을 라우팅하기 위해 에이전트 우선 순위가 어떻게 고려 될 수 있는지에 대한 추가 세부 사항은 2012 년 11 월 19 일자로 출원된 "에이전트 우선권에 기초한 컨택 센터 활동 라우팅을 위한 시스템 및 방법"이라는 명칭의 미국 특허 출원 제13/681,420 호를 참조하고, 그 내용은 본 명세서에 참고로 포함된다.
일 실시예에 따르면, 에이전트 선호도 및/또는 상태 데이터는 에이전트 장치 (38)를 통해 에이전트에 액세스 가능한 그래픽 사용자 인터페이스를 통해 입력된다. 예를 들어, 에이전트의 환경 설정을 설정할 때 에이전트는 에이전트가 선호하는 속성의 사전 설정된 드롭 다운 목록을 호출할 수 있다. 에이전트가 특정 속성을 선택하면 특정 속성이 선호되는 것으로 (시각적으로 또는 다른 방법으로) 표시될 수 있다. 일 실시예에 따르면, 에이전트는 자신의 스킬 레벨의 자체 평가를 통해 스킬을 선호하는 것으로 표시할 수 있다. 예를 들어, 에이전트는 특정 통화 유형/의도의 통화를 처리한 후 특정 통화 유형/의도에서 특정 전문 지식을 얻었으며 특정 통화 유형/의도와 관련된 기술에 대한 선호도를 표시할 수 있다고 생각할 수 있다.
일 실시예에 따르면, 에이전트가 바람직한 것으로 스킬을 표시하는 능력은 예를 들어 다른 에이전트 또는 감독자로부터의 유효성 검증에 기초하여 제한될 수 있다. 보증은 또한 에이전트가 선호하는 것으로 표시하도록 선택할 수 있는 속성 드롭 다운 목록에 새로운 기술을 추가하는데 사용될 수 있다. 일부 실시예에서, 기호도가 설정되어야하는 시간의 양을 나타내는 시간 속성과 함께 기호도 또는 레벨이 또한 설정될 수 있다 (예를 들어, 1에서 5까지의 값).
일 실시예에 따르면, 에이전트 선호도는 대용량 스토리지 (30)의 에이전트 프로파일의 일부로서 정적으로 저장된다. 이와 관련하여 선호도 데이터는 오프라인으로 설정되며 (예: 에이전트가 작업 예약되지 않은 경우) 에이전트가 작업에 로그인할 때 검색을 위한 에이전트 프로파일로 저장된다. 에이전트가 근무일 동안 인터랙션을 처리할때 에이전트가 기본 설정을 동적으로 설정할 수도 있다. 예를 들어 현재 특정 유형의 인터랙션을 처리하는 에이전트가 다른 유형의 인터랙션을 처리하려는 경우 에이전트는 에이전트 디바이스를 통해 다른 인터랙션 유형에 대한 기본 설정을 나타낼 수 있다. 에이전트 선호도는 예를 들어 다음 인터랙션이 에이전트로 라우팅되는 것과 같이 실시간으로 존중될 수 있다.
에이전트와의 인터랙션을 매칭시키기 위해 비딩 모듈 (104)에 의해 고려되는 에이전트 상태 (402)와 관련하여, 에이전트 상태를 자동적으로 설정하기 위해 에이전트의 생물학적/생리학적 특성이 모니터될 수 있다. 예를 들어, 에이전트가 웨어러블 디바이스는 실시간으로 에이전트의 물리적/생물학적 특성을 모니터하여 에이전트의 현재 물리적 또는 정서적 상태를 추론할 수 있다. 웨어러블 디바이스는 시계, 헤드셋 등일 수 있다. 웨어러블 디바이스는 에이전트의 심박 상태를 모니터하여 에이전트가 흔들리거나 피곤한지 여부를 결정하도록 구성될 수 있다. 웨어러블 디바이스는 또한 에이전트의 스피치, 타이핑 속도 등을 모니터링하여 사용자의 신체적 또는 정서적 속성을 추론하도록 구성될 수 있다. 이와 관련하여, 음성 분석 엔진은 실시간으로 에이전트의 음성을 캡처 및 분석하여 자신의 기분/정서와 관련된 에이전트의 상태를 추론할 수 있다. 예를 들어, 음성 분석 엔진은 특정 사운드 또는 단어의 발언을 모니터하고, 분당 발언되는 단어의 수를 모니터링하고, 및/또는 그 에이전트에 정서적 및/또는 인내 스코어를 할당하도록 구성될 수 있다. 또 다른 예에서, 타이핑 분석 엔진에 의해 캡쳐되고 분석되는 에이전트의 타이핑 속도는 임계값만큼 평균보다 적은 타이핑 속도를 나타낼 수 있어, 에이전트가 피곤하다는 결론이 도출된다. 물론, 웨어러블 디바이스의 사용이 설명되었지만, 당업자는 논웨어러블 디바이스가 또한 당업자에 의해 인식되는 바와 같이 현재 에이전트 상태를 검출하는 데 사용될 수 있다는 것을 알아야 한다.
에이전트 선호 (400), 상태 (402) 및 인터랙션 데이터 (404)에 대한 수집된 데이터는 에이전트 매칭 기능 (406)에 입력된다. 일 실시예에 따르면, 에이전트 매칭 기능 (406)은 설정된 매칭 스코어를 만족시키지 않는 에이전트 필터링 모듈 (100)에 의해 출력된 에이전트를 필터링하도록 구성된다. 매치 스코어는 에이전트에 의해 선호되는 것으로 간주되는 인터랙션 데이터 (404)에 열거된 속성들의 수에 기초할 수 있다. 또한, 매치 스코어는 현재의 인터랙션을 처리하기에 부적합하거나 불리하다고 여겨질 수 있는 상태에 있는 에이전트를 걸러내기 위한 에이전트 상태 (402)에 기초할 수 있다. 일 실시예에 따르면, 특정 매치 스코어를 갖는 모든 또는 유일한 에이전트는 비딩 기능 (408)으로 출력된다.
일 실시예에 따르면, 보상 예측 모듈 (306)의 보상 추정 알고리즘과 같은 알고리즘이 특정 인터랙션과 매치하는 선호도 및 상태를 갖는 에이전트를 찾기 위해 호출된다. 이와 관련하여, 알고리즘을 실행하기 위해 보상 추정 기능 (306)에 의해 고려될 추가 입력은 에이전트 상태 (402) 및 에이전트 선호도 (400)를 포함한다. 이 실시예에 따르면, 알고리즘에 의해 최대화될 보상은 에이전트 만족값일 수 있다. 인터랙션이 에이전트의 선호도와 일치할수록 에이전트 만족도는 높아야 한다. 리워드 추정 알고리즘을 호출할 때, 에이전트 매칭 기능 (406)은 최고 신뢰도 경계가 가장 높은 단일 에이전트 대신에 특정 임계치 내에서 리워드를 갖는 몇몇 에이전트를 선택하도록 구성될 수 있다.
리워드 최대화 모듈 (102) 또는 대체 리워드 최대화 모듈 (108)의 기능들을 에이전트 입찰 모듈과 통합하는 또 다른 방법은 제1 단계에서 필터링 모듈 (100)에 의해 리턴된 후보 에이전트들의 리스트를 갖고, 에이전트 선호도 및/또는 에이전트가 입찰 제안을 수락하는지 여부를 결정한다.
비딩 기능 (408)은 에이전트 매칭 기능 (406)에 의해 식별된 하나 이상의 에이전트를 초대하여 인터랙션에 대한 입찰을 하도록 구성된다. 이와 관련하여, 비딩 기능 (408)은 라우팅/입찰 제안/초대를 하나 이상의 에이전트에 전송한다. 라우팅 제안에는 에이전트가 입찰을 검토하고 배치하기 위한 인터랙션에 대한 정보가 포함된다. 정보는 예를 들어, 의도, 고객 카테고리/세그먼트, 평균 대기 시간 (AWT), 이전 평균 처리 시간 등과 관련된 데이터와 같은 인터랙션 데이터 (404)의 전부 또는 일부일 수 있다. 입찰은 수신된 라우팅/입찰 제안에 대한 응답으로 에이전트가 지정할 수 있다. 이와 관련하여, 비딩 기능 (408)은 매칭된 각각의 에이전트에 대한 라우팅/입찰 제안을 에이전트 디바이스 (38)에 전송하도록 구성될 수 있다. 제안은 예를 들어 팝업 메시지와 같은 설정된 시간 동안 각 에이전트 디바이스 (38) 상에 디스플레이되도록 구성될 수 있다. 이 설정 시간 동안 에이전트는 초대장에서 옵션을 선택 (예: "수락" 버튼)하여 인터랙션을 처리하기 위해 입찰을 설정할 수 있다. 에이전트가 입찰을 위한 초대와 인터랙션하지 않으면 쿠폰이 만료되고 사라지도록 구성된다.
일 실시예에 따르면, 에이전트 비딩 모듈 (104)은 "통화(currency)" 또는 "포인트(points)"(집합적으로 포인트로 지칭됨)에 기초하여 비딩 프로세스를 추가로 증가시키도록 구성될 수 있다. 이와 관련하여, 비딩 기능 (408)은 인터랙션, 인터랙션의 복잡성, 고객의 처분, 및/또는 기타 등을 처리하기 위해 달성될 값 또는 리워드에 기초하여 현재 인터랙션에 입찰 포인트를 분석하고 할당하도록 구성될 수 있다. 예를 들어, 제2 인터랙션보다 더 큰 거래를 종결시킬 수 있는 제1 인터랙션은 제2 인터랙션에 할당된 입찰 포인트보다 더 큰 입찰 포인트를 할당할 수 있다. 다른 예로서, 과거의 낮은 NPS 스코어를 제공한 고객으로부터의 제1 인터랙션은 제1 인터랙션이 어려운 것으로 예상될 수 있기 때문에 제2 인터랙션보다 더 큰 입찰 포인트를 할당받을 수 있다. 입찰 포인트의 실제 발생액은 에이전트가 인터랙션을 성공적으로 처리한 방법에 따라 달라질 수 있다. 예를 들어, 고객 만족도 점수가 임계점보다 높으면 에이전트가 모든 입찰 포인트를 받게 될 수 있다.
일 실시예에 따르면, 에이전트는 선택 프로세스에서 우위를 차지할 수 있는 제한된 양의 입찰 포인트를 가질 수 있다. 예를 들어 누적된 입찰 포인트는 동일한 인터랙션에 대해 입찰하는 다른 에이전트와 동점이 있는 경우 특정 유형의 인터랙션에 대한 입찰에서 이기는데 사용될 수 있다. 이와 관련하여, 에이전트에 의해 처리되는 이전의 인터랙션에 기초하여 포인트를 누적하는 것 이외에, 포인트는 에이전트에 대한 인센티브 또는 보상으로서, 예를 들어 감독자에 의해 주어질 수 있다. 포인트는 또한 각 성공 (예: 높은 만족도)이 복수의 통화 포인트를 산출한다는 점에서 에이전트 선임 또는 통화 종결 등급에 기반한 인센티브로 부여될 수 있다. 주어진 비딩 옵션이 있을 때 에이전트의 선택을 사용하여 지금까지 캡처된 속성의 라벨을 보다 세분화할 수 있다. 이 입력은 앞으로 만료 기간과 함께 정적 입력으로 사용될 수 있다.
라우팅/입찰 제안/초대의 수락은 현재의 인터랙션이 라우팅될 단일 에이전트를 선택하기 위해 에이전트 셀렉션 기능 (410)으로 전달된다. 이와 관련하여, 먼저 입찰을 제출하는 에이전트가 인터랙션이 라우팅될 에이전트로 선택된다. 다른 실시예에서, 선택은 에이전트 그룹에 대한 복수의 인터랙션의 동시 할당을 통한 최적화에 기초할 수 있다. 2012 년 11 월 19 일자로 출원된 "최상 매치 인터랙션 셋 라우팅(Best Match Interaction Set Routing)"이라는 명칭의 미국 특허 출원 제13/681,417 호에 기재되어 있으며, 그 내용은 본원에 참조로 포함된다.
둘 이상의 에이전트가 동시에 입찰을 하는 입찰 동점의 경우, 에이전트 셀렉션 기능 (408)은 타이(tie)를 끊기 위한 알고리즘을 포함할 수 있다. 예를 들어, 알고리즘은 훈련 목표, 비용 등과 같은 미리 설정된 최적화 기준을 고려하도록 구성될 수 있다. 일 실시예에 따르면, 예를 들어, http://en.wikipedia.org/wiki/Hungarian_algorithm 에서 보다 상세하게 기술된 헝가리 알고리즘과 같은 최적화 알고리즘이 사용될 수 있으며, 이 알고리즘의 내용은 본원에 참조로 포함된다. 설정된 최적화 기준에 따라 에이전트를 동시에 입찰하는 특정 인터랙션의 라우팅을 최적화한다. 예를 들어, 알고리즘은 그러한 훈련을 덜 필요로 하는 다른 에이전트와 동점인 경우 특정 주제에 대해 보다 실제적인 훈련을 필요로 하는 에이전트를 선택할 수 있다. 타이 브레이커는 에이전트에 의해 축적된 포인트를 기반으로 할 수도 있다. 예를 들어 누적 포인트 수가 많은 에이전트가 적은 포인트 수의 에이전트보다 입찰에서 성공할 수 있다.
일 실시예에 따르면, 현재 입찰 라운드가 에이전트의 선택을 초래하지 않으면, 입찰 모듈 (408)에 의해 또 다른 입찰 라운드가 개시될 수 있다. 일 실시예에서, 입찰 제안이 전송되는 에이전트의 수는 초기 임계값 매칭 스코어 이하의 에이전트를 포함하도록 확장될 수 있다.
에이전트/고객 소셜 네트워크
다시 도 2를 참조하면, 에이전트와의 인터랙션의 최적 매치를 찾기 위한 또 다른 데이터-구동 최적화 모듈은 에이전트/고객 소셜 네트워크 모듈 (106)이다. 이와 관련하여 고객과 에이전트의 일치는 고객 및 에이전트의 소셜 네트워크 프레임 워크에 포함될 수 있다. 에이전트와 고객은 네트워크의 노드 또는 정점이다. 고객과의 인터랙션이 에이전트에게 라우팅되면 에이전트와 고객간에 커넥션될 수 있다. 일 실시예에서, 커넥션은 또한 2010 년 10 월 22 일자로 출원된 "프로파일 호환성 라우팅에서 사용하기 위한 등급 에이전트 및 고객을 위한 시스템(System for Rating Agents and Customers for Use in Profile Compatibility Routing)"이라는 명칭의 미국 특허 출원 제12/910,179 호에 더 상세하게 기술된 바와 같이 에이전트 및/또는 고객 선호도에 대한 지식에 기초하여 이루어지고, 이의 내용은 본원에 참조로 포함된다. 예를 들어 고객과 에이전트간에 이전 인터랙션에 대한 긍정적인 평가를 제공한 고객에 대한 응답으로 고객과 에이전트 간의 커넥션이 이루어질 수 있다. 일 실시예에 따르면, 에이전트 및 고객 모두의 소셜 및 행동 프로파일 (피처라고도 함)이 커넥션을 위해 사용된다. 커넥션은 네트워크의 에지 또는 링크를 통해 나타난다. 프로파일은 노드와 관련하여 유지될 수 있다.
노드는 다른 속성에 할당될 수 있는데, 가령 예를 들어, 사회적 및 행동적 속성과 같은 상이한 속성은, 대응하는 프로파일에 저장될 수 있다. 이에 더하여, 에지 자체는 연결할 노드 간의 관계 특성에 대한 정보를 캡처할 수 있는 값 또는 가중치를 가질 수 있다. 예를 들어 고객과 각 에이전트 사이에 일정 수준의 "적합"이 있을 경우 고객과 각 에이전트 노드 간의 에지가 형성될 수 있다. 이러한 "적합" 결정은 예를 들어, 고객의 IMR 서버 (34)와의 인터랙션, 고객의 웹 사이트와의 인터랙션, 고객의 소셜 미디어 인터랙션, 고객이 에이전트 (예를 들어, 고객 설문 응답, NPS 점수, 에이전트 등급 등), 인터랙션 결과, 고객/에이전트 선호도 정보, 고객/에이전트의 기능 등에 기초할 수 있다. "적합"을 결정하기 위해 고려될 수 있는 고객/에이전트의 특징은 리워드 최대화 모듈 (102 )에 의해 고려되는 고객 프로파일 (cp) 및 에이전트 프로파일 (ap 및/또는 a) 과 유사할 수 있다. 그러한 프로파일 데이터의 분석은 라우팅 될 인터랙션과 관련된 고객과 각각의 후보 에이전트 사이의 호환성 수준을 나타낼 수 있다. 예를 들어, 에이전트의 프로파일이 고객의 프로파일과 겹치면 많을수록 고객과 에이전트 간의 일치 또는 일치가 더 잘된다는 가정이 있을 수 있다. 오버랩의 양은 고객과 에이전트가 공유하는 속성의 수에 따라 결정될 수 있다 (예를 들면, 에이전트와 고객이 같은 학교에 다녔거나, 같은 지역에 살거나, 취미가 같거나, 국적이 같거나, 같은 종류의 애완 동물 등이 있음). 특정 속성은 다른 속성보다 오버랩 정도를 계산할 시에 높은 가중치를 부여할 수 있다.
두 번째 단계에서 적합성을 판단하기 위해 고려될 수 있는 고객 및 후보 에이전트의 다른 기능은 행동 프로파일과 관련될 수 있다. 행동 프로파일은 에이전트 상태 (402)가 에이전트 비딩 모듈 (104)에 의해 (예를 들어, 음성 분석 모듈을 통해) 캡쳐되는 것과 유사한 방식으로 포착될 수 있는 에이전트 및 고객의 실시간 행동 상태일 수 있다. 예를 들어, 화내는 고객은 높은 인내심 점수를 가진 것으로 확인 된 에이전트에게 더 적합한 것으로 간주될 수 있다. 이와 관련하여, 행동 프로파일에 관해서, 모듈 (106)은 항상 공유된 행동을 찾지 않고 대신에 양립 가능한 행동을 찾는다. 행동의 호환성은 모듈 (106)이 액세스할 수 있는 미리 설정된 규칙에 기초할 수 있다. 예를 들어 고객의 불만을 품은 행동은 에이전트의 높은 인내심 점수와 호환되는 것으로 간주될 수 있다.
"적합"을 결정하기 위해 고려되는 요인 중 하나 이상은 고객 노드를 해당 에이전트 노드에 연결하는 분리된 에지로 각각 나타낼 수 있다. 예를 들어, 특정 고객을 특정 에이전트와 연결하여 고객과 인터랙션 한 후 에이전트가 받은 모든 평점의 평균을 나타내기 위해 별도의 "에이전트 레이팅(agent rating)" 링크가 제공될 수 있다. 이러한 가치는 각 인터랙션이 완료될 때 사후 연락 조사를 통해 얻을 수 있다. 또한 명시적인 설문 조사가 없지만 에이전트가 인터랙션이 전반적으로 긍정적이었음을 시스템에 나타내면 특정 고객의 긍정적인 고객 만족도를 나타내는 값으로 "고객 만족도" 링크가 업데이트될 수 있다. 에이전트와 고객 간의 인터랙션 동안 달성된 모든 보상값의 평균을 제공하는 "리워드" 링크와 같은 특정 고객/에이전트 쌍에 대해 다른 에지 및 연관된 값/가중치가 유지되고 갱신될 수 있으며, 에이전트의 프로파일이 고객의 프로파일과 얼마나 잘 일치하는지 나타내는 값을 제공하는 "프로파일 일치" 링크가 제공되고, 그리고 에이전트와 고객 간의 일반적인 "적합"을 결정하는 것으로 간주되는 기타 링크가 고려될 수 있다.
신규 고객이 컨택 센터와 처음으로 인터랙션할 때, 예를 들어, 리워드 최대화 모듈 (102) 및/또는 에이전트 비딩 모듈 (104)에 의해 수집된 선호도 데이터 이외의 임의의 특정 에이전트에 대한 초기 선호도가 없을 수 있다. 즉, 신규 고객은 초기에 에이전트 및 고객 네트워크에 표시되지 않을 수 있다. 고객이 새로운 고객이 아니더라도 고객이 제한된 수의 에이전트와 인터랙션하는 대형 컨택 센터에서 컨택 센터의 대복수 대행사와의 과거 인터랙션에 대한 데이터가 없을 수 있다. 따라서 고객 노드에서 모든 에이전트 노드에 대한 에지의 값/가중치는 동일 할 수 있다 (예: 모두 1). 그러나 많은 경우에 선호도 정보는 고객이 에이전트에게 전달되기 전에 추출될 수 있는 고객의 기능 정보를 기반으로 추론될 수 있다. 예를 들어, 고객의 현재 위치, IMR 서버 (34)에 의해 제공된 프롬프트에 대한 응답, 오디오 정서 분석, 의도 분석 등에 기초하여 특정 고객 피처가 추출될 수 있다. 고객과 각 에이전트 간의 적합성은 추출된 고객의 기능과 에이전트에게 고객에게 라우팅하기 위해 가장 적합한 것으로 예상되는 에이전트를 기반으로 예측할 수 있다. 일 실시예에 따르면, 예측된 적합은 인터랙션 동안 달성될 기대 리워드에 기초한다. 기대 리워드는 예를 들어, 리워드 최대화 모듈 (102)에 의해 계산될 수 있다.
일례에서, 모듈 (106)은 에이전트와 고객 간의 적합성을 결정하기 위해 공공 소셜 네트워크로부터 도출된 정보를 이용할 수 있다. 이러한 공공 소셜 네트워크는 일반적 (예: 페이스북) 또는 특수적 (예: 자전거 애호가를 위한 네트워크) 일 수 있다. 에이전트 - 고객 소셜 네트워크에서 에이전트와 특정 고객간에 강력한 링크가 있는 경우 (예: 페이스북의 직계 친구 또는 2 ~ 3 도의 분리 내에서) 에이전트가 다른 소셜 네트워크에서 이 고객과 가까운 사람들에게도 가깝다고 가정할 수 있다. 일 실시예에 따르면, 고객과의 인터랙션이 에이전트로 라우팅되어야 하는 경우에 발생할 가능성이 있는 정서를 예측하는 것에 기초하여 고객과 각 에이전트 사이의 적합성이 예측될 수 있다. 이와 관련하여, 에이전트/고객 소셜 네트워크 모듈 (106)은 모든 고객에 대한 과거 인터랙션의 오디오 녹음, 텍스트 녹음본, 이메일, SMS 메시지, 채팅 녹음 등을 분석하고, "고마워, 너는 나에게 많은 도움을 주었다. ","너는 큰 도움이 되었다." 그리고 인터랙션의 바라는 또는 원하지 않는 상태 또는 자질을 표현하는 다른 말을 명시적인 정서 정보로 사용한다. 정서 정보는 고객이 예를 들어 에이전트 등급, NPS 점수, 설문 조사 점수 등과 같은 명시적인 등급을 제공하는 사후 인터랙션 설문 조사로부터 얻을 수도 있다. 명시적인 설문 조사 점수가 없어도 고객이 명시적으로 특정 에이전트를 좋아한다는 신호를 보내는 경우 (예: 고객이 에이전트를 "즐겨 찾기"로 표시한 경우) 이는 설명된대로 에이전트에 대한 긍정적인 느낌을 나타내는 명시적인 표시로 간주될 수 있다. 보다 상세하게는 2014 년 3 월 7 일자로 출원된 "대화 보조 장치 (Conversation Assistant)"라는 명칭의 미국 특허 출원 제14/201,648 호에 개시되어 있고, 이의 내용은 본 명세서에 참고로 포함된다.
일 실시예에 따르면, 에이전트/고객 소셜 네트워크 모듈 (106)은 수집된 데이터 (예를 들어, 표시 및 등급)를 모든 고객에 대한 과거 인터랙션으로부터 취하고 각 인터랙션에 대한 정서 분석을 수행하도록 구성된다. 이와 관련하여, 모듈 (106)은 수집된 데이터로부터의 각각의 과거 인터랙션에 대한 정서를 결정하기 위한 정서 분석 알고리즘을 실행하도록 구성된다. 알고리즘은 음성 태깅의 일부에 대한 명령, 바람직하거나 바람직하지 않은 상태 또는 인터랙션의 품질 등에 대해 고객에 의해 표현된 의견과 관련된 텍스트를 추출하는 명령을 포함할 수 있다. 그 후, 모듈 (106)은 예를 들어, 긍정적 또는 부정적 정서를 갖는 것으로 인터랙션을 분류하기 위해 당 업계에서 통상적인 감독된 학습 기술을 적용할 수 있다. 이와 관련하여, 알고리즘은 정서 분석에 기초하여 정서 태그와의 인터랙션을 태그하도록 구성될 수 있다. 태그는 예를 들어 숫자 값, 그래픽 묘사 (별, 엄지 위로 또는 아래로), 또는 긍정적 또는 부정적 정서를 나타내는 다른 라벨 (예: "좋음"또는 "나쁨") 및/또는 그런 정서. 예를 들어 숫자 값이 사용되면 "1"값은 고객이 에이전트와의 인터랙션을 싫어하는 것을 나타내는 반면, "5"값은 고객이 실제로 에이전트와 인터랙션하기를 좋아했음을 나타낼 수 있다.
일단 이전 인터랙션이 정서에 대해 분석되면, 에이전트/고객 사회 네트워크 모듈 (106)은 분석을 일반화하거나 확장하여 특정 고객과 특정 에이전트 간의 현재 인터랙션에 대한 정서를 예측할 수 있다. 일반화는 협력 필터링 또는 심층 신경 네트워크를 이용할 수 있다. 협업 필터링의 경우, 모듈 (106)은 에이전트와 동일한 취향의 비슷한 다른 고객을, 정서를 예측할 현재 고객로서 찾는다. 심층 신경 네트워크의 경우 네트워크 입력은 고객 속성 및 에이전트 속성을 나타내는 기능일 수 있으며 출력은 예측된 정서이다. 일 실시예에 따르면, 심층 신경 네트워크는 특정 정서를 초래하는 과거의 인터랙션에서 고객 및 에이전트 속성에 기초하여 훈련된다. 일반적으로 고객 및 에이전트 속성은 교육/학습 단계에서 특정 정서와 관련이 있다. 에이전트와 고객의 학습된 속성은 현재 인터랙션에 대한 정서를 예측하기 위해 현재 인터랙션으로 확장될 수 있다. 고려될 수 있는 고객 속성에는 연령, 성별, 교육 수준, 소득 수준, 위치 등이 포함되지만 이에 국한되지는 않는다. 고려될 수 있는 에이전트 속성에는 연령, 성별, 교육 수준, 취업 년수 및 위치가 포함되지만 이에 국한되지는 않는다.
고객이 특정 에이전트와 인터랙션하고 그 인터랙션이 긍정적이거나 부정적인 경험을 하게되면, 에지의 가중치는 학습된 경험에서 수정될 수 있다. 일 실시예에 따르면, 고객 노드와 에이전트 노드 사이의 일반적인 "적합" 에지 (및/또는 보다 구체적인 "고객 경험" 에지)의 가중치는 긍정적인 경험을 가져오면 증가하지만, 인터랙션은 부정적인 경험을 가져오면 감소한다. 증가 또는 감소의 양은 예를 들어, 인터랙션 동안 달성된 실제 리워드에 기초할 수 있다. 증가량 또는 감소량은 인터랙션 후 조사 중에 고객이 제공한 값 및/또는 인터랙션 후 고객 또는 에이전트로부터 받은 기타 피드백을 기반으로 할 수도 있다.
일 실시예에 따르면, 에이전트와 고객을 연결하는 에지에 할당된 가중치 대신에 또는 가중치에 추가하여, 특정 고객 노드와 특정 에이전트 노드 사이의 거리가 조작되어 에이전트와 고객 사이의 더 양호한 적합성, 소셜 네트워크를 시각화하기 위해 표시되는 그래프에 노드가 더 가까이 나타나고, 적합도가 낮을수록 노드가 더 많이 나타난다.
일 실시예에 따르면, 에이전트 필터링 모듈에 의해 제공되는 다양한 후보 에이전트 중 어느 것이 최적의 에이전트로서 선택되어야 하는지를 결정함에 있어서, 에이전트/고객 소셜 네트워크 모듈 (106)은 특정 고객의 특징, 후보 에이전트의 프로파일, 및/또는 특정 고객 노드와 후보 에이전트 노드 사이의 에지의 가중치 또는 거리를 포함할 수 있다. 일 실시예에 따르면, 에이전트/고객 소셜 네트워크 모듈 (106)은 에이전트/고객 소셜 네트워크의 분석에 기초하여 현재 인터랙션을 처리하기 위한 하나 이상의 후보 에이전트를 추천하기 위한 분류 알고리즘을 실행한다. 일 실시예에 따르면, 추천된 에이전트는 고객과 가장 잘 맞을 것으로 예측된다.
일 실시예에 따르면, 특정 고객과 잘 맞는 것으로 여겨지는 에이전트는 다른 후보 에이전트와 대조적으로 제2 패스 동안 선택을 위해 우선 순위가 매겨 질 수 있다.
일 실시예에 따르면, 특정 에이전트에 대한 고객의 선호도는 소셜 네트워크 내의 다른 고객들에게 노출되어, 이들 다른 고객이 수트(suit)를 따르고 또한 특정 에이전트에 대한 선호도를 나타낼 수 있게 한다. 이와 관련하여, 에이전트/고객 소셜 네트워크 모듈은 고객이 그들의 선호도 데이터를 다른 고객에게 노출하기 위해 액세스할 수 있는 그래픽 사용자 인터페이스를 제공한다. 예를 들어 특정 고객은 소셜 네트워크 (예: 고객의 FacebookTM 친구)에서 고객의 친구에게 특정 에이전트 (예: 엄지 손가락 표시기 또는 할당된 순위값을 통해)에 대한 선호도를 공유하거나 노출할 수 있다. 또 다른 예에서, 비록 특정 고객이 특정 에이전트에 대한 자신의 선호를 명시적으로 노출하지 않았더라도, 에이전트/고객 소셜 네트워크 모듈은 특정 고객의 친구에 대한 에이전트를 선택함에 있어서 그러한 선호도 데이터를 고려하도록 구성될 수 있다.
에이전트/고객 소셜 네트워크 모듈 (106)이 예를 들어 리워드 최대화 모듈 (102) 및/또는 에이전트 비딩 모듈 (104)과 같은 다른 최적화 모듈과 함께 사용되는 실시예에서, 에이전트와 고객 간의 적합성 결정은 하나 이상의 다른 모듈뿐만 아니라 모듈 (106)에 의해 최적으로 간주되는 오버랩핑 에이전트를 찾기 위해 이러한 다른 모듈에 의한 최적의 에이전트를 선택하기 이전 또는 이후에 수행될 수 있다.
일 실시예에서, 전술한 도면들에서 다양한 서버, 컨트롤러, 스위치, 게이트웨이, 엔진, 및/또는 모듈(집합적으로 서버로 언급됨) 각각은 당업자에 의해 인식되는 바와 같이 하드웨어 또는 펌웨어 (예를 들어, ASIC)를 통해 구현된다.
일 실시예에서, 전술한 도면들에서의 다양한 서버, 컨트롤러, 스위치, 게이트웨이, 엔진 및/또는 모듈 (집합적으로 서버로서 지칭됨)은 하나 이상의 프로세서상에서 실행되는 프로세스 또는 스레드이고 (예를 들어, 도 9A, 도 9B), 컴퓨터 프로그램 명령을 실행하고 여기에 기술된 다양한 기능을 수행하기 위한 다른 시스템 컴포넌트와 인터랙션할 수 있다. 컴퓨터 프로그램 명령은 예를 들어 랜덤 액세스 메모리 (RAM)와 같은 표준 메모리 디바이스를 사용하는 컴퓨팅 디바이스에서 구현될 수 있는 메모리에 저장된다. 컴퓨터 프로그램 명령은 또한 예를 들어 CD-ROM, 플래시 드라이브 등과 같은 다른 일시적이지 않은 컴퓨터 판독 가능한 미디어에 저장될 수 있다. 또한, 당업자는 컴퓨팅 디바이스가 펌웨어 (예를 들어, 어플리케이션-특정 집적 회로), 하드웨어, 또는 소프트웨어, 펌웨어 및 하드웨어의 조합을 통해 구현될 수 있다는 것을 인식해야 한다. 당업자는 다양한 컴퓨팅 디바이스의 기능이 단일 컴퓨팅 디바이스에 결합되거나 통합될 수 있다는 것을 인식해야 하며, 또는 특정 컴퓨팅 디바이스의 기능성은 본 발명의 예시적인 실시예의 범위를 벗어나지 않고 하나 이상의 다른 컴퓨팅 디바이스에 걸쳐 분산될 수 있다. 서버는 단순히 모듈이라고도 하는 소프트웨어 모듈 일 수 있다. 컨택 센터의 모듈 세트에는 서버 및 기타 모듈이 포함될 수 있다.
다양한 서버는 컨택 센터의 에이전트와 동일한 물리적 위치에서 현장의 컴퓨팅 디바이스에 위치할 수 있거나 지리적으로 다른 위치, 예를 들면 인터넷과 같은 네트워크를 통해 컨택 센터에 접속된 원격 데이터 센터의 오프 사이트 (또는 클라우드 내부)에 위치할 수 있다. 또한, 일부 서버는 컨택 센터의 현장의 컴퓨팅 디바이스에 위치할 수 있고 다른 서버는 오프 사이트의 컴퓨팅 디바이스에 위치할 수도 있으며, 또는 예비의 기능을 제공하는 서버는 보다 큰 내결함성(fault tolerance)을 제공하기 위해 온 사이트 및 오프 사이트 컴퓨팅 디바이스를 통해 제공될 수 있다. 본 발명의 일부 실시예에서, 오프 사이트의 컴퓨팅 디바이스에 있는 서버에서 제공하는 기능은 마치 가상 사설망 (VPN)을 통해 액세스하여 제공할 수 있거나 또는 XML (extensible markup language) 또는 JSON (JavaScript Object notation)으로 인코딩된 데이터를 교환하는 등, 다양한 프로토콜을 사용하여 인터넷을 통해 기능을 제공하는 SaaS (software as a service)를 사용하여 제공할 수 있다.
도 11a 및 도 11b는 본 발명의 예시적인 실시예에서 사용될 수 있는 컴퓨팅 디바이스 (1500)의 블록도를 도시한다. 각각의 컴퓨팅 디바이스 (1500)는 중앙 프로세싱 유닛 (1521) 및 메인 메모리 유닛 (1522)을 포함한다. 도 11a에 도시된 바와 같이, 컴퓨팅 디바이스 (1500)는 또한 스토리지 (1528), 착탈식 미디어 인터페이스 (1516), 네트워크 인터페이스 (1518), 입출력 (I/O) 컨트롤러 (1523), 마우스와 같은 하나 이상의 디스플레이 디바이스 (1530b)를 포함할 수 있다. 스토리지 (1528)는 오퍼레이팅 시스템 및 소프트웨어를 위한 스토리지를 제한없이 포함할 수 있다. 도 11b에 도시된 바와 같이, 각 컴퓨팅 디바이스 (1500)는 센트럴 프로세싱 유닛 (1521)과 통신하는 메모리 포트 (1503), 브리지 (1570), 하나 이상의 추가 입력/출력 디바이스 (1530d, 1530e) 및 캐시 메모리 (1540)를 포함할 수 있다. 입/출력 디바이스 (1530a, 1530b, 1530d 및 1530e)는 총칭하여 참조 번호 (1530)를 사용하여 여기에서 지칭될 수 있다.
센트럴 프로세싱 유닛 (1521)은 메인 메모리 유닛 (1522)으로부터 페치된 명령에 응답하고 이를 처리하는 임의의 논리 회로이다. 이는 예를 들어 마이크로 프로세서, 마이크로 컨트롤러 또는 그래픽 처리 장치 (GPU), 또는 FPGA (field-programmable gate array) 또는 ASIC (application-specific integrated circuit)의 형태로 집적 회로에 구현될 수 있다. 메인 메모리 유닛 (1522)은 데이터를 저장할 수 있고 임의의 저장 위치가 센트럴 프로세싱 유닛 (1521)에 의해 직접 액세스 될 수 있게 하는 하나 이상의 메모리 칩일 수 있다. 도 11a에 도시된 바와 같이, 센트럴 프로세싱 유닛 (1521)은 시스템 버스 (1550)를 통해 메인 메모리 (1522)와 통신한다. 도 11b에 도시된 바와 같이, 센트럴 프로세싱 유닛 (1521)은 또한 메모리 포트 (1503)를 통해 메인 메모리 (1522)와 직접 통신할 수 있다.
도 11b는 센트럴 프로세싱 유닛 (1521)이 종종 백사이드 버스(backside bus)라 지칭되는 제2 버스를 통해 캐시 메모리 (1540)와 직접 통신하는 실시예를 도시한다. 다른 실시예에서, 센트럴 프로세싱 유닛 (1521)은 시스템 버스 (1550)를 사용하여 캐시 메모리 (1540)와 통신한다. 캐시 메모리 (1540)는 전형적으로 주 메모리 (1522)보다 빠른 응답 시간을 갖는다. 도 11a에 도시된 바와 같이, 센트럴 프로세싱 유닛 (1521)은 로컬 시스템 버스 (1550)를 통해 다양한 I/O 디바이스 (1530)와 통신한다. 다양한 버스는 로컬 시스템 버스(1550)으로서 이용될 수 있는데, VLEA (Video Electronics Standards Association) 로컬 버스 (VLB), ISA (Industry Standard Architecture) 버스, EISA (Extended Industry Standard Architecture) 버스, 마이크로 채널 아키텍쳐 MCA (MicroChannel Architecture) 버스, PCI (Peripheral Component Interconnect) 버스, PCI 확장 (PCI-X) 버스, PCI-Express 버스 또는 NuBus를 포함할 수 있다. I/O 디바이스가 디스플레이 디바이스 (1530c) 인 실시예에서, 센트럴 프로세싱 유닛 (1521)은 어드밴스드 그래픽 포트 (AGP)를 통해 디스플레이 디바이스 (1530c)와 통신할 수 있다. 도 11b는 센트럴 프로세싱 유닛(1521)이 직접 I/O 디바이스(1530e)와 통신하는 컴퓨터(1500)의 일 실시예를 도시하고 있다. 도 11b는 또한 로컬 버스와 직접 통신이 혼합된 실시예를 도시하고 있고, 센트럴 프로세싱 유닛 (1521)은 I/O 디바이스 (1530e)와 직접 통신하는 동안 로컬 시스템 버스 (1550)를 이용하여 I/O 디바이스 (1530d)와 통신한다.
다양한 I/O 디바이스 (1530)가 컴퓨팅 디바이스 (1500)에 존재할 수 있다. 입력 디바이스는 하나 이상의 키보드 (1530a), 마우스, 트랙 패드, 트랙볼, 마이크로폰 및 드로잉 태블릿을 포함한다. 출력 디바이스는 비디오 디스플레이 디바이스 (1530c), 스피커 및 프린터를 포함한다. I/O 컨트롤러 (1523)는, 도 11a에 도시된 바와 같이, I/O 디바이스를 제어할 수 있다. I/O 컨트롤러는 예를 들어, 마우스 또는 광학 펜과 같은 키보드 (1530a) 및 포인팅 디바이스 (1530b)와 같은 하나 이상의 I/O 디바이스를 제어할 수 있다.
다시 도 11a를 참조하면, 컴퓨팅 디바이스 (1500)는 플로피 디스크 드라이브, CD-ROM 드라이브, DVD-ROM 드라이브, 다양한 포맷의 테이프 드라이브, USB 포트, 보안 디지털 또는 컴팩트 플래쉬(COMPACT FLASHTM) 메모리 카드 포트 또는 읽기 전용 미디어에서 데이터를 읽거나, 읽기/쓰기 미디어에서 데이터를 읽거나 쓰는데 적합한 기타 장치를 서포트할 수 있다. I/O 디바이스 (1530)는 시스템 버스 (1550)와 탈착 가능한 미디어 인터페이스 (1516) 사이의 브리지일 수 있다.
이동식 미디어 인터페이스 (1516)는 예를 들어 소프트웨어 및 프로그램을 설치하는데 사용될 수 있다. 컴퓨팅 디바이스 (1500)는 오퍼레이팅 시스템 및 기타 관련 소프트웨어를 저장하고 애플리케이션 소프트웨어 프로그램을 저장하기 위한, 하나 이상의 하드 디스크 드라이브 또는 하드 디스크 드라이브 어레이와 같은 스토리지 (1528)를 더 포함할 수 있다. 선택적으로, 이동식 미디어 인터페이스 (1516)가 또한 스토리지로서 사용될 수 있다. 예를 들어, 오퍼레이팅 시스템과 소프트웨어는 부팅 가능한 미디어 (예: 부팅 CD)에서 실행될 수 있다.
일부 실시예에서, 컴퓨팅 디바이스 (1500)는 각각이 동일하거나 상이한 유형 및/또는 형태일 수 있는 복수의 디스플레이 디바이스 (1530c)를 포함하거나 또는 이들에 접속될 수 있다. 이와 같이, 임의의 I/O 디바이스 (1530) 및/또는 I/O 제어기 (1523)는 임의의 타입 및/또는 형태의 적절한 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합을 포함할 수 있으며, 컴퓨팅 디바이스 (1500)에 의해 복수의 디스플레이 디바이스 (1530c)에 대한 연결을 가능하게 하거나 제공하고, 이를 이용한다. 예를 들어, 컴퓨팅 디바이스 (1500)는 디스플레이 디바이스 (1530c)를 인터페이스, 통신, 접속 또는 사용하기 위한 비디오 어댑터, 비디오 카드, 드라이버 및/또는 라이브러리의 임의의 유형 및/또는 형태를 포함할 수 있다. 일 실시예에서, 비디오 어댑터는 복수의 디스플레이 디바이스 (1530c)에 인터페이스하기 위한 복수의 커넥터들을 포함할 수 있다. 다른 실시예에서, 컴퓨팅 디바이스 (1500)는 하나 이상의 디스플레이 디바이스 (1530c)에 연결된 각각의 비디오 어댑터를 갖는 복수의 비디오 어댑터를 포함할 수 있다. 일부 실시예에서, 컴퓨팅 디바이스 (1500)의 오퍼레이팅 시스템의 임의의 부분은 다중 디스플레이 디바이스 (1530c)를 사용하도록 구성될 수 있다. 다른 실시예에서, 하나 이상의 디스플레이 디바이스 (1530c)는 예를 들어 네트워크를 통해 컴퓨팅 디바이스 (1500)에 연결된 하나 이상의 다른 컴퓨팅 디바이스에 의해 제공될 수 있다. 이들 실시예는 컴퓨팅 디바이스 (1500)에 대한 제2 디스플레이 디바이스 (1530c)로서 다른 컴퓨팅 디바이스의 디스플레이 디바이스를 사용하도록 디자인되고 구성된 임의의 유형의 소프트웨어를 포함할 수 있다. 당업자는 컴퓨팅 디바이스 (1500)가 복수의 디스플레이 디바이스 (1530c)를 갖도록 구성될 수 있는 다양한 방법 및 실시예를 승인하고 인식할 것이다.
도 11a 및 도 11b에 도시된 종류의 컴퓨팅 디바이스 (1500)는 시스템 리소스에 대한 액세스 및 작업 스케줄링을 제어하는, 오퍼레이팅 시스템의 제어하에 작동할 수 있다. 컴퓨팅 디바이스 (1500)는 임의의 오퍼레이팅 시스템, 임의의 내장형 오퍼레이팅 시스템, 임의의 실시간 오퍼레이팅 시스템, 임의의 오픈 소스 오퍼레이팅 시스템, 임의의 독점 오퍼레이팅 시스템, 모바일 컴퓨팅 디바이스용 임의의 오퍼레이팅 시스템, 또는 실행 가능한 다른 오퍼레이팅 시스템의 본 명세서에 설명된 동작들을 수행할 수 있다.
컴퓨팅 디바이스 (1500)는 임의의 워크 스테이션, 데스크탑 컴퓨터, 랩탑 또는 노트북 컴퓨터, 서버 머신, 핸드 헬드 컴퓨터, 이동 전화 또는 다른 휴대용 통신 디바이스, 미디어 재생 디바이스, 게임 시스템, 모바일 컴퓨팅 디바이스, 또는 임의의 다른 유형 및/또는 통신이 가능하고 여기서 설명된 동작을 수행하기에 충분한 프로세서 파워 및 메모리 용량을 갖는 컴퓨팅, 원격통신 또는 미디어 디바이스를 포함한다. 일부 실시예에서, 컴퓨팅 디바이스 (1500)는 디바이스와 일치되는 상이한 프로세서, 오퍼레이팅 시스템 및 입력 디바이스를 가질 수 있다.
다른 실시예에서, 컴퓨팅 디바이스 (1500)는 자바 가능 휴대 전화 또는 PDA (personal digital assistant), 스마트 폰, 디지털 오디오 플레이어, 또는 휴대용 미디어 플레이어와 같은 모바일 디바이스이다. 일부 실시예에서, 컴퓨팅 디바이스 (1500)는 디지털 오디오 플레이어 또는 휴대용 미디어 플레이어와 결합된 이동 전화와 같은 디바이스들의 조합을 포함한다.
도 11c에 도시된 바와 같이, 중앙 프로세싱 유닛 (1521)은 복수의 프로세서 (P1, P2, P3, P4)를 포함할 수 있으며, 명령들의 동시 실행 또는 하나 이상의 데이터 조각에 하나의 명령이 동시에 실행되는 것을 위한 기능을 제공할 수 있다. 일부 실시예에서, 컴퓨팅 디바이스 (1500)는 하나 이상의 코어를 갖는 병렬 프로세서를 포함할 수 있다. 이들 실시예들 중 하나에서, 컴퓨팅 디바이스 (1500)는 복수의 프로세서 및/또는 복수의 프로세서 코어를 갖는 공유 메모리 병렬 디바이스이며, 단일의 글로벌 어드레스 공간으로서 모든 이용 가능한 메모리를 액세스한다. 이들 실시예들 중 다른 하나에서, 컴퓨팅 디바이스 (1500)는 각각 로컬 메모리에만 액세스하는 복수의 프로세서를 갖는 분산 메모리 병렬 디바이스이다. 이들 실시예들 중 또 다른 실시예에서, 컴퓨팅 디바이스 (1500)는 공유되는 일부 메모리와 특정 프로세서 또는 프로세서의 서브 세트에 의해서만 액세스 될 수 있는 일부 메모리를 모두 갖는다. 이들 실시예의 또 다른 실시예에서, 센트럴 프로세싱 유닛 (1521)은 2 이상의 독립 프로세서를 단일 패키지, 예를 들어 단일 집적 회로 (IC), 로 결합하는 멀티 코어 마이크로 프로세서를 포함한다. 하나의 예시적인 실시예에서, 도 11d에 도시된 바와 같이, 컴퓨팅 디바이스 (1500)는 적어도 하나의 센트럴 프로세싱 유닛 (1521) 및 적어도 하나의 그래픽 프로세싱 유닛 (1521 ')을 포함한다.
일부 실시예에서, 센트럴 프로세싱 유닛 (1521)은 단일 명령, 다중 데이터 (SIMD) 기능, 예를 들어 복수의 데이터 부분들에 대해 단일 명령의 동시에 실행함과 같은, 기능을 제공한다. 다른 실시예에서, 센트럴 프로세싱 유닛 (1521)의 몇몇 프로세서는 다중 데이터 부분 (MIMD)상에서 동시에 다중 명령의 실행을 위한 기능을 제공할 수 있다. 또 다른 실시예에서, 센트럴 프로세싱 유닛 (1521)은 단일 디바이스에서 SIMD 및 MIMD 코어의 임의의 조합을 사용할 수 있다.
컴퓨팅 디바이스는 네트워크에 의해 접속된 복수의 머신 중 하나 일 수 있거나, 접속된 복수의 머신을 포함할 수 있다. 도 11e는 예시적인 네트워크 환경을 도시한다. 네트워크 환경은 하나 이상의 네트워크들 (1504)을 통해 하나 이상의 원격 머신들 (1506a, 1506b, 1506c) (일반적으로 서버 머신 (들) (1506) 또는 원격 머신 (들) (1506)이라 함)과 통신하는 하나 이상의 로컬 머신들 (1502a, 1502b)(일반적으로 로컬 머신 (들) (1502), 클라이언트 (들) (1502), 클라이언트 노드 (1502), 클라이언트 머신 (1502), 클라이언트 컴퓨터 (1502), 클라이언트 디바이스 (1502), 엔드 포인트 (1502), 또는 엔드 포인트 노드 (들) (1502))을 포함한다. 일부 실시예에서, 로컬 머신 (1502)은 서버 머신에 의해 제공되는 리소스에 대한 액세스를 찾는 클라이언트 노드 및 다른 클라이언트 (1502a, 1502b)를 위한 호스트된 리소스에 대한 액세스를 제공하는 서버 머신으로서 양편으로 기능을 할 수 있는 능력을 갖는다. 단지 2 개의 클라이언트 (1502) 및 3 개의 서버 머신 (1506)이 도 11e에 도시되어 있지만, 일반적으로 각각의 임의의 수일 수 있다. 네트워크 (1504)는 예를 들어, 회사 인트라넷, MAN (metropolitan area network) 또는 인터넷과 같은 광역 네트워크 (WAN)와 같은 사설 네트워크, 또는 다른 공공 네트워크, 또는 이들의 조합을 포함할 수 있다.
컴퓨팅 장치 (1500)는 다양한 접속을 통해 네트워크 (1504)에 인터페이스하기위한 네트워크 인터페이스 (1518)를 포함할 수 있고, 제한적이지는 않으며, 표준 전화선, 근거리 통신망 (LAN) 또는 광역 통신망 (WAN) 링크, 광대역 통신망 (WAN) 링크, 광대역 통신망 연결, 무선 연결 또는 위의 일부 또는 전부의 조합을 포함할 수 있다. 커넥션은 다양한 통신 프로토콜을 사용하여 설정될 수 있다. 일 실시예에서, 컴퓨팅 디바이스 (1500)는 임의의 유형 및/또는 형태의 게이트웨이 또는 SSL (Secure Socket Layer) 또는 TLS (Transport Layer Security)와 같은 터널링 프로토콜(tunneling protocol)을 통해 다른 컴퓨팅 디바이스 (1500)와 통신한다. 네트워크 인터페이스 (1518)는 여기에 기술된 작동을 수행하고 통신이 가능한 임의의 유형의 네트워크와 컴퓨팅 디바이스 (1500)가 인터페이스하기에 적합한 네트워크 인터페이스 카드와 같은 내장형 네트워크 어댑터를 포함할 수 있다. I/O 디바이스 (1530)는 시스템 버스 (1550)와 외부 통신 버스 사이의 브리지일 수 있다.
일 실시예에 따르면, 도 11e는 네트워크의 다양한 컴포넌트가 가상화되는 가상 네트워크 환경일 수 있다. 예를 들어, 다양한 머신 (1502)은 물리적 머신상에서 실행되는 소프트웨어 기반 컴퓨터로서 구현된 가상 머신일 수 있다. 가상 머신은 동일한 오퍼레이팅 시스템을를 공유할 수 있다. 다른 실시예에서, 상이한 오퍼레이팅 시스템이가 각각의 가상 머신 인스턴스상에서 실행될 수 있다. 일 실시예에 따르면, "하이퍼바이저(hypervisor)"유형의 가상화는 다중의 가상 머신이 동일한 호스트 물리적 머신상에서 실행되고, 각각은 자신의 전용 박스를 갖는 것처럼 작동한다. 물론 가상 머신은 다른 호스트 물리적 머신에서 실행될 수도 있다.
예를 들어 네트워크 (예: 소프트웨어 디파인 네트워킹 (SDN) 경유)와 같은 다른 유형의 가상화도 또한 숙려된다. 세션 보더 컨트롤러(session border controller)의 기능 및 다른 유형의 기능과 같은 기능 또한, 예를 들어, NFV (Network Functions Virtualization)를 통해 가상화될 수 있다.
비록 본 발명이 어느 정도 특정 실시예에서 설명되었지만, 당업자는 본 발명의 범위 및 사상으로부터 벗어나지 않은 기술된 실시예에 대한 변형을 고안하는데 어려움이 없을 것이다. 예를 들어, 순차적인 방식으로 단일 인터랙션을 단일 에이전트에 라우팅하는 대신에, 상기 실시예들은 다중의 에이전트에 대한 다중의 인터랙션의 동시 라우팅/할당으로 확장될 수 있다. 또한, 다양한 기술 분야의 당업자들에게, 본 발명 자체는 다른 애플리케이션을 위한 다른 과업 및 적용에 대해 해결책을 제시할 것이다. 예를 들어, 상기 실시예가 주로 인바운드 인터랙션 라우팅과 관련하여 기술되었지만, 당업자는 아웃 바운드 캠페인 동안에 에이전트가 할당되는 아웃 바운드 콜/고객을 선택하기 위해 적용될 수 있음을 이해해야 한다. 따라서, 예를 들어, 리워드 최대화 모듈 (102)은 그들의 프로파일에 기초하여 고객을 평가할 수 있고 리워드(예: 판매)를 최대화할 것으로 예상되는 콜/고객 중 하나에 특정 에이전트를 할당할 수 있다. 따라서, 본 발명의 실시예는 모든면에서 예시적인 것으로 제한적이지 않으면서 고려되어야 한다.
Claims (70)
- 컨택 센터 에이전트에 인터랙션을 라우팅하기 위한 시스템에 있어서,
프로세서; 및
메모리를 포함하고, 상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,
라우팅될 인터랙션을 식별하고;
하나 이상의 후보 에이전트를 생성하기 위한 하나 이상의 제약에 기초하여 에이전트 그룹을 식별하고;
상기 후보 에이전트를 둘러싼 컨텍스트(context) 데이터를 수집하고;
상기 후보 에이전트의 각각의 에이전트에 대해, 상기 에이전트로 상기 인터랙션을 라우팅함으로써 획득될 기대값을 추정치로 하고;
상기 추정치에 기초하여 후보 에이전트의 특정 에이전트를 선택하고; 및
상기 인터랙션을 상기 특정 에이전트로 라우팅하기 위한 라우팅 장치에게 신호를 하는,
시스템. - 제1 항에 있어서,
상기 하나 이상의 제약은 상기 복수의 인터랙션을 처리하기 위한 스킬(skill) 인,
시스템. - 제1 항에 있어서,
상기 기대값은 상기 후보 에이전트의 프로파일, 상기 인터랙션과 관련된 고객의 프로파일 및 상기 인터랙션의 의도에 기초하여 계산되는,
시스템. - 제3 항에 있어서,
상기 후보 에이전트 각각의 프로파일은 동적으로 추가된 스킬을 포함하며, 상기 동적으로 추가된 스킬은 무시되거나 다른 스킬에 매핑되어 상기 기대값을 계산하는,
시스템. - 제3 항에 있어서,
숙련도는 상기 스킬과 관련되고, 상기 숙련도는 상기 후보 에이전트 각각에 대한 호출 전송의 분석에 기초하여 조정되는,
시스템. - 제3 항에 있어서,
상기 후보 에이전트의 상기 프로파일은 상기 인터랙션을 처리하는데 있어서 상기 에이전트 각각의 선호도를 포함하고, 상기 명령은 상기 프로세서로 하여금,
상기 대응하는 에이전트들의 상기 선호도에 기초하여 상기 후보 에이전트들 중 하나 이상에 라우팅 제안을 생성하게 하는,
시스템. - 제6 항에 있어서,
복수의 인터랙션과 연관된 상기 후보 에이전트 및 고객은 에이전트 및 고객의 네트워크로서 모델링되고, 여기서 상기 후보 에이전트 중 하나를 나타내는 노드와 상기 고객 중 하나를 나타내는 노드 간의 커넥션은 상기 후보 에이전트 중 상기 하나와 상기 고객 중 상기 하나 사이의 적합성을 나타내는,
시스템. - 제7 항에 있어서,
상기 프로세서로 하여금 상기 특정 에이전트를 선택하게 하는 명령은, 상기 프로세서로 하여금 라우팅될 상기 인터랙션과 연관된 고객이 상기 특정 에이전트와 얼마나 적합한지를 결정하게 하는 명령을 더 포함하는,
시스템. - 제8 항에 있어서,
상기 프로세서로 하여금 상기 고객을 상기 특정 에이전트에 얼마나 적합한지를 결정하게 하는 명령은, 상기 프로세서로 하여금 상기 고객과 상기 특정 에이전트 사이의 인터랙션 동안 예상될 정서를 예측하게 하는 명령을 더 포함하는,
시스템. - 제1 항에 있어서,
상기 기대값은 상위 신뢰 경계를 갖는 표준 정규 분포로서 모델링되고, 상기 프로세서로 하여금 상기 특정 에이전트를 선택하게 하는 명령은 상기 프로세서로 하여금 가장 높은 상위 신뢰 경계를 갖는 기대값과 연관된 에이전트를 선택하도록 하는,
시스템. - 제1 항에 있어서,
상기 가장 높은 상위 신뢰 경계와 연관된 상기 에이전트의 선택은 탐색(exploration) 및 악용(exploitation) 니즈(needs)의 균형을 잡는,
시스템. - 제11 항에 있어서,
상기 탐색 니즈(needs)는 서브-최적(sub-optimal)으로 간주되는 에이전트를 선택함으로써 만족되고, 기대값을 최대화하는 에이전트를 선택함으로서 탐색 니즈가 충족되는,
시스템. - 제1 항에 있어서,
상기 프로세서로 하여금 상기 특정 에이전트를 선택하게 하는 상기 명령은, 상기 프로세서로 하여금,
라우팅되기를 대기중인 복수의 인터랙션을 동시에 식별하며, 여기서 상기 복수의 인터랙션은 라우팅될 상기 인터랙션을 포함하고; 및
상기 복수의 인터랙션에 대한 컨택 센터 에이전트를 선택하는,
시스템. - 제13 항에 있어서,
상기 복수의 인터랙션 각각을 상기 컨택 센터 에이전트들 각각으로 라우팅하기 위해 획득될 상기 기대값을 추정하는,
시스템. - 제14 항에 있어서,
상기 컨택 센터 에이전트들 각각과 연관된 예측된 대기 시간을 계산하며, 여기서 상기 컨택 센터 에이전트 중 특정 하나에 대한 상기 기대값은 상기 복수의 에이전트 중 상기 특정 에이전트에 대한 상기 예측된 대기 시간의 함수인,
시스템. - 제1 항에 있어서,
상기 인터랙션은 실시간 인터랙션인,
시스템. - 컨택 센터 에이전트에 인터랙션을 라우팅하기 위한 시스템에 있어서,
프로세서; 및
메모리를 포함하고, 상기 메모리는 그안에 명령을 저장하고, 상기 프로세서에 의해 실행될때, 상기 명령은 상기 프로세서로 하여금,
라우트 될 인터랙션을 식별하고;
하나 이상의 후보 에이전트를 생성하기 위한 하나 이상의 제약에 기초하여 제1 에이전트 그룹을 식별하고;
상기 후보 에이전트 각각의 선호도를 수집하고;
상기 인터랙션의 컨텍스트를 수집하고;
상기 하나 이상의 후보 에이전트로부터, 상기 수집된 선호도 및 컨텍스트에 기초하여 제2 에이전트 그룹을 식별하고;
상기 인터랙션에 대한 입찰을 하기 위해 상기 제2 그룹의 각 에이전트에게 초청하고.
상기 제2 그룹의 특정 에이전트로부터 입찰을 수신하고; 및
상기 수신된 입찰에 응답하여 상기 인터랙션을 상기 특정 에이전트에 라우팅하기 위한 신호를 송신하는 단계를 포함하는,
시스템. - 제17 항에 있어서,
상기 인터랙션은 실시간 인터랙션인,
시스템. - 제17 항에 있어서,
상기 프로세서로 하여금 상기 제2 에이전트 그룹을 식별하게 하는 명령은, 상기 프로세서로 하여금,
상기 후보 에이전트 각각에 대해, 상기 에이전트에게 상기 인터랙션을 라우팅함으로써 획득될 기대 값을 추정하고; 및
상기 추정에 기초하여 상기 후보 에이전트의 특정 에이전트를 선택하는,
시스템. - 제19 항에 있어서,
상기 기대값은 에이전트 만족값인,
시스템. - 제17 항에 있어서,
상기 선호도는 상기 인터랙션의 속성에 관한 것인,
시스템. - 제21 항에 있어서,
상기 속성은 상기 인터랙션의 컨텍스트인,
시스템. - 제17 항에 있어서,
상기 선호도는 에이전트 스킬에 관한 것인,
시스템. - 제23 항에 있어서,
상기 에이전트 스킬은 상기 에이전트에 의해 선호되는 것으로 마크(marked)되는 자기 - 평가된(self-assessed) 에이전트 스킬인,
시스템. - 제17 항에 있어서,
상기 선호도는 상기 선호도가 만료되는 시간 기한 후와 연관되는,
시스템. - 제17 항에 있어서,
상기 명령은 상기 프로세서로 하여금,
상기 특정 에이전트로부터의 상기 입찰과 동시에 상기 제2 그룹에서 제2 에이전트로부터 제2 입찰을 수신하고; 및
상기 특정 에이전트에 상기 인터랙션을 할당하는 타이 브레이크 라우팅(tie-breaking routine)을 사용하는,
시스템. - 제26 항에 있어서,
상기 타이 브레이크 라우팅은 상기 특정 에이전트 및 상기 제2 에이전트에 의해 산출된 입찰 포인트의 양을 결정하는 것을 포함하는,
시스템. - 제17 항에 있어서,
상기 프로세서로 하여금 상기 제2 에이전트 그룹을 식별하게 하는 명령은, 상기 프로세서로 하여금 상기 후보 에이전트 각각에 관련된 에이전트 상태에 기초하여 상기 제2 에이전트 그룹을 식별하게 하는 명령을 더 포함하는,
시스템. - 제17 항에 있어서,
상기 인터랙션은 입찰 포인트와 관련되고, 상기 명령은 또한 상기 프로세서로 하여금,
인터랙션이 완료되면 특정 에이전트에게 입찰 포인트를 할당하는,
시스템. - 제17 항에 있어서,
상기 인터랙션과 연관된 상기 하나 이상의 후보 에이전트 및 고객은 에이전트 및 고객의 네트워크에서 모델링되고, 상기 후보 에이전트 중 하나를 나타내는 노드와 상기 고객을 나타내는 노드 간의 커넥션은 상기 후보 에이전트 및 상기 고객 중 상기 하나 사이의 적합성을 나타내는 것인,
시스템. - 제30 항에 있어서,
상기 프로세서로 하여금 상기 제2 에이전트 그룹을 식별하게 하는 명령은 상기 프로세서로 하여금 상기 고객이 상기 제2 에이전트 그룹에 얼마나 적합한지를 결정하게 하는 명령을 더 포함하는,
시스템. - 제31 항에 있어서,
상기 프로세서로 하여금 상기 고객이 상기 제2 에이전트 그룹에 얼마나 적합한지를 결정하게 하는 명령은, 상기 프로세서로 하여금 상기 고객과 상기 각각의 제2 에이전트 간의 인터랙션 동안 예상될 정서를 예측하게 하는 명령을 더 포함하는,
시스템. - 제17 항에 있어서, 상기 하나 이상의 제약은 상기 복수의 인터랙션을 처리하기 위한 스킬(skill) 및 유용성(availability)인,
시스템. - 컨택 센터 에이전트에 인터랙션을 라우팅하기 위한 시스템에 있어서,
프로세서; 및
메모리를 포함하고, 상기 메모리는, 상기 프로세서에 의해 실행될때, 상기 프로세서로 하여금,
상기 에이전트와 상기 고객의 네트워크를 식별하며, 여기서 상기 네트워크의 각 노드는 에이전트 또는 고객을 나타내고, 및 상기 고객과 상기 에이전트 사이의 적합성을 식별하는 것에 응답하여, 상기 에이전트를 나타내는 상기 노드와 상기 고객을 나타내는 상기 노드 간에 커넥션이 형성되고;
라우트 될 현재 인터랙션을 식별하고;
하나 이상의 후보 에이전트를 생성하기 위한 하나 이상의 제약에 기초하여 제1 에이전트 그룹을 식별하고;
에이전트 및 고객의 상기 네트워크에 기초하여 현재 고객과 상기 후보 에이전트 각각 간의 상기 적합성을 결정하고;
최선의 적합성을 갖는 상기 후보 에이전트의 특정 에이전트를 선택하고; 및
상기 현재 인터랙션을 상기 특정 에이전트로 라우팅하기 위한 신호를 송신하는,
시스템. - 제34 항에 있어서,
상기 프로세서로 하여금 상기 현재 고객과 상기 후보 에이전트들 각각 사이의 상기 적합성을 결정하게 하는 명령은, 상기 프로세서로 하여금 상기 현재 인터랙션 동안 예상되는 정서를 예측하게 하는 명령을 포함하는,
시스템. - 제35 항에 있어서,
상기 프로세서로 하여금 정서를 예측하게 하는 상기 명령은, 상기 프로세서로 하여금,
복수의 이전 인터랙션의 각각의 물질을 분석하고;
상기 이전 인터랙션의 각각에 대해, 상기 분석된 물질로부터의 정서(sentiment)를 식별하고;
상기 식별된 정서를 초래한 에이전트 또는 고객 속성을 학습하고; 및
상기 학습된 속성을 기반으로 현재 인터랙션에 대한 기대 정서를 식별하는,
시스템. - 제34 항에 있어서,
상기 현재 고객과 상기 후보 에이전트의 특정 에이전트 사이의 적합성은 상기 특정 에이전트의 속성과 호환 가능한 상기 고객의 속성에 기초하는,
시스템. - 제37 항에 있어서,
상기 특정 에이전트의 속성은 특정 토픽의 인터랙션의 증가 및 감소 각각을 검출하는 것에 응답하여 동적으로 추가되고 삭제되는 상기 에이전트의 스킬을 포함하는,
시스템. - 제37 항에 있어서,
상기 특정 에이전트 및 현재 고객의 속성은 에이전트 및 고객 프로파일 기록에 각각 저장되는,
시스템. - 제37 항에 있어서,
상기 현재 고객의 속성은 상기 고객과 자동 응답 시스템의 인터랙션으로부터 얻어지는,
시스템. - 제34 항에 있어서,
상기 현재 고객과 상기 후보 에이전트 각각 간의 상기 적합성(fit)은 상기 현재 고객과 상기 후보 에이전트 각각 간의 이전 인터랙션에 기초하는,
시스템. - 제34 항에 있어서,
상기 적합성(fit)은 상기 현재 고객과 상기 후보 에이전트 각각 간의 적합량을 나타내는 수치로서 표현되는,
시스템. - 제42 항에 있어서,
상기 수치는 상기 현재 고객과 상기 후보 에이전트 각각의 이전 인터랙션의 결과로서 획득된 값에 기초하는,
시스템. - 제42 항에 있어서,
상기 수치는 상기 후보 에이전트 각각으로 상기 현재 인터랙션을 라우팅한 결과로서 획득된 각각의 기대값에 기초하는,
시스템. - 제44 항에 있어서,
상기 기대값은 상기 후보 에이전트 각각의 프로파일, 상기 현재 고객의 프로파일 및 상기 현재 인터랙션의 인텐트에 기초하여 계산되는,
시스템. - 제45 항에 있어서,
상기 후보 에이전트들 각각의 프로파일은 인터랙션을 처리하는데 있어서 상기 에이전트의 선호도를 포함하고, 및 상기 명령은 상기 프로세서로 하여금,
상기 대응하는 에이전트들의 선호도에 기초하여 상기 복수의 후보 에이전트들 중 하나 이상에 라우팅 제안을 생성할 수 있는,
시스템. - 제44 항에 있어서,
상기 후보 에이전트들 각각의 프로파일은 동적으로 부가된 스킬을 포함하며, 상기 동적으로 부가된 스킬은 상기 기대값을 계산하기 위해 무시되거나 다른 스킬에 매핑되는,
시스템. - 제47 항에 있어서,
숙련도 레벨은 상기 스킬과 관련되고, 상기 숙련도 레벨은 상기 후보 에이전트 각각에 대한 호출 전송 분석에 기초하여 조정되는,
시스템. - 제34 항에 있어서,
상기 인터랙션은 실시간 인터랙션인,
시스템. - 제34 항에 있어서,
상기 하나 이상의 제약은 상기 복수의 인터랙션을 처리하기 위한 스킬인,
시스템. - 컨택 센터 에이전트에 인터랙션을 라우팅하기 위한 시스템에 있어서,
프로세서; 및
메모리를 포함하고, 상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,
라우팅될 대기중인 복수의 인터랙션을 동시에 식별하고;
상기 복수의 인터랙션을 처리하기 위해 실행 가능한 복수의 후보 에이전트를 식별하고;
후보 에이전트들 각각과 관련된 예측된 대기 시간을 계산하고;
상기 복수의 후보 에이전트의 각각의 에이전트에 대해, 상기 복수의 인터랙션 각각을 상기 에이전트에 라우팅함으로써 획득될 기대값을 추정하며, 상기 기대값은 상기 예측된 대기 시간의 함수이고;
상기 추정된 리워드에 기초하여 상기 복수의 인터랙션 각각을 상기 복수의 후보 에이전트 중 하나에 할당하는 단계; 및
상기 복수의 인터랙션 각각을 상기 인터랙션에 할당된 에이전트로 라우팅하기 위한 라우팅 장치에 신호하는 단계를 포함하는,
시스템. - 제51 항에 있어서,
상기 인터랙션은 실시간 인터랙션인,
시스템. - 제51 항에 있어서,
상기 예측된 대기 시간은 상기 대응하는 에이전트의 현재 상태에 기초하는,
시스템. - 제53 항에 있어서,
상기 상태는 상기 에이전트가 상기 인터랙션을 처리할 수 있는지 여부를 나타내는,
시스템. - 제51 항에 있어서,
상기 예측된 대기 시간은 상기 고객이 상기 인터랙션을 포기하기 전에 보유하고자 하는 시간의 양을 나타내는 예측된 고객 인내 임계치(customer patience threshold)에 기초하는,
시스템. - 제51 항에 있어서,
상기 기대값은 디스카운트 팩터(discount factor)에 기초하여 할인되고, 상기 디스카운트 팩터(discount factor)는 상기 예측된 대기 시간에 기초하여 계산되는,
시스템. - 제56 항에 있어서,
만일 상기 후보 에이전트 중 상기 특정 에이전트가 현재 이용 가능하지 않고 대기 시간이 예측된 고객 인내 임계값을 초과하는 경우에 상기 인터랙션 중 특정 하나를 상기 후보 에이전트 중 특정 하나에 라우팅함으로써 획득될 상기 기대값은 0으로 계산되는,
시스템. - 제51 항에 있어서,
상기 기대값은 상위 신뢰도 경계를 갖는 표준 정규 분포로서 모델링되는,
시스템. - 제51 항에 있어서,
상기 기대값은 상기 복수의 후보 에이전트의 프로파일, 상기 복수의 인터랙션과 연관된 고객의 프로파일, 및 상기 복수의 인터랙션 각각의 의도에 기초하여 계산되는,
시스템. - 제59 항에 있어서,
상기 복수의 후보 에이전트 각각의 프로파일은 동적으로 부가된 스킬을 포함하며, 상기 동적으로 부가된 스킬은 상기 기대값을 계산하기 위해, 무시되거나 다른 스킬에 매핑되는,
시스템. - 제60 항에 있어서,
숙련도는 상기 스킬과 관련되고, 상기 숙련도는 상기 복수의 후보 에이전트 각각에 대한 호출 전송의 분석에 기초하여 조정되는,
시스템. - 제59 항에 있어서,
상기 복수의 후보 에이전트의 프로파일은 인터랙션을 다루는데 있어서 상기 에이전트 각각의 선호도를 포함하고, 상기 명령은 상기 프로세서로 더 하여금,
상기 대응하는 에이전트들의 상기 선호도에 기초하여 상기 복수의 후보 에이전트들 중 하나 이상에 라우팅 제안을 생성할 수 있게 하는,
시스템. - 제51 항에 있어서,
상기 복수의 인터랙션과 연관된 상기 복수의 후보 에이전트 및 고객은 에이전트 및 고객의 네트워크로서 모델링되고, 상기 후보 에이전트 중 하나를 나타내는 노드와 상기 고객 중 하나를 나타내는 노드 사이의 연결은 상기 후보 에이전트 중 하나와 상기 고객 중 하나 사이의 적합성을 나타내는,
시스템. - 제63 항에 있어서,
상기 프로세서로 하여금 상기 복수의 인터랙션 각각을 상기 복수의 후보 에이전트 중 하나에 할당하게 하는 상기 명령은, 상기 프로세서로 하여금 상기 인터랙션 중 특정 하나와 연관된 상기 고객이 상기 복수의 후보 에이전트 중 하나와 얼마나 잘 맞는지를 결정하게 하는 명령을 더 포함하는,
시스템. - 제63 항에 있어서,
상기 프로세서로 하여금 상기 고객이 상기 복수의 후보 에이전트들 중 어느 하나에 얼마나 적합한지를 결정하게 하는 명령들은, 상기 프로세서로 하여금 상기 고객과 상기 복수의 후보 에이전트들 사이의 상기 인터랙션 동안 기대되는 정서를 예측하게 하는 명령을 더 포함하는,
시스템. - 제 51 항에 있어서,
상기 명령들은 상기 프로세서로 하여금,
하나 이상의 제약을 식별하고, 여기서 상기 복수의 후보 에이전트는 상기 하나 이상의 제약을 만족시키는 것으로 간주되는,
시스템. - 제51 항에 있어서,
상기 하나 이상의 제약은 상기 복수의 인터랙션을 처리하기 위한 스킬인,
시스템. - 제51 항에 있어서,
상기 프로세서로 하여금 상기 복수의 후보 에이전트 중 하나에 상기 복수의 인터랙션 각각을 할당하게 하는 명령들은, 상기 프로세서로 하여금,
상기 할당으로부터 총 기대값을 최대화하는 할당을 찾게 하는 것인,
시스템. - 첨부된 도면을 참조하여 실질적으로 전술한 바와 같은 시스템.
- 첨부된 도면을 참조하여 실질적으로 전술한 바와 같은 방법.
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 |
| US14/887,310 | 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 |
| US14/887,297 | 2015-10-19 | ||
| US14/887,297 US9635181B1 (en) | 2015-10-19 | 2015-10-19 | Optimized routing of interactions to contact center agents based on machine learning |
| US14/887,276 | 2015-10-19 | ||
| US14/887,318 | 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 |
| PCT/US2016/057560 WO2017070126A1 (en) | 2015-10-19 | 2016-10-18 | Optimized routing of interactions to contact center agents based on machine learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180071312A true KR20180071312A (ko) | 2018-06-27 |
| KR102121135B1 KR102121135B1 (ko) | 2020-06-18 |
Family
ID=58558009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020187013906A KR102121135B1 (ko) | 2015-10-19 | 2016-10-18 | 기계 학습에 기반한 최적화된 컨택 센터 에이전트와의 라우팅 인터랙션 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US9723151B2 (ko) |
| EP (1) | EP3366025A4 (ko) |
| KR (1) | KR102121135B1 (ko) |
| CN (2) | CN112671823A (ko) |
| AU (1) | AU2016341201A1 (ko) |
| CA (4) | CA3151384A1 (ko) |
| WO (1) | WO2017070126A1 (ko) |
Families Citing this family (72)
| 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 |
| US10453074B2 (en) | 2016-07-08 | 2019-10-22 | Asapp, Inc. | Automatically suggesting resources for responding to a request |
| US10109275B2 (en) | 2016-12-19 | 2018-10-23 | Asapp, Inc. | Word hash language model |
| CN110462612A (zh) * | 2017-02-17 | 2019-11-15 | 凯恩迪股份有限公司 | 使用在网络节点处具有软件代理的网络进行机器学习并然后对网络节点进行排名的方法和装置 |
| US20180288226A1 (en) * | 2017-04-03 | 2018-10-04 | Avaya Inc. | High performance distributed computer work assignment engine |
| US10762423B2 (en) * | 2017-06-27 | 2020-09-01 | Asapp, Inc. | Using a neural network to optimize processing of user requests |
| US11188809B2 (en) * | 2017-06-27 | 2021-11-30 | International Business Machines Corporation | Optimizing personality traits of virtual agents |
| 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 |
| US11295251B2 (en) * | 2018-11-13 | 2022-04-05 | International Business Machines Corporation | Intelligent opportunity recommendation |
| US11551004B2 (en) | 2018-11-13 | 2023-01-10 | Asapp, Inc. | Intent discovery with a prototype classifier |
| US10747957B2 (en) | 2018-11-13 | 2020-08-18 | Asapp, Inc. | Processing communications using a prototype classifier |
| 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 |
| CN109993314B (zh) * | 2019-02-13 | 2020-07-10 | 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 |
| US10735591B1 (en) * | 2019-03-07 | 2020-08-04 | Avaya Inc. | Contact center routing mechanisms |
| WO2020194322A1 (en) * | 2019-03-23 | 2020-10-01 | Telefonaktiebolaget Lm Ericsson (Publ) | Apparatus, program, and method, for resource control |
| US10917518B2 (en) | 2019-03-28 | 2021-02-09 | Liveperson, Inc. | Dynamic message processing and aggregation of data in messaging |
| US10951764B2 (en) * | 2019-04-01 | 2021-03-16 | T-Mobile Usa, Inc. | Issue resolution script generation and usage |
| US10951504B2 (en) | 2019-04-01 | 2021-03-16 | T-Mobile Usa, Inc. | Dynamic adjustment of service capacity |
| US11418648B2 (en) * | 2019-07-26 | 2022-08-16 | Avaya Management L.P. | Enhanced digital messaging |
| US20210233097A1 (en) * | 2020-01-20 | 2021-07-29 | TapText llc | System and method for text-based delivery of sales promotions |
| US11403666B2 (en) * | 2019-07-29 | 2022-08-02 | TapText llc | System and method for advertisement campaign tracking and management utilizing near-field communications |
| US20230021327A1 (en) * | 2019-07-29 | 2023-01-26 | TapText llc | System and methods for claiming promotional rewards using a reward wheel |
| US11599916B2 (en) * | 2020-01-20 | 2023-03-07 | TapText llc | System and method for omnichannel text-based router and communication system |
| 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 |
| US11657424B2 (en) * | 2019-07-29 | 2023-05-23 | TapText llc | System and method for multi-channel dynamic advertisement system |
| US11025780B2 (en) * | 2019-08-02 | 2021-06-01 | Fmr Llc | Systems and methods for search based call routing |
| US11399097B2 (en) * | 2019-08-02 | 2022-07-26 | Fmr Llc | Systems and methods for search based call routing |
| US11068783B2 (en) * | 2019-08-14 | 2021-07-20 | Liveperson, Inc. | Systems and methods for managing interaction invitations |
| 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 |
| AU2021394754A1 (en) * | 2020-12-08 | 2023-07-13 | Genesys Cloud Services, Inc. | Method and system for robust wait time estimation in a multi-skilled contact center with abandonment |
| US11645595B2 (en) * | 2020-12-15 | 2023-05-09 | International Business Machines Corporation | Predictive capacity optimizer |
| EP4335104A1 (en) * | 2021-05-07 | 2024-03-13 | Genesys Cloud Services Holdings II, LLC. | Systems and methods relating to predictive routing and occupancy balancing |
| 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 |
| 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 |
| WO2023250008A1 (en) * | 2022-06-22 | 2023-12-28 | Afiniti, Ltd. | Fault management in a communication system |
| US20240005254A1 (en) * | 2022-06-29 | 2024-01-04 | Incontact, Inc. | System and method for identifying and utilizing agent working from home impact score |
| US20240205336A1 (en) * | 2022-12-19 | 2024-06-20 | Genesys Cloud Services, Inc. | Systems and methods for relative gain in predictive routing |
| US20240202783A1 (en) * | 2022-12-20 | 2024-06-20 | Genesys Cloud Services, Inc. | Systems and methods relating to implementation of predictive models in contact centers |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US7676034B1 (en) * | 2003-03-07 | 2010-03-09 | Wai Wu | Method and system for matching entities in an auction |
| US20120051536A1 (en) * | 2010-08-26 | 2012-03-01 | The Resource Group International Ltd | Estimating agent performance in a call routing center system |
| US20140355749A1 (en) * | 2013-05-28 | 2014-12-04 | Mattersight Corporation | Optimized predictive routing and methods |
| US20150003604A1 (en) * | 2013-06-27 | 2015-01-01 | Avaya Inc. | System and method for calculating context-aware estimated wait time for customers |
| US20150215463A1 (en) * | 2014-01-29 | 2015-07-30 | Avaya Inc. | Agent rating prediction and routing |
Family Cites Families (70)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6044355A (en) * | 1997-07-09 | 2000-03-28 | Iex Corporation | Skills-based scheduling for telephone call centers |
| 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 |
| 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 |
| 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 |
| 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 |
| US7929562B2 (en) * | 2000-11-08 | 2011-04-19 | Genesis Telecommunications Laboratories, Inc. | Method and apparatus for optimizing response time to events in queue |
| 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 |
| US20030007628A1 (en) * | 2001-06-26 | 2003-01-09 | International Business Machines Corporation | Load balancing among call center agents |
| 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 |
| US6836670B2 (en) * | 2002-05-09 | 2004-12-28 | Casabyte, Inc. | Method, apparatus and article to remotely associate wireless communications devices with subscriber identities and /or proxy wireless communications devices |
| US20040081311A1 (en) * | 2002-10-23 | 2004-04-29 | Paul Thompson | Method abandoned call rescue |
| US7606714B2 (en) * | 2003-02-11 | 2009-10-20 | Microsoft Corporation | Natural language classification within an automated response system |
| 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 |
| US8131598B2 (en) | 2003-09-12 | 2012-03-06 | Cartus 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 |
| US20070255611A1 (en) * | 2006-04-26 | 2007-11-01 | Csaba Mezo | Order distributor |
| US20080225872A1 (en) * | 2007-03-12 | 2008-09-18 | Collins Kevin T | Dynamically defining queues and agents in a contact center |
| 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 |
| US8542816B2 (en) | 2007-11-13 | 2013-09-24 | Amazon Technologies, Inc. | Independent customer service agents |
| 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*** |
| TR201808145T4 (tr) * | 2008-08-29 | 2018-07-23 | Afiniti Europe Tech Ltd | Çoklu değişkenli standartlaştırılmış puanlama temelli arama yönlendirme yöntemleri ve sistemleri. |
| 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 |
| US8543135B2 (en) * | 2011-05-12 | 2013-09-24 | Amit Goyal | Contextually aware mobile device |
| US8923501B2 (en) | 2011-07-29 | 2014-12-30 | Avaya Inc. | Method and system for managing contacts in a contact center |
| 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 |
| US9025757B2 (en) * | 2012-03-26 | 2015-05-05 | Satmap International Holdings Limited | Call mapping systems and methods using bayesian mean regression (BMR) |
| 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 |
| US9674356B2 (en) | 2012-11-21 | 2017-06-06 | Genesys Telecommunications Laboratories, Inc. | Dynamic recommendation of routing rules for contact center use |
| US20140143018A1 (en) | 2012-11-21 | 2014-05-22 | Verint Americas Inc. | Predictive Modeling from Customer Interaction Analysis |
| 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 |
| US9154626B2 (en) * | 2013-03-15 | 2015-10-06 | Avaya Inc. | Secret transfers in contact centers |
| US8767948B1 (en) | 2013-03-15 | 2014-07-01 | Genesys Telecommunications Laboratories, Inc. | Back office services of an intelligent automated agent for a contact center |
| US9154627B2 (en) | 2013-05-13 | 2015-10-06 | Genesys Telecommunication Laboratories, Inc. | Activities assignment optimization for multi-skill contact center |
| 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 |
| US9451090B2 (en) | 2013-10-31 | 2016-09-20 | Genesys Telecommunications Laboratories, Inc. | System and method for performance-based routing of interactions in a contact center |
| 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 |
| JP2015170159A (ja) * | 2014-03-07 | 2015-09-28 | 浅尾 高行 | 医療支援システムおよびその方法 |
| US10298756B2 (en) | 2014-03-25 | 2019-05-21 | Interactive Intelligence, Inc. | System and method for predicting contact center behavior |
| 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 CN CN202011269070.9A patent/CN112671823A/zh active Pending
- 2016-10-18 WO PCT/US2016/057560 patent/WO2017070126A1/en active Application Filing
- 2016-10-18 CN CN201680074593.3A patent/CN108476230B/zh active Active
- 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 KR KR1020187013906A patent/KR102121135B1/ko active IP Right Grant
- 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 CA3009944A patent/CA3009944C/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US7676034B1 (en) * | 2003-03-07 | 2010-03-09 | Wai Wu | Method and system for matching entities in an auction |
| US20120051536A1 (en) * | 2010-08-26 | 2012-03-01 | The Resource Group International Ltd | Estimating agent performance in a call routing center system |
| US20140355749A1 (en) * | 2013-05-28 | 2014-12-04 | Mattersight Corporation | Optimized predictive routing and methods |
| US20150003604A1 (en) * | 2013-06-27 | 2015-01-01 | Avaya Inc. | System and method for calculating context-aware estimated wait time for customers |
| US20150215463A1 (en) * | 2014-01-29 | 2015-07-30 | Avaya Inc. | Agent rating prediction and routing |
Also Published As
| Publication number | Publication date |
|---|---|
| CA3151430A1 (en) | 2017-04-27 |
| CA3009944C (en) | 2022-05-31 |
| KR102121135B1 (ko) | 2020-06-18 |
| EP3366025A1 (en) | 2018-08-29 |
| CA3151722A1 (en) | 2017-04-27 |
| US20170111507A1 (en) | 2017-04-20 |
| CN108476230A (zh) | 2018-08-31 |
| AU2016341201A1 (en) | 2018-06-07 |
| EP3366025A4 (en) | 2018-10-03 |
| CN108476230B (zh) | 2022-04-19 |
| WO2017070126A1 (en) | 2017-04-27 |
| US9723151B2 (en) | 2017-08-01 |
| CA3009944A1 (en) | 2017-04-27 |
| CN112671823A (zh) | 2021-04-16 |
| CA3151384A1 (en) | 2017-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102121135B1 (ko) | 기계 학습에 기반한 최적화된 컨택 센터 에이전트와의 라우팅 인터랙션 | |
| 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 | |
| US20210201338A1 (en) | Customer experience analytics | |
| US20170111503A1 (en) | Optimized routing of interactions to contact center agents based on agent preferences | |
| CN106062803B (zh) | 用于客户体验管理的***和方法 | |
| US20210201359A1 (en) | Systems and methods relating to automation for personalizing the customer experience | |
| US20150201077A1 (en) | Computing suggested actions in caller agent phone calls by using real-time speech analytics and real-time desktop analytics | |
| CA2917294C (en) | Intelligent automated agent for a contact center | |
| US20160189558A1 (en) | Learning Based on Simulations of Interactions of a Customer Contact Center | |
| US20190279141A1 (en) | Method and apparatus for facilitating staffing of resources | |
| CN106797382B (zh) | 用于呼叫中心的预期动态客户分组的***和方法 | |
| WO2022072739A1 (en) | Method and system for dynamic adaptive routing of deferrable work in a contact center | |
| US20210174288A1 (en) | System and method for predicting performance for a contact center via machine learning | |
| CA2999184C (en) | Method and apparatus for reserving zero-wait time agent interactions | |
| Płaza et al. | Influence of the contact center systems development on key performance indicators | |
| US20230396709A1 (en) | System and method for mobile device active callback prioritization with predictive outcome scoring | |
| US20230057877A1 (en) | Consumer - oriented adaptive cloud conversation platform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |