論文の概要: Predicting Customer Satisfaction by Replicating the Survey Response Distribution

• arxiv url: http://arxiv.org/abs/2411.12539v1
• Date: Tue, 19 Nov 2024 14:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:38:29.448797
• Title: Predicting Customer Satisfaction by Replicating the Survey Response Distribution
• Title（参考訳）: アンケート応答分布の再現による顧客満足度予測
• Authors: Etienne Manderscheid, Matthias Lee,
• Abstract要約: コールセンターは、顧客が調査を完了していないコールに対して、顧客の満足度を予測するモデルから恩恵を受けることができる。 本稿では,コールセンタ毎のCSAT応答の分布を正確に再現する手法を提案する。
• 参考スコア（独自算出の注目度）: 4.896237759904916
• License:
• Abstract: For many call centers, customer satisfaction (CSAT) is a key performance indicator (KPI). However, only a fraction of customers take the CSAT survey after the call, leading to a biased and inaccurate average CSAT value, and missed opportunities for coaching, follow-up, and rectification. Therefore, call centers can benefit from a model predicting customer satisfaction on calls where the customer did not complete the survey. Given that CSAT is a closely monitored KPI, it is critical to minimize any bias in the average predicted CSAT (pCSAT). In this paper, we introduce a method such that predicted CSAT (pCSAT) scores accurately replicate the distribution of survey CSAT responses for every call center with sufficient data in a live production environment. The method can be applied to many multiclass classification problems to improve the class balance and minimize its changes upon model updates.
• Abstract（参考訳）: 多くのコールセンターでは、顧客満足度(CSAT)が重要なパフォーマンス指標(KPI)である。 しかし、コール後にCSAT調査を受けた顧客はごくわずかで、偏りがあり不正確な平均的なCSAT価値をもたらし、コーチング、フォローアップ、修正の機会を逃した。 したがって、コールセンタは、顧客が調査を完了していないコールに対して、顧客満足度を予測するモデルから恩恵を受けることができる。 CSATは密に監視されたKPIであるため、予測された平均CSAT(pCSAT)のバイアスを最小限に抑えることが重要である。 本稿では,実運用環境において十分なデータを持つコールセンタ毎に,CSAT(pCSAT)スコアを正確に再現する手法を提案する。 この方法は、クラスバランスを改善し、モデル更新に伴う変更を最小限に抑えるために、多くのマルチクラス分類問題に適用できる。

関連論文リスト

• BACSA: A Bias-Aware Client Selection Algorithm for Privacy-Preserving Federated Learning in Wireless Healthcare Networks [0.5524804393257919]
  本稿では,ユーザのバイアスを検知し,バイアスプロファイルに基づいてクライアントを戦略的に選択するBias-Aware Client Selection Algorithm (BACSA)を提案する。 BACSAは、Quality of Service(QoS)、プライバシ、セキュリティが最重要である、機密性の高い医療アプリケーションに適している。
  論文  参考訳（メタデータ） (2024-11-01T21:34:43Z)
• Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
  LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。 このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。 本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。 また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
  論文  参考訳（メタデータ） (2024-10-17T18:22:50Z)
• 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)
• From Chaos to Clarity: Claim Normalization to Empower Fact-Checking [57.024192702939736]
  Claim Normalization(別名 ClaimNorm)は、複雑でノイズの多いソーシャルメディア投稿を、より単純で分かりやすい形式に分解することを目的としている。 本稿では,チェーン・オブ・ソートとクレーム・チェック・バシネス推定を利用した先駆的アプローチであるCACNを提案する。 実験により, CACNは様々な評価尺度において, いくつかの基準値を上回る性能を示した。
  論文  参考訳（メタデータ） (2023-10-22T16:07:06Z)
• Federated Graph-based Sampling with Arbitrary Client Availability [34.95352685954059]
  本稿では,FedGS(Federated Graph-based Smpling)というフレームワークを提案する。 実験結果から,FedGSが公正なクライアントサンプリング方式を実現し,任意のクライアントアベイラビリティの下でモデル性能を向上させるという利点が確認できた。
  論文  参考訳（メタデータ） (2022-11-25T09:38:20Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Graph Neural Networks to Predict Customer Satisfaction Following Interactions with a Corporate Call Center [6.4047628200011815]
  本研究は、着信後の顧客満足度を予測するための完全運用システムについて述べる。 このシステムは、電話の音声からテキストへの書き起こしを入力とし、電話後の調査で顧客から報告された着信満足度を予測する。
  論文  参考訳（メタデータ） (2021-01-31T10:13:57Z)
• 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)
• Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
  本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。 このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
  論文  参考訳（メタデータ） (2020-10-30T10:03:48Z)
• Multi-Armed Bandit Based Client Scheduling for Federated Learning [91.91224642616882]
  統合学習(FL)は、通信オーバーヘッドの低減やデータのプライバシの保護など、ユビキタスな特性を特徴とする。 FLの各通信ラウンドでは、クライアントは自身のデータに基づいてローカルモデルを更新し、無線チャネル経由でローカル更新をアップロードする。 本研究は、無線チャネルの状態情報やクライアントの統計的特性を知ることなく、FLにおけるオンラインクライアントスケジューリング(CS)のためのマルチアームバンディットベースのフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-07-05T12:32:32Z)
• Surveys without Questions: A Reinforcement Learning Approach [12.044303977550229]
  我々は、クリックストリームデータからプロキシレーティングを抽出するために、強化学習(RL)に基づくアプローチを開発する。 1つは顧客レベルであり、もう1つは顧客間でのクリックアクションの集計レベルである。
  論文  参考訳（メタデータ） (2020-06-11T10:41:07Z)

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。