JP6802134B2 - Operator selection device, operator selection system, program and operator selection method - Google Patents
Operator selection device, operator selection system, program and operator selection method Download PDFInfo
- Publication number
- JP6802134B2 JP6802134B2 JP2017186836A JP2017186836A JP6802134B2 JP 6802134 B2 JP6802134 B2 JP 6802134B2 JP 2017186836 A JP2017186836 A JP 2017186836A JP 2017186836 A JP2017186836 A JP 2017186836A JP 6802134 B2 JP6802134 B2 JP 6802134B2
- Authority
- JP
- Japan
- Prior art keywords
- operator
- customer
- information
- incoming call
- response
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Telephonic Communication Services (AREA)
Description
本発明は、入電した顧客にオペレータを割り当てるためのオペレータ選択装置、オペレータ選択システム、プログラム及びオペレータ選択方法に関する。 The present invention relates to an operator selection device, an operator selection system, a program, and an operator selection method for assigning operators to incoming customers.
入電した顧客にオペレータを割り当てる装置が知られている。特許文献1には、複数のオペレータのうち、緊張度が低いオペレータを割り当てる技術が開示されている。
A device that assigns an operator to a customer who receives a call is known.
入電した顧客にオペレータを割り当てる場合、顧客満足度が高く、かつ電話対応に要する時間が短くなる割り当て条件を満たすようにオペレータを選択することが好ましい。しかし、入電内容が属するカテゴリに対応する能力はオペレータの熟練度によって異なり、また疲労度は時間の経過や電話対応の内容によって変化するため、割り当て条件を満たすオペレータの選択は一定ではない。従来の技術を用いることで、疲労していない、又は緊張していないオペレータを選択することができる。しかし、顧客のことを考えず、常に無感情に応対するオペレータが優先的に選択されるようになり、顧客満足度と乖離してしまう可能性が生じる。 When assigning an operator to a customer who receives a call, it is preferable to select the operator so as to satisfy the allocation condition that the customer satisfaction is high and the time required for answering the call is short. However, the ability to correspond to the category to which the incoming call content belongs differs depending on the skill level of the operator, and the fatigue level changes depending on the passage of time and the content of the telephone response. Therefore, the selection of the operator satisfying the allocation condition is not constant. By using conventional techniques, it is possible to select an operator who is not tired or tense. However, the operator who always responds to emotionlessness without considering the customer is preferentially selected, which may deviate from the customer satisfaction.
そこで、本発明はこれらの点に鑑みてなされたものであり、入電した顧客に対して、顧客満足度が高く、かつ電話対応に要する時間が短くなるように、オペレータを割り当てるオペレータ選択装置、オペレータ選択システム、プログラム及びオペレータ選択方法を提供することを目的とする。 Therefore, the present invention has been made in view of these points, and is an operator selection device and an operator that assigns operators to customers who receive a call so that the customer satisfaction is high and the time required for answering the call is shortened. It is an object of the present invention to provide a selection system, a program and an operator selection method.
本発明の第1の態様に係るオペレータ選択装置は、顧客の入電に関する情報とオペレータの生体情報とを入力として、前記オペレータの前記入電に関する対応能力値を出力するように学習された機械学習モデルを取得するモデル取得部と、所定の取得条件を満たすタイミングにおいて、前記顧客の入電に関する情報と、顧客対応をしていない空きオペレータの生体情報とを取得する入力情報取得部と、入電した前記顧客それぞれを前記空きオペレータそれぞれが対応した場合の対応能力値を、前記顧客の入電に関する情報と前記空きオペレータの生体情報を前記機械学習モデルに入力して取得するモデル適用部と、前記対応能力値を用いて定められた評価関数を用いて、前記顧客それぞれについて対応する前記空きオペレータを割り当てるオペレータ割当部と、を備える。 The operator selection device according to the first aspect of the present invention is a machine learning model learned to output the response capability value of the operator regarding the incoming call by inputting the information regarding the incoming call of the customer and the biometric information of the operator. An input information acquisition unit that acquires information about the customer's incoming call and biometric information of a vacant operator who does not correspond to the customer at a timing that satisfies a predetermined acquisition condition, and an input information acquisition unit that acquires the customer. A model application unit that acquires the response capability value when each of the vacant operators corresponds to each of the vacant operators by inputting information on the customer's incoming call and the biometric information of the vacant operator into the machine learning model, and the response capability value. It is provided with an operator allocation unit that assigns the corresponding vacant operator to each of the customers by using the evaluation function determined in use.
前記入力情報取得部は、所定の時間及び所定の前記顧客の入電数のいずれかの前記取得条件を満たすタイミングにおいて前記顧客の入電に関する情報と、前記空きオペレータの生体情報とを取得してもよい。 The input information acquisition unit may acquire information on the customer's incoming call and biometric information of the vacant operator at a predetermined time and at a timing when the acquisition condition of any of the predetermined number of incoming calls of the customer is satisfied. ..
前記顧客の入電に関する情報は、前記顧客の入電内容が属するカテゴリを含んでもよい。
前記顧客の入電に関する情報は、前記顧客の顧客属性を含んでもよい。
The information regarding the customer's incoming call may include the category to which the customer's incoming call content belongs.
The information regarding the customer's incoming call may include the customer attribute of the customer.
前記オペレータ選択装置は、前記対応能力値を算出するための算出パラメータを、前記オペレータが電話対応にかかった時間を示す対応時間が短いほど対応能力値が高くなり、かつ前記顧客が電話対応を受けた前記オペレータに対する評価を示す顧客満足度が高いほど前記対応能力値が高くなるようにマッピングされた対応能力マッピングに基づいて定められた前記対応能力値の指標値、オペレータの生体情報、及び前記顧客の入電に関する情報と、前記顧客満足度と、前記オペレータの生体情報と、前記対応時間と、を含む顧客対応履歴に基づいて学習した前記機械学習モデルを生成するモデル生成部をさらに備えてもよい。 The operator selection device sets a calculation parameter for calculating the response ability value, and the shorter the response time indicating the time taken by the operator to respond to a call, the higher the response ability value, and the customer receives a call response. The index value of the response ability value, the biometric information of the operator, and the customer, which are determined based on the response ability mapping mapped so that the higher the customer satisfaction level indicating the evaluation of the operator, the higher the response ability value. A model generation unit that generates the machine learning model learned based on the customer response history including the information regarding the incoming call, the customer satisfaction, the biometric information of the operator, and the response time may be further provided. ..
前記モデル生成部は、前記算出パラメータを、前記顧客満足度より前記オペレータが電話対応を行った自己に対する評価である自己評価の方が高い場合において、前記顧客満足度と前記自己評価の差分が大きいほど前記指標値が低くなるように補正し、前記顧客満足度が高いほど前記対応能力値が高くなるようにマッピングされた前記対応能力マッピングに基づいて定められ、かつ補正された前記対応能力値の指標値、及び前記自己評価をさらに含む前記顧客対応履歴に基づいて学習した前記機械学習モデルを生成してもよい。 The model generation unit has a large difference between the customer satisfaction and the self-evaluation when the self-evaluation, which is the evaluation of the operator who responded to the telephone by the operator, is higher than the customer satisfaction. The corresponding ability value is corrected so that the index value becomes lower, and the corresponding ability value is determined and corrected based on the corresponding ability mapping mapped so that the higher the customer satisfaction is, the higher the corresponding ability value is. The machine learning model learned based on the index value and the customer response history including the self-evaluation may be generated.
前記モデル生成部は、前記オペレータの個人特性が前記自己評価を高く付ける傾向を示す場合に、前記指標値が低くなるように補正し、前記オペレータの個人特性が前記自己評価を低く付ける傾向を示す場合に、前記指標値が高くなるように補正してもよい。 When the personal characteristic of the operator shows a tendency to give a high self-evaluation, the model generation unit corrects the index value to be low, and the personal characteristic of the operator shows a tendency to make the self-evaluation low. In some cases, the index value may be corrected to be high.
本発明の第2の態様に係るオペレータ選択システムは、前記オペレータ選択装置と、所定の時間ごとに前記オペレータの生体情報を取得し、取得した前記オペレータの生体情報を所定のタイミングで前記オペレータ選択装置に送信するオペレータ端末と、を備える。 The operator selection system according to the second aspect of the present invention acquires the operator selection device and the biometric information of the operator at predetermined time intervals, and obtains the acquired biometric information of the operator at a predetermined timing. It is provided with an operator terminal for transmitting to.
本発明の第3の態様に係るプログラムは、コンピュータに、顧客の入電に関する情報とオペレータの生体情報とを入力として、前記オペレータの前記入電に関する対応能力値を出力するように学習された機械学習モデルを取得するステップと、所定の取得条件を満たすタイミングにおいて前記顧客の入電に関する情報を取得するステップと、所定の取得条件を満たすタイミングにおいて顧客対応をしていない空きオペレータの生体情報を取得するステップと、入電した顧客それぞれを空きオペレータそれぞれが対応した場合の対応能力値を、前記顧客の入電に関する情報と前記オペレータの生体情報を前記機械学習モデルに入力して取得するステップと、前記対応能力値を用いて定められた評価関数を用いて、前記顧客それぞれについて対応する前記空きオペレータを割り当てるステップと、を実行させる。 The program according to the third aspect of the present invention is machine learning learned to output the response capability value of the operator regarding the incoming call to the computer by inputting the information regarding the incoming call of the customer and the biometric information of the operator. A step of acquiring a model, a step of acquiring information on the customer's incoming call at a timing satisfying a predetermined acquisition condition, and a step of acquiring biometric information of a vacant operator who does not correspond to a customer at a timing satisfying a predetermined acquisition condition. And the step of inputting the information about the customer's incoming call and the biometric information of the operator into the machine learning model to acquire the response ability value when each vacant operator responds to each incoming customer, and the response ability value. The step of assigning the corresponding free operator to each of the customers is executed by using the evaluation function determined by using.
本発明の第4の態様に係るオペレータ選択方法は、コンピュータが実行する、顧客の入電に関する情報とオペレータの生体情報とを入力として、前記オペレータの前記入電に関する対応能力値を出力するように学習された機械学習モデルを取得するステップと、所定の取得条件を満たすタイミングにおいて前記顧客の入電に関する情報を取得するステップと、所定の取得条件を満たすタイミングにおいて顧客対応をしていない空きオペレータの生体情報を取得するステップと、入電した顧客それぞれを空きオペレータそれぞれが対応した場合の対応能力値を、前記顧客の入電に関する情報と前記オペレータの生体情報を前記機械学習モデルに入力して取得するステップと、前記対応能力値を用いて定められた評価関数を用いて、前記顧客それぞれについて対応する前記空きオペレータを割り当てるステップと、を有することを特徴とする。 The operator selection method according to the fourth aspect of the present invention is learned to output the response ability value of the operator regarding the incoming call by inputting the information regarding the incoming call of the customer and the biometric information of the operator executed by the computer. The step of acquiring the obtained machine learning model, the step of acquiring the information regarding the customer's incoming call at the timing when the predetermined acquisition condition is satisfied, and the biometric information of the vacant operator who does not respond to the customer at the timing when the predetermined acquisition condition is satisfied. And the step of inputting the information about the customer's incoming call and the biometric information of the operator into the machine learning model to acquire the response ability value when each vacant operator responds to each incoming customer. It is characterized by having a step of assigning a corresponding free operator to each of the customers by using an evaluation function determined by using the corresponding ability value.
本発明によれば、入電した顧客に対して、顧客満足度が高く、かつ電話対応に要する時間が短くなるようにオペレータを割り当てることができるという効果を奏する。 According to the present invention, it is possible to assign an operator to a customer who receives a call so that the customer satisfaction is high and the time required for answering the call is shortened.
[オペレータ選択システムSの概要]
図1及び図2は、オペレータ選択システムSの概要を説明するための図である。オペレータ選択システムSは、機械学習モデルを用いて、顧客からの入電時に電話対応を行っていない複数の空きオペレータの中から、顧客満足度が高く、かつ電話対応に要する時間が短くなるようにオペレータを選択するシステムである。また、オペレータ選択システムSは、オペレータが行った電話対応に関する情報に基づいて、機械学習モデルMを更新するシステムである。
[Overview of operator selection system S]
1 and 2 are diagrams for explaining the outline of the operator selection system S. The operator selection system S uses a machine learning model so that the customer satisfaction is high and the time required for telephone response is shortened from among a plurality of vacant operators who do not respond to telephone calls when receiving a call from a customer. It is a system to select. Further, the operator selection system S is a system that updates the machine learning model M based on the information regarding the telephone correspondence performed by the operator.
オペレータ選択システムSは、オペレータ端末2、CTI(Computer Telephony Integration)サーバ3、及びオペレータ選択装置4を有する。
オペレータ端末2は、例えばPC(Personal Computer)である。オペレータ端末2は、顧客に対して電話対応を行うためにオペレータによって用いられる端末である。オペレータ端末2は、オペレータの生体情報(例えば、心電図、脈拍又は自律神経の状態等)を取得するためのセンサーを有する。
The operator selection system S includes an
The
CTIサーバ3は、例えばサーバである。CTIサーバ3は、基地局1を介して、コールセンターに電話をかけた顧客の入電を受け付ける。CTIサーバ3は、オペレータ選択装置4が選択したオペレータが用いるオペレータ端末2に、受け付けた顧客の電話を転送する。
The
オペレータ選択装置4は、例えばサーバである。オペレータ選択装置4は、機械学習モデルMを用いて、顧客からの入電時に電話対応を行っていない複数の空きオペレータの中から、顧客満足度が高く、かつ電話対応に要する時間が短くなるように入電した顧客と空きオペレータとの組み合わせを算出する。機械学習モデルMは、所定の情報を入力すると、対応能力値を出力するように学習されたモデルである。対応能力値は、顧客からの入電時における、当該顧客に対して電話対応を行う業務に対するオペレータの適性の高さを示した数値である。対応能力値は、オペレータの熟練度、入電時の疲労度、入電した顧客の属性及び電話内容のカテゴリ等が考慮される。
The
図1に示す顧客C1、C2は、コールセンターに電話をかけている状態であり(図1の(1))、顧客C3においては、オペレータOP4が電話対応している状態である。この場合において、CTIサーバ3は、基地局1を介して、顧客C1、C2の入電を受け付けると(図1の(2))、オペレータ選択装置4に顧客C1、C2の入電に関する情報(例えば、性別や年代を含む顧客属性及び電話内容のカテゴリ等)を送信する(図1の(3))。
Customers C1 and C2 shown in FIG. 1 are in a state of making a call to the call center ((1) in FIG. 1), and customer C3 is in a state in which the operator OP4 is in charge of making a call. In this case, when the
オペレータ選択装置4は、顧客C1、C2の入電に関する情報を取得すると、電話対応を行っていない空きオペレータOP1、OP2、及びOP3の生体情報を取得する(図1の(4))。オペレータ選択装置4は、オペレータそれぞれに対応する機械学習モデルMを用いて、顧客C1、C2の入電に関する情報及び当該機械学習モデルMに対応するオペレータの生体情報を入力し、顧客C1、C2それぞれに対するオペレータOP1、OP2、及びOP3それぞれの対応能力値を取得する(図1の(5))。
When the
オペレータ選択装置4は、取得した対応能力値に基づいて、空きオペレータOP1、OP2、OP3と顧客C1、C2とを組み合わせた6パターンから、評価関数を用いて、顧客満足度が高く、かつ電話対応に要する時間が短くなるような組み合わせを算出する(図1の(6))。具体的には、オペレータ選択装置4は、評価関数を用いて対応能力値の合計値が最大となる組み合わせを算出する。オペレータ選択装置4は、例えば、対応能力値の合計値が最大となる、顧客C1に空きオペレータOP1、顧客C2に空きオペレータOP2の組み合わせを算出すると、当該組み合わせを示す組み合わせ情報を、CTIサーバ3に送信する(図1の(7))。
The
CTIサーバ3は、オペレータ選択装置4から送信された組み合わせ情報に基づいて、組み合わせ情報に示す空きオペレータOP1に顧客C1の電話を転送し、オペレータOP2に顧客C2の電話を転送する(図1の(8))。電話を転送された空きオペレータOP1、OP2は、CTIサーバ3を介して、それぞれ顧客C1、C2に対して電話対応を開始する(図1の(9))。
Based on the combination information transmitted from the
CTIサーバ3は、オペレータOP1、OP2、OP3が電話対応を終えると、アンケートの回答を求める自動音声に切り替える。顧客C1、C2、C3それぞれは、自動音声に従って、電話対応したオペレータOP1、OP2、OP3それぞれに対する評価をアンケートで回答する(図2の(1))。CTIサーバ3は、顧客C1、C2、C3が回答したアンケート結果から顧客満足度を取得する(図2の(2))。CTIサーバ3は、顧客満足度及び電話対応にかかった対応時間に、オペレータと顧客とを関連付けた対応情報をオペレータ選択装置4に送信する(図2の(3))。
When the operators OP1, OP2, and OP3 finish the telephone response, the
オペレータOP1、OP2、OP3は、電話対応に対する自己評価をオペレータ端末2にそれぞれ入力する。オペレータ端末2a、2b、2cは、オペレータOP1、OP2、OP3それぞれが入力した自己評価を、オペレータ選択装置4に送信する(図2の(4))。オペレータ選択装置4は、対応情報及び自己評価に基づいて、顧客対応履歴を更新する(図2の(5))。その後、オペレータ端末2a、2b、2cは、所定の時間ごとに取得したオペレータOP1、OP2、OP3の生体情報を、オペレータ選択装置4に送信する(図2の(6))。そして、オペレータ選択装置4は、更新した顧客対応履歴及びオペレータ端末2a、2b、2cから送信されたオペレータOP1、OP2、OP3の生体情報に基づいて学習した機械学習モデルMを生成する(図2の(7))。
The operators OP1, OP2, and OP3 input self-evaluation for telephone correspondence to the
以上のとおり、オペレータ選択システムSは、顧客対応履歴及びオペレータの生体情報に基づいて学習された機械学習モデルMから出力された対応能力値に基づいて、入電した顧客と空きオペレータの組み合わせを算出することにより、顧客満足度が高く、かつ電話対応に要する時間が短くなるようにオペレータを割り当てることができる。
以下、オペレータ端末2、CTIサーバ3、及びオペレータ選択装置4の詳細について説明する。
As described above, the operator selection system S calculates the combination of the incoming customer and the vacant operator based on the response ability value output from the machine learning model M learned based on the customer response history and the operator's biometric information. As a result, the operator can be assigned so that the customer satisfaction is high and the time required for answering the telephone is shortened.
Hereinafter, the details of the
[オペレータ端末2の構成]
図3は、オペレータ端末2の構成を示す図である。オペレータ端末2は、ヘッドセット20、通信部21、センサー部22、記憶部23、及び制御部24を備える。
ヘッドセット20は、オペレータが音声を入力するマイクと、顧客の音声を出力するスピーカとを有する。
[Configuration of operator terminal 2]
FIG. 3 is a diagram showing the configuration of the
The
通信部21は、基地局1を介して、顧客と通話するための電話交換機としての役割を有する。また、通信部21は、CTIサーバ3及びオペレータ選択装置4に対してデータを送受信するための通信コントローラを含んでいる。
The
センサー部22は、オペレータが装着する機器(例えば、ウェアラブル又はヘッドセット等)に取付けられたセンサーからオペレータの心電波形又は心拍数を計測する。
記憶部23は、例えば、ROM(Read Only Memory)、RAM(Random Access Memory)及びハードディスク等の記憶媒体である。記憶部23は、制御部24が実行する各種のプログラムを記憶する。
The
The
制御部24は、例えばCPU(Central Processing Unit)である。制御部24は、記憶部23に記憶されているプログラムを実行することにより、オペレータ端末2に係る機能を制御する。制御部24は、プログラムを実行することにより、生体情報取得部241、通話部242、自己評価入力部243、及び送信部244として機能する。
The
生体情報取得部241は、所定の時間ごとに、センサー部22が計測した心電波形又は心拍数に基づいてオペレータの生体情報を取得する。また、生体情報取得部241は、通話部242又はオペレータ選択装置4から生体情報取得指示が通知された場合に、センサー部22が計測した心電波形又は心拍数に基づいて、オペレータの生体情報を取得する。所定の時間は、オペレータごとに、電話対応の合計時間又は電話対応の回数に応じて定めてもよいし、オペレータの特性(例えば、緊張しやすい及び疲れやすい等)に応じて定めてもよい。生体情報は、例えば、心電図又は心電図から既知の方法で得られる脈拍又は自律神経の状態(例えば、自律神経のバランスが乱れているか否か)である。
The biometric
生体情報取得部241は、取得したオペレータの生体情報にオペレータの識別番号を関連付けて記憶部23に記憶させる。オペレータの識別番号は、オペレータ端末2にログインしているアカウント情報から取得してもよい。生体情報取得部241は、通話部242又はオペレータ選択装置4から生体情報取得指示が通知された場合、取得したオペレータの生体情報を送信部244に入力する。
The biological
通話部242は、通信部21を介して、CTIサーバ3から転送された電話を受け付け、オペレータが入電した顧客と音声通話できるように、ヘッドセット20を制御する。通話部242は、通話の終了後に、オペレータの生体情報を取得ための生体情報取得指示を生体情報取得部241に通知する。通話部242は、通話が終了した場合に、自己評価入力部243及び通信部21を介してCTIサーバ3に通話が終了したことを通知する。
The
自己評価入力部243は、通話部242から通話終了の通知を受けると、不図示の表示部に、オペレータが今回の応答がうまくできたかを主観的に評価するための自己評価入力画面を表示する。自己評価入力画面には、例えば、5段階評価で、「うまくできなかった」、「一部うまくできない点があった」、「ふつう」、「ややうまくいった」、「とてもうまくいった」を示す選択肢が含まれる。自己評価入力部243は、オペレータがいずれかの選択肢を入力すると、入力した情報を送信部244に入力する。
When the self-
送信部244は、通信部21を介して、自己評価入力部243から入力された自己評価をオペレータ選択装置4に送信する。送信部244は、通信部21を介して、生体情報取得部241が取得したオペレータの生体情報を所定のタイミングでオペレータ選択装置4に送信する。送信部244は、例えば、オペレータ選択装置4が生体情報を学習に使用するために、コールセンター業務が終了するタイミングで、記憶部23に記憶されている生体情報をオペレータ選択装置4に送信する。送信部244は、生体情報取得部241から生体情報が入力された場合に、通信部21を介して、入力された生体情報をオペレータ選択装置4に送信する。
The
[CTIサーバ3の構成]
図4は、CTIサーバ3の構成を示す図である。CTIサーバ3は、通信部31、記憶部32及び制御部33を備える。
通信部31は、基地局1を介して、コールセンターにかけた顧客の電話を受け付け、また受け付けた電話をオペレータ端末2に転送するための電話交換機としての役割を有する。また、通信部31は、オペレータ選択装置4に対してデータを送受信するための通信コントローラを含んでいる。
[Configuration of CTI server 3]
FIG. 4 is a diagram showing the configuration of the
The
記憶部32は、例えば、ROM、RAM及びハードディスク等の記憶媒体である。記憶部32は、顧客情報データベースを記憶する。顧客情報データベースは、顧客番号、顧客の名前、顧客の性別、顧客の年代、顧客の電話番号等を関連付けて記憶している。記憶部32は、制御部33が実行する各種のプログラムを記憶する。
The
制御部33は、例えばCPUであり、記憶部32に記憶されているプログラムを実行することにより、CTIサーバ3に係る機能を制御する。制御部33は、プログラムを実行することにより、入電情報取得部331、割当情報取得部332、転送部333、及び対応情報取得部334として機能する。
The
入電情報取得部331は、顧客の入電に関する情報を取得する。顧客の入電に関する情報は、顧客の性別及び顧客の年代を含む顧客属性及び顧客が自動音声案内に従って入力した情報(例えば、顧客の入電内容が属するカテゴリ)である。入電情報取得部331は、入電によって得られる発信者番号に基づいて、顧客情報データベースから顧客属性を取得する。入電情報取得部331は、取得した顧客の入電に関する情報を割当情報取得部332に入力する。なお、入電情報取得部331は、電話番号が顧客データベースに存在しない新規顧客である場合、カテゴリのみを割当情報取得部332に入力する。
The incoming call
割当情報取得部332は、入電情報取得部331から顧客の入電に関する情報が入力されると、通信部31を介して、顧客の入電に関する情報をオペレータ選択装置4に送信する。割当情報取得部332は、顧客の入電に関する情報をオペレータ選択装置4に送信した後に、通信部31を介して、オペレータ選択装置4が生成した組み合わせ情報を取得する。組み合わせ情報は、入電した顧客に割り当てるオペレータを特定するための情報を含む。割当情報取得部332は、取得した組み合わせ情報を、転送部333に入力する。
When the allocation
転送部333は、割当情報取得部332から入力された組み合わせ情報に基づいて、入電した顧客の電話を空きオペレータに転送する。具体的には、転送部333は、入電した顧客の電話を、組み合わせ情報に示された空きオペレータに転送する。
The
対応情報取得部334は、オペレータが電話対応を終えた後に、電話対応に関する情報を取得する。具体的には、対応情報取得部334は、オペレータ端末2から通話終了の通知を受け付けると、電話対応の対応時間、及び顧客が入力したアンケート結果に基づく顧客満足度を取得する。対応情報取得部334は、例えば、今回の対応について5段階評価で「不満」、「やや不満」、「ふつう」、「ほぼ満足」、「満足」の選択肢を自動音声で案内し、顧客が自動音声に従って回答した選択肢を取得する。対応情報取得部334は、通信部31を介して、取得した電話対応の時間及び顧客満足度にオペレータの識別番号及び顧客番号を関連付けた対応情報を、オペレータ選択装置4に送信する。
The correspondence
[オペレータ選択装置4の構成]
図5は、オペレータ選択装置4の構成を示す図である。オペレータ選択装置4は、通信部41、記憶部42、及び制御部43を備える。
通信部41は、オペレータ端末2及びCTIサーバ3に対してデータを送受信するための通信コントローラを含んでいる。
[Configuration of operator selection device 4]
FIG. 5 is a diagram showing the configuration of the
The
記憶部42は、例えば、ROM、RAM及びハードディスク等の記憶媒体である。記憶部42は、顧客対応履歴データベース、オペレータ状態データベース、入電情報データベース、対応能力推定データベース、対応能力評価概要データベース、及び対応能力マッピングを記憶する。各データベース及びマッピングの構成については後述する。また、記憶部42は、オペレータそれぞれに対応付けられた複数の機械学習モデルMを記憶する。記憶部42は、制御部43が実行する各種のプログラムを記憶する。
The
制御部43は、例えばCPUであり、記憶部42に記憶されているプログラムを実行することにより、オペレータ選択装置4に係る機能を制御する。制御部43は、プログラムを実行することにより、入力情報取得部431、モデル取得部432、モデル適用部433、オペレータ割当部434、モデル生成情報取得部435、及びモデル生成部436として機能する。
The
入力情報取得部431は、機械学習モデルMから対応能力値を出力させるために入力する情報を取得する。具体的には、入力情報取得部431は、所定の取得条件を満たすタイミングにおいて、顧客の入電に関する情報と、顧客対応をしていない空きオペレータの生体情報とを取得する。より具体的には、入力情報取得部431は、所定の時間及び所定の顧客の入電数のいずれかの取得条件を満たすタイミングにおいて、顧客の入電に関する情報と、空きオペレータの生体情報とを取得する。
The input
ここで、所定の時間は、例えば、CTIサーバ3から顧客の入電に関する情報が送信されてから予め設定された時間(例えば1分)が経過するまでの期間である。所定の顧客の入電数は、例えば、CTIサーバ3から顧客の入電に関する情報が送信されてから予め設定された入電数(例えば10呼)に達するまでの数である。
Here, the predetermined time is, for example, a period from the transmission of information regarding the customer's incoming call from the
顧客の入電に関する情報は、カテゴリ及び顧客の顧客属性を含む。顧客属性は、例えば、顧客の性別及び年代である。このように顧客の入電に関する情報に顧客属性を含めることで、入力情報取得部431は、例えば、若い男性は回答だけ的確に短時間で欲しく、高齢の女性はきちんと話を聞いた上で分かり易くある程度時間が掛かっても説明が欲しいなど、性別及び年代によって要求される内容が異なることが考慮された各オペレータの対応能力値を機械学習モデルMから出力させることができる。また、顧客の入電に関する情報にカテゴリを含めることで、入力情報取得部431は、オペレータごとに異なる熟練度が考慮された対応能力値を機械学習モデルMから出力させることができ、オペレータの教育において不得意分野を特定することが容易となる。
Information about a customer's incoming call includes categories and customer attributes of the customer. Customer attributes are, for example, the gender and age of the customer. By including the customer attribute in the customer's incoming call information in this way, the input
入力情報取得部431は、オペレータ状態データベースを参照することにより、空きオペレータを特定する。図6は、オペレータ状態データベースの構成を示す図である。オペレータ状態データベースは、オペレータの識別番号、及びオペレータが電話対応を行っているか否かを示す対応状況を関連付けて記憶している。オペレータが電話対応を行っている場合、対応状況に顧客番号が格納され、オペレータが電話対応を行っていない場合、「0」が格納される。図6に示す例において、入力情報取得部431は、オペレータ状態データベースから電話対応を行っていない空きオペレータであることを示す対応状況が「0」であるオペレータの識別番号として、OP01、OP03、及びOP04を取得する。
The input
入力情報取得部431は、オペレータ状態データベースからオペレータの識別番号を取得すると、当該識別番号の空きオペレータが使用するオペレータ端末2からオペレータの生体情報を取得する。具体的には、入力情報取得部431は、通信部41を介して、空きオペレータが使用するオペレータ端末2に生体情報取得指示を通知し、通知したオペレータ端末2からオペレータの生体情報を取得する。
When the input
入力情報取得部431は、取得したオペレータの生体情報をモデル適用部433に入力する。また、入力情報取得部431は、取得したオペレータの識別番号をモデル取得部432に入力する。このように、入力情報取得部431が、電話対応を行っていない空きオペレータを割り当て対象にすることで、経験がありスキルが高い特定のオペレータのみに選択が偏ることなく、全体の空き状況や経験量が少ないオペレータに例外的に割り当てる等、バランスを考慮した選択が可能となる。
The input
入力情報取得部431は、CTIサーバ3から送信されたカテゴリ及び顧客属性を入電情報データベースに格納する。図7は、入電情報データベースの構成を示す図である。入電情報データベースは、顧客番号、顧客の性別、顧客の年代、及びカテゴリを関連付けて記憶している。図7に示すように、入力情報取得部431は、CTIサーバ3から送信されたカテゴリ及び顧客属性を、顧客番号に関連付けて入電情報データベースに格納する。
The input
モデル取得部432は、顧客の入電に関する情報とオペレータの生体情報とを入力として、オペレータの入電に関する対応能力値を出力するように学習された機械学習モデルMを取得する。具体的には、モデル取得部432は、入力情報取得部431から入力されたオペレータの識別番号に対応する機械学習モデルMを記憶部42から取得する。機械学習モデルMは、例えば、サポートベクターマシン(SVM:Support Vector Machine)を用いて、オペレータごとに学習されたモデルである。モデル取得部432は、事前に全てのオペレータそれぞれの機械学習モデルMを取得してもよい。
The
モデル適用部433は、入電した顧客それぞれを空きオペレータそれぞれが対応した場合の対応能力値を、顧客の入電に関する情報と空きオペレータの生体情報を機械学習モデルMに入力して取得する。具体的には、モデル適用部433は、入電情報データベースに格納されている情報及び入力情報取得部431から入力された空きオペレータの生体情報を、顧客及び空きオペレータの組み合わせごとに機械学習モデルMに入力し、入電した顧客を空きオペレータが対応した場合の対応能力値を取得する。
The
モデル適用部433は、取得した対応能力値を対応能力推定データベースに格納する。図8は、対応能力推定データベースの構成を示す図である。対応能力推定データベースは、オペレータの識別番号、入電した顧客の顧客番号、及びオペレータの対応能力を関連付けて記憶している。図8に示すように、モデル適用部433は、取得した組み合わせごとの対応能力値を、オペレータの識別番号及び顧客番号に関連付けて対応能力推定データベースに格納する。
The
オペレータ割当部434は、対応能力値を用いて定められた評価関数を用いて、顧客それぞれについて対応する空きオペレータを割り当てる。オペレータ割当部434は、例えば、対応能力推定データベースを参照し、空きオペレータそれぞれに入電した複数の顧客それぞれを割り当てた場合に対応能力値が最大になる組み合わせを算出する(例えば、ハンガリー法)。
The
図8に示す例において、オペレータ割当部434は、OP01、OP03、及びOP04で識別される3人のオペレータが、C01、C02、及びC03で識別される3人の顧客に対応する場合の6通りの組み合わせの中から、対応能力の合計値が最大となる組み合わせを算出する。この場合において、オペレータ割当部434は、対応能力の合計値が「1.6」と最大となる、識別番号「OP01」であるオペレータに顧客番号「C02」である顧客、識別番号「OP03」であるオペレータに顧客番号「C01」である顧客、識別番号「OP04」であるオペレータに顧客番号「C03」である顧客の組み合わせを算出する。このようにすることで、オペレータ割当部434は、全体として顧客満足度が高く、かつ対応時間が最小となる組み合わせを算出することができる。オペレータ割当部434は、通信部41を介して、算出した組み合わせ情報をCTIサーバ3に送信する。
In the example shown in FIG. 8, the
オペレータ割当部434は、算出した組み合わせに基づいて、オペレータ状態データベースの対応状況を更新する。オペレータ割当部434は、例えば、上述の組み合わせに基づいて、オペレータ状態データベースの識別番号「OP01」に対応する対応状況を「C02」、識別番号「OP03」に対応する対応状況を「C01」、識別番号「OP04」に対応する対応状況を「C03」に更新する。
The
モデル生成情報取得部435は、機械学習モデルMを生成するためのモデル生成情報を取得する。具体的には、モデル生成情報取得部435は、オペレータ端末2から自己評価を取得し、CTIサーバ3から対応時間及び顧客満足度を取得する。また、モデル生成情報取得部435は、オペレータ端末2から所定の時間ごと及び電話対応前後のオペレータの生体情報を取得する。モデル生成情報取得部435は、取得した自己評価、対応時間及び顧客満足度に基づいて、記憶部42に記憶されている顧客対応履歴データベースを更新する。
The model generation
図9は、顧客対応履歴データベースの構成を示す図である。顧客対応履歴データベースは、オペレータの識別番号、カテゴリ、対応時間、顧客満足度、自己評価、及び電話対応の回数を合計した対応回数を関連付けて記憶している。顧客対応履歴データベースに記憶される対応時間は、電話対応にかかった時間の合計値を10進数に変換した時間である。顧客対応履歴データベースに記憶される顧客満足度は、顧客満足度の合計値を、電話対応の回数を合計した対応回数で除算した平均値である。顧客対応履歴データベースに記憶される自己評価は、自己評価の合計値を、電話対応の回数を合計した対応回数で除算した平均値である。図9に示すように、モデル生成情報取得部435は、取得した自己評価、対応時間及び顧客満足度に基づいて、顧客対応履歴データベースにおいてオペレータの識別番号及びカテゴリに対応する、対応時間、顧客満足度、自己評価、及び対応回数を更新する。
FIG. 9 is a diagram showing the configuration of the customer correspondence history database. The customer response history database stores the operator's identification number, category, response time, customer satisfaction, self-evaluation, and the total number of telephone responses in association with each other. The response time stored in the customer response history database is the time obtained by converting the total value of the time required for telephone response into a decimal number. The customer satisfaction stored in the customer response history database is an average value obtained by dividing the total value of customer satisfaction by the total number of telephone responses. The self-evaluation stored in the customer response history database is an average value obtained by dividing the total value of the self-evaluation by the total number of telephone responses. As shown in FIG. 9, the model generation
モデル生成情報取得部435は、自己評価を取得した場合に、オペレータ状態データベースにおいて当該自己評価を行ったオペレータに対応する対応状況を更新する。具体的には、モデル生成情報取得部435は、自己評価を取得したオペレータ端末2を使用しているオペレータの識別番号に対応する対応状況を「0」に更新する。
When the model generation
モデル生成情報取得部435は、所定の時間ごとに取得されたオペレータの生体情報、及び電話対応前後に取得されたオペレータの生体情報を、モデル生成部436に入力する。このようにすることで、モデル生成情報取得部435は、所定の時間ごとの生体情報と、電話対応前後の生体情報から求められる疲労度の変化量と、顧客満足度とを機械学習モデルMに学習させ、入電時のオペレータの生体情報に基づいて得られる疲労度から、顧客満足度に結びついた対応能力値を機械学習モデルMから出力させることができる。これにより、疲労度が高くても顧客満足度が高いオペレータや、疲労度が低いのに顧客満足度が低いオペレータなど、オペレータごとの疲労耐性を推定することができ、推定された疲労耐性に応じて、オペレータを教育することができる。
The model generation
モデル生成部436は、対応能力値を算出するための算出パラメータを、対応能力マッピングに基づいて定められた対応能力値の指標値、オペレータの生体情報、及び顧客対応履歴データベースに基づいて学習した機械学習モデルMを生成する。図9に示すように、顧客対応履歴データベースは、顧客の入電に関する情報(例えば、カテゴリ)と、顧客満足度と、対応時間と、を含む。
The
図10は、対応能力評価概要データベースの構成を示す図である。対応能力評価概要データベースは、対応能力マッピングで対応能力の指標値を算出するための評価概要を記憶する。対応能力評価概要データベースは、所定の基準値に基づいて電話対応にかかった時間が長いか否かを示す対応時間、5段階で示す評価、指標値を算出するための評価概要を関連付けて記憶している。評価概要は、例えば、「◎」が最も評価が高く、「×」が最も評価が低いことを示す。 FIG. 10 is a diagram showing the configuration of a response capability evaluation summary database. The response capability evaluation summary database stores an evaluation summary for calculating the index value of the response capability by the response capability mapping. The response capability evaluation summary database stores the response time, which indicates whether or not it took a long time to respond to a call based on a predetermined standard value, the evaluation shown in five stages, and the evaluation summary for calculating the index value. ing. In the evaluation summary, for example, "◎" indicates the highest evaluation and "x" indicates the lowest evaluation.
図11は、対応能力マッピングの構成を示す図である。対応能力マッピングは、機械学習モデルMに学習させる情報を格納する。対応能力マッピングは、顧客対応履歴データベースに基づいて、オペレータが電話対応にかかった時間を示す対応時間が短いほど対応能力値が高くなり、かつ顧客が電話対応を受けたオペレータに対する評価を示す顧客満足度が高いほど対応能力値が高くなるようにマッピングされている。対応能力マッピングは、対応能力の指標値を対応時間及び評価にマッピングする。 FIG. 11 is a diagram showing a configuration of response capability mapping. The response capability mapping stores information to be trained by the machine learning model M. Based on the customer response history database, the response capability mapping indicates the time taken by the operator to answer the call. The shorter the response time, the higher the response capability value, and the customer satisfaction that indicates the evaluation of the operator who received the call. It is mapped so that the higher the degree, the higher the response ability value. Response capability mapping maps the response capability index values to response time and evaluation.
指標値は、対応能力評価概要データベースに基づいて、0<指標値≦1の間で数値化された対応能力の目安である。指標値は、モデル生成部436が算出してもよいし、コールセンターの管理者が設定してもよい。このように対応能力値に対応時間を関連付けることで、モデル生成部436は、顧客満足度と対応時間とのバランスが考慮された対応能力値を機械学習モデルMから出力させることができる。また、モデル生成部436は、対応能力マッピングを調整することで、企業ごと、部署ごと、又はカテゴリごとに、対応時間及び顧客満足度のいずれかに重視するかを変更することができる。
The index value is a measure of the response capacity quantified between 0 <index value ≤ 1 based on the response capacity evaluation summary database. The index value may be calculated by the
モデル生成部436は、算出パラメータを、顧客満足度よりオペレータが電話対応を行った自己に対する評価である自己評価の方が高い場合において、顧客満足度と自己評価の差分が大きいほど指標値が低くなるように補正してもよい。モデル生成部436は、例えば、自己評価が「5」であり、顧客満足度が「2」である場合には、自己評価と顧客満足度とが一致する場合に比べて、対応能力マッピングの指標値が低くなるように補正してもよい。
In the
この場合、モデル生成部436は、顧客満足度が高いほど対応能力値が高くなるようにマッピングされた対応能力マッピングに基づいて定められ、かつ補正された対応能力値の指標値、及び自己評価をさらに含む顧客対応履歴データベースに基づいて学習した機械学習モデルを生成してもよい。このように顧客満足度とオペレータの自己評価との差を比較することで、モデル生成部436は、オペレータのコミュニケーション能力を考慮した対応能力値を機械学習モデルMから出力させることができる。また、オペレータ教育時に、相手の気持ちを把握するようなコミュニケーション能力を向上させる教育に用いることや、人事評価の際に客観的評価として提示することでオペレータ側の不満解消に効果を上げることができる。
In this case, the
モデル生成部436は、オペレータの個人特性が自己評価を高く付ける傾向を示す場合に、指標値が低くなるように補正し、オペレータの個人特性が自己評価を低く付ける傾向を示す場合に、指標値が高くなるように補正してもよい。モデル生成部436は、例えば、定期的にオペレータに個人特性を取得する主観アンケート(例えば、性格特性Big5尺度)を利用し、自己評価を高めにつける傾向がある外向性傾向が高いオペレータに対して指標値が低くなるように補正し、自己評価を低めにつける傾向がある神経質傾向のオペレータに対して指標値が高くなるように補正してもよい。このようにすることで、モデル生成部436は、オペレータの性格を考慮した対応能力値を機械学習モデルMから出力させることができる。
The
[オペレータ選択システムSの処理]
続いて、オペレータ選択システムSによる処理の流れを説明する。図12は、オペレータ選択システムSによる処理の流れを示すシーケンス図である。本シーケンス図は、顧客がコールセンターに電話をかけたことを契機として開始する。
[Processing of operator selection system S]
Subsequently, the flow of processing by the operator selection system S will be described. FIG. 12 is a sequence diagram showing a processing flow by the operator selection system S. This sequence diagram starts when the customer calls the call center.
CTIサーバ3の入電情報取得部331は、顧客からの入電を受け付けると、顧客の入電に関する情報を取得する。具体的には、入電情報取得部331は、入電により得られる発信者番号に基づいて、顧客情報データベースから顧客の性別及び顧客の年代を含む顧客属性を取得し、自動音声に従って顧客が入力した入電内容が属するカテゴリを取得する。入電情報取得部331は、取得した顧客属性及びカテゴリをCTIサーバ3の割当情報取得部332に入力する。割当情報取得部332は、入電情報取得部331から顧客属性及びカテゴリが入力されると、通信部31を介して、顧客属性及びカテゴリをオペレータ選択装置4に送信する。
When the incoming call
オペレータ選択装置4の入力情報取得部431は、CTIサーバ3から顧客属性及びカテゴリを取得すると、所定の取得条件を満たすか否かを判定する(S1)。具体的には、入力情報取得部431は、所定の時間及び所定の顧客の入電数のいずれかの取得条件を満たすか否かを判定する。入力情報取得部431は、所定の取得条件を満たさないと判定した場合、処理をS1に戻す。
When the input
一方、入力情報取得部431は、所定の取得条件を満たすと判定した場合、電話対応を行っていない空きオペレータを特定する(S2)。具体的には、入力情報取得部431は、オペレータ状態データベースから電話対応を行っていない空きオペレータであることを示す対応状況が「0」であるオペレータの識別番号を取得する。
On the other hand, when the input
入力情報取得部431は、オペレータ状態データベースからオペレータの識別番号を取得すると、当該識別番号の空きオペレータが使用するオペレータ端末2からオペレータの生体情報を取得する。具体的には、まず、入力情報取得部431は、通信部41を介して、空きオペレータが使用するオペレータ端末2に生体情報取得指示を通知する。オペレータ端末2の生体情報取得部241は、オペレータ選択装置4から生体情報取得指示を受け付けると、センサー部22が計測した心電波形又は心拍数に基づいてオペレータの生体情報を取得する。オペレータ端末2の送信部244は、生体情報取得部241が取得したオペレータの生体情報をオペレータ選択装置4に送信する。そして、入力情報取得部431は、オペレータ端末2から送信されたオペレータの生体情報を取得する。
When the input
入力情報取得部431は、取得したオペレータの生体情報をモデル適用部433に入力する。入力情報取得部431は、CTIサーバ3から送信された顧客属性及びカテゴリを入電情報データベースに格納する。モデル取得部432は、入力情報取得部431から入力されたオペレータの識別番号それぞれに対応する機械学習モデルMを記憶部42から取得する。
The input
続いて、モデル適用部433は、入力情報取得部431から入力されたオペレータの生体情報及び入電情報データベースに格納されている情報を機械学習モデルMに入力して、入電した顧客及び空きオペレータの組み合わせごとに、入電した顧客に空きオペレータが対応した場合の対応能力値を取得し(S3)、取得した対応能力値を対応能力推定データベースに格納する。
Subsequently, the
オペレータ割当部434は、対応能力値を用いて定められた評価関数を用いて、顧客それぞれについて対応する空きオペレータを割り当てる。オペレータ割当部434は、例えば、対応能力推定データベースを参照し、ハンガリー法に基づいて、空きオペレータそれぞれに入電した顧客それぞれを割り当てた場合に対応能力値が最大になる組み合わせを算出する(S4)。オペレータ割当部434は、通信部41を介して、算出した組み合わせ情報をCTIサーバ3に送信する。また、オペレータ割当部434は、算出した組み合わせに基づいて、オペレータ状態データベースを更新する。
The
CTIサーバ3の転送部333は、通信部31を介して、入力された組み合わせ情報に基づいて、複数の顧客からの入電それぞれを、複数の空きオペレータそれぞれに転送する。そして、転送されたオペレータそれぞれは、電話対応を開始する。CTIサーバ3の対応情報取得部334は、オペレータが電話対応を終えた後に、電話対応に関する情報を取得する。具体的には、対応情報取得部334は、オペレータ端末2から通話終了の通知を受け付けると、対応時間及び顧客が入力したアンケート結果に基づく顧客満足度を含む電話対応に関する情報を取得する。対応情報取得部334は、通信部31を介して、取得した電話対応に関する情報を、オペレータ選択装置4に送信する。
The
オペレータ端末2の自己評価入力部243は、通話部242から通話終了の通知を受け付けると、自己評価入力画面を表示する。自己評価入力部243は、オペレータが自己評価入力画面から5段階評価のいずれかの選択肢を入力すると、入力した自己評価を送信部244に入力する。オペレータ端末2の送信部244は、通信部21を介して、自己評価入力部243から入力された自己評価をオペレータ選択装置4に送信する。
When the self-
オペレータ選択装置4のモデル生成情報取得部435は、機械学習モデルMを生成するためのモデル生成情報を取得する。具体的には、モデル生成情報取得部435は、オペレータ端末2から自己評価を取得し、CTIサーバ3から対応時間及び顧客満足度を取得する。
The model generation
モデル生成情報取得部435は、取得したモデル生成情報に基づいて、記憶部42に記憶されている顧客対応履歴データベースを更新する(S5)。モデル生成情報取得部435は、所定の時間ごと及び電話対応前後のオペレータの生体情報を、モデル生成部436に入力する。具体的には、モデル生成情報取得部435は、オペレータ端末2の送信部244が、所定のタイミングで送信したオペレータの生体情報を取得し、モデル生成部436に入力する。モデル生成部436は、対応能力値を算出するための算出パラメータを、対応能力マッピングに基づいて定められた対応能力値の指標値、オペレータの生体情報、及び顧客対応履歴データベースに基づいて学習した機械学習モデルMを生成する(S6)。
The model generation
[本実施の形態における効果]
以上説明したとおり、本実施の形態に係るオペレータ選択システムSは、機械学習モデルMが出力したオペレータの対応能力値に基づいて、入電した顧客と空きオペレータの組み合わせを算出する。そして、オペレータ選択システムSは、算出した組み合わせに基づいて、オペレータに顧客を割り当てる。このようにすることで、オペレータ選択システムSは、顧客満足度が高く、かつ対応時間が短くなる最適な組み合わせで割り当てることができる。その結果、オペレータ選択システムSは、入電した顧客に最適なオペレータを割り当てることができる。
[Effects in this embodiment]
As described above, the operator selection system S according to the present embodiment calculates the combination of the incoming customer and the vacant operator based on the corresponding ability value of the operator output by the machine learning model M. Then, the operator selection system S assigns a customer to the operator based on the calculated combination. By doing so, the operator selection system S can be assigned in the optimum combination with high customer satisfaction and short response time. As a result, the operator selection system S can assign the optimum operator to the incoming customer.
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の分散・統合の具体的な実施の形態は、以上の実施の形態に限られず、その全部又は一部について、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を合わせ持つ。 Although the present invention has been described above using the embodiments, the technical scope of the present invention is not limited to the scope described in the above embodiments, and various modifications and changes can be made within the scope of the gist. is there. For example, the specific embodiment of the distribution / integration of the device is not limited to the above embodiment, and all or a part thereof may be functionally or physically dispersed / integrated in any unit. Can be done. Also included in the embodiments of the present invention are new embodiments resulting from any combination of the plurality of embodiments. The effect of the new embodiment produced by the combination has the effect of the original embodiment together.
1 基地局
2 オペレータ端末
20 ヘッドセット
21 通信部
22 センサー部
23 記憶部
24 制御部
241 生体情報取得部
242 通話部
243 自己評価入力部
244 送信部
3 CTIサーバ
31 通信部
32 記憶部
33 制御部
331 入電情報取得部
332 割当情報取得部
333 転送部
334 対応情報取得部
4 オペレータ選択装置
41 通信部
42 記憶部
43 制御部
431 入力情報取得部
432 モデル取得部
433 モデル適用部
434 オペレータ割当部
435 モデル生成情報取得部
436 モデル生成部
1
Claims (10)
所定の取得条件を満たすタイミングにおいて、前記顧客の入電に関する情報と、顧客対応をしていない空きオペレータの生体情報とを取得する入力情報取得部と、
入電した前記顧客それぞれを前記空きオペレータそれぞれが対応した場合の対応能力値を、前記顧客の入電に関する情報と前記空きオペレータの生体情報を前記機械学習モデルに入力して取得するモデル適用部と、
前記対応能力値を用いて定められた評価関数を用いて、前記顧客それぞれについて対応する前記空きオペレータを割り当てるオペレータ割当部と、
を備えるオペレータ選択装置。 A model acquisition unit that acquires a machine learning model that has been trained to output the response capability value of the operator regarding the incoming call by inputting the customer's incoming call information and the operator's biological information.
An input information acquisition unit that acquires information on the customer's incoming call and biometric information of a vacant operator who is not responding to the customer at the timing when a predetermined acquisition condition is satisfied.
A model application unit that acquires the response capability value when each of the vacant operators responds to each of the incoming customers by inputting information on the customer's incoming call and biometric information of the vacant operator into the machine learning model.
An operator allocation unit that allocates the corresponding vacant operator for each of the customers by using the evaluation function determined by using the corresponding ability value.
An operator selection device comprising.
請求項1に記載のオペレータ選択装置。 The input information acquisition unit acquires information on the customer's incoming call and biometric information of the vacant operator at a predetermined time and at a timing that satisfies the acquisition condition of any of the predetermined number of incoming calls of the customer.
The operator selection device according to claim 1.
請求項1又は2に記載のオペレータ選択装置。 The information regarding the customer's incoming call includes the category to which the customer's incoming call content belongs.
The operator selection device according to claim 1 or 2.
請求項1から3のいずれか一項に記載のオペレータ選択装置。 The information regarding the customer's incoming call includes the customer attributes of the customer.
The operator selection device according to any one of claims 1 to 3.
請求項1から4のいずれか一項に記載のオペレータ選択装置。 As for the calculation parameter for calculating the response ability value, the shorter the response time indicating the time taken by the operator to respond to the call, the higher the response ability value, and the evaluation of the operator who received the call from the customer. The higher the customer satisfaction level, the higher the response ability value, and the index value of the response ability value, the operator's biometric information, and the information regarding the customer's incoming call, which are determined based on the response ability mapping. further comprising a customer satisfaction, and before Symbol response time, the model generating unit for generating the machine learning model trained based on the customer interaction history including,
The operator selection device according to any one of claims 1 to 4.
請求項5に記載のオペレータ選択装置。 The model generation unit has a large difference between the customer satisfaction and the self-evaluation when the self-evaluation, which is the evaluation of the operator who responded to the telephone by the operator, is higher than the customer satisfaction. The corresponding ability value is corrected so that the index value becomes lower, and the corresponding ability value is determined and corrected based on the corresponding ability mapping mapped so that the higher the customer satisfaction is, the higher the corresponding ability value is. Generate the machine learning model learned based on the customer response history including the index value and the self-evaluation.
The operator selection device according to claim 5.
請求項6に記載のオペレータ選択装置。 When the personal characteristic of the operator shows a tendency to give a high self-evaluation, the model generation unit corrects the index value to be low, and the personal characteristic of the operator shows a tendency to make the self-evaluation low. In some cases, the index value is corrected so as to be higher.
The operator selection device according to claim 6.
所定の時間ごとに前記オペレータの生体情報を取得し、取得した前記オペレータの生体情報を所定のタイミングで前記オペレータ選択装置に送信するオペレータ端末と、
を備えるオペレータ選択システム。 The operator selection device according to any one of claims 1 to 7.
An operator terminal that acquires the biometric information of the operator at predetermined time intervals and transmits the acquired biometric information of the operator to the operator selection device at a predetermined timing.
Operator selection system with.
顧客の入電に関する情報とオペレータの生体情報とを入力として、前記オペレータの前記入電に関する対応能力値を出力するように学習された機械学習モデルを取得するステップと、
所定の取得条件を満たすタイミングにおいて前記顧客の入電に関する情報を取得するステップと、
所定の取得条件を満たすタイミングにおいて顧客対応をしていない空きオペレータの生体情報を取得するステップと、
入電した顧客それぞれを空きオペレータそれぞれが対応した場合の対応能力値を、前記顧客の入電に関する情報と前記オペレータの生体情報を前記機械学習モデルに入力して取得するステップと、
前記対応能力値を用いて定められた評価関数を用いて、前記顧客それぞれについて対応する前記空きオペレータを割り当てるステップと、
を実行させるためのプログラム。 On the computer
A step of acquiring a machine learning model trained to output a response ability value of the operator regarding the incoming call by inputting information about the customer's incoming call and the biometric information of the operator.
A step of acquiring information on the customer's incoming call at a timing that satisfies a predetermined acquisition condition, and
A step to acquire biometric information of a vacant operator who does not respond to customers at the timing when a predetermined acquisition condition is satisfied, and
A step of inputting information on the customer's incoming call and biometric information of the operator into the machine learning model to acquire the response ability value when each vacant operator responds to each incoming customer.
A step of assigning the corresponding free operator to each of the customers using the evaluation function determined by using the corresponding ability value, and
A program to execute.
顧客の入電に関する情報とオペレータの生体情報とを入力として、前記オペレータの前記入電に関する対応能力値を出力するように学習された機械学習モデルを取得するステップと、
所定の取得条件を満たすタイミングにおいて前記顧客の入電に関する情報を取得するステップと、
所定の取得条件を満たすタイミングにおいて顧客対応をしていない空きオペレータの生体情報を取得するステップと、
入電した顧客それぞれを空きオペレータそれぞれが対応した場合の対応能力値を、前記顧客の入電に関する情報と前記オペレータの生体情報を前記機械学習モデルに入力して取得するステップと、
前記対応能力値を用いて定められた評価関数を用いて、前記顧客それぞれについて対応する前記空きオペレータを割り当てるステップと、
を有することを特徴とするオペレータ選択方法。 Computer runs,
A step of acquiring a machine learning model trained to output a response ability value of the operator regarding the incoming call by inputting information about the customer's incoming call and the biometric information of the operator.
A step of acquiring information on the customer's incoming call at a timing that satisfies a predetermined acquisition condition, and
A step to acquire biometric information of a vacant operator who does not respond to customers at the timing when a predetermined acquisition condition is satisfied, and
A step of inputting information on the customer's incoming call and biometric information of the operator into the machine learning model to acquire the response ability value when each vacant operator responds to each incoming customer.
A step of assigning the corresponding free operator to each of the customers using the evaluation function determined by using the corresponding ability value, and
An operator selection method characterized by having.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017186836A JP6802134B2 (en) | 2017-09-27 | 2017-09-27 | Operator selection device, operator selection system, program and operator selection method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017186836A JP6802134B2 (en) | 2017-09-27 | 2017-09-27 | Operator selection device, operator selection system, program and operator selection method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019062460A JP2019062460A (en) | 2019-04-18 |
JP6802134B2 true JP6802134B2 (en) | 2020-12-16 |
Family
ID=66176844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017186836A Active JP6802134B2 (en) | 2017-09-27 | 2017-09-27 | Operator selection device, operator selection system, program and operator selection method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6802134B2 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2021053964A1 (en) * | 2019-09-19 | 2021-03-25 | ||
JP7453644B2 (en) | 2019-10-04 | 2024-03-21 | 株式会社野村総合研究所 | Information processing equipment and programs |
CN110618405B (en) * | 2019-10-16 | 2022-12-27 | 中国人民解放军海军大连舰艇学院 | Radar active interference efficiency measuring and calculating method based on interference mechanism and decision-making capability |
WO2021095473A1 (en) * | 2019-11-14 | 2021-05-20 | ソニー株式会社 | Information processing device, information processing method, and computer program |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003244328A (en) * | 2002-02-14 | 2003-08-29 | Denon Ltd | Call center system |
MX2011004815A (en) * | 2008-11-06 | 2011-06-16 | Resource Group International Ltd | Two step routing procedure in a call center. |
US8340274B2 (en) * | 2008-12-22 | 2012-12-25 | Genesys Telecommunications Laboratories, Inc. | System for routing interactions using bio-performance attributes of persons as dynamic input |
-
2017
- 2017-09-27 JP JP2017186836A patent/JP6802134B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019062460A (en) | 2019-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6802134B2 (en) | Operator selection device, operator selection system, program and operator selection method | |
US20220189479A1 (en) | Communication system and communication control method | |
US10146882B1 (en) | Systems and methods for online matching using non-self-identified data | |
US20170316453A1 (en) | Information processing apparatus and information processing method | |
JP6930277B2 (en) | Presentation device, presentation method, communication control device, communication control method and communication control system | |
JP6114773B2 (en) | Information processing apparatus and method | |
JP6242359B2 (en) | Information processing apparatus and method | |
JP6915963B2 (en) | Information processing device | |
JP4939887B2 (en) | Learning strategy generation system and method | |
JP7501614B2 (en) | Price Calculation Device | |
JP2019022540A (en) | Program, information processor, and stress evaluation method | |
CN112446563B (en) | List distribution system and method | |
JP7026032B2 (en) | Recommendation system and recommendation method | |
CN113225435A (en) | Method, device and readable storage medium for estimating call connection probability | |
CN113240200A (en) | Online customer service scheduling method and device | |
JP7487944B2 (en) | Emotion recording support device and emotion recording support method | |
JP2023091218A (en) | Information processing apparatus, information processing method, and program | |
JP7019234B2 (en) | Information processing equipment | |
WO2023119992A1 (en) | Information processing device, information processing method, and program | |
JP7485395B1 (en) | Information processing device, information processing method, and program | |
JP2023115687A (en) | Data processing method, program and data processing device | |
WO2022239246A1 (en) | Information processing device, information processing method, and program | |
JP2018163181A (en) | Educational material provision system, educational material provision method, and program | |
JP6360218B2 (en) | Information processing apparatus and method | |
JP6230560B2 (en) | Information processing apparatus and method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190802 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200610 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200728 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200911 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201126 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6802134 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |