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
- Federated Learning as a Network Effects Game [32.264180198812745]
Federated Learning (FL) は、ローカルデータを直接共有することなく、機械学習の精度を向上させるために、多くのクライアント間のコラボレーションを促進することを目的としている。
実際には、クライアントは、特にプライバシや計算などの問題に関連する潜在的なコストを考慮して、FLに参加することの恩恵を受けないかもしれません。
私たちはFLにおけるクライアントの振る舞いをネットワークエフェクトゲームとしてモデル化し、各クライアントの利点はネットワークに参加する他のクライアントに依存します。
論文 参考訳(メタデータ) (2023-02-16T19:10:12Z) - FilFL: Client Filtering for Optimized Client Participation in Federated
Learning [95.27347185031265]
クライアントフィルタリングを導入し,クライアント参加とトレーニングを最適化する新たなアプローチであるFilFLを提案する。
FilFLは利用可能なクライアントを定期的にフィルタリングし、効率的なグリーディフィルタリングアルゴリズムを用いて目的関数を最大化するサブセットを特定する。
実験の結果,学習効率の向上,収束の高速化,テスト精度の最大10%向上など,我々のアプローチのメリットを実証した。
論文 参考訳(メタデータ) (2023-02-13T18:55:31Z) - Finding Lookalike Customers for E-Commerce Marketing [5.2300714255564795]
マーケティングキャンペーンのターゲット層を拡大するスケーラブルで効率的なシステムを提案する。
深層学習に基づく埋め込みモデルを用いて顧客を表現し、近隣の検索手法を用いて興味のある顧客を素早く見つける。
論文 参考訳(メタデータ) (2023-01-09T02:18:58Z) - 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) - 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 [66.36040015657339]
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) - Federated Multi-Target Domain Adaptation [99.93375364579484]
フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。
分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。
本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
論文 参考訳(メタデータ) (2021-08-17T17:53:05Z) - Two-Stage Facility Location Games with Strategic Clients and Facilities [64.89284690002836]
施設と顧客の両方が戦略的かつ大きな影響を与える非協力的な施設配置ゲームについて考察する。
当社のモデルでは,各施設の場所は,顧客を引き寄せる集合体を持ち,各クライアントは,その消費能力に応じた一組のショッピングロケーションと重みを有する。
我々は,準ゲーム完全平衡が存在することを示し,無政府価格と安定価格にほぼ一定の定数を与える。
論文 参考訳(メタデータ) (2021-05-04T11:27:09Z) - 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。
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。