論文の概要: Customer Support Ticket Escalation Prediction using Feature Engineering
- arxiv url: http://arxiv.org/abs/2010.06145v1
- Date: Sat, 10 Oct 2020 15:49:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 23:39:01.087081
- Title: Customer Support Ticket Escalation Prediction using Feature Engineering
- Title（参考訳）: 特徴工学を用いた顧客サポートチケットエスカレーション予測
- Authors: Lloyd Montgomery, Daniela Damian, Tyson Bulmer, Shaikh Quader
- Abstract要約: 我々は,エスカレーション管理においてIBMアナリストが利用可能なサポートプロセスとデータを特徴付けるために,デザインサイエンス研究方法論を使用している。
次に、これらの機能を機械学習モデルに実装し、サポートチケットエスカレーションを予測する。
私たちは、250万以上のサポートチケットと10,000エスカレーションで機械学習モデルをトレーニングし、評価し、87.36%のリコールと88.23%のワークロード削減を実現しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding and keeping the customer happy is a central tenet of
requirements engineering. Strategies to gather, analyze, and negotiate
requirements are complemented by efforts to manage customer input after
products have been deployed. For the latter, support tickets are key in
allowing customers to submit their issues, bug reports, and feature requests.
If insufficient attention is given to support issues, however, their escalation
to management becomes time-consuming and expensive, especially for large
organizations managing hundreds of customers and thousands of support tickets.
Our work provides a step towards simplifying the job of support analysts and
managers, particularly in predicting the risk of escalating support tickets. In
a field study at our large industrial partner, IBM, we used a design science
research methodology to characterize the support process and data available to
IBM analysts in managing escalations. We then implemented these features into a
machine learning model to predict support ticket escalations. We trained and
evaluated our machine learning model on over 2.5 million support tickets and
10,000 escalations, obtaining a recall of 87.36% and an 88.23% reduction in the
workload for support analysts looking to identify support tickets at risk of
escalation. Finally, in addition to these research evaluation activities, we
compared the performance of our support ticket model with that of a model
developed with no feature engineering; the support ticket model features
outperformed the non-engineered model. The artifacts created in this research
are designed to serve as a starting place for organizations interested in
predicting support ticket escalations, and for future researchers to build on
to advance research in escalation prediction.
- Abstract（参考訳）: 顧客を満足させ続けることは、要求工学の中心的な取り組みである。
要求を収集、分析、交渉する戦略は、製品がデプロイされた後、顧客の入力を管理する努力によって補完される。
後者の場合、サポートチケットは、顧客が問題やバグレポート、機能要求を提出できるようにするための鍵となる。
しかし、支援に不十分な注意が払われた場合、経営陣へのエスカレーションは時間と費用がかかり、特に数百の顧客と数千の支援チケットを管理する大企業にとっては、コストがかかる。
当社の仕事は、特にサポートチケットのエスカレーションリスクの予測において、サポートアナリストやマネージャの仕事を単純化するためのステップを提供します。
大規模産業パートナーであるIBMでのフィールドスタディでは、エスカレーション管理においてIBMアナリストが利用可能なサポートプロセスとデータを特徴付けるために、デザインサイエンス研究方法論を使用しました。
次にこれらの機能を機械学習モデルに実装し、サポートチケットのエスカレーションを予測する。
我々は、サポートチケット250万件、エスカレーション10,000件の機械学習モデルをトレーニング、評価し、エスカレーションリスクのあるサポートアナリストを対象に、87.36%のリコールと88.23%のワークロード削減を実現した。
最後に,これらの評価活動に加えて,サポートチケットモデルの性能を機能工学を伴わないモデルと比較し,サポートチケットモデルの特徴は非エンジニアリングモデルよりも優れていた。
この研究で作成されたアーティファクトは、支援チケットエスカレーションの予測に関心のある組織や、将来の研究者がエスカレーション予測の研究を進めるための出発点となるように設計されている。
関連論文リスト
- WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
大型言語モデル(LLM)は人間のような知性を模倣することができる。
WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
論文 参考訳（メタデータ） (2024-07-07T07:15:49Z) - AI-based Classification of Customer Support Tickets: State of the Art and Implementation with AutoML [0.0]
本研究の目的は,自動機械学習(AutoML)の適用性を,サポートチケットを分類可能な機械学習モデル(MLモデル)をトレーニングする技術としてテストすることである。
本研究で行ったモデル評価は,AutoMLが機械学習モデルを優れた分類性能で訓練するのに利用できることを示している。
論文 参考訳（メタデータ） (2024-06-03T21:13:02Z) - Utilisation of open intent recognition models for customer support
intent detection [0.0]
企業はサポートを提供し、顧客満足度を改善するための新しいソリューションを模索している。
サポートソリューションは、ソーシャルメディア、人工知能(AI)、機械学習(ML)、リモートデバイス接続など、テクノロジで進歩している。
本研究では,ラベル付きテキストデータと非ラベル付きテキストデータの両方を用いて顧客の意図を正確に予測する手法について検討した。
論文 参考訳（メタデータ） (2023-07-31T10:20:16Z) - Let's Verify Step by Step [73.58107073356732]
プロセスの監督は,課題を解決するためのトレーニングモデルにおいて,結果の監督を著しく上回っていることを示す。
我々のモデルは、MATHテストセットの代表部分集合から78%の問題を解く。
また、最高の報酬モデルをトレーニングするために使われる80,000段階の人間フィードバックラベルの完全なデータセットであるPRM800Kをリリースしています。
論文 参考訳（メタデータ） (2023-05-31T17:24:00Z) - Learning Personalized Decision Support Policies [56.949897454209186]
$texttModiste$は、パーソナライズされた意思決定支援ポリシーを学ぶためのインタラクティブツールである。
パーソナライズされたポリシは、オフラインポリシよりも優れており、コストを意識した環境では、パフォーマンスの低下を最小限に抑えて、発生したコストを削減することができる。
論文 参考訳（メタデータ） (2023-04-13T17:53:34Z) - Assisting Human Decisions in Document Matching [52.79491990823573]
我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。
ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。
一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
論文 参考訳（メタデータ） (2023-02-16T17:45:20Z) - PAL: Persona-Augmented Emotional Support Conversation Generation [54.069321178816686]
メンタルヘルス支援のための人的資源が不足しているため、サポートのために会話エージェントを採用する必要性が高まっている。
近年の研究では、感情支援のための対話モデルの有効性が実証されている。
本研究では,探索者のペルソナを動的に推論・モデル化する枠組みを提案する。
論文 参考訳（メタデータ） (2022-12-19T04:12:54Z) - TaDaa: real time Ticket Assignment Deep learning Auto Advisor for
customer support, help desk, and issue ticketing systems [0.0]
プロジェクトには,1) 問題を適切なグループに割り当てる,2) 問題をベストリゾルバに割り当てる,3) 関連性の高いチケットをリゾルバに割り当てる,といった機能がある。
我々は3k以上のグループと10k以上のリゾルバを持つチケットシステムサンプルデータセットを1つ利用し、グループ提案で95.2%、リゾルバ提案で79.0%、トップ3で9.0%の精度を得る。
論文 参考訳（メタデータ） (2022-07-18T18:08:34Z) - A Survey on Proactive Customer Care: Enabling Science and Steps to
Realize it [10.85017740334476]
我々は、AI駆動の予測メンテナンスユースケースを実現するために必要な、さまざまなビルディングブロックを分析した。
私たちの調査は、予測メンテナンスのユースケースをうまく設計するために必要なテンプレートとして機能します。
論文 参考訳（メタデータ） (2021-10-11T05:56:03Z) - Escalation Prediction using Feature Engineering: Addressing Support
Ticket Escalations within IBM's Ecosystem [0.0]
この論文は、特にサポートチケットをエスカレートするリスクを予測する上で、サポートアナリストやマネージャの仕事を単純化するためのステップを提供する。
サポートアナリストの顧客に関する専門知識は、サポートチケットエスカレーションを予測するために機械学習モデルに実装されるサポートチケットモデルの特徴に翻訳された。
機械学習モデルは250万以上のサポートチケットと10,000エスカレーションでトレーニングされ、エスカレーションのリスクがあるサポートアナリストに対して79.9%のリコールと80.8%のワークロード削減を実現した。
論文 参考訳（メタデータ） (2020-10-12T07:06:52Z) - Conversations with Documents. An Exploration of Document-Centered
Assistance [55.60379539074692]
例えば、個人が文書をすばやくレビューするのを助けるドキュメント中心の支援は、あまり進歩していない。
我々は,文書中心の支援の空間と,人々がこのシナリオで期待する能力を理解するための調査を行う。
a) 文書中心の質問を正確に検出でき、(b) そうした質問に答えるために合理的に正確なモデルを構築することができることを示す。
論文 参考訳（メタデータ） (2020-01-27T17:10:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。