JP2021128450A

JP2021128450A - 行動予測システム及び行動予測方法

Info

Publication number: JP2021128450A
Application number: JP2020021741A
Authority: JP
Inventors: 正義有次; Masayoshi Aritsugi; 諒玉川; Ryo Tamagawa; 雄貴眞鍋; Yuki Manabe; 嘉大高尾; Yoshihiro Takao; 啓介久保田; Keisuke Kubota; 奈々子新福; Nanako Niifuku
Original assignee: Centric; Centric Co Ltd
Current assignee: Centric; Centric Co Ltd
Priority date: 2020-02-12
Filing date: 2020-02-12
Publication date: 2021-09-02
Anticipated expiration: 2040-02-12
Also published as: JP7253807B2

Abstract

【課題】組織に所属する者の将来の行動を予測することに適した行動予測システム等を提供する。
【解決手段】サーバ３は、交流データ管理部２３と、特徴計算部２９と、行動予測部３１を備える。交流データ管理部２３は、組織に所属する者が、他者との間で行ったコミュニケーションを特定する交流データを収集する。特徴計算部２９は、複数の交流データの間の類似度を計算する。行動予測部３１は、類似度を用いて特定者が基準行動を行うか否かを予測する。特徴計算部２９が特徴データの計算に使用する交流データは、特定交流データと、基準交流データを含む。特定交流データは、特定者が他者との間で行ったコミュニケーションを特定する。基準交流データは、基準者が他者との間で行ったコミュニケーションを特定する。
【選択図】図１

Description

本発明は、行動予測システム及び行動予測方法に関し、特に、組織に所属する特定者の行動を予測する行動予測システム等に関する。

特許文献１には、電話でのクレーム対応についてオペレータ業務を支援することが記載されている。

特開２０１９−３３３７１号公報

例えばコールセンター運営において、電話などにより顧客対応を行うオペレータの将来の行動を予測することは重大な関心事である。例えば、オペレータの離職は、コールセンター運営に大きな影響を及ぼす。オペレータが離職すると新たなオペレータを採用するが、これは、経験を有する者から経験を有しない者に代わることを意味する。

例えば特許文献１などに記載されているように、組織の業務を支援して、組織に所属する者の業務負担を軽減することは試みられている。しかしながら、組織に所属する者のストレスは、通常、単に業務負担のみによってもたらされるものではない。そのため、業務負担のみに着目しても、組織に所属する者の行動を予測することにはつながらない可能性がある。

よって、本発明は、組織に所属する者の将来の行動を予測することに適した行動予測システム等を提供することを目的とする。

本願発明の第１の観点は、組織に所属する特定者の行動を予測する行動予測システムであって、交流データ管理部と、特徴計算部と、行動予測部を備えるサーバを備え、前記交流データ管理部は、前記組織に所属する者が、他者との間で行ったコミュニケーションを特定する交流データを収集し、前記交流データは、特定交流データと、基準交流データを含み、前記特定交流データは、前記特定者が他者との間で行ったコミュニケーションを特定するものであり、前記基準交流データは、前記基準行動を行っていない基準者が他者との間で行ったコミュニケーションを特定する第１基準交流データ、及び／又は、前記基準行動を行った基準者が前記基準行動を行う前に他者との間で行ったコミュニケーションを特定する第２基準交流データを含み、前記特徴計算部は、前記交流データの特徴データを計算し、前記行動予測部は、前記特定交流データ及び前記基準交流データの前記特徴データを用いて前記特定者が基準行動を行うか否かを予測する。

本願発明の第２の観点は、第１の観点の行動予測システムであって、前記行動予測部は、前記第１基準交流データ及び／又は前記第２基準交流データの前記特徴データを利用して、前記第１基準交流データの一部又は全部が属する非基準行動クラスタ及び／又は前記第２基準交流データの一部又は全部が属する基準行動クラスタを特定し、前記特定交流データの前記特徴データを用いて前記特定交流データが前記非基準行動クラスタ及び／又は前記基準行動クラスタに属するか否かを判断して、前記特定交流データが前記非基準行動クラスタに属しないならば、及び／又は、前記特定交流データが前記基準行動クラスタに属するならば、前記基準者が前記基準行動を行う可能性があると予測する。

本願発明の第３の観点は、第１又は第２の観点の行動予測システムであって、前記基準行動は、前記組織を離れるものであり、前記交流データは、時系列データであり、前記第１基準交流データは、前記組織を離れていない第１基準者が、他者との間で行ったコミュニケーションを特定するものであり、前記クラスタ処理部は、前記第１基準交流データ及び／又は前記第２基準交流データを利用して、前記第１基準交流データの一部又は全部が属する非基準行動クラスタを特定し、前記行動予測部は、前記特定交流データが前記非基準行動クラスタに属しないならば、前記基準者が前記基準行動を行う可能性があると予測する。

本願発明の第４の観点は、第１から第３のいずれかの観点の行動予測システムであって、前記サーバは、行動予測部を備え、前記感情分析部は、前記基準交流データ及び前記特定交流データを分析して、前記他者並びに／又は前記基準者及び前記特定者の感情を特定する感情データを抽出し、前記特徴計算部は、他者の同じ感情に対応する前記基準交流データと前記特定交流データとの間の類似度を計算し、及び／又は、前記基準者及び前記特定者の同じ感情に対応する前記基準交流データと前記特定交流データとの間の類似度を計算する。

本願発明の第５の観点は、第１から第４のいずれかの観点の行動予測システムであって、前記サーバは、組織比較部を備え、前記交流データ管理部が収集する前記交流データは、第１組織交流データと、第２組織交流データを含み、前記第１組織交流データ及び前記第２組織交流データは、それぞれ、第１組織及び第２組織に所属する者が他者との間で行ったコミュニケーションを特定するものであり、前記組織比較部は、前記第１組織交流データにおいて前記基準行動を行っていない基準者のもの及び前記基準行動を行った基準者のものと、前記第２組織交流データにおいて前記基準行動を行っていない基準者のもの及び前記基準行動を行った基準者のものとを比較する。

本願発明の第６の観点は、組織に所属する特定者の行動を予測する行動予測方法であって、サーバは、交流データ管理部と、特徴計算部と、行動予測部を備え、前記交流データ管理部が、前記組織に所属する者が、他者との間で行ったコミュニケーションを特定する交流データを収集する交流データ管理ステップと、前記特徴計算部が、前記交流データの特徴データを計算する特徴計算ステップと、前記行動予測部が、前記特徴データを用いて前記特定者が基準行動を行うか否かを予測する行動予測ステップを含み、前記交流データは、特定交流データと、基準交流データを含み、前記特定交流データは、前記特定者が他者との間で行ったコミュニケーションを特定するものであり、前記基準交流データは、前記基準行動を行っていない基準者が他者との間で行ったコミュニケーションを特定する第１基準交流データ、及び／又は、前記基準行動を行った基準者が前記基準行動を行う前に他者との間で行ったコミュニケーションを特定する第２基準交流データを含む。

本願発明を、第１から第５の観点のサーバとして機能させるためのプログラム及びこのプログラムを記録するコンピュータ読み取り可能な記録媒体として捉えてもよい。

本願発明の各観点によれば、組織に所属する特定者が他者との間で行ったコミュニケーション（顧客対応や、組織内での上司との面談など）を分析することにより、特定者の将来の行動を予測することが可能になる。

従来、例えば特許文献１にあるように、オペレータ業務に関する情報は、その業務負担の軽減や質の向上などに活用することは期待されていた。

発明者らは、例えば離職した者が離職前に行った顧客対応について、少なくとも在職者が行う顧客対応とは類似性が低い傾向があることなどを実験により明らかにした。これにより、組織に属する者が行うであろう行動が、実際の行動以前に他者と行ったコミュニケーションに関連性があることを明らかにした。この知見に基づくことによって、はじめて、組織に所属する特定者が他者と行ったコミュニケーションを分析することによって、特定者が基準行動（離職など）を行うことを予測することができることとなった。

さらに、特定者の行動は、通常、一定の感情に基づいて行われる。例えば離職について、怒りの感情に起因する場合もあれば、悲しみの感情に起因する場合もある。本願発明の第４の観点によれば、コミュニケーションが特定者と相手方の相互関係で行われることに着目して、特定者の表現における感情や、特定者が相手との関係で相互に表現した感情などによって、特定者と他者との間のコミュニケーションを分析することにより、特定者の行動予測の精度を向上させることができる。

さらに、組織に所属する者が他者と行ったコミュニケーションを利用して、組織を超えて利用することが可能となる。そのため、第５の観点にあるように、組織内で活用することに加えて、複数の組織間での情報を比較して、基準行動について、個々の組織に特有の事情を分析することが可能になる。

（ａ）本願発明の実施の形態に係る行動予測システム１の構成の一例を示すブロック図と、（ｂ）動作の一例を示すフロー図である。発明者らが行った実験を説明するための第１図である。発明者らが行った実験を説明するための第２図である。

以下、図面を参照して、本願発明の実施例について述べる。なお、本願発明の実施の形態は、以下の実施例に限定されるものではない。

図１は、（ａ）本願発明の実施の形態に係る行動予測システム１の構成の一例を示すブロック図と、（ｂ）動作の一例を示すフロー図である。

図１（ａ）を参照して、行動予測システム１は、サーバ３（本願請求項の「サーバ」の一例）と、組織Ａが管理するＰ台（Ｐは自然数）の従業員端末１１₁，…，１１_P（以下では、符号の添え字は省略する場合がある。他の符号についても同様である。）と、組織Ｂが管理するＱ台（Ｑは自然数）の従業員端末１３₁，…，１３_Qを備える。各従業員端末１１₁，…，１１_P及び１３₁，…，１３_Qは、それぞれ、履歴収集部１５₁，…，１５_P及び１７₁，…，１７_Qを備える。

サーバ３は、記憶部２１と、交流データ管理部２３（本願請求項の「交流データ管理手段」の一例）と、感情分析部２７（本願請求項の「感情分析部」の一例）と、特徴計算部２９（本願請求項の「特徴計算部」の一例）と、行動予測部３１（本願請求項の「行動予測部」の一例）と、組織比較部３３（本願請求項の「要因分析部」の一例）と、表示部３５を備える。

記憶部２１は、組織Ａについて、基準交流データ３７（本願請求項の「基準交流データ」の一例）と、特定交流データ３９（本願請求項の「特定交流データ」の一例）を記憶する。基準交流データと特定交流データを併せて、交流データともいう。

交流データは、時系列データであり、従業員が他者との間で行ったコミュニケーションを特定する。基準交流データ３７及び特定交流データ３９は、それぞれ、組織Ａに属する基準者及び特定者が、他者との間で行ったコミュニケーションを特定する交流データである。

基準交流データ３７は、例えば、組織Ａにおいて、基準行動（例えば離職や配置転換希望など）をした基準者が、基準行動の前の所定期間に顧客対応をしたときの電話での会話の音声データである。また、例えば、組織Ａにおいて、基準行動をしていない基準者が顧客対応をしたときの電話での会話の音声データである。特定交流データ３９は、例えば、組織Ａにおいて、特定者が顧客対応をしたときの電話での会話の音声データである。

交流データは、例えば、音声データなどをそのまま保存したものでもよく、音声データなどの特徴が明確になるように加工したものであってもよい。また、音声データに代えて及び／又は加えて、会話を撮影した映像データであってもよい。また、例えば、オペレータ業務のように、組織に所属しない外部者との間で行ったコミュニケーションであってもよく、組織内で、特定者である従業員が、上司との間で面談したときの対話などであってもよい。

交流データ管理部２３は、基準交流データ３７を用いて、Ｎ個の第ｎ基準クラスタ４１_n（Ｎは２以上の自然数、ｎはＮ以下の自然数）にクラスタリングして管理する。

ここで、クラスタリングは、例えば、以下のようにして行うことができる。特徴計算部２９は、各基準者の基準交流データに対して特徴量を計算する。特徴計算部２９は、基準者の間で特徴量を比較して、例えば、類似度が基準類似値以上の関係にあるものを一つのクラスタに分類し、基準類似値未満のものを異なるクラスタに分類する。

記憶部２１は、組織Ｂについても、同様に、基準交流データ４３と、特定交流データ４５を記憶する。基準交流データ４３は、Ｍ個の第ｍ基準クラスタ４７_m（Ｍは２以上の自然数、ｍはＭ以下の自然数）を含む。

図１（ｂ）を参照して、図１（ａ）の行動予測システム１の動作の一例を説明する。

具体的に説明するために、組織Ａ及び組織Ｂが共にコールセンターを運営しているものを例にして説明する。従業員端末１１及び１３は、各オペレータが顧客と電話をするための電話機能を有する情報処理装置である。履歴収集部１５及び１７は、従業員端末１１及び１３を使用するオペレータと顧客との間における電話での会話の音声データを収集して、サーバ３に送信する。

また、説明を単純にするために、Ｎ及びＭは３とする。第１基準クラスタは、組織に事前の相談もなく突然に離職した者が、離職前の所定期間に顧客対応をしたときの電話での会話の音声データが属する。第２基準クラスタは、組織との間で事前に調整した後に離職した者が、離職の相談前の所定期間に顧客対応をしたときの電話での会話の音声データが属する。第３基準クラスタは、継続して勤務しており離職する可能性が低い状態にある者が、顧客対応をしているときの電話での会話の音声データが属する。なお、クラスタリングは、パラメータなどを調整して、適切なクラスタを形成できる傾向を示す特徴量を選択して行われている。

基準交流データは、必要であれば、感情分析部２７により電話での会話の音声データの感情分析を行い、その感情を示す情報を加えて蓄積する。感情分析は、オペレータと顧客の少なくとも一方の発言に対して行ってもよく、オペレータと顧客の発言を併せて全体として行ってもよい。

交流データ管理部２３は、記憶部２１に記憶された基準交流データ３７及び４３、並びに、特定交流データ３９及び４５を管理する（ステップＳＴ１）。

特定交流データ３９及び４５について、例えば、従業員端末１１及び１３にログインした情報を利用して、従業員端末１１及び１３を使用する従業員を特定する。履歴収集部１５及び１７は、従業員端末１１及び１３により行われた電話での会話の音声データをサーバ３に送信する。交流データ管理部２３は、従業員に対応して、電話での会話の音声データを蓄積する。特定交流データ３９及び４５は、必要であれば、感情分析部２７により電話での会話の音声データの感情分析を行い、その感情を示す情報を加えて蓄積する。感情分析は、オペレータと顧客の少なくとも一方の発言に対して行ってもよく、オペレータと顧客の発言を併せて全体として行ってもよい。

基準交流データ３７及び４３について、管理者の指示に従い、例えば、ある従業員が組織に事前の相談もなく突然に離職したとされるならば、当該従業員の特定交流データ３９及び４５を利用して第１基準クラスタ４１₁及び４７₁を更新する。同様に、ある従業員が組織に事前に調整して離職したとされるならば、当該従業員の特定交流データ３９及び４５を利用して第２基準クラスタ４１₂及び４７₂を更新する。第３基準クラスタ４１₃及び４７₃も同様に管理する。更新などに利用する当該従業員の特定交流データ３９及び４５は、当該従業員の全部の音声データに対して例えば重みづけを変えて利用するなど全部を利用してもよく、例えば所定の長さ以上の音声データのうち離職や事前調整をする前の所定期間や直近の所定個数のように一部を利用してもよい。

行動予測部３１は、組織Ａ及び組織Ｂの管理者から、管理者の組織に所属する特定者について行動予測をするように指示がなされたか否かを判断する（ステップＳＴ２）。指示がないならばステップＳＴ１に戻って交流データを管理する処理を続ける。指示があったならば、ステップＳＴ３に進む。

ステップＳＴ３において、行動予測部３１は、管理者の指示によって行動を予測する特定者を特定する。そして、特定交流データ３９及び４５において、特定者が行った電話での会話の音声データを特定する（ステップＳＴ４）。なお、分析には、例えば一定の長さがある会話のうち直近の所定個数の音声データのように一部を使用してもよい。感情分析部２７は、必要であれば、分析に使用する音声データの感情分析を行う（ステップＳＴ５）。感情分析は、オペレータと顧客の少なくとも一方の発言に対して行ってもよく、オペレータと顧客の発言を併せて全体として行ってもよい。

特徴計算部２９は、分析の対象となる特定交流データを分析して特徴データを計算する（ステップＳＴ６）。

行動予測部３１は、特徴計算部２９が計算した特徴データを利用して特定者の行動を予測する（ステップＳＴ７）。例えば、特定者の特徴データと各クラスタに属する基準者の特徴データとの距離を用いてクラスタのいずれかに属するか否かの判断を行う。分析の対象となる特定交流データが、第３基準クラスタに属し、第１基準クラスタにも第２基準クラスタにも属さないならば、特定者が離職する可能性は低いと予測する。分析の対象となる特定交流データが、第３基準クラスタに属さないならば、特定者が離職する可能性が高まっていると予測する。このとき、第１基準クラスタに属して第２基準クラスタに属さないならば、特定者が事前の連絡なく離職する可能性が高まっていると予測する。第２基準クラスタに属して第１基準クラスタに属さないならば、特定者が離職のための事前相談を行う可能性が高まっていると予測する。

行動予測部３１は、管理者の指示により、他の特定者に対しても行動を予測するか否かを判断する（ステップＳＴ８）。他の特定者に対しても予測するならば、ステップＳＴ３に戻る。予測しないならば、ステップＳＴ１に戻る。

組織比較部３３は、例えば、基準交流データ３７と基準交流データ４３における各基準クラスタを比較して共通点と相違点を抽出する。そして、例えば、各組織において離職するか否かの検出精度や、離職において会社への事前の通知の有無についての検出精度などが向上する相違点などを分析する。また、組織比較部３３は、検出精度が向上する共通点及び／又は相違点を利用して、例えば、離職の可能性が高まる要因、さらに、事前に調整して離職するのではなく突然に離職する要因を分析して、表示部３５が分析結果を表示してもよい。

また、組織比較部３３は、例えば組織Ａ及び組織Ｂにおいて、各組織において基準クラスタを比較して共通点と相違点を抽出するとともに、組織間でも比較して共通点と相違点を抽出することにより、特徴計算部２９が各組織での基準クラスタの検出精度を向上させるとともに、組織比較部３３が各組織に特徴的な基準クラスタに対応する従業員の行動の要因を精度よく分析して、表示部３５が分析結果を表示してもよい。

さらに、本願発明は、コールセンター運営に限定されず、例えば組織内において、部下である従業員と、その上司との間の面談などで交わされるコミュニケーションであってもよい。また、例えば、顧客との間で送受信したメールや、郵送などでやり取りした手紙などを分析するものでもよい。この場合、時系列的な要素を加味せずに例えば顧客に送信したもののみを利用してもよく、また、送信したものに加えて、例えば、従業員が顧客にメール等を送信するときに、作業者が所定の様式を決定して、これを修正してメール等を送信するまでの経緯などの時系列的な要素を加味して分析してもよい。

なお、感情分析部２７が行う感情分析は、次のようなものであってもよい。

例えば音声データにおいて、組織に属する従業員が発言する従業員音声と他者が発言する他者音声に分け、従業員音声及び他者音声のそれぞれにおいて、怒りや悲しみなどのマイナス評価と、喜びなどのプラス評価に分析する。感情分析は、最初をゼロとすると、その後の応対で徐々にプラスになったりマイナスになったり変動する。

従業員は、通常、他者の感情に対応する。例えば、他者の感情がマイナス側に大きくなればこれをプラス側に変化させようとして、信頼関係を構築するよう努力する。他者の感情がプラス側に移行すれば、その関係を利用して、他者の本来の要望に応えるよう努力する。他方、従業員が余裕のない状態になると、信頼関係などを考える余裕がなくなり、他者がプラス評価の感情にあってもこれに共感しづらくなったり、他者の要望に直接に形式的に答えるのみの対応が増加したりすることが予測される。そのため、例えば、他者音声において感情がプラス評価される部分とマイナス評価される部分に対応して、従業員音声でどのように対応しているかをクラスタリングすることにより、従業員の状況を精度よく分析することができる。

また、例えば、従業員が心理的に余裕のない状態では、素直に自身の感情を表現できない状況となることが予想される。例えば、従業員の感情がプラス評価である部分とマイナス評価である部分の違いが小さくなる傾向になることもあれば、逆に、自身の感情に支配され、極端に大きく変化する傾向になることも予想される。そのため、例えば、従業員の感情についてプラス評価である部分とマイナス評価である部分の違いを利用してクラスタリングすることにより、従業員の状況を精度よく分析することができる。

このような感情分析は、３つ以上の感情（例えば、怒り、悲しみ、喜びなど）をベースにしてもよい。また、従業員の感情と他者の感情を両方加味して分析してもよい。

続いて、図２及び図３を参照して発明者らが行った実験について説明する。実験では、次のようにして分析の対象とする交流データを選択した。分析に使用する交流データは、基準者や対象者が日々蓄積された音声データなどから選択される。実験では、例えば３０日などの一定期間において１日ごとに区切り、例えば第１日目〜第１５日目までの各日で一般的な会話（例えば各日に含まれる複数の会話のうちで他の会話と共通する特徴が多い会話）を一つ選択し、これを基準交流データとする。他方、第１６日目〜第３０日目までの各日で一般的な会話を一つ選択し、これを特定交流データとした。

図２は、図１のサーバ３におけるクラスタリングの例を説明するための図である。ここで、二値分類ではなく多クラス分類としたのは、離職者・在職者の中にタイプがいくつか存在することが予想されたためである。図２（ａ）で点在する各点は、オペレータ（基準者）の基準交流データを２つの特徴量で分析したときの分布を示す。図２（ｂ）は、データを塊ごとにグルーピングしたものである。図２（ｂ）では、５つのグループに分けられている。３つのグループは在職者のものであり、２つのグループは離職者のものである。これらは、日々の会話の中から、基準者を特徴づける会話を抽出してクラスタリングしたものと評価できる。

図２（ｃ）は、２人の特定者Ｔ₁及びＴ₂の特定交流データを２つの特徴量で分析したときの分布を示す。特定者Ｔ₁は、在籍者のグループの一つに属する。特定者Ｔ₂は、離職者のグループの一つに属する。そのため、行動予測部３１は、特定者Ｔ₂が離職する可能性が高いと判断する。このように、特定者の特定交流データがいずれのクラスタに属するかによって、特定者が離職する可能性があるか否かを予測することができる。

ただし、通常、特に導入時などにおいて、離職者は在職者よりも圧倒的に少ない。そのため、在職者のクラスタの検出精度が信頼できても、離職者のクラスタの検出精度が信頼できない場合も多い。そのため、図２（ｄ）にあるように、在職者のみでクラスタを形成し、在職者のクラスタに属さない場合には離職のリスクが高まっていると予測してもよい。すなわち、図２（ｄ）では、６名の特定者Ｔ₃〜Ｔ₈のうち、３名の特定者Ｔ₃、Ｔ₄、Ｔ₅は在職者のクラスタに属し、３名の特定者Ｔ₆、Ｔ₇、Ｔ₈は在職者のクラスタに属さない。この場合に、在職者のクラスタに属さない３名の特定者Ｔ₆、Ｔ₇、Ｔ₈は、離職のリスクが高まっていると予測してもよい。

発明者らは、図２（ｄ）の手法で実験を行った。実験では、まず、会話データに対して、複数の観測点を設定して、会話の長さを同一にする。そして、会話の長さを分けた時間間隔に対して、これに含まれる観測点の観測値と観測時間の平均を算出し、複数の時刻に対応する観測値を、最近近傍点の加重平均として算出する。

続いて、出勤日単位の代表会話の抽出は、次のようにして行った。ある出勤日の会話集合においてＤＴＷ（Dynamic Time Warping）行列を算出し、行（又は列）方向に合計を取ったリストを算出し、最小値を取るインデックスを、代表会話とした。これにより、複数ある会話の集合から、最も中心にある会話（メドイド）を選択している。この処理を行うことで、ノイズとなる会話を除き、また、１日の気持ちの遷移に影響されない、その日を特徴付ける会話の抽出を行う。実験では、ＤＴＷの計算には、単一のパラメータのみを使用した。

話者が持つデータ集合は、単なる会話集合として扱うことができる。そのため、同様にして、ＤＴＷ行列を使って話者単位での代表会話の抽出が可能である。これにより、話者を、ある一つの会話（本願請求項の「特徴データ」の一例）として表現することができ、話者同士の類似度の計算も可能となる。

続いて、話者集合は、単なる会話集合として扱うことができる。在職者のみの集合において、行及び列の数が在職オペレータ数であるＤＴＷ行列を算出し、ＤＴＷ行列をもとにｋ−ｍｅａｎｓ法によりクラスタリングを行う。これにより、似たオペレータ同士をグルーピングすることができる。ここで、ｋ−ｍｅａｎｓ法は、与えられたクラスタ数ｋに対して、各クラスタの平均を用いてｋ個のクラスタに分類する手法である。

続いて、離職懸念の有無の判定は、次のように行った。まず、あるクラスタに含まれる会話集合において、ＤＴＷ行列を作成する。そして、行（又は列）方向に合計を取ったリストを算出し、最小値を取るインデックスを、そのクラスタの中心の話者とする。クラスタ中心の話者と最も離れた話者との距離を算出する。この値をｄ₁とする。クラスタ中心の話者とテスト対象の話者との距離を算出する。この値をｄ₂とする。ｄ₂＜ｄ₁ならば、テスト対象の話者は在職者のクラスタに属するとし、離職懸念なしと判断する。反対に、条件を満たさないならば、テスト対象の話者は離職懸念ありと判断する。これを全てのクラスタに対して行う。

発明者らは、１２６名のデータをｋ−ｍｅａｎｓ法により分析した。在職者のクラスタは４つとした。ただし、クラスタ半径が大きなものは除外した。音声感情解析システムＬＶＡ（例えば、特表２００２−５０９２６７号公報など参照）において、パラメータの一つである「Energy」（感情の最もベースになるパラメータ）に着目して分析したところ、離職者は７８％（２７回の実験のうち２１回）の精度でいずれのクラスタにも属さなかった。よって、在職者のクラスタによっても、離職する可能性がある者を充分高い可能性で検出することができる。このように、簡単でポピュラーなアルゴリズムであるｋ−ｍｅａｎｓ法を用いても、クラスタを利用して離職する可能性がある者を検出することができる。

なお、ｋ−ｍｅａｎｓ法は、単純なアルゴリズムである反面、特異的なオペレータ（基準者）の影響を受けやすい。そのため、今回の場合には、クラスタ半径の大きなクラスタができている。そのため、例えば、大きなクラスタを作る要因となる（特異的な）オペレータを排除したり、事前にまとめたりすることにより、精度の向上にもつながる可能性がある。ここで、特異的なオペレータとは、例えば、一般的な会話が抽出できなかったオペレータであり、例えば、出勤日（サンプル）が少なく一般的な会話が抽出できなかった場合や、サンプルはあるにもかかわらず一般的な会話が正しく抽出できなかった場合（例えば、そもそも一般的な会話が人とは違うようなオペレータなど）などである。

また、離職者であっても、在職者のクラスタに属する者がいるが、これは、在職者でも離職懸念があるオペレータが存在したり、いずれのクラスタにも分類できそうなオペレータが存在したりするために、誤検出が生じたものと考えられる。このようなオペレータの影響を除外することにより検出精度が向上することが期待される。さらに離職者のクラスタなどを利用することにより、検出精度はさらに向上することが期待できる。

表１は、ｘ−ｍｅｄｏｉｄｓ法（自動でクラスタ数を決定するｋ−ｍｅｄｏｉｄｓ法）を用いた実験結果を示す。感情解析システムＬＶＡにおける指標による２つのラベル（第１ラベルと第２ラベル）を使用して、同様にクラスタリングできる傾向が認められることを示している。

図３は、定量的評価を説明する図である。図３（ａ）にあるように、在籍者の３つのクラスタのそれぞれにおいて、代表者Ｒ₁、Ｒ₂及びＲ₃を決定する。代表者は、例えば各クラスタの中心に近い者、クラスタの他の所属者との距離（例えば、ＤＴＷ距離や、特徴量の差の二乗の和の平方根など）が最も短い者などにより決定することができる。図３（ｂ）は、代表者の代表的な会話と、在職者の一人の第１日目、第２日目、・・・、最新日のそれぞれの会話とのＤＴＷ距離を示す。図３（ｃ）は、代表者の代表的な会話と、離職者の一人の第１日目、第２日目、・・・、最新日のそれぞれの会話とのＤＴＷ距離を示す。離職者は、最新日に近付くほどＤＴＷ距離が大きくなっており、スケールが大きい。他方、在職者は、離職者に比較して変化が小さく、スケールが小さい。そのため、このような時間の経過を参照することにより、離職などの基準行動の予測の精度を向上させることができる。

離職するような状態では、オペレータは余裕がない状態で顧客対応を行っていることが予測される。このような状態では、顧客の状況に柔軟に対応できず、パターン化された対応を行いがちであることが予測される。そのため、オペレータが余裕のない状態となったとき、組織においてパターン化された顧客対応となることは、充分に予測されるものであり、これがクラスタリングにより明確にすることができたと考えられる。

１行動予測システム、３サーバ、１１，１３従業員端末、１５，１７履歴収集部、２１記憶部、２３交流データ管理部、２７感情分析部、２９特徴計算部、３１行動予測部、３３組織比較部、３５表示部、３７，４３基準交流データ、３９，４５特定交流データ、４１_n 第ｎ基準クラスタ、４７_m 第ｍ基準クラスタ

Claims

組織に所属する特定者の行動を予測する行動予測システムであって、
交流データ管理部と、特徴計算部と、行動予測部を備えるサーバを備え、
前記交流データ管理部は、前記組織に所属する者が、他者との間で行ったコミュニケーションを特定する交流データを収集し、
前記交流データは、特定交流データと、基準交流データを含み、
前記特定交流データは、前記特定者が他者との間で行ったコミュニケーションを特定するものであり、
前記基準交流データは、
基準行動を行っていない基準者が他者との間で行ったコミュニケーションを特定する第１基準交流データ、及び／又は、
前記基準行動を行った基準者が前記基準行動を行う前に他者との間で行ったコミュニケーションを特定する第２基準交流データを含み、
前記特徴計算部は、前記交流データの特徴データを計算し、
前記行動予測部は、前記特定交流データ及び前記基準交流データの前記特徴データを用いて前記特定者が前記基準行動を行うか否かを予測する、行動予測システム。
前記行動予測部は、
前記第１基準交流データ及び／又は前記第２基準交流データの前記特徴データを利用して、前記第１基準交流データの一部又は全部が属する非基準行動クラスタ及び／又は前記第２基準交流データの一部又は全部が属する基準行動クラスタを特定し、
前記特定交流データの前記特徴データを用いて前記特定交流データが前記非基準行動クラスタ及び／又は前記基準行動クラスタに属するか否かを判断して、前記特定交流データが前記非基準行動クラスタに属しないならば、及び／又は、前記特定交流データが前記基準行動クラスタに属するならば、前記基準者が前記基準行動を行う可能性があると予測する、請求項１記載の行動予測システム。
前記基準行動は、前記組織を離れるものであり、
前記交流データは、時系列データであり、
前記第１基準交流データは、前記組織を離れていない第１基準者が、他者との間で行ったコミュニケーションを特定するものであり、
前記行動予測部は、前記第１基準交流データ及び／又は前記第２基準交流データを利用して、前記第１基準交流データの一部又は全部が属する非基準行動クラスタを特定し、
前記行動予測部は、前記特定交流データが前記非基準行動クラスタに属しないならば、前記基準者が前記基準行動を行う可能性があると予測する、請求項１又は２に記載の行動予測システム。
前記サーバは、感情分析部を備え、
前記感情分析部は、前記基準交流データ及び前記特定交流データを分析して、前記他者並びに／又は前記基準者及び前記特定者の感情を特定する感情データを抽出し、
前記行動予測部は、
他者の同じ感情に対応する前記基準交流データと前記特定交流データとの間の類似度を計算し、及び／又は、
前記基準者及び前記特定者の同じ感情に対応する前記基準交流データと前記特定交流データとの間の類似度を計算する、請求項１から３のいずれかに記載の行動予測システム。
前記サーバは、組織比較部を備え、
前記交流データ管理部が収集する前記交流データは、第１組織交流データと、第２組織交流データを含み、
前記第１組織交流データ及び前記第２組織交流データは、それぞれ、第１組織及び第２組織に所属する者が他者との間で行ったコミュニケーションを特定するものであり、
前記組織比較部は、前記第１組織交流データにおいて前記基準行動を行っていない基準者のもの及び前記基準行動を行った基準者のものと、前記第２組織交流データにおいて前記基準行動を行っていない基準者のもの及び前記基準行動を行った基準者のものとを比較する、請求項１から４のいずれかに記載の行動予測システム。
組織に所属する特定者の行動を予測する行動予測方法であって、
サーバは、交流データ管理部と、特徴計算部と、行動予測部を備え、
前記交流データ管理部が、前記組織に所属する者が、他者との間で行ったコミュニケーションを特定する交流データを収集する交流データ管理ステップと、
前記特徴計算部が、前記交流データの特徴データを計算する特徴計算ステップと、
前記行動予測部が、前記特徴データを用いて前記特定者が基準行動を行うか否かを予測する行動予測ステップを含み、
前記交流データは、特定交流データと、基準交流データを含み、
前記特定交流データは、前記特定者が他者との間で行ったコミュニケーションを特定するものであり、
前記基準交流データは、
前記基準行動を行っていない基準者が他者との間で行ったコミュニケーションを特定する第１基準交流データ、及び／又は、
前記基準行動を行った基準者が前記基準行動を行う前に他者との間で行ったコミュニケーションを特定する第２基準交流データを含む、行動予測方法。