論文の概要: Escalation Prediction using Feature Engineering: Addressing Support
Ticket Escalations within IBM's Ecosystem
- arxiv url: http://arxiv.org/abs/2010.06390v1
- Date: Mon, 12 Oct 2020 07:06:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 08:12:16.280695
- Title: Escalation Prediction using Feature Engineering: Addressing Support
Ticket Escalations within IBM's Ecosystem
- Title（参考訳）: 機能工学によるエスカレーション予測:ibmエコシステムにおけるサポートチケットエスカレーションへの対応
- Authors: Lloyd Montgomery
- Abstract要約: 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。
- 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: Large software organizations handle many customer support issues every day in
the form of bug reports, feature requests, and general misunderstandings as
submitted by customers. 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.
Whenever insufficient attention is given to support issues, there is a chance
customers will escalate their issues, and escalation to management is
time-consuming and expensive, especially for large organizations managing
hundreds of customers and thousands of support tickets. This thesis provides a
step towards simplifying the job for support analysts and managers,
particularly in predicting the risk of escalating support tickets. In a field
study at our large industrial partner, IBM, a design science methodology was
employed to characterize the support process and data available to IBM analysts
in managing escalations. Through iterative cycles of design and evaluation,
support analysts' expert knowledge about their customers was translated into
features of a support ticket model to be implemented into a Machine Learning
model to predict support ticket escalations. The Machine Learning model was
trained and evaluated on over 2.5 million support tickets and 10,000
escalations, obtaining a recall of 79.9% and an 80.8% reduction in the workload
for support analysts looking to identify support tickets at risk of escalation.
The features developed in the Support Ticket Model are designed to serve as a
starting place for organizations interested in implementing the model to
predict support ticket escalations, and for future researchers to build on to
advance research in Escalation Prediction.
- Abstract（参考訳）: 大規模なソフトウェア組織は、バグレポートや機能要求、顧客が提出した一般的な誤解といった形で、毎日多くの顧客サポートの問題を扱っています。
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。
サポート上の問題に十分な注意が払われていない場合、顧客は問題をエスカレートする可能性があり、特に数百の顧客と数千のサポートチケットを管理する大企業では、マネジメントへのエスカレーションは時間と費用がかかる。
この論文は、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。
当社の大手産業パートナーであるIBMにおける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方法論が採用されました。
設計と評価の反復サイクルを通じて、顧客に関するサポートアナリストのエキスパート知識はサポートチケットモデルの特徴に変換され、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。
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。
サポートチケットモデルで開発された機能は、サポートチケットエスカレーションを予測するモデルの実装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して設計されている。
関連論文リスト
- 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) - 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) - SmartBook: AI-Assisted Situation Report Generation for Intelligence Analysts [55.73424958012229]
この研究は、状況報告生成におけるAI支援のためのインテリジェンスアナリストの実践と嗜好を特定する。
本稿では,大量のニュースデータから状況報告を自動生成するフレームワークSmartBookを紹介する。
我々は,SmartBookの総合的な評価を行い,ユーザによるコンテントレビューと編集調査を併用し,正確な状況報告を生成する上でのSmartBookの有効性を明らかにした。
論文 参考訳（メタデータ） (2023-03-25T03:03:00Z) - 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) - Proactive Detractor Detection Framework Based on Message-Wise Sentiment
Analysis Over Customer Support Interactions [60.87845704495664]
本稿では、チャットベースのカスタマーサポートのインタラクションにのみ依存して、個々のユーザの推薦決定を予測するフレームワークを提案する。
ケーススタディでは、ラテンアメリカの大手電子商取引会社の金融分野における16.4kのユーザ数と48.7kの顧客サポートに関する会話を分析した。
以上の結果から,CS会話のメッセージワイドな感情進化のみに基づいて,ユーザが製品やサービスを推薦する可能性を予測することが可能であることが示唆された。
論文 参考訳（メタデータ） (2022-11-08T00:43:36Z) - 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) - Towards Emotional Support Dialog Systems [61.58828606097423]
本稿では,感情支援会話タスクを定義し,ヘルピングスキル理論に基づくESCフレームワークを提案する。
本研究では,豊かなアノテーション(特にサポート戦略)をヘルプシーカとサポーターモードで組み込んだ感情支援会話データセット(ESConv)を構築した。
情緒的サポートを提供する能力に関して、最先端の対話モデルを評価する。
論文 参考訳（メタデータ） (2021-06-02T13:30:43Z) - System Design for a Data-driven and Explainable Customer Sentiment
Monitor [2.490457152391676]
IoTとエンタープライズデータを組み合わせて顧客感情をモデル化するデータ駆動型意思決定支援システムのためのフレームワークを提示する。
このフレームワークは、主要な医療機器メーカーとの実際のケーススタディに適用される。
論文 参考訳（メタデータ） (2021-01-11T18:29:50Z) - Customer Support Ticket Escalation Prediction using Feature Engineering [0.0]
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。
論文 参考訳（メタデータ） (2020-10-10T15:49:43Z)
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。