CN115039116A

CN115039116A - 用于主动客户关系分析的方法和系统

Info

Publication number: CN115039116A
Application number: CN202080079645.2A
Authority: CN
Inventors: P·萨尼; B·斯莱普科; C·麦克勒斯
Original assignee: Rimini Street Inc
Current assignee: Rimini Street Inc
Priority date: 2019-09-13
Filing date: 2020-09-10
Publication date: 2022-09-09
Also published as: CA3154383A1; WO2021050716A1; EP4028966A4; AU2020347183A1; US20210081293A1; JP2022548251A; BR112022004692A2; EP4028966A1; AU2024202373A1; US12026076B2; JP7449371B2; MX2022003105A

Abstract

一种服务提供商系统，其从客户服务系统接收客户的案件数据。通过整合和聚合从案件数据中收集矢量数据。通过机器学习从集成和聚合的矢量数据中检测异常或意见信号。这些信号经过验证、整合并与案件、联系人和客户对象类型相关联。用户界面将经过验证和整合的信号呈现给用户，该客户根据该信号主动采取行动。用户界面包括仪表板、通知和指示器。

Description

用于主动客户关系分析的方法和系统

背景技术

将非核心业务外包给第三方是大多数现代商业和组织模式的标准组成部分。因此，许多组织利用第三方服务提供商为组织执行各种职能和业务。

作为具体的说明性示例，许多组织在其日常业务中依赖于多个软件系统。在许多情况下，这些组织使用一个或多个企业应用软件系统(EAS)，也简称为“企业软件”。EAS系统旨在提供软件能力来解决组织或企业的整体需求，而不是组织内的个体需求。因此，EAS系统通常是高度复杂的系统。鉴于这些软件系统的复杂性，组织经常求助于软件服务提供商来为组织使用的各种软件系统提供支持。通常，软件服务提供商的这些组织或客户都依赖于所支持的软件来创造收入和管理费用。因此，软件服务提供商提供的服务通常对他们的客户至关重要，并且所提供的实施、维护和问题解决服务通常需要非常快速而正确地执行。

为了建立和维护他们的客户的信任，服务提供商通常利用一个或多个客户服务系统或客户关系管理系统来跟踪和收集关于由服务提供商执行的各种工作的数据。客户服务系统的一个具体示例是Salesforce^TM。现有的客户服务系统收集的数据允许服务提供商的代理(通常是人工代理)来跟踪工作进度，以便该代理可以高效地且有效地管理与客户的关系。

使用现有的客户服务系统，基于客户工作或问题创建案件。跟踪每个案件并收集数据，直到案件得到解决或完成。在跟踪案件时，通常会在案件的整个生命周期中生成各种案件绩效数据。使用现有的客户服务系统，然后可以分析案件绩效数据，以确定服务提供商在使用各种方法为客户处理案件时的绩效。

现有的客户服务系统可能相当有效，并且是跟踪客户工作和维护客户关系的有力工具。然而，现有的客户服务系统主要是反应性系统，其仅在问题已经发生或至少成为严重或升级的问题时才提醒服务提供商的代理注意该问题。例如，使用现有的客户服务系统，只有当客户报告问题或数据中的重大偏差表明存在问题时，才向代理发出提醒。在其他情况下，使用现有的客户服务系统，管理者通常只在监控由他们所负责的代理执行的行为的历史分析时才意识到代理的绩效并对其作出反应。例如，管理者可能会研究代理解决问题所需的平均时长，并且在管理者注意到代理的平均解决时间超过其他代理的平均时间时做出反应。在此示例中，管理者的反应可能是为这样的代理提供额外培训，或者如果问题未及时解决，则将案件转交给不同的代理。作为另一个示例，当客户提交对服务或执行服务的代理的评价时，管理者可能会觉察到不满意的客户。

现有客户服务系统的这种类型的反应性操作是一个严重的问题，因为使用现有的客户服务系统，甚至在服务提供商意识到问题或与客户的关系恶化之前，该问题通常已经发生，或者至少升级到严重的客户不满意的点。因此，在问题能够得到解决之前，客户的信任和信心可能会严重受损。由于如上所述，在许多情况下，这种信任和信心对于客户/服务提供商关系至关重要，现有客户服务系统的反应性质通常导致这种关系受损。这也因此通常会导致客户选择不同的服务提供商。

因此，虽然现有的客户管理系统可以有效地发现服务提供商执行的客户支持的历史问题，但这些问题可能已对客户关系造成如此严重的损害，以至于损害是不可逆转的，并且没有时间纠正这些问题。因此，在这些情况下，关于流失的客户的历史分析变得毫无意义，至少对于该客户而言。

因此，非常需要一种技术解决方案来解决长期存在的技术问题：为客户管理系统提供在客户问题成为重大问题之前及早识别或预测客户问题的能力；从而允许服务提供商在问题对服务提供商/客户关系产生不利影响之前主动解决问题。

发明内容

本公开的实施例为提供更具预测性和主动性的客户管理系统这一技术问题提供了技术解决方案。

在一个实施例中，所公开的技术方案包括从一个或多个客户服务系统收集历史案件数据，并使用历史案件数据来训练一个或多个机器学习异常检测模型以检测案件数据中指示潜在的客户不满意的异常。一旦对一个或多个机器学习异常检测模型进行了训练，就将当前案件数据提供给已训练的一个或多个机器学习异常检测模型，并且识别当前案件数据中的任何异常。当在特定案件的案件数据中检测到一个或多个异常时，该案件和检测到的异常会引起服务提供商代理或管理者的注意，然后他们能够在客户不满意升级之前主动采取行动解决或纠正该异常。

在一个实施例中，所公开的技术解决方案包括从客户服务系统收集案件数据，包括表示客户和服务提供商之间的通信的非结构化对话数据。然后，使用机器学习方法(例如自然语言处理方法)来识别客户与服务提供商之间的通信中的客户意见。检测到的意见可以表示客户对案件处理的满意或不满意或对案件进行干预的需求的紧迫性。一旦在具体案件的案件数据中检测到一个或多个意见，该案件和检测到的意见就会引起服务提供商代理或管理者的注意，然后他们可以在客户不满意升级之前主动采取行动解决检测到的意见。

在一个实施例中，所公开的技术方案包括从客户服务系统收集历史案件数据，并使用历史案件数据来训练一个或多个机器学习异常检测模型以检测案件数据中表示潜在的客户不满意的异常。一旦对一个或多个机器学习异常检测模型进行了训练，就将当前案件数据提供给已训练的一个或多个机器学习异常检测模型，并且识别当前案件数据中的任何异常。此外，还使用机器学习语言处理方法处理当前案件数据，包括表示客户与服务提供商之间的通信的非结构化对话数据，以识别对话数据中的任何客户意见。

一旦使用机器学习异常检测模型和机器学习语言处理方法处理当前案件数据，在具体案件的案件数据中检测到的任何异常和/或在具体案件的案件数据中检测到的任何意见，在报告中予以收集并作为通知、提醒、信号、用户界面显示和如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他报告格式提供。检测到的异常和意见会引起服务提供商代理或管理者的注意，然后他们可以在客户不满意升级之前主动采取行动解决检测到的异常和/或意见。应该理解的是，报告中收集的异常和/或意见可以被特别收集，作为一段时间内的汇编或以其他时间间隔收集，这取决于应用。

使用所公开的实施例，机器学习方法用于相对实时地监控客户对服务提供商提供的支持的满意程度，从而可以在客户的不满意程度上升到不可接受的程度之前采取任何需要的纠正措施，如可以由关键绩效指标或其他组织指标所定义的。因此，所公开的实施例代表了对于提供能够在客户问题升级之前识别或预测客户问题的客户管理系统这一长期存在的技术问题的技术解决方案。因此，使用所公开的实施例，服务提供商能够在问题对服务提供商/客户关系产生不利影响之前主动解决该问题。

附图说明

图1是用于实施主动客户关系分析系统的应用环境的高级别框图。

图2A是用于主动客户关系分析的应用环境的框图，其包括客户服务系统和矢量收集器模块的更详细的框图。

图2B示出了用于主动客户关系分析的案件数据的说明性且非穷举的示例用户界面。

图2C和图2D共同示出了用于主动客户关系分析的矢量数据的说明性且非穷举列表。

图3是用于主动客户关系分析的应用环境的框图，其包括信号处理器模块的更详细的框图。

图4是用于主动客户关系分析的应用环境的框图，其包括验证和整合模块的更详细的框图。

图5A是用于主动客户关系分析的应用环境的框图，其包括用户界面模块的更详细的框图。

图5B示出了由图5A的用户界面模块生成的信号报告的说明性示例。

图5C示出了由图5A的用户界面模块生成的信号报告的说明性示例。

图5D示出了基于意见信号识别并用于主动客户关系分析的意见报告数据的说明性且非穷举的示例用户界面。

图6示出了用于主动客户关系分析的信号报告数据的说明性且非穷举的示例用户界面。

图7是用于主动客户关系分析的矢量控制示例表。

图8是用于主动客户异常检测的过程的流程图。

图9是用于主动客户意见检测的过程的流程图。

图10是用于主动客户关系分析的过程的流程图。

贯穿附图和具体实施方式，使用共同的附图标记来指示相同的元件。本领域技术人员将容易认识到，上述附图是示例，并且可以提供和实施其他架构、操作模式、操作顺序、元件和功能，而不背离如权利要求中所述的本发明的特性和特征。

具体实施方式

现在将参考附图(其中描述了一个或多个示例性实施例)来讨论实施例。实施例可以以许多不同的形式来实施，并且不应被解释为限于本文阐述的、图中示出的和/或下文描述的实施例。相反，提供这些示例性实施例是为了允许完整公开，该完整公开向本领域技术人员传达如权利要求中所述的本发明的原理。

如下文更详细讨论的，本公开的实施例代表对于提供更具预测性和主动性的客户管理系统的技术问题的技术解决方案。为此，所公开的实施例包括通过利用机器学习模型来分析从客户支持系统数据生成的矢量数据以检测客户信号的主动客户信号检测。在一个实施例中，矢量数据表示可以对其执行矢量代数运算的数据字段的列表。矢量数据可以与相互关联的对象相关联，相互关联的对象例如但不限于案件、与案件相关联的客户以及客户的与案件相关联的联系人(例如客户的联系人代表)。应当理解，矢量数据可以与如本文所讨论的其他对象或在递交时本领域已知的其他对象或在递交时间之后开发或变为可用的其他对象相关联。

如下文更详细讨论的，根据各种实施例，客户信号可以是负面信号或正面信号。应当理解，在执行主动分析时，不仅有利于主动检测负面信号以防止损害客户关系，而且有利于主动检测正面信号以增强客户关系。例如，检测到的负面信号可能表明代理或管理者需要加以注意。检测到的正面信号可能表明已经发现了可以与其他代理和管理者共享的最佳实践。应当理解，根据所公开的实施例主动检测负面信号和正面信号允许管理者对服务提供商组织的整体状况进行评估，以便继续战略性地谋求组织发展。

如下文更详细讨论的，在各种实施例中，可以从结构化数据内的异常中检测到信号。在一个实施例中，异常是与预期结果不同的发现结果。在一个实施例中，异常可以是点异常、趋势异常或如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他异常类型。根据所公开的实施例，当发现历史数据随着时间推移沿趋势线变化时，通过分析历史数据来发现趋势异常。例如，如果客户平均每周记录三十个案件，然后在本周，该客户记录了三百个案件，则可以根据数据趋势的变化来检测趋势异常。根据所公开的实施例，通过偏离其他数据点的统计数据(例如平均值)的单个数据点来发现点异常。例如，客户可以提供五分之二的调查分数，这可能与之前五分之四的分数有偏差。

如下文更详细讨论的，根据所公开的实施例，可以从非结构化数据内的意见中检测到信号。在一个实施例中，非结构化数据是表示客户和代理之间的通信的对话数据。例如，对话数据可以表示向客户和代理发送的文本消息和由客户和代理发送的文本消息。在这个示例中，每条文本消息可以是一段文字，其代表了非结构化数据。这种非结构化数据包含基于正一到负一的极性分数发现的意见。

如下文更详细讨论的，正极性分数表示正面意见。例如，可以从非结构化数据中词语“愉快”发现正面意见。负极性分数表示负面意见。例如，可以从非结构化数据中的短语“非常沮丧”发现负面意见。根据所公开的实施例，非结构化数据内的词语和短语形成语料库。在一个实施例中，语料库是可以在自然语言处理上下文中分析的文本主体，如本领域已知的。在一个实施例中，意见可以是紧迫性意见，其中非结构化数据被确定为包含需要将案件升级给更有经验的代理的指示，例如短语“对我们的生产环境至关重要”。这样的语料库与客户出现的表明将来需要升级的问题的紧迫性有关。因此，可以根据定义的语料库的紧迫性对案件进行分类。

如下文中更详细讨论的，本公开的实施例主动检测与当前由服务提供商服务的案件相关联的案件数据的信号。服务提供商将为解决问题所做的工作记录为服务提供商的客户服务系统中的案件数据。案件数据由服务提供商的检测管理系统接收。生成控制数据，该控制数据提供用于将接收到的案件数据处理成矢量数据的指令以及用于验证从矢量数据生成的信号数据的指令。基于用于控制数据的处理的指令将接收的案件数据处理成矢量数据，该控制数据的处理为通过基于机器学习的技术分析矢量数据做准备。

如下文更详细讨论的，在一个实施例中，异常信号处理器模块检测矢量数据内的异常数据，并且意见信号处理器模块检测矢量数据内的意见数据。基于包含验证规则的控制数据对异常数据和意见数据进行验证。经验证的信号数据通过用户界面显示给用户，例如服务提供商的管理者。

出于说明的目的，本文提供了具体示例，其中客户是利用一个或多个企业应用软件(EAS)系统的企业或组织，即企业软件客户，并且服务提供商是负责为客户实施和维护EAS系统的软件服务提供商。然而，本领域技术人员将容易地认识到，所公开的实施例可以与其他类型的客户/服务提供商关系一起利用和使用。因此，企业软件客户/软件服务提供商关系的具体说明性示例不限于权利要求中所述的本发明的范围。

在一个实施例中，服务提供商的客户正在利用企业软件来管理客户的业务。在一个实施例中，客户雇用在企业软件支持方面有着丰富经验的服务提供商来解决客户的问题。由于客户依赖于准确无误地运行的企业软件，因此客户对服务提供商能够及时解决问题的期望很高，由于企业软件的复杂性，其通常以天为单位来衡量。为了帮助服务提供商跟踪其所服务的客户的所有问题，服务提供商通常利用客户服务系统来跟踪客户的所有案件。在典型的场景中，当服务提供商被分配一项工作，或者被提醒客户的企业软件出现问题时，会在客户服务系统中记录案件，并且分配服务提供商的一个或多个代理(通常是人)来解决该案件。

当代理开展工作完成一个案件时，新的数据被添加到客户服务系统的案件数据中。案件数据可以是结构化格式，以填充数据字段。作为非限制性示例，该结构化数据具有可在数据库(诸如关系数据库)中组织和存储的限定的长度和格式。由于结构化数据的格式一致，这样的结构化数据通常可以进行计算分析以及，特别是基于机器学习的异常检测分析。

如下文更详细讨论的，与给定案件相关联的结构化数据可以包括表示各种案件信息的数据，例如但不限于：客户和服务提供商之间关于该案件的通信次数；该案件的生命周期；与案件相关的响应时间；客户在给定案件中制定的文件或其他请求的数量；客户在该案件中请求更新的次数；该案件的平均更新时间；处理给定案件的服务提供商代理的变更次数；与该案件相关联的客户的升级历史，即客户因不满意而使案件升级的频率；与该案件相关联的客户提交的评价范围的下限和上限；客户的具体联系人在案件中提交的评价范围的下限和上限；与案件相关的服务提供商代理的客户评价的范围的下限和上限；案件的优先级；为与该案件相关联的客户续签服务合同的时间；与该案件相关联的客户提供服务的开始时间；与该案件相关的客户的战略价值和能力；以及如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的任何其他与案件相关的结构化数据，该案件被认为可能表明客户对服务提供商所提供的服务的满意度。

如下文更详细讨论的，除了结构化数据之外，关于案件的信息可以是非结构化格式，以填充评论字段。非结构化数据的示例是客户和服务提供商的代理之间的任何基于文本的对话。典型的客户服务系统能够使客户和代理之间以文本、电子邮件、转录录制等形式进行对话式互动。这些对话交流生成非结构化的对话数据。如下文更详细讨论的，使用所公开的实施例，可以使用一种或多种类型的自然语言处理(NLP)机器学习系统来分析该非结构化对话数据，以检测与案件相关联的客户意见和升级紧迫性。

如下文更详细讨论的，根据所公开的实施例，使用检测管理系统分析客户服务系统的活跃的或当前的案件数据。在一个实施例中，检测管理系统可以包括异常检测模块和/或NLP模块以确定客户是否正在从服务提供商得到合格的服务。相应地，客户服务系统将案件数据传送到服务提供商的检测管理系统。在一个实施例中，检测管理系统通过集成和聚合将案件数据处理和格式化成矢量数据，以供机器学习模型进行分析。

如下文更详细讨论的，检测管理系统可以包括用于分析结构化数据的异常的异常检测器机器学习模型，以及用于分析关于意见的非结构化数据的的意见检测器机器学习模型。异常与相对于其他结构化数据而言的意料之外的结构化数据相关联。意见是一种文字表达，该文字表达表明服务提供商提供的服务是正面的(因为其通常是有帮助的)或是负面的(因为其通常是没有帮助的)。

在此公开的检测管理系统在对客户/服务提供商关系造成重大损害之前及早地主动确定客户是变得愉快还是不愉快。这允许管理者或其他服务提供商代理根据该确定采取主动行动。

因此，本文公开的检测管理系统在对客户/服务提供商关系造成重大损害之前及早地主动确定客户变得愉快还是不愉快。这允许管理者或其他服务提供商代理根据该确定采取主动行动。

图1是用于主动客户关系分析的应用环境100的高级别框图。应当理解，图1的示意图是出于示例性目的而非旨在限制。在图1中，应用程序环境100包括服务提供商计算环境110，其包括检测管理系统111。在一个实施例中，应用环境100是生产环境。在其他实施例中，应用环境100是开发环境、质量保证环境、前述环境的组合，以及如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的任何其他环境。检测管理系统111包括：矢量收集器模块120、信号处理器模块130、验证和整合模块140以及用户界面模块150。

在图1中，检测管理系统111包括处理器115和存储器116。存储器116包括存储与提供给客户的服务相关联的数据的检测管理数据库190。检测管理数据库190包括训练数据191、控制数据192、矢量数据193和信号数据194。存储器116包括存储在其中的指令，这些指令在由处理器115实施时执行用于主动客户关系分析的过程。

应用环境100包括表示矢量收集器模块120、信号处理器模块130、验证和整合模块140以及用户界面模块150的过程以及其他过程的指令。如前所述，可以利用训练环境、测试环境或开发环境代替生产环境来执行本发明的某些实施例，这取决于用于确定案件、客户和联系人对象的信号的期望的意见和异常检测。

在一个实施例中，训练数据191包括来自一个或多个客户服务系统的历史案件数据。在一个实施例中，历史案件数据用于训练一个或多个机器学习异常检测模型以检测案件数据中指示潜在的客户不满意的异常。

各种已知的异常检测模型中的任何一种，或任何其他已知的监督模型，都可以用作基于机器学习的异常检测模型。作为具体说明性示例，基于机器学习的异常检测模型可以是基于高斯分布、四分位距(IQR)或支持矢量机(SVM)机器学习的异常检测模型中的一种或多种。在其他情况下，基于机器学习的异常检测模型可以是如本文所讨论的或在递交时本领域已知的或在递交时间之后变得已知的任何异常检测模型。

在一个实施例中，训练数据191包括用于训练基于机器学习的自然语言处理模型的语料库数据。如下文更详细讨论的，这样的语料库数据包括表示用于检测正面意见和负面意见的关键词、短语或词干的数据。如下所述，在一个实施例中，用户界面模块150使服务提供商的代理或管理者能够提供反馈以在反馈循环中改进和重新训练机器学习模型，从而在异常和/或意见检测中获得更准确的结果。

本文讨论的机器学习模型可以使用监督学习方法(例如分类和/或回归)、非监督学习方法(例如聚类和/或关联)、半监督学习方法(例如监督和非监督)和其他学习方法进行训练。

如下文关于图2A更详细讨论的，矢量收集器模块120从一个或多个案件数据源(例如客户服务系统180)收集案件数据。应当理解，尽管图1中描绘了一个客户服务系统180，但是可以有任意数量的客户服务系统180通过一个或多个通信信道(例如通信信道118)耦合到检测管理系统111。客户服务系统180包括关于由服务提供商代表客户处理的案件或工作的案件数据，以及服务提供商的代理为了解决问题已经与客户进行的各种交流。

如本领域已知的，客户服务系统180，有时称为客户关系管理(CRM)系统，通常是利用云计算技术在云中提供的软件即服务(SAAS)。因此，客户服务系统180的所有服务提供商用户都可以使用案件数据。因此，可以在提供支持服务的代理的组织内提供协同的案件升级。此外，案件数据可以以已处理的格式(例如汇总数据)或未经处理的格式(例如原始数据)用于检测管理系统111。

如下文关于图3更详细讨论的，信号处理器模块130包括用于处理由矢量收集器模块120收集的矢量数据的基于机器学习的模型或算法。在一个实施例中，信号处理器模块130的模型或算法用于检测信号数据，例如当前案件数据中的异常数据。在一个实施例中，如果检测到针对诸如案件、联系人或客户的对象的若干异常，则信号处理器模块130对异常进行分级和/或归一化。

如下文关于图3更详细讨论的，在一个实施例中，信号处理器模块130的模型或算法包括基于机器学习的语言/文本处理模型或算法。在一个实施例中，基于机器学习的语言/文本处理模型或算法用于检测表示客户与服务提供商之间的通信的非结构化对话数据中的信号数据，例如客户意见数据。

如下文关于图3更详细讨论的，在一个实施例中，信号处理器模块130的模型或算法包括基于异常数据机器学习的语言/文本处理模型或算法和基于机器学习的语言/文本处理模型或算法，以检测异常信号数据和客户意见信号数据两者。

如下文关于图4更详细讨论的，在一个实施例中，验证和整合模块140对检测到的异常和/或客户意见信号数据进行验证和整合。在一个实施例中，如果由信号处理器模块130确定为异常，则由验证和整合模块140验证检测到的异常是真正的异常。例如，如果案件是在二十四小时的基础上进行管理，则验证和整合模块140将验证：将该案件分配给各个代理是合适的，因为它是被全天候操作；以及它没有在太多的代理之间转移。

信号数据194由验证和整合模块140处理之后，该信号数据194通过用户界面模块150呈现给用户。

如下文关于图5A到图5C更详细地讨论的，在一个实施例中，用户界面模块150向服务提供商的代理和管理者提供多种数据和/或报告，包括但不限于表明在具体案件的案件数据中检测到的异常情况的数据和/或报告以及表明在具体案件的案件数据中检测到的任何意见的数据和/或报告。此外，如上所述，在一个实施例中，用户界面模块150使服务提供商的代理或管理者能够提供反馈以在反馈循环中改进和重新训练机器学习模型，从而在异常和意见检测中获得更准确的结果。

如下文关于图5A到图5C更详细地讨论的，在一个实施例中，用户界面模块150包括信号信息的客户服务系统180内的信号信息的仪表板模块510、信号信息的通知模块520和指示器模块530。

图2A示出了用于主动客户关系分析的应用环境100，包括客户服务系统180和检测管理系统111的矢量收集器模块120的更详细的框图。应当理解，图2A的图表是出于示例性目的而非旨在限制。同时参考图1和图2A，应用环境100包括服务提供商计算环境110，该服务提供商计算环境110包括客户服务系统180和检测管理系统111。

客户服务系统180包括客户服务模块281，该客户服务模块281允许案件数据282的创建。案件数据282包括关于客户的现场数据、关于案件的现场数据、关于客户调查的现场数据、关于客户调查的文本数据以及表示客户和服务提供商的代理之间的对话的对话数据。案件数据282包括结构化数据和非结构化数据。结构化数据包括用于对案件特性进行分类的数据字段。结构化数据还包括用于对客户的特性进行分类的信息，例如在市场上为服务提供商提供正面参考的客户，客户的EAS系统的跨国家、跨地区实施的广度，以及与具体客户相关联的模块和合同价值。非结构化数据包括与案件相关联的文本评论，例如文本对话、客户调查评论和如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他文本评论。

图2B示出了用于主动客户关系分析的案件数据282的说明性且非穷举的示例用户界面240。

如图2B中所示，用户界面240描绘了案件数据282，其包括联系人信息241、案件信息242和对话信息243。本领域的普通技术人员将容易地认识到，图2B只是案件数据282的具体说明性示例，并且这种数据的许多其他类型和排列是可能的并且是发明人所预想到的。因此，不应将图2B的案件数据282的类型和布置的具体说明性示例理解为限制权利要求中所述的实施例。

返回至图2A，案件数据282由矢量收集器模块120接收。在一个实施例中，客户服务系统180以原始格式传送案件数据282。在另一个实施例中，客户服务系统180以整合的格式传送案件数据282。例如，整合格式的案件数据282可以是结构化字段的多个值的平均值，例如过去6个月的平均值。又例如，整合格式的案件数据282可以是与案件相关联的文档的数量或客户调查分数的平均值。在该示例中，检测管理系统111不接收文档本身。应当理解，案件数据282可以从包括关于客户的信息的任何系统接收。

矢量收集器模块120的数据采集模块230从客户服务系统180采集案件数据282。数据采集模块230使用控制数据192，该控制数据192包括用于以期望格式接收案件数据282的指令。结构化案件数据282可以包含与其余数据相距太远的数据点的单个实例的点异常、通常在时间序列数据中具有上下文的数据的上下文异常、共同表明诸如由客户记录的大量案件的问题的集体异常、以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的方式建模的其他异常。例如，在多种情况下，案件数据282可以被接收为原始数据、经分析的数据、经计算的数据和如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他类型的数据。应当理解，接收到的案件数据282的格式是基于期望的信号来确定的。在一个实施例中，案件数据282是从客户服务系统180中选择或作为原始数据接收的，并且可以分别用作历史案件矢量数据和当前案件矢量数据。

矢量收集器模块120还包括矢量数据集成器模块210，其集成收集的案件数据282，并且包括矢量数据聚合器模块220，其分析集成的收集的案件数据282以用作矢量数据193。矢量收集器模块120还包括控制配置模块235，其允许对控制数据192进行修改以用于机器学习模型训练，如下文进一步描述的。应当理解，虽然控制配置模块235被描绘在矢量收集器模块120中，但它也可以被包括在信号处理器模块130和/或验证和整合模块140中。

矢量数据集成器模块210通过数据采集模块230接收格式化的案件数据282。矢量数据集成器模块210将案件数据282集成为集成格式。矢量数据集成器模块210使用超文本预处理器(PHP)脚本执行的集成的示例是案件历史数据集成、案件所有者变更数据集成、案件附件数据集成、案件评论计数数据集成、案件评论数据集成、案件状态历史数据集成、案件的最后三个连续客户调查报告数据，以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他集成。这样的集成可以每小时、每天和按照期望的或如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他预定时间来执行。

矢量数据聚合器模块220从矢量数据集成器模块210接收集成的案件数据282，并且聚合集成的案件数据282以生成矢量数据193。由矢量数据聚合器模块220使用程序(procedure)(例如作为非限制性示例的SQL程序和其他查询语言程序)执行的聚合的示例是矢量聚合过程(process)和如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他聚合。这样的聚合可以每小时、每天和按照如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他预定时间来执行。应当理解，矢量数据193可以仅从矢量数据集成器模块210生成、仅从矢量数据聚合器模块220生成、以及从矢量数据集成器模块210和矢量数据聚合器模块220两者生成。

图2C和图2D同时示出了用于主动客户关系分析的矢量数据193的具体说明性且非穷举的列表250。

如图2C和图2D中所示，矢量数据193的列表250包括矢量名称251、数据类型252、异常类型253、升级影响254和描述255。

矢量261具有“案件意见-一般”的矢量名称251、“非结构化/NLP”的数据类型252、“点异常”的异常类型253、“两者”的升级影响254以及“衡量负面-正面意见(NLP)”的描述255。

矢量262具有“案件意见-紧急/升级”的矢量名称251、“非结构化/NLP”的数据类型252、“点异常”的异常类型253、“两者”的升级影响254以及“衡量负面-正面意见(NLP)”的描述255。

矢量263具有“案件往来(Back-Forth)、来自客户和代理的更新次数”的矢量名称251、“结构化/次数计数”的数据类型252、“上下文异常”的异常类型253、“两者”的升级影响254以及“代理和客户之间在案件上的往来计数”的描述255。矢量263表示在客户和分配给客户案件的代理之间通信往来的计数。例如，对于企业客户的复杂支持案件，典型的往来计数可能是50。在这个示例中，如果案件的往来计数为175，则异常信号处理器模块(下文将讨论)可以主动确定存在已告知的、管理者可以解决的异常。

矢量264具有“催办(重复的更新请求)”的矢量名称251、“非结构化/NLP”的数据类型252、“上下文异常”的异常类型253、“两者”的升级影响254以及“客户催办或工程师催办更新”的描述255。

矢量265具有“案件生命周期”的矢量名称251、“结构化/天数”的数据类型252、“点异常”的异常类型253、“两者”的升级影响254以及“案件开放天数”的描述255。

矢量266具有“案件平均更新时间”的矢量名称251、“结构化/天数”的数据类型252、“点异常或上下文异常”的异常类型253、“两者”的升级影响254以及“更新和响应的平均时间-有意义的响应”的描述255。

矢量267具有“加载的文档数量”的矢量名称251、“结构化/数量”的数据类型252、“点异常”的异常类型253、“案件”的升级影响254以及“案件中加载的文档总数”的描述255。矢量267表示已为一个案件上传的文档数量。例如，企业客户的典型案件涉及上传少于十个文档，如果上传了五十个文档，则异常信号处理器模块(下文讨论)可以主动确定存在已告知的、管理者可以解决的异常。

矢量268具有“所有者变更次数”的矢量名称251、“结构化/次数”的数据类型252、“点异常”的异常类型253、“案件”的升级影响254以及“所有者变更的总次数-自适应，因为我们采用FTS(全天候)方式”的描述255。矢量268表示负责案件的代理的变更次数的计数。通常对于企业案件，过去三个月的案件的所有者变更的计数可以是三次变更，如果有十次变更的计数，则异常信号处理器模块(下文讨论)可以主动确定存在已告知的、管理者可以解决的异常。

矢量269具有“客户的升级历史”的矢量名称251、“结构/数量”的数据类型252、“上下文异常”的异常类型253、“两者”的升级影响254以及“此客户是否具有先前的升级历史”的描述255。

矢量270具有“客户CSR低-高”的矢量名称251、“结构化/数量”的数据类型252、“点异常”的异常类型253、“客户”的升级影响254以及“负面和正面异常检测的客户调查结果如何”的描述255。

矢量271具有“客户联系人CSR低-高”的矢量名称251、“结构化/数量”的数据类型252、“点异常”的异常类型253、“客户”的升级影响254以及“负面和正面异常检测的客户调查结果如何”的描述255。

矢量272具有“案件所有者和首席工程师CSR低-高”的矢量名称251、“结构化/数量”的数据类型252、“点异常”的异常类型253、“案件”的升级影响254以及“案件所有者/首席工程师客户调查结果低吗？”的描述255。

矢量273具有“案件优先级”的矢量名称251、“结构化/数量”的数据类型252、“考虑因素”的异常类型253、“案件”的升级影响254以及“案件优先级高吗？”的描述255。

矢量274具有“续签时间临近”的矢量名称251、“结构化/剩余天数”的数据类型252、“考虑因素”的异常类型253、“两者”的升级影响254和“客户倾向于在续签时间临近时升级案件”的描述255。

矢量275具有“案件中的T&R、FSS、TSS利用”的矢量名称251、“结构化/首席工程师”的数据类型252、“考虑因素”的异常类型253、“两者”的升级影响254以及“这样的案件通常涉及更高的时间敏感性(例如合规日期)”的描述255。作为非限制性示例，这样的案件可以涉及税务、法律和法规更新，这些更新要求及时采取行动以应对适用法律或法规的变化，以便能够从EAS系统生成正确的输出文档。更新可以包括税款更新，即市销售税率从第一年到第二年或在另一个相关时间段的变化。

矢量276具有“加入的/新的客户”的矢量名称251、“结构化/服务开始”的数据类型252、“考虑因素”的异常类型253、“两者”的升级影响254以及“这是一个新客户吗-还考虑到加入分数”的描述255。

矢量277具有“来自该客户的案件量的增加”的矢量名称251、“结构化/数量”的数据类型252、“集体异常”的异常类型253、“两者”的升级影响254以及“客户在一个国家开始使用，部署新产品/功能”的描述255。

矢量278具有“环境权限问题”的矢量名称251、“结构化/数量”的数据类型252、“考虑因素”的异常类型253、“两者”的升级影响254以及“工程师在登录客户端环境时遇到问题”的描述255。

异常信号处理器模块使用的矢量278的其他示例包括表征客户数据(例如，在关系的特定阶段与客户相关联的战略价值或合同价值以及客户为服务提供商提供正面的外部参考的历史)的矢量。客户相关矢量可以具有“结构化/战略客户”或“结构化/可参考的客户”的数据类型252。与客户相关的矢量可以具有“考虑因素”的异常类型和“客户”的升级影响，尽管与案件相关和与联系人相关的矢量也可以影响案件。

本领域普通技术人员将容易地认识到，图2C和图2D只是矢量数据193的具体说明性示例，并且这种数据的许多其他类型和布置是可能的并且是发明人所预想的。因此，不应将图2C和图2D的矢量数据193的类型和布置的具体说明性示例理解为限制权利要求中所述的实施例。

图3示出了用于主动客户关系分析的应用环境100，包括信号处理器模块130的更详细的框图。应当理解，图3的图表是出于示例性目的而非旨在限制。同时参考图1、图2A和图3，应用环境100包括服务提供商计算环境110，其包括检测管理系统111。检测管理系统111包括矢量收集器模块120、信号处理器模块130和验证和整合模块140。信号处理器模块130从矢量收集器模块120接收矢量数据193。在各个实施例中，信号处理器模块130可以仅包括异常信号处理器模块310。在各个实施例中，信号处理器模块130可以仅包括意见信号处理器模块320。在各个实施例中，信号处理器模块130可以包括异常信号处理器模块310和意见信号处理器模块320。如图3中所示，信号处理器模块130还包括归一化模块330和优先级模块340。

异常信号处理器模块310处理矢量数据193以检测信号数据194的异常数据395。意见信号处理器模块320处理矢量数据193以检测意见数据396。应当理解，信号数据194包括由异常信号处理器模块310检测到的异常数据395和/或由意见信号处理器模块320检测到的意见数据396。

异常信号处理器模块310利用异常检测器模型311(该异常检测器模型311是机器学习模型)检测矢量数据193的结构化数据内的异常。在一个实施例中，异常检测器模型311利用TensorFlow平台或如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他机器学习平台。机器学习平台为异常检测提供了各种统计方法。在一个实施例中，机器学习模型通过执行异常检测和整合过程Python编程语言脚本和如本文所讨论的、以其他编程语言开发的或在递交时本领域已知的或在递交时间之后开发或变得可用的其他脚本来进行训练。

在一个实施例中，使用具有监督学习的训练数据191对异常检测器模型311进行训练。如上所述，训练数据191可以包括与图2C和图2D中列出的任何矢量相关的数据，或与本文中所讨论的、本领域已知的或变得已知的任何期望的矢量相关的数据。返回到图3，异常检测器模型311利用基于趋势的确定训练的机器学习算法。例如，案件生命周期的矢量基于结构化的矢量数据193，其中该矢量表示案件已经开放的天数。在本示例中，如果案件生命周期超过六十三天，则其被判定为异常，并且如果案件生命周期不足半天，则其也被判定为异常。在该示例中，阈值由最小阈值和最大阈值确定。在该示例中，异常检测器模型311由数据科学家基于覆盖机器学习算法的此类阈值进行训练。

在一个实施例中，异常信号处理器模块310利用IQR来确定作为离群值的异常，如本领域已知的。例如，在IQR下，离群值是比数据集中的其他值小得多的数据值或大得多的数据值。在一个实施例中，异常信号处理器模块310利用本领域已知的高斯分布算法。例如，使用高斯分布算法，通过将数据值与以均值μ和方差σ²分布的其他数据值进行对比来检测异常。应当理解，可以使用其他数据异常检测方法，例如K-最近邻算法(KNN)、基于K-均值算法的聚类、支持矢量机(SVM)以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他异常检测方法和机器学习算法，其用于找到最正面的异常和最负面的异常以及潜在整合的信号。

意见信号处理器模块320利用作为机器学习模型的意见检测器模型321检测矢量数据193的非结构化数据内的意见。在一个实施例中，意见检测器模型321利用自然语言工具包(NLTK)平台以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他自然语言平台。在一个实施例中，自然语言模块通过执行意见检测和整合过程Python脚本以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他脚本来进行训练。

意见检测器模型321使用带有监督学习的训练数据191进行训练。训练数据191是根据从管理者收集的关于先前确定的意见的信息生成的。在一个实施例中，管理者以语料库的形式审查确定的意见，该语料库是单词或短语。例如，语料库可以是意见检测器模型321已经确定为负面信号的“不愉快”。但是，当管理者审查使用“不愉快”语料库中的评论时，管理者会发现词语“不愉快”是针对服务提供商提供的服务以外的其他内容，例如联系人对午餐吃什么有关的不愉快。在此示例中，管理者将此语料库与假正面指示相关联。用户界面模块150使服务提供商的管理者能够提供这种类型的反馈以在反馈循环中改进和重新训练机器学习模型，从而在异常和/或意见检测中获得更准确的结果。在将语料库与错误的正面指示相关联之后，数据科学家或代理将以下添加到训练数据191中：语料库“不愉快”和“午餐”同时出现时，不是负面的信号，并且应予忽略。在用这个新的训练数据191训练意见检测器模型321之后，意见检测器模型321将不会将这样的“不愉快”和“午餐”的语料库确定为负面信号。应该理解，代理可以是之前描述的行业专家或编程工作或机器学习模型，以对假正面采取行动并继续改进训练数据以及异常和意见信号检测的后续结果。

用户界面模块150使服务提供商的管理者能够提供这种类型的反馈以在反馈循环中改进和重新训练机器学习模型，从而在异常和/或意见检测中获得更准确的结果。在语料库与假正面指示相关联后，会生成假正面数据，表明语料库“不愉快”和“午餐”同时出现时不是负面信号，并且应予忽略。然后，该假正面数据由人类代理和/或非人类代理添加到训练数据191，例如但不限于数据科学家、程序员、机器人、运行时间和/或离线机器学习训练模块和系统和/或任何其他能够为基于机器学习的系统和/或数据库提供更新和修改的代理。在用这个新的训练数据191训练意见检测器模型321之后，意见检测器模型321今后将不会把这样的“不愉快”和“午餐”的语料库确定为负面信号。

在一个实施例中，意见信号处理器模块320利用意见分析，其中，基于从负一到正一的极性标度对意见进行负面和正面分级，如本领域已知的。例如，“灾难”一词可以被赋值为-1.0，而“不愉快”一词可以被赋值为-0.7。意见信号处理器模块320利用标记化，其中，用词典分析器将句子和单词标记化，如本领域已知的。意见信号处理器模块320利用文本分类，其中，诸如地点、人和组织的命名实体被识别为名词，如本领域已知的。例如，“joy”这个词既是情感词，又是人名。意见信号处理器模块320利用词干提取和词形还原，其中，对不同版本的词进行整合，例如将“沮丧的(frustrated)”和“令人沮丧的(frustrating)”整合为“沮丧(frustrate)”，如本领域已知的。意见信号处理器模块320利用语音标记，其中，确定语音的上下文，如本领域已知的。意见信号处理器模块320利用停用词删除，其中，对不重要的词予以删除，如本领域已知的。

意见可以分为一般意见或摩擦意见。一般意见表明，客户在对话文本中表达负面意见或在对话文本中表达正面意见。摩擦意见表明，案件的解决存在问题，管理者应该意识到这一点，因为摩擦意见表明案件即将升级。

当针对案件、联系人或客户的对象检测到多个异常时，使用归一化模块330。例如，如果检测到五个不同的异常，则归一化模块330对该多个异常执行归一化计算。控制数据192包括为归一化计算提供指令的归一化规则。例如，归一化规则可以是基于由优先级模块340确定的权重来对检测到的异常的数量进行求和。又例如，归一化可以包括具有最小阈值和最大阈值的范围(例如最短一天来解决案件和最长九十天来解决案件)，并且归一化算法可以基于最小标度和最大标度确定归一化值。这种归一化值可以基于欧几里德距离算法和如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他归一化算法来确定。

优先级模块340用于确定被确定为异常的特定矢量的优先级。优先级模块340利用加权来确定特定矢量的优先级。控制数据192包括加权规则，该加权规则通过优先级模块340提供优先级加权的指令。例如，为每个矢量分配从零到一的权重，其中，零是最小权重，一是最大权重。在此示例中，可以分配介于零和一之间的权重，例如权重0.65。在此示例中，如果针对八个不同的矢量检测到八个异常，并且每个矢量的权重为一，则检测到八个异常。然而，如果八个矢量中的四个具有0.75的权重并且八个矢量中的其他四个具有0.25的权重，则基于优先级的加权计算确定要检测四个异常。应当理解，可以使用如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他优先级计算。

图4示出了用于主动客户关系分析的应用环境100，其包括验证和整合模块140的更详细的框图。应当理解，图4的示意图是出于示例性目的而非旨在限制。同时参考图1、图2A、图3和图4，应用环境100包括服务提供商计算环境110，其包括检测管理系统111。检测管理系统111包括信号处理器模块130、验证和整合模块140以及用户界面模块150。验证和整合模块140从信号处理器模块130接收信号数据194，该信号数据194包括异常数据395和/或意见数据396。验证和整合模块140包括信号验证器模块410和信号整合器模块420。

从检测到的异常和/或检测到的意见生成信号数据194。信号验证器模块410基于控制数据192验证所生成的信号是有效的。当检测到的信号受到与异常无关的因素(例如异常噪声)的影响时，信号验证器模块410阻止检测到的信号被添加到信号数据194。例如，如果矢量是“案件所有者变更”，并且检测到案件所有者的太多变更的异常，则控制数据192中的规则可以指示：当全天候提供支持时，如果是由于分配了不同的代理来负责该案件而导致案件所有者的频繁变更，则这不是异常情况。在该示例中，尽管案件所有者的变更计数可能是高的，但信号验证器模块410确定这对于全天候处理的案件来说不是异常。

在一些实施例中，信号整合器模块420整合与诸如案件、联系人和客户等对象相关联的多个检测到的信号。例如，在信号处理器模块包括异常信号处理器模块310和意见信号处理器模块320从而使得检测到异常和意见信号的情况下，如果检测到五个异常和/或五个意见，则该五个异常和/或五个意见在被添加到信号数据194之前被整合在一起。

在信号数据194被信号验证器模块410验证并且信号数据194被信号整合器模块420整合之后，验证和整合模块140生成信号报告数据494。应当理解，信号报告数据494包括异常报告数据495和意见报告数据496。然后，将信号报告数据494发送至用户界面模块150。

图5A示出了用于主动客户关系分析的应用环境100，其包括用户界面模块150的更详细的框图。应当理解，图5A的示意图是出于示例性目的而非旨在限制。同时参考图1、图2A、图3、图4和图5A，应用环境100包括服务提供商计算环境110，其包括检测管理系统111。检测管理系统111包括验证和整合模块140和用户界面模块150。用户界面模块150从验证和整合模块140接收信号报告数据494。用户界面模块150包括仪表板模块510、通知模块520和指示器模块530。

仪表板模块510显示信号报告数据494并且包括异常信号列表和意见信号列表。异常信号列表提供了具有若干检测到的异常的案件的计数。意见信号列表提供了具有若干检测到的意见的案件的计数。在一个实施例中，仪表板模块510将异常信号列表与意见信号列表分开显示。

图5B示出了由图5A的用户界面模块生成的信号报告560的说明性示例。

如图5B中所示，信号报告560描绘了包括异常信息561和意见信息562的负面信号。异常信息561描绘了具有7个异常的1个案件、具有6个异常的3个案件、具有5个异常的8个案件、具有4个异常的10个案件、具有3个异常的6个案件、具有2个异常的15个案件以及具有1个异常的123个案件。意见信息562描绘了具有2个一般意见的2个案件、具有1个一般意见的41个案件、具有5个或更多个紧急意见的108个案件以及具有2至4个紧急意见的252个案件。

本领域的普通技术人员将容易地认识到，图5B只是信号报告560的具体说明性示例，并且这种报告的许多其他类型和排列是可能的并且是发明人所预想到的。例如，信号报告560的具体说明性示例包括异常信息561和意见信息562，这表明在该具体说明性示例中，信号处理器模块包括异常信号处理器模块310和意见信号处理器模块320。然而，如上所述，一些实施例仅包括异常信号处理器模块310或意见信号处理器模块320。因此，在这些实施例中，仅异常信息561或意见信息562将显示在信号报告560中。因此，不应将图5B的信号报告560的类型和布置的具体说明性示例理解为限制权利要求中所述的实施例。

图5C示出了由图5A的用户界面模块生成的信号报告570的说明性示例。

如图5C中所示，信号报告570描绘了包括异常信息571和意见信息572的正面信号。异常信息571描绘了具有3个异常的147个案例、具有2个异常的735个案例和具有1个异常的4722个案例。意见信息572描绘了具有13个意见的1个案件、具有12个意见的3个案件和具有11个意见的1个案件，等等。

本领域的普通技术人员将容易地认识到，图5C只是信号报告570的具体说明性示例，并且这种报告的许多其他类型和布置是可能的并且是发明人所预想到的。例如，信号报告560的具体说明性示例包括异常信息561和意见信息562，这表明在该具体说明性示例中，信号处理器模块包括异常信号处理器模块310和意见信号处理器模块320。然而，如上所述，一些实施例仅包括异常信号处理器模块310或意见信号处理器模块320。因此，在这些实施例中，仅异常信息561或意见信息562将显示在信号报告560中。因此，不应将图5C的信号报告570的类型和布置的具体说明性示例理解为限制权利要求中所述的实施例。

返回到图5A，仪表板模块510允许基于案件、联系人和客户的对象对案件进行筛选。仪表板模块510允许基于负面信号和正面信号对案件进行筛选。应当理解，仪表板模块510可以包括其他筛选标准，例如所支持的产品线、所支持的地理区域以及希望检查的矢量的名称。

仪表板模块510允许用户查看关于异常和意见的详情。例如，如果案件检测到七个异常，则用户可以选定该案件并查看每个异常的名称以及有关异常的信息，例如有关异常的计算值。再例如，如果案件检测到五个意见，则用户可以选定该案件并查看检测到的每个语料库。此外，仪表板模块510可以显示检测到的语料库所在的评论。例如，“不愉快”的语料库可以被检测为意见。然后，用户可以查看包含该语料库的评论以查看该语料库的上下文。例如，评论可以是反映负面意见“我对你给我的支持感到不愉快”。仪表板模块510还允许用户将已被错误地确定为意见的语料库确定为假正面。

图5D示出了基于意见信号识别并用于主动客户关系分析的意见报告数据496的说明性且非穷举的示例用户界面580。如图5D中所示，用户界面580描绘了正面意见报告数据496，该正面意见报告数据496包括第一意见显示器581和第二意见显示器582。第一意见显示器581示出了“感激(appreciated)”的正面语料库。在本文中，“感激”一词与通常表示正面意见的文本相近的“非常感激”有关。相比之下，如果文本是“你太慢了，如果快速回复的话，将不胜感激”，则当用户审查这样的意见显示时，用户会认识到“感激”一词将与否定意见相关。因此，在该替代示例中，用户将这样显示的意见指定为正面信号的假正面。作为另一个示例，第二意见显示器582示出了通常表明正面意见的“很棒(super)”的正面语料库。在本文中，“很棒”一词是指“您找到了原因，很棒”。因此，用户不会将此指定为假正面。

例如，评论可能是：“没有早点联系你，我很不愉快，因为你这么快就解决了我的问题。”在这种情况下，“不愉快”的语料库是负面信号的假正面，因为客户的联系人表明对自己而不是代理的不愉快。仪表板模块510允许用户将该语料库标记为假正面。其被标记之后，数据科学家可以检查假正面语料库并创建可用于训练意见检测器模型321的训练数据191。

应当理解，信号可以是表示问题的负面信号或表示成功的正面信号。例如，图5B示出了负面信号而图5C示出了正面信号。此外，可以存在与摩擦相关的信号，表明案件正在发展为需要升级至高级代理或需要在服务提供商的联系人等级体系中进一步上升(例如上升至管理层)，这表明了该信号的紧迫性。摩擦相关信号可以表明客户的联系人已经提供了案件文本或反馈，该案件文本或反馈之前被确定为对负面信号有贡献，例如过去提供了较低的客户调查分数。在这种情况下，该信号可以表明服务提供商需要对记录在该客户联系人姓名下的特定案件进行升级。

在一个实施例中，仪表板模块510针对案件显示与异常和意见两者相关的任何信号。例如，同一案件可以具有由异常信号处理器模块310检测到的三个异常和由意见信号处理器模块320检测到的两个意见。应当理解，由仪表板模块510同时提供异常和意见增加了对与客户正在经历的案件相关联的问题的理解。

通知模块520发送信号报告数据494作为异常和意见的通知。通过电子邮件、文本、对话框和如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他通知发送机制向用户发送通知。可以向用户发送个性化通知，以便用户接收关于用户感兴趣的信号的通知。例如，用户可以要求基于某些标准(例如由服务提供商支持的产品线或由服务提供商支持的地理区域)的通知

指示器模块530与客户服务系统180的客户服务模块281连接以提供对客户、联系人和案件这三个对象的信号报告数据494的指示。在一个实施例中，当代理看到在客户服务模块281内指示的信号时，代理可以选定该信号指示器并查看关于该信号的更多信息。

图6示出了用于主动客户关系分析的信号报告数据494的说明性且非穷举的示例用户界面600。如图6中所示，该用户界面600将信号报告数据494描绘为信号指示器601。在信号指示器601所示的示例中，案件状态为绿色，客户状态为黄色，联系人状态为红色。在该示例中，联系人可能需要即时关注，客户可能需要比即时关注略低的关注度，以及案件对象本身没有展示指示需要即时关注的任何信号指示器601。应该理解，可以根据期望的应用为信号指示器601分配其他含义。

本领域的普通技术人员将容易地认识到，图6只是信号报告数据494的具体说明性示例，并且这种数据的许多其他类型和布置是可能的并且是发明人所预想到的。因此，不应将图6的信号报告494的类型和布置的具体说明性示例理解为限制权利要求中所述的实施例。

图7是用于主动客户关系分析的矢量控制的示例表700。同时参考图1、图2A、图3、图4、图5A、图6和图7，表700包括表示矢量控制字段的列711。

在列711的行721处，矢量控制字段是“矢量名称”。在本文中，矢量名称可以是图6中所示的任何矢量名称和如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的任何其他矢量名称。

在列711的行722处，矢量控制字段是“启用”。在本文中，该矢量控制字段表示矢量是启用以进行分析还是禁用。

在第711列的第723行处，矢量控制字段是“适用于对象-案件”。在本文中，该矢量控制字段表示要针对案件对象类型对矢量进行分析。

在第711列的第724行处，矢量控制字段为“适用于对象-联系人”。在本文中，该矢量控制字段表示要针对联系人对象类型对矢量进行分析。

在第711列的第725行处，矢量控制字段是“适用于对象-客户”。在本文中，该矢量控制字段表示要针对客户对象类型对矢量进行分析。

在列711的行726处，矢量控制字段是“适用于极性”。在本文中，矢量控制字段表示要将矢量分析为具有介于零和一之间的正值的正面信号，还是分析为具有介于负一和零之间的负值的负面信号，或分析为正面信号和负面信号，其中每个都有介于负一和正一之间的值。

在列711的行727处，矢量控制字段是“矢量类型”。在本文中，矢量控制字段表示基于异常-高斯、基于异常-IQR、基于平均值(average)、基于均值(mean)-中位数、基于意见、基于标准差、基于阈值的矢量类型，以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他矢量类型。

在列711的行728处，矢量控制字段是“强制低”。在本文中，如果矢量类型是基于阈值的，则该矢量控制字段定义了阈值范围的最小值。

在列711的行729处，矢量控制字段是“强制高”。在本文中，如果矢量类型是基于阈值的，则该矢量控制字段定义了阈值范围的最大值。

在列711的行730处，矢量控制字段是“权重”。在本文中，可用的矢量的权重被设置在控制数据192内，以供信号处理器模块130的优先级模块340使用。

图8是用于主动客户异常检测的过程800的流程图。同时参考图1、图2A、图3、图4、图5A和图8，用于主动客户异常检测的过程800始于操作810，并且该处理流程行进至操作811。

在操作811，从客户服务系统180接收案件数据282。案件数据282与客户服务系统的案件信息相关联。案件数据282代表客户服务系统180的结构化数据和非结构化数据。矢量收集器模块120的数据采集模块230从客户服务系统180采集案件数据282。

一旦在操作811接收到案件数据282，则处理流程行进至操作812。

在操作812，由矢量收集器模块120将案件数据282收集到矢量数据193中。矢量数据集成器模块210集成案件数据282，并且矢量数据聚合器模块220聚合案件数据282以生成矢量数据193。矢量数据集成器模块210从控制数据192接收集成指令。矢量数据聚合器模块220从控制数据192接收聚合指令。

控制数据192由用户通过控制配置模块235进行修改。在一个实施例中，矢量数据193包括相对于矢量数据193的其他矢量向矢量数据193中的每个矢量分配权重。在本文中，矢量数据193的每个矢量由包括以下各项的矢量类型定义：基于异常-高斯的矢量类型、基于异常-IQR的矢量类型、基于平均值的矢量类型、基于均值-中位数的矢量类型、基于标准差的矢量类型、基于阈值的矢量类型，以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他矢量类型。对于每个基于阈值的矢量数据类型，分配一个最大阈值，并分配一个最小阈值并将其存储为控制数据192。在一个实施例中，矢量数据193的每个矢量包括客户对象类型、联系人对象类型、案件对象类型以及如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他对象类型中的对象类型。矢量数据193由矢量收集器模块120传输到信号处理器模块130。

一旦在操作812将案件数据282收集到矢量数据193中，则处理流程行进至操作813。

在操作813，异常信号处理器模块310处理矢量数据193以检测异常数据395。异常信号处理器模块310包括异常检测器模型311，该异常检测器模型311执行基于机器学习的异常检测技术。用训练数据191对异常检测器模型311进行训练。在一个实施例中，基于机器学习的异常检测技术是一种基于监督式机器学习的异常检测技术。在一个实施例中，在监督模型下，用由检测管理系统111的用户定义的训练数据191对异常检测器模型311进行训练。

异常信号处理器模块310从矢量数据193生成异常数据395。在一个实施例中，异常数据395包括点异常类型、上下文异常类型、集体异常类型，以及如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他异常类型。在一个实施例中，归一化模块330对异常数据395进行归一化，并且优先级模块340对异常数据395进行优先级排列。信号处理器模块130将异常数据395传输到验证和整合模块140。

一旦在操作813处理矢量数据193以检测异常数据395，则处理流程行进至操作814。

在操作814，验证和整合模块140对异常数据395进行准备以生成异常报告数据495。在一个实施例中，信号验证器模块410对异常数据395进行验证。在一个实施例中，信号整合器模块420对异常数据395进行整合。验证和整合模块140将异常报告数据495传输到用户界面模块150。

验证和整合模块140一旦在操作814对异常数据395进行准备以生成异常报告数据495，则处理流程行进至操作815。

在操作815，将异常报告数据495提供给用户界面模块150以供用户进行分析。在一个实施例中，仪表板模块510提供仪表板用户界面以向用户显示异常报告数据495。在一个实施例中，通知模块520向用户发送异常报告数据495的通知。在一个实施例中，指示器模块530通过基于异常报告数据495定制由客户服务系统提供给用户的用户界面屏幕来提供异常报告数据495的指示。

一旦在操作815向用户界面模块150提供异常报告数据495以供用户进行分析，则处理流程行进至操作816。

在操作816，退出过程800。

图9是用于主动客户意见检测的过程900的流程图。同时参考图1、图2A、图3、图4、图5A和图9，用于主动客户意见检测的过程900始于操作910，并且该处理流程行进至操作911。

在操作911，从客户服务系统180接收案件数据282。案件数据282与客户服务系统的案件信息相关联。案件数据282代表客户服务系统180的结构化数据和非结构化数据。在一个实施例中，案件数据282包括表示客户案件对话信息、代理案件对话信息、案件调查结果评论信息的文本信息，以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他文本信息。矢量收集器模块120的数据采集模块230从客户服务系统180采集案件数据282。

一旦在操作911接收到案件数据282，则处理流程行进至操作912。

在操作912，由矢量收集器模块120将案件数据282收集到矢量数据193中。矢量数据集成器模块210集成案件数据282，并且矢量数据聚合器模块220聚合案件数据282以生成矢量数据193。矢量数据集成器模块210从控制数据192接收集成指令。矢量数据聚合器模块220从控制数据192接收聚合指令。

控制数据192由用户通过控制配置模块235进行修改。在一个实施例中，矢量数据193的每个矢量包括客户对象类型、联系人对象类型、案件对象类型以及如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他对象类型中的对象类型。矢量数据193由矢量收集器模块120传输到信号处理器模块130。

一旦在操作912将案件数据282收集到矢量数据193中，则处理流程行进至操作913。

在操作913，意见信号处理器模块320处理矢量数据193以检测意见数据396。意见信号处理器模块320包括意见检测器模型321，该意见检测器模型321执行基于机器学习的意见检测技术。在一个实施例中，基于机器学习的意见检测技术包括表示矢量数据193内的多个意见指示的语料库数据。用训练数据191对意见检测器模型321进行训练。在一个实施例中，基于机器学习的意见检测技术是一种基于监督式机器学习的意见检测技术。在一个实施例中，在监督模型下，用由检测管理系统111的工程师定义的训练数据191对意见检测器模型321进行训练。

意见信号处理器模块320从矢量数据193生成意见数据396。在一个实施例中，归一化模块330对意见数据396进行归一化，并且优先级模块340对意见数据396进行优先化。信号处理器模块130将意见数据396传输到验证和整合模块140。

一旦在操作913处理矢量数据193以检测意见数据396，则处理流程行进至操作914。

在操作914，验证和整合模块140对意见数据396进行准备以生成意见报告数据496。在一个实施例中，意见数据396的意见类型包括负面意见类型、正面意见类型、紧急意见类型，以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他意见。在一个实施例中，信号验证器模块410对意见数据396进行验证。在一个实施例中，信号整合器模块420对意见数据396进行整合。验证和整合模块140将意见报告数据496传输到用户界面模块150。

一旦在操作914由验证和整合模块140准备好意见数据396以生成意见报告数据496，则处理流程行进至操作915。

在操作915，将意见报告数据496提供给用户界面模块150以供用户进行分析。在一个实施例中，仪表板模块510提供仪表板用户界面以向用户显示意见报告数据496。在一个实施例中，通知模块520向用户发送意见报告数据496的通知。

在一个实施例中，指示器模块530通过基于意见报告数据496定制由客户服务系统提供给用户的用户界面屏幕来提供意见报告数据496的指示。

在一个实施例中，用户界面模块150包括允许用户将意见报告数据496的意见指定为假正面。在一个实施例中，训练数据是从假正面指定中生成的，以便提高意见检测器模型321的预测能力。在一个实施例中，将与假正面指定相关联的一个或多个意见从意见报告数据496中移除。

一旦在操作915向用户界面模块150提供意见报告数据496以供用户进行分析，则处理流程行进至操作916。

在操作916，退出过程900。

图10是用于主动客户关系分析的过程1000的流程图。同时参考图1、2A、3、4、5A和10，用于主动客户关系分析的过程1000始于操作1010，并且处理流程行进至操作1011。

在操作1011，从客户服务系统180接收案件数据282。案件数据282与客户服务系统的案件信息相关联。案件数据282代表客户服务系统180的结构化数据和非结构化数据。矢量收集器模块120的数据采集模块230从客户服务系统180采集案件数据282。

一旦在操作1011接收到案件数据282，则处理流程行进至操作1012。

在操作1012，由矢量收集器模块120将案件数据282收集到矢量数据193中。矢量数据集成器模块210集成案件数据282，并且矢量数据聚合器模块220聚合案件数据282以生成矢量数据193。矢量数据集成器模块210从控制数据192接收集成指令。矢量数据聚合器模块220从控制数据192接收聚合指令。控制数据192由用户通过控制配置模块235进行修改。

在本文中，矢量数据193的每个矢量由包括以下各项的矢量类型定义：基于意见的矢量类型、基于异常-高斯的矢量类型、基于异常-IQR的矢量类型、基于平均值的矢量类型、基于均值-中位数的矢量类型、基于标准差的矢量类型、基于阈值的矢量类型，以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他矢量类型。在一个实施例中，矢量数据193的每个矢量包括客户对象类型、联系人对象类型、案件对象类型以及如本文所讨论的或在递交时本领域已知的或在递交时间之后开发或变为可用的其他对象类型中的对象类型。矢量数据193由矢量收集器模块120传输到信号处理器模块130。

一旦在操作1012将案件数据282收集到矢量数据193中，则处理流程行进至操作1013。

在操作1013，信号处理器模块130对矢量数据193进行处理以检测信号数据194。信号处理器模块130从矢量数据193生成信号数据194。信号数据194包括异常数据395、意见数据396以及如本文所讨论的或在递交时本领域已知的或在递交后开发或变为可用的其他信号数据。在一个实施例中，归一化模块330对信号数据194进行归一化，并且优先级模块340对信号数据194进行优先化。信号处理器模块130将信号数据194传输到验证和整合模块140。

一旦在操作1013处理矢量数据193以检测信号数据194，则处理流程行进至操作1014。

在操作1014，验证和整合模块140对信号数据194进行准备以生成信号报告数据494。在一个实施例中，信号验证器模块410对信号数据194进行验证。在一个实施例中，信号整合器模块420对信号数据194进行整合。验证和整合模块140将信号报告数据494传输到用户界面模块150。

验证和整合模块140一旦在操作1014对信号数据194进行准备以生成信号报告数据494，则处理流程即行进至操作1015。

在操作1015，将信号报告数据494提供给用户界面模块150以供用户进行分析。在一个实施例中，仪表板模块510提供仪表板用户界面以向用户显示信号报告数据494。在一个实施例中，通知模块520向用户发送信号报告数据494的通知。在一个实施例中，指示器模块530通过基于信号报告数据494定制由客户服务系统提供给用户的用户界面屏幕来提供信号报告数据494的指示。

一旦在操作1015向用户界面模块150提供信号报告数据494以供用户进行分析，则处理流程行进至操作1016。

在操作1016，退出过程1000。

本公开的实施例提供了用于主动客户关系分析的高效、有效和通用的系统和方法。然而，所公开的实施例不包括、体现或排除异常检测系统和方法领域中的其他形式的创新。

此外，出于至少几个原因，用于主动客户关系分析的系统和方法的公开实施例不是抽象概念。

首先，所公开的用于主动客户关系分析的系统和方法不是抽象的想法，因为它们本身不仅仅是个想法(例如，可以在脑海中或使用笔和纸来执行)。例如，在现有的客户服务系统中，由于服务提供商的代理和客户联系人定期相互发送文本信息，因此数千个案件的评论的非结构化数据的量是巨大的。服务提供商的管理者阅读所有评论并搜索表明存在待探索的客户意见的某些词是不可行的。再例如，在现有的客户服务系统中，数千个案件的结构化数据的量同样巨大，因为服务提供商的代理会使用与每个案件的解决相关的信息来更新字段。对于服务提供商的管理者而言，对所有结构化数据进行审查并对各种情况下的结构化数据进行比较是不可行的。相反，所公开的实施例利用机器学习算法来检测非结构化数据内的意见和结构化数据内的异常。由于此类非结构化数据和结构化数据的数量庞大，即使借助纸笔，人脑也无法进行此类检测。

其次，所公开的用于主动客户关系分析的系统和方法不是抽象概念，因为它们不是组织人类活动的方法，例如基本经济原则或实践(包括对冲、保险、降低风险)；商业或法律互动(包括合同形式的协议；法律义务；广告、营销或销售活动或行为；业务关系)；以及人与人之间的互动(包括社交活动、教学以及遵守规则或指示)。相反，所公开的实施例执行机器学习模型分析以提供对客户与代理的互动信号的检测。使用所公开的实施例，提供对服务提供商所使用的信号的检测，允许服务提供商在问题导致客户向不同的服务提供商寻求服务之前解决问题，从而允许服务提供商向客户提供更好的服务。所公开的实施例提高了服务提供商的管理者发现对服务提供商的管理者不透明的问题的能力，这不是在组织人类活动。

第三，虽然在所公开的用于主动客户关系分析的系统和方法中可能使用数学，但所公开和要求保护的系统和方法不是抽象概念，因为它们不仅仅是数学关系/公式。相反，利用所公开的实施例产生了如下切实效果：使机器学习模型能够对矢量数据进行操作以确定异常或意见的信号。将这样的信号提供给服务提供商的用户以提高服务提供商的商业可行性。这不仅仅是数学关系/公式。

此外，通过提供针对主动检测客户信号的技术问题的技术解决方案，所公开的系统和方法描述了用以改善信号检测领域的实际应用。

在上文的讨论中，一些实施例的某些方面包括本文中出于说明目的、以特定顺序和/或分组描述的过程步骤和/或操作和/或指令。然而，本文中显示和讨论的特定顺序和/或分组仅是说明性的而非限制性的。本领域技术人员将认识到，过程步骤和/或操作和/或指令的其他顺序和/或分组是可能的，并且在一些实施例中，以上讨论的过程步骤和/或操作和/或指令中的一个或多个可以被组合和/或省略。此外，可以将一个或多个过程步骤和/或操作和/或指令的部分重新分组为本文中讨论的一个或多个其他过程步骤和/或操作和/或指令的部分。因此，本文中讨论的过程步骤和/或操作和/或指令的特定顺序和/或分组不对如以下权利要求所述的本发明的范围加以限制。因此，鉴于本公开，本领域技术人员可以实施多种变体，无论其是否由说明书明确规定或是否由说明书暗示。

Claims

1.一种计算系统实施的用于主动检测客户满意度的方法，所述方法包括：

使用一个或多个计算系统从一个或多个客户服务系统收集历史案件矢量数据；

使用所述历史案件矢量数据训练一个或多个机器学习异常检测模型，以检测案件数据中指示潜在的客户不满意的异常；

使用一个或多个计算系统获得代表与服务提供商的一个或多个客户相关联的当前客户案件的当前案件矢量数据；

将所述当前案件矢量数据提供给经训练的一个或多个机器学习异常检测模型；

使用所述一个或多个机器学习异常检测模型，识别一个或多个特定当前客户案件的所述当前案件矢量数据中的一个或多个异常；

使用一个或多个计算系统生成信号报告，所述信号报告包括具有一个或多个已识别异常的一个或多个特定当前客户案件中的每一者的列表以及与列出的具有一个或多个已识别异常的多个特定当前客户案件相关联的特定的一个或多个异常；以及

使用一个或多个计算系统向所述服务提供商的代理提供所述信号报告。

2.根据权利要求1所述的计算系统实施的方法，其中，在使用一个或多个计算系统收集所述历史案件矢量数据时，相对于所述矢量数据中的其他矢量向所述矢量数据中的每个矢量分配权重。

3.根据权利要求1所述的计算系统实施的方法，其中，在使用一个或多个计算系统收集所述历史案件矢量数据时，向所述矢量数据的每个矢量分配矢量类型，矢量类型选自包括以下各项的矢量类型的组：

基于异常-高斯的矢量类型；

基于异常-IQR的矢量类型；

基于平均值的矢量类型；

基于均值-中位数的矢量类型；

基于标准差的矢量类型；以及

基于阈值的矢量类型。

4.根据权利要求3所述的计算系统实施的方法，其中，所述基于阈值的矢量数据类型包括分配最大阈值、最小阈值和前述的组合中的一者。

5.根据权利要求1所述的计算系统实施的方法，其中，在使用一个或多个计算系统收集所述历史案件矢量数据时，向所述矢量数据的每个矢量分配对象类型，其中，所述对象类型包括客户对象类型、联系人对象类型和案件对象类型中的一者。

6.根据权利要求1所述的计算系统实施的方法，其中，所述一个或多个机器学习异常检测模型包括监督式机器学习异常检测模型。

7.根据权利要求1所述的计算系统实施的方法，其中，所述一个或多个异常包括选自包括以下各项的异常类型的组中的至少一种异常类型：

点异常类型；

上下文异常类型；以及

集体异常类型。

8.根据权利要求1所述的计算系统实施的方法，其中，使用一个或多个计算系统生成信号报告包括：将所述一个或多个异常验证为有效异常。

9.根据权利要求1所述的计算系统实施的方法，其中，使用一个或多个计算系统向所述服务提供商的代理提供所述信号报告包括：提供仪表板用户界面，所述仪表板用户界面向所述服务提供商的代理显示所述信号报告。

10.根据权利要求1所述的计算系统实施的方法，其中，使用一个或多个计算系统向所述服务提供商的代理提供所述信号报告包括：向用户发送所述信号报告的通知。

11.根据权利要求1所述的计算系统实施的方法，其中，使用一个或多个计算系统向所述服务提供商的代理提供所述信号报告包括：基于所述信号报告定制由所述客户服务系统提供给所述服务提供商的代理的用户界面屏幕。

12.一种计算系统实施的用于主动检测客户满意度的方法，所述方法包括：

使用一个或多个计算系统获得代表与服务提供商的客户相关联的案件的当前案件数据；

将所述当前案件数据提供给一个或多个基于机器学习的语言处理模型；

使用所述一个或多个基于机器学习的语言处理模型识别一个或多个特定当前客户案件的当前案件数据中的一个或多个客户意见；

使用一个或多个计算系统生成信号报告，所述信号报告包括具有一个或多个已识别客户意见的一个或多个特定当前客户案件中的每一者的列表以及与列出的具有一个或多个已识别的一个或多个客户意见的多个特定客户案件相关联的特定的一个或多个客户意见；以及

13.根据权利要求12所述的计算系统实施的方法，其中，所述当前案件数据包括表示客户案件对话数据、代理案件对话数据和案件调查结果评论数据中的一项或多项的文本数据。

14.根据权利要求12所述的计算系统实施的方法，其中，所述一个或多个基于机器学习的语言处理模型包括表示多个意见指示的语料库数据。

15.根据权利要求12所述的计算系统实施的方法，其中，向所述服务提供商的代理提供的所述信号报告包括：作为与列出的多个特定当前客户案件相关联的特定的一个或多个客户意见的每一者的假意见指定反馈特征的报告，当所述代理指示特定的一个或多个客户意见中的一个或多个是假意见指定时，生成所述假意见指定反馈特征。

16.根据权利要求15所述的计算系统实施的方法，其中，用于所述一个或多个基于机器学习的语言处理模型的训练数据是根据由所述代理生成的所述错误意见指定反馈特征生成的。

17.根据权利要求12所述的计算系统实施的方法，其中，与所列出的多个特定当前客户案件相关联的所述特定的一个或多个客户意见是负面意见类型。

18.根据权利要求12所述的计算系统实施的方法，其中，与所列出的多个特定当前客户案件相关联的所述特定的一个或多个客户意见是正面意见类型。

19.根据权利要求12所述的计算系统实施的方法，其中，与所列出的多个特定的当前客户案件相关联的所述特定的一个或多个客户意见是紧迫性意见类型。

20.根据权利要求12所述的计算系统实施的方法，其中，向所述服务提供商的代理提供所述信号报告包括：提供向所述代理显示所述信号报告的仪表板用户界面。

21.根据权利要求12所述的计算系统实施的方法，其中，向所述服务提供商的代理提供所述信号报告包括：向所述代理发送所述信号报告的通知。

22.根据权利要求12所述的计算系统实施的方法，其中，向所述服务提供商的代理提供所述信号报告包括：基于所述信号报告定制由所述客户服务系统提供给所述代理的用户界面屏幕。

23.根据权利要求15所述的计算系统实施的方法，其中，当一个或多个客户意见与假意见指定反馈相关联时，从所述信号报告中移除所述一个或多个客户意见。

24.根据权利要求12所述的计算系统实施的方法，其中，在获取所述当前案件矢量数据时，相对于所述矢量数据中的其他矢量向所述矢量数据中的每个矢量分配权重。

25.一种计算系统实施的用于主动检测客户满意度的方法，所述方法包括：

将所述当前案件矢量数据提供给经过训练的一个或多个机器学习异常检测模型；

将所述当前案件矢量数据提供给一个或多个基于机器学习的语言处理模型；

使用所述一个或多个基于机器学习的语言处理模型，识别一个或多个特定当前客户案件的所述当前案件矢量数据中的一个或多个客户意见；

使用一个或多个计算系统生成信号报告，所述信号报告包括：

具有一个或多个已识别异常的一个或多个特定当前客户案件中的每一者的列表以及与列出的具有一个或多个已识别异常的多个特定当前客户案件相关联的特定的一个或多个异常；以及

具有一个或多个已识别客户意见的一个或多个特定案件中的每一者的列表以及与列出的具有一个或多个已识别的一个或多个客户意见的多个特定客户案件相关联的特定的一个或多个客户意见；以及

26.根据权利要求25所述的计算系统实施的方法，其中，在使用一个或多个计算系统收集所述历史案件矢量数据时，相对于所述矢量数据中的其他矢量向所述矢量数据中的每个矢量分配权重。

27.根据权利要求25所述的计算系统实施的方法，其中，在使用一个或多个计算系统收集所述历史案件矢量数据时，向所述矢量数据的每个矢量分配矢量类型，矢量类型选自包括以下各项的矢量类型的组：

基于异常-高斯的矢量类型；

基于异常-IQR的矢量类型；

基于平均值的矢量类型；

基于均值-中位数的矢量类型；

基于标准差的矢量类型；以及

基于阈值的矢量类型。

28.根据权利要求27所述的计算系统实施的方法，其中，所述基于阈值的矢量数据类型包括分配最大阈值、最小阈值和前述的组合中的一者。

29.根据权利要求25所述的计算系统实施的方法，其中，在使用一个或多个计算系统收集所述历史案件矢量数据时，向所述矢量数据的每个矢量分配对象类型，其中，所述对象类型包括客户对象类型、联系人对象类型和案件对象类型中的一者。

30.根据权利要求25所述的计算系统实施的方法，其中，所述一个或多个机器学习异常检测模型包括监督式机器学习异常检测模型。

31.根据权利要求25所述的计算系统实施的方法，其中，所述一个或多个异常包括选自包括以下各项的异常类型的组中的至少一种异常类型：

点异常类型；

上下文异常类型；以及

集体异常类型。

32.根据权利要求25所述的计算系统实施的方法，其中，使用一个或多个计算系统生成信号报告包括：将所述一个或多个异常验证为有效异常。

33.根据权利要求25所述的计算系统实施的方法，其中，所述当前案件矢量数据包括表示客户案件对话数据、代理案件对话数据和案件调查结果评论数据中的一项或多项的文本数据。

34.根据权利要求25所述的计算系统实施的方法，其中，所述一个或多个基于机器学习的语言处理模型包括表示多个意见指示的语料库数据。

35.根据权利要求25所述的计算系统实施的方法，其中，向所述服务提供商的代理提供的所述信号报告包括：作为与列出的多个特定当前客户案件相关联的所述特定的一个或多个客户意见的每一者的假意见指定反馈特征的报告，当所述代理指示所述特定的一个或多个客户意见中的一个或多个是错误意见指定时，即生成所述假意见指定反馈特征。

36.根据权利要求35所述的计算系统实施的方法，其中，用于所述一个或多个基于机器学习的语言处理模型的训练数据是根据由所述代理生成的所述假意见指定反馈特征生成的。

37.根据权利要求25所述的计算系统实施的方法，其中，与所列出的多个特定当前客户案件相关联的所述特定的一个或多个客户意见是负面意见类型。

38.根据权利要求25所述的计算系统实施的方法，其中，与所列出的多个特定当前客户案件相关联的所述特定的一个或多个客户意见是正面意见类型。

39.根据权利要求25所述的计算系统实施的方法，其中，与所列出的多个特定当前客户案件相关联的所述特定的一个或多个客户意见是紧迫性意见类型。

40.根据权利要求25所述的计算系统实施的方法，其中，使用一个或多个计算系统向所述服务提供商的代理提供所述信号报告包括：提供仪表板用户界面，所述仪表板用户界面向所述服务提供商的代理显示所述信号报告。

41.根据权利要求25所述的计算系统实施的方法，其中，使用一个或多个计算系统向所述服务提供商的代理提供所述信号报告包括向用户发送所述信号报告的通知。

42.根据权利要求25所述的计算系统实施的方法，其中，使用一个或多个计算系统向所述服务提供商的代理提供所述信号报告包括：基于所述信号报告定制由所述客户服务系统提供给所述服务提供商的代理的用户界面屏幕。

43.根据权利要求35所述的计算系统实施的方法，其中，当所述一个或多个客户意见与假意见指定反馈相关联时，从所述信号报告中移除所述一个或多个客户意见。

44.根据权利要求25所述的计算系统实施的方法，其中，在获取所述当前案件矢量数据时，相对于所述矢量数据中的其他矢量向所述矢量数据中的每个矢量分配权重。