Fugu-MT 論文翻訳(概要): Improving Customer Experience in Call Centers with Intelligent Customer-Agent Pairing

論文の概要: Improving Customer Experience in Call Centers with Intelligent Customer-Agent Pairing

arxiv url: http://arxiv.org/abs/2305.08594v2
Date: Thu, 25 May 2023 08:00:14 GMT
ステータス: 処理完了
システム内更新日: 2023-05-26 20:01:05.891871
Title: Improving Customer Experience in Call Centers with Intelligent Customer-Agent Pairing
Title（参考訳）: インテリジェントなユーザエージェントペアリングによるコールセンターのユーザエクスペリエンス向上
Authors: S. Filippou, A. Tsiartas, P. Hadjineophytou, S. Christofides, K. Malialis, C. G. Panayiotou
Abstract要約: 顧客エクスペリエンスは、利益を上げる組織や企業にとって重要な役割を担います。カスタマーエクスペリエンスを改善する一つの方法は、コールセンターの機能を最適化することだ。顧客とエージェントのペアリング問題を機械学習問題として定式化する。提案手法はルールベース手法と比較して約215%の大幅な性能向上をもたらす。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Customer experience plays a critical role for a profitable organisation or company. A satisfied customer for a company corresponds to higher rates of customer retention, and better representation in the market. One way to improve customer experience is to optimize the functionality of its call center. In this work, we have collaborated with the largest provider of telecommunications and Internet access in the country, and we formulate the customer-agent pairing problem as a machine learning problem. The proposed learning-based method causes a significant improvement in performance of about $215\%$ compared to a rule-based method.
Abstract（参考訳）: 顧客エクスペリエンスは、利益を上げる組織や企業にとって重要な役割を担います。企業の満足度の高い顧客は、高い顧客保持率と市場におけるより良い表現に対応する。顧客エクスペリエンスを改善するひとつの方法は、コールセンターの機能を最適化することだ。本研究では,国内最大の通信・インターネットアクセスプロバイダと協力し,機械学習問題として顧客とエージェントのペアリング問題を定式化している。提案手法は,ルールベースの手法と比較して,約215 %の大幅な性能向上をもたらす。

関連論文リスト

Digital assistant in a point of sales [0.0]
本稿では,VUI(Voice User Interface)を利用したディジタルアシスタントの小売環境での展開について検討する。デジタルアシスタントを高トラフィックの小売環境に統合することにより、顧客サービスの質を向上させる効果を評価する。
論文参考訳（メタデータ） (2024-06-07T11:33:21Z)
Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
論文参考訳（メタデータ） (2024-05-22T12:27:24Z)
FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning [57.38427653043984]
フェデレートラーニング(FL)は、分散クライアント間の機械学習モデルの協調トレーニングにおいて、顕著なアプローチとして登場した。我々は,この課題に対処するために設計された,革新的なクライアント適応アルゴリズムであるFedCAdaを紹介する。我々はFedCAdaが適応性、収束性、安定性、全体的な性能の点で最先端の手法より優れていることを実証する。
論文参考訳（メタデータ） (2024-05-20T06:12:33Z)
Enhancing Airline Customer Satisfaction: A Machine Learning and Causal Analysis Approach [0.0]
本研究では,航空会社における顧客満足度の向上について検討する。サービス改善が顧客満足度に与える影響について検討する。顧客サービスのデジタル的側面の改善は、顧客満足度を著しく高めることを実証する。
論文参考訳（メタデータ） (2024-05-15T04:01:47Z)
FilFL: Client Filtering for Optimized Client Participation in Federated Learning [71.46173076298957]
フェデレートラーニングは、クライアントがローカルデータを交換することなく、協調的にモデルをトレーニングすることを可能にする。トレーニングプロセスに参加するクライアントは、収束率、学習効率、モデル一般化に大きな影響を与えます。本稿では,モデル一般化を改善し,クライアント参加とトレーニングを最適化する新しい手法であるクライアントフィルタリングを提案する。
論文参考訳（メタデータ） (2023-02-13T18:55:31Z)
Digital Human Interactive Recommendation Decision-Making Based on Reinforcement Learning [0.0]
我々は、強化学習に基づく新しいデジタルヒューマンインタラクティブ・レコメンデーション・エージェント・フレームワークを設計する。提案するフレームワークは,デジタル人間と顧客間の即時インタラクションを通じて学習する。実際のビジネスデータの実験は、このフレームワークがより良い個人化された顧客エンゲージメントとより良い顧客エクスペリエンスを提供できることを示している。
論文参考訳（メタデータ） (2022-10-06T16:01:26Z)
Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM [62.62684911017472]
フェデレートラーニング(FL)により、デバイスは共有モデルを共同でトレーニングし、トレーニングデータをプライバシ目的でローカルに保つことができる。マルチヘッド(VIM)を備えたVFLフレームワークを導入し、各クライアントの別々のコントリビューションを考慮に入れます。 VIMは最先端技術に比べて性能が著しく向上し、収束が速い。
論文参考訳（メタデータ） (2022-07-20T23:14:33Z)
AdaCoach: A Virtual Coach for Training Customer Service Agents [14.34418767603295]
AdaCoachは、助けを求める実際の顧客をシミュレートし、顧客サービスエージェントとの対話を積極的に開始するように設計されている。自動対話評価モデルを用いて、トレーニングプロセスにおける顧客エージェントのパフォーマンスを評価する。私たちの知る限りでは、人間とコンピュータのインタラクションを通じてカスタマーサービスエージェントを訓練する最初のシステムです。
論文参考訳（メタデータ） (2022-04-27T13:39:27Z)
On the Convergence of Clustered Federated Learning [57.934295064030636]
統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-02-13T02:39:19Z)
Communication-Efficient Federated Learning with Accelerated Client Gradient [46.81082897703729]
フェデレーション学習は、クライアントデータセットの不均一な特徴のために、遅くて不安定な収束に悩まされることが多い。本稿では,クライアント間の一貫性を改善し,サーバモデルの収束を容易にする,シンプルだが効果的なフェデレーション学習フレームワークを提案する。我々は,アルゴリズムの理論的収束率を示し,精度と通信効率の点で顕著な性能向上を示す。
論文参考訳（メタデータ） (2022-01-10T05:31:07Z)
Bandit-based Communication-Efficient Client Selection Strategies for Federated Learning [8.627405016032615]
コミュニケーションのオーバーヘッドを低減し、より迅速な収束を実現するバンディットベースのコミュニケーション効率の高いクライアント選択戦略UBB-CSを提案する。また、クライアントの選択を公平性の向上に活用する方法も実証します。
論文参考訳（メタデータ） (2020-12-14T23:35:03Z)

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。