JP7449371B2 - 事前対応型クライアント関係分析のための方法及びシステム - Google Patents

Description

非中核業務のサードパーティへのアウトソーシングは、最新のビジネス・モデル及び組織モデルの標準構成要素である。

したがって、多くの組織は、サードパーティのサービス・プロバイダを利用して組織の様々な機能及び業務を実行している。具体的な例証的実例として、多くの組織は、日常業務において複数のソフトウェア・システムに依存している。多くの場合、これらの組織は、単に「エンタープライズ・ソフトウェア」とも呼ばれる１つ又は複数のエンタープライズ・アプリケーション・ソフトウェア・システム（ＥＡＳ）を使用する。ＥＡＳシステムは、組織内の個人ではなく、組織全体又は企業全体のニーズに対応するソフトウェア能力を提供するように設計される。したがって、ＥＡＳシステムは通常、非常に複雑なシステムである。組織は多くの場合、これらのソフトウェア・システムの複雑さを考慮して、組織によって使用される様々なソフトウェア・システムをサポートするためにソフトウェア・サービス・プロバイダに頼る。通常、ソフトウェア・サービス・プロバイダのこれらの組織又はクライアントは、サポートされているソフトウェアに依存して収益を生み出し、経費を管理する。したがって、ソフトウェア・サービス・プロバイダによって提供されるサービスは、多くの場合、クライアントにとって重要であり、提供される実装、保守、及び問題解決サービスは通常、非常に迅速且つ正確に実行される必要がある。

サービス・プロバイダは通常、そのクライアントの信頼を確立及び維持するために、１つ又は複数のクライアント・サービス・システム又はクライアント関係管理システムを利用して、サービス・プロバイダによって実行される様々な仕事に関するデータを追跡及び収集する。クライアント・サービス・システムの具体的な実例の１つは、Ｓａｌｅｓｆｏｒｃｅ（商標）である。従来のクライアント・サービス・システムによって収集されたデータにより、サービス・プロバイダのエージェント（通常は人間のエージェント）は、仕事の進行状況を追跡することができ、その結果、エージェントはクライアントとの関係を効率的且つ効果的に管理することができる。

従来のクライアント・サービス・システムを使用して、クライアントの仕事又は問題に基づいて案件が作成される。案件が解決又は終了するまで、各案件が追跡され、データが収集される。案件が追跡されるとき、通常、案件の存続期間を通じて様々な案件パフォーマンス・データが生成される。次いで、従来のクライアント・サービス・システムを使用して、案件パフォーマンス・データを分析し、様々な方法を使用してクライアントの案件を処理する際のサービス・プロバイダのパフォーマンスを判断することができる。

従来のクライアント・サービス・システムは非常に効果的である可能性があり、クライアントの仕事を追跡し、クライアントとの関係を維持するための強力なツールである。しかしながら、従来のクライアント・サービス・システムは主に事後対応型システムであり、問題がすでに発生した後、又は少なくとも重大な若しくは深刻な問題になった後に、その問題をサービス・プロバイダのエージェントに警告するだけである。例えば、従来のクライアント・サービス・システムを使用している場合、クライアントが問題を報告したとき、又はデータ内の大幅な逸脱が問題を示しているときにのみ、エージェントは警告を受ける。他の事例では、従来のクライアント・サービス・システムを使用している場合、管理者は通常、エージェントによって実行されたアクションの履歴分析を監視するときにのみ、担当するエージェントのパフォーマンスに気付き、そのパフォーマンスに対応する。例えば、管理者は、エージェントが問題を解決するのにかかる平均時間を調査し、エージェントの平均解決時間が他のエージェントの平均を超えていることが分かったときに対応する場合がある。この実例では、管理者の対応は、そのようなエージェントに追加の訓練を提供するか、又は案件がタイムリーに解決されない場合は別のエージェントに案件を移管することであり得る。別の実例として、クライアントがサービス又はサービスを実行しているエージェントのレビューを提出したときに、管理者は、不満のあるクライアントに気付く場合がある。

従来のクライアント・サービス・システムを使用している場合、通常は、サービス・プロバイダが問題又はクライアントとの関係の低下に気付く前に、問題がすでに発生しているか、又は少なくともクライアントが大きな不満を抱くほどに深刻化しているので、従来のクライアント・サービス・システムのこのタイプの事後対応型の動作は重大な問題である。その結果、問題が解決される前に、クライアントの信用及び信頼を大きく損なう可能性がある。上述したように、多くの場合、この信用及び信頼はクライアント／サービス・プロバイダの関係にとって重要であるため、従来のクライアント・サービス・システムの事後対応的な性質は、関係に害を及ぼすことが多い。さらに、これによりクライアントが別のサービス・プロバイダを選択することにつながるおそれがある。

したがって、従来のクライアント管理システムは、サービス・プロバイダによって実行されるクライアント・サポートの履歴上の問題を発見するのに効果的であるが、その問題がクライアントの関係に深刻な害を及ぼした可能性があるため、損害は元に戻せず、問題を是正する時間はない。したがって、これらの場合、失われたクライアントに関する履歴分析は、少なくともそのクライアントに関しては現実的意味を失う。

したがって、クライアントの問題を早期に且つその問題が重大な問題になる前に特定又は予測し、これにより、問題がサービス・プロバイダ／クライアントの関係に悪影響を与える前にサービス・プロバイダが問題に事前対応として対処できるようにする能力をクライアント管理システムに提供するという、長年の技術的問題に対する技術的解決策が非常に必要とされている。

本開示の実施例は、より予測的で事前対応型のクライアント管理システムを提供するという技術的問題に対する技術的解決策を提供する。

一実施例では、本開示の技術的解決策は、１つ又は複数のクライアント・サービス・システムから履歴案件データを収集するステップと、履歴案件データを使用して、１つ又は複数の機械学習異常検出モデルを、案件データ内のクライアントの潜在的な不満を示す異常を検出するように訓練するステップとを含む。１つ又は複数の機械学習異常検出モデルが訓練されると、訓練済みの１つ又は複数の機械学習異常検出モデルに現在の案件データが提供され、現在の案件データ内の異常が識別される。特定の案件の案件データ内で１つ又は複数の異常が検出されると、その案件及び検出された異常は、サービス・プロバイダのエージェント又は管理者に知らされ、その後エージェント又は管理者は、クライアントの不満が高まる前に、異常に対処する又は異常を是正するように事前対応として行動することができる。

一実施例では、本開示の技術的解決策は、クライアント・サービス・システムから、クライアントとサービス・プロバイダとの間のコミュニケーションを表す非構造化会話型データを含む案件データを収集するステップを含む。次に、自然言語処理方法などの機械学習方法を使用して、クライアントとサービス・プロバイダとの間のコミュニケーションにおけるクライアント感情を識別する。検出された感情は、案件の処理に対するクライアントの満足若しくは不満、又は案件に介入する必要があることの緊急性を示す可能性がある。特定の案件の案件データ内で１つ又は複数の感情が検出されると、その案件及び検出された感情は、サービス・プロバイダのエージェント又は管理者に知らされ、その後エージェント又は管理者は、クライアントの不満が高まる前に、検出された感情に対処するように事前対応として行動することができる。

一実施例では、本開示の技術的解決策は、クライアント・サービス・システムから履歴案件データを収集するステップと、履歴案件データを使用して、１つ又は複数の機械学習異常検出モデルを、案件データ内のクライアントの潜在的な不満を示す異常を検出するように訓練するステップとを含む。１つ又は複数の機械学習異常検出モデルが訓練されると、訓練済みの１つ又は複数の機械学習異常検出モデルに現在の案件データが提供され、現在の案件データ内の異常が識別される。さらに、会話型データ内の任意のクライアント感情を識別するために、クライアントとサービス・プロバイダとの間のコミュニケーションを表す非構造化会話型データを含む現在の案件データも、機械学習言語処理方法を使用して処理される。

機械学習異常検出モデル及び機械学習言語処理方法を使用して現在の案件データが処理されると、特定の案件の案件データ内で検出された異常、及び／又は特定の案件の案件データ内で検出された感情は、レポートに収集され、通知、アラート、シグナル、ユーザ・インターフェース表示、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のレポート・フォーマットとして提供される。検出された異常及び感情は、サービス・プロバイダのエージェント又は管理者に知らされ、その後エージェント又は管理者は、クライアントの不満が高まる前に、検出された異常及び／又は感情に対処するように事前対応として行動することができる。レポートに収集された異常及び／又は感情は、用途に応じて一定期間又は他の間隔での集計として特別に収集され得ることを理解されたい。

本開示の実施例を使用する場合、機械学習方法を使用して、サービス・プロバイダによって提供されるサポートに対するクライアントの満足度を比較的リアルタイムで監視し、その結果、クライアントの不満度が許容できないレベルに上昇する前に、主要業績評価指標又は他の組織の指標によって定義されるように必要な是正措置を講じることができる。したがって、本開示の実施例は、クライアントの問題が深刻化する前にその問題を識別又は予測することができるクライアント管理システムを提供するという長年の技術的問題に対する技術的解決策に相当する。その結果、サービス・プロバイダは、本開示の実施例を使用して、問題がサービス・プロバイダ／クライアントの関係に悪影響を与える前に、事前対応として問題に対処することができる。

事前対応型クライアント関係分析システムを実装するためのアプリケーション環境の高レベル・ブロック図である。 クライアント・サービス・システム及びベクトル収集器モジュールのより詳細なブロック図を含む、事前対応型クライアント関係分析のためのアプリケーション環境のブロック図である。 事前対応型クライアント関係分析に使用される案件データの例証的で非網羅的なユーザ・インターフェースの実例を示す図である。 事前対応型クライアント関係分析に使用されるベクトル・データの例証的で非網羅的なリストを示す図である。 事前対応型クライアント関係分析に使用されるベクトル・データの例証的で非網羅的なリストを示す図である。 シグナル・プロセッサ・モジュールのより詳細なブロック図を含む、事前対応型クライアント関係分析のためのアプリケーション環境のブロック図である。 検証及び統一モジュール（ｖａｌｉｄａｔｉｏｎ ａｎｄ ｃｏｎｓｏｌｉｄａｔｉｏｎ ｍｏｄｕｌｅ）のより詳細なブロック図を含む、事前対応型クライアント関係分析のためのアプリケーション環境のブロック図である。 ユーザ・インターフェース・モジュールのより詳細なブロック図を含む、事前対応型クライアント関係分析のためのアプリケーション環境のブロック図である。 図５Ａのユーザ・インターフェース・モジュールによって生成されたシグナル・レポートの例証的実例を示す図である。 図５Ａのユーザ・インターフェース・モジュールによって生成されたシグナル・レポートの例証的実例を示す図である。 感情シグナルに基づいて識別され、事前対応型クライアント関係分析に使用される感情レポート・データの例証的で非網羅的なユーザ・インターフェースの実例を示す図である。 事前対応型クライアント関係分析に使用されるシグナル・レポート・データの例証的で非網羅的なユーザ・インターフェースの実例を示す図である。 事前対応型クライアント関係分析のためのベクトル制御の例示的な表である。 事前対応型クライアント異常検出のためのプロセスの流れ図である。 事前対応型クライアント感情検出のためのプロセスの流れ図である。 事前対応型クライアント関係分析のためのプロセスの流れ図である。

図及び詳細な説明全体を通して、同様の要素を示すために共通の参照番号が使用されている。当業者には、上記の図が実例であること、及び特許請求の範囲に記載されている本発明の特性及び特徴から逸脱することなく他のアーキテクチャ、動作モード、動作順序、要素、及び機能が提供及び実施され得ることが容易に理解されよう。

次に、１つ又は複数の例示的な実施例を示す添付の図を参照して、実施例について説明する。実施例は、多くの異なる形態で実施されてもよく、本明細書に記載の実施例、図に示された実施例、及び／又は以下に記載の実施例に限定されると解釈されるべきではない。むしろ、これらの例示的な実施例は、特許請求の範囲に記載されている本発明の原理を当業者に伝える完全な開示を可能にするために提供されるものである。

以下でより詳細に述べるように、本開示の実施例は、より予測的で事前対応型のクライアント管理システムを提供するという技術的問題に対する技術的解決策に相当する。この目的のために、本開示の実施例は、機械学習モデルを利用して、クライアント・サポート・システム・データから生成されたベクトル・データを分析してクライアントのシグナルを検出することによる、事前対応型クライアント・シグナル検出を含む。一実施例では、ベクトル・データは、ベクトル代数演算の実行対象となり得るデータ・フィールドのリストを表す。ベクトル・データは、案件、案件に関連するクライアント、及びクライアントの相手担当者（ｃｏｎｔａｃｔ）代表などの案件に関連するクライアントの相手担当者などであるがこれらに限定されない相互に関連するオブジェクトに関連付けられ得る。ベクトル・データは、本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のオブジェクトにも関連付けられ得ることを理解されたい。

以下でより詳細に述べるように、様々な実施例によれば、クライアントのシグナルは、ネガティブなシグナル又はポジティブなシグナルのいずれかであり得る。事前対応型分析を実行する場合、クライアントとの関係に害を及ぼすことを防ぐネガティブなシグナルを事前対応として検出するだけでなく、クライアントとの関係を強化するポジティブなシグナルを事前対応として検出することも有益であることを理解されたい。例えば、検出されたネガティブなシグナルは、エージェント又は管理者のいずれかが注意を払う必要があることを示す可能性がある。検出されたポジティブなシグナルは、他のエージェント及び管理者と共有できるベスト・プラクティスが明らかになったことを示す可能性がある。本開示の実施例によるネガティブなシグナルとポジティブなシグナルとの両方を事前対応として検出することにより、管理者は、組織を戦略的に成長させ続けるために、サービス・プロバイダ組織の全体的な状態を評価できるようになることを理解されたい。

以下でより詳細に述べるように、様々な実施例において、シグナルは、構造化データ内の異常から検出され得る。一実施例では、異常は、予想される結果とは異なる発見された結果である。一実施例では、異常は、点異常、傾向異常、或いは本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の異常タイプであり得る。本開示の実施例によれば、傾向異常は、履歴データが時間とともに傾向線に沿って変化していることが発見されたときに、履歴データの分析を通じて発見される。例えば、クライアントが１週間に平均３０件の案件を記録し、次に今週にクライアントが３００件の案件を記録すると、データの傾向の変化に基づいて傾向異常が検出され得る。本開示の実施例によれば、点異常は、他のデータ点の平均などの統計から逸脱する単一のデータ点を通して発見される。例えば、クライアントは５つの調査スコアのうち２つの調査スコアを提供する可能性があり、これは、５つのうち４つという以前のスコアからの偏差である可能性がある。

以下でより詳細に述べるように、本開示の実施例によれば、シグナルは、非構造化データ内の感情から検出され得る。一実施例では、非構造化データは、クライアントとエージェントとの間のコミュニケーションを表す会話データである。例えば、会話データは、クライアントとエージェントとの間で送信されるテキスト・メッセージを表し得る。この実例では、各テキスト・メッセージは、非構造化データを表す文章の段落である場合がある。このような非構造化データは、プラス１からマイナス１の極性スコアに基づいて発見された感情を含む。

以下でより詳細に述べるように、ポジティブな極性スコアはポジティブな感情を示す。例えば、ポジティブな感情は、非構造化データ内の「嬉しい（ｈａｐｐｙ）」という単語から発見され得る。ネガティブな極性スコアは、ネガティブな感情を示す。例えば、ネガティブな感情は、非構造化データ内の「非常にいら立っている（ｖｅｒｙ ｆｒｕｓｔｒａｔｅｄ）」という句から発見され得る。本開示の実施例によれば、非構造化データ内の単語及び句は、コーパスを形成する。一実施例では、コーパスは、当技術分野で知られているように自然言語処理コンテキスト内で分析され得るテキストの集合体である。一実施例では、感情は、緊急の感情である可能性があり、その場合、非構造化データには、「私たちのプロダクション環境にとって重要である」という句など、案件をより経験豊富なエージェントにエスカレーションする必要があるという指示が含まれると判断される。このようなコーパスは、将来的にエスカレーションが必要になることを示す、クライアントについて生じる問題の緊急性に関連している。したがって、定義されたコーパスの緊急性に基づいて案件を分類することができる。

以下でより詳細に述べるように、本開示の実施例は、サービス・プロバイダによって現在サービスされている案件に関連する案件データのシグナルを事前対応として検出する。サービス・プロバイダは、問題を解決するために行われた作業を、サービス・プロバイダのクライアント・サービス・システム内の案件データとして記録する。案件データは、サービス・プロバイダの検出管理システムによって受信される。受信された案件データをベクトル・データへと処理するための命令、及びベクトル・データから生成されたシグナル・データを検証するための命令を提供する制御データが生成される。受信された案件データは、機械学習ベースの技法によるベクトル・データの分析を提供する制御データを処理するための命令に基づいて、ベクトル・データへと処理される。

以下でより詳細に述べるように、一実施例では、異常シグナル・プロセッサ・モジュールは、ベクトル・データ内の異常データを検出し、感情シグナル・プロセッサ・モジュールは、ベクトル・データ内の感情データを検出する。異常データ及び感情データは、検証規則を含む制御データに基づいて検証される。検証されたシグナル・データは、ユーザ・インターフェースを介してサービス・プロバイダの管理者などのユーザに表示される。

説明のために、本明細書では、クライアントが、１つ又は複数のエンタープライズ・アプリケーション・ソフトウェア（ＥＡＳ）システムを利用する企業又は組織、すなわちエンタープライズ・ソフトウェア・クライアントであり、サービス・プロバイダが、クライアントのＥＡＳシステムを実装及び保守することを任されているソフトウェア・サービス・プロバイダである場合の具体的な実例を提供する。しかしながら、当業者には、本開示の実施例が他のタイプのクライアント／サービス・プロバイダの関係で利用及び使用され得ることが容易に認識されよう。したがって、エンタープライズ・ソフトウェア・クライアント／ソフトウェア・サービス・プロバイダの関係の具体的な例証的実例は、特許請求の範囲に記載されている本発明の範囲に限定されない。

一実施例では、サービス・プロバイダのクライアントは、クライアントのビジネスを管理するためにエンタープライズ・ソフトウェアを利用している。一実施例では、クライアントは、クライアントの問題を解決するために、エンタープライズ・ソフトウェアのサポート経験のあるサービス・プロバイダと契約する。クライアントは、正しく機能するエンタープライズ・ソフトウェアに依存しているため、クライアントは、サービス・プロバイダが問題をタイムリーに解決することを強く期待しており、これは多くの場合、エンタープライズ・ソフトウェアの複雑さにより、日単位で測定される。サービス・プロバイダがサービスを提供するクライアントのすべての問題を追跡するのを支援するために、サービス・プロバイダは、典型的には、クライアント・サービス・システムを利用してクライアントのすべての案件を追跡する。典型的なシナリオでは、サービス・プロバイダが仕事を任されたとき、又はクライアントのエンタープライズ・ソフトウェアの問題について警告を受けたとき、案件がクライアント・サービス・システムに記録され、サービス・プロバイダの１人又は複数のエージェント（通常は人間）が解決のために案件に割り当てられる。

エージェントが作業して案件を完了したとき、クライアント・サービス・システムの案件データに新しいデータが追加される。案件データは、データ・フィールドに入力するフォーマットで構造化され得る。この構造化データは、非限定的な実例として、リレーショナル・データベースなどのデータベースにおいて整理及び保存できる定義済みの長さ及びフォーマットを有する。このような構造化データは、多くの場合、構造化データの一貫したフォーマットにより、計算分析、具体的には機械学習ベースの異常検出分析の対象となり得る。

以下でより詳細に述べるように、所与の案件に関連する構造化データは、様々な案件情報を表すデータを含むことができ、様々な案件情報は、案件に関するクライアントとサービス・プロバイダとの間のコミュニケーションの数、案件の存続期間、案件に関連する応対時間、所与の案件においてクライアントによって作成された文書又は他の要求の数、案件においてクライアントによって要求された更新の数、案件の平均更新時間、所与の案件を処理するサービス・プロバイダのエージェントが変更された回数、案件に関連するクライアントのエスカレーション履歴、すなわち、クライアントについて、不満を理由に案件をどのくらいの頻度でエスカレーションしたか、案件に関連してクライアントによって提出されたレビューの低い範囲及び高い範囲、案件においてクライアントの特定の相手担当者によって提出されたレビューの低い範囲及び高い範囲、案件に関連するサービス・プロバイダ・エージェントのクライアント・レビューの低い範囲及び高い範囲、案件の優先順位、案件に関連するクライアントのサービス契約の更新時期、案件に関連するクライアントのサービスの開始、案件に関連するクライアントを参照するための戦略的価値及び能力、並びに本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる、サービス・プロバイダによって提供されるサービスに対するクライアントの満足を潜在的に示すと見なされる案件に関連する任意の他の構造化データなどであるが、これらに限定されない。

以下でより詳細に述べるように、構造化データに加えて、案件に関する情報は、コメント・フィールドに入力するフォーマットで構造化されていない場合がある。非構造化データの実例は、クライアントとサービス・プロバイダのエージェントとの間のテキスト・ベースの会話である。典型的なクライアント・サービス・システムは、テキスト、電子メール、文字起こしされた録音などの形式で、クライアントとエージェントとの間の会話型の対話を可能にする。これらの会話型の対話は、非構造化会話型データを生成する。以下でより詳細に述べるように、本開示の実施例を使用する場合、１つ又は複数のタイプの自然言語処理（ＮＬＰ）機械学習システムを使用して、この非構造化会話型データを分析して、案件に関連するクライアントの感情及びエスカレーションの緊急性を検出することができる。

以下でより詳細に述べるように、本開示の実施例によれば、クライアント・サービス・システムのアクティブな又は現在の案件データは、検出管理システムを使用して分析される。一実施例では、検出管理システムは、クライアントがサービス・プロバイダから適切なサービスを受けているかどうかを判定するための異常検出及び／又はＮＬＰモジュールを含み得る。したがって、クライアント・サービス・システムは、案件データをサービス・プロバイダの検出管理システムに配信する。一実施例では、検出管理システムは、統合及び集約を通じて、案件データを処理し、機械学習モデルによる分析の対象となるベクトル・データへとフォーマットする。

以下でより詳細に述べるように、検出管理システムは、異常について構造化データを分析するための異常検出器機械学習モデルと、感情について非構造化データを分析するための感情検出器機械学習モデルとを含み得る。異常は、他の構造化データとの関係で予期しない構造化データに関連している。感情とは、サービス・プロバイダによって提供されているサービスが、一般的に役立つのでポジティブであること、又は一般的に役に立たないためにネガティブであることを示す単語における表現である。

本明細書に開示される検出管理システムは、クライアントが嬉しくなっているのか、又は残念に思っている（ｕｎｈａｐｐｙ）のかを、早い段階で、クライアント／サービス・プロバイダの関係に重大な害が及ぶ前に事前対応として判定する。これにより、管理者又は他のサービス・プロバイダのエージェントは、この判定に基づいて事前対応型アクションを実行することが可能になる。

したがって、本明細書に開示される検出管理システムは、クライアントが嬉しくなっているのか、又は残念に思っているのかを、早い段階で、クライアント／サービス・プロバイダの関係に重大な害が及ぶ前に事前対応として判定する。これにより、管理者又は他のサービス・プロバイダのエージェントは、この判定に基づいて事前対応型アクションを実行することが可能になる。

図１は、事前対応型クライアント関係分析のためのアプリケーション環境１００の高レベル・ブロック図である。図１の図は例示を目的としたものであり、限定するものではないことを理解されたい。図１において、アプリケーション環境１００は、検出管理システム１１１を含むサービス・プロバイダ・コンピューティング環境１１０を含む。一実施例では、アプリケーション環境１００は、プロダクション環境である。他の実施例では、アプリケーション環境１００は、開発環境、品質保証環境、前述の環境の組合せ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる任意の他の環境である。検出管理システム１１１は、ベクトル収集器モジュール１２０と、シグナル・プロセッサ・モジュール１３０と、検証及び統一モジュール１４０と、ユーザ・インターフェース・モジュール１５０とを含む。

図１において、検出管理システム１１１は、プロセッサ１１５と、メモリ１１６とを含む。メモリ１１６は、顧客に提供されるサービスに関連するデータを格納する検出管理データベース１９０を含む。検出管理データベース１９０は、訓練データ１９１と、制御データ１９２と、ベクトル・データ１９３と、シグナル・データ１９４とを含む。メモリ１１６は、その中に記憶された命令を含み、命令は、プロセッサ１１５によって実行されると、事前対応型クライアント関係分析のためのプロセスを実行する。

アプリケーション環境１００は、ベクトル収集器モジュール１２０、シグナル・プロセッサ・モジュール１３０、検証及び統一モジュール１４０、及びユーザ・インターフェース・モジュール１５０のプロセス、並びに他のプロセスを表す命令を含む。前述のように、本発明の特定の実施例を実行するために、プロダクション環境の代わりに、案件オブジェクト、クライアント・オブジェクト、及び相手担当者オブジェクトのシグナルを特定するために使用される感情及び異常の所望の検出に応じて、訓練環境、テスト環境、又は開発環境を利用することができる。

一実施例では、訓練データ１９１は、１つ又は複数のクライアント・サービス・システムからの履歴案件データを含む。一実施例では、履歴案件データを使用して、１つ又は複数の機械学習異常検出モデルを、案件データ内のクライアントの潜在的な不満を示す異常を検出するように訓練する。

知られている様々な異常検出モデル、又は任意の他の知られている教師ありモデルのいずれかを、機械学習ベースの異常検出モデルとして利用することができる。具体的な例証的実例として、機械学習ベースの異常検出モデルは、ガウス分布、四分位範囲（ＩＱＲ：Ｉｎｔｅｒｑｕａｒｔｉｌｅ Ｒａｎｇｅ）、又はサポート・ベクトル・マシン（ＳＶＭ）機械学習ベースの異常検出モデルのうちの１つ又は複数とすることができる。他の場合には、機械学習ベースの異常検出モデルは、本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に知られるようになる任意の異常検出モデルとすることができる。

一実施例では、訓練データ１９１は、機械学習ベースの自然言語処理モデルを訓練するために利用されるコーパス・データを含む。以下でより詳細に述べるように、このようなコーパス・データは、ポジティブ及びネガティブな感情を検出するために使用されるキーワード、句、又は語幹を表すデータを含む。以下で説明するように、一実施例では、ユーザ・インターフェース・モジュール１５０は、サービス・プロバイダのエージェント又は管理者が、フィードバックを提供して、フィードバック・ループ内の機械学習モデルを改良及び再訓練し、異常及び／又は感情検出においてより正確な結果を実現することを可能にする。

本明細書に述べる機械学習モデルは、教師あり学習方法論（例えば、分類及び／又は回帰）、教師なし学習方法論（例えば、クラスタリング及び／又は関連付け）、半教師あり学習方法論（例えば、教師あり及び教師なし）、並びに他の学習方法論を利用して訓練され得る。

図２Ａに関して以下でより詳細に述べるように、ベクトル収集器モジュール１２０は、クライアント・サービス・システム１８０などの１つ又は複数の案件データ・ソースから案件データを収集する。図１には１つのクライアント・サービス・システム１８０が示されているが、通信チャネル１１８などの１つ又は複数の通信チャネルを介して検出管理システム１１１に結合された任意の数のクライアント・サービス・システム１８０が存在し得ることを理解されたい。クライアント・サービス・システム１８０は、クライアントに代わってサービス・プロバイダによって処理されている案件又は仕事に関する案件データ、及びサービス・プロバイダのエージェントが問題を解決するためにクライアントと交わした様々な対話を含む。

当技術分野で知られているように、顧客関係管理（ＣＲＭ：ｃｕｓｔｏｍｅｒ ｒｅｌａｔｉｏｎｓｈｉｐ ｍａｎａｇｅｍｅｎｔ）システムとしても知られるクライアント・サービス・システム１８０は、典型的には、クラウド・コンピューティング技術を利用してクラウドにおいて提供されるソフトウェア・アズ・ア・サービス（ＳＡＡＳ）である。したがって、案件データは、クライアント・サービス・システム１８０のすべてのサービス・プロバイダ・ユーザによって利用され得る。したがって、サポート・サービスを提供するエージェントの組織内で、案件の組織的なエスカレーションを提供することができる。さらに、案件データは、要約データなどの処理済みのフォーマット、又は未加工データなどの未処理のフォーマットのいずれかで、検出管理システム１１１によって利用され得る。

図３に関して以下でより詳細に述べるように、シグナル・プロセッサ・モジュール１３０は、ベクトル収集器モジュール１２０によって収集されたベクトル・データを処理するために使用される機械学習ベースのモデル又はアルゴリズムを含む。一実施例では、シグナル・プロセッサ・モジュール１３０のモデル又はアルゴリズムは、現在の案件データにおける異常データなどのシグナル・データを検出するために利用される。一実施例では、案件、相手担当者、又はクライアントなどのオブジェクトについていくつかの異常が検出された場合、シグナル・プロセッサ・モジュール１３０は、異常をランク付け及び／又は正規化する。

図３に関して以下でより詳細に述べるように、一実施例では、シグナル・プロセッサ・モジュール１３０のモデル又はアルゴリズムは、機械学習ベースの言語／テキスト処理モデル又はアルゴリズムを含む。一実施例では、機械学習ベースの言語／テキスト処理モデル又はアルゴリズムを使用して、クライアントとサービス・プロバイダとの間のコミュニケーションを表す非構造化会話データ内のクライアント感情データなどのシグナル・データを検出する。

図３に関して以下でより詳細に述べるように、一実施例では、シグナル・プロセッサ・モジュール１３０のモデル又はアルゴリズムは、異常シグナル・データとクライアント感情シグナル・データとの両方を検出するために、異常データ機械学習ベースの言語／テキスト処理モデル又はアルゴリズムと、機械学習ベースの言語／テキスト処理モデル又はアルゴリズムとの両方を含み。

図４に関して以下でより詳細に述べるように、一実施例では、検証及び統一モジュール１４０は、検出された異常及び／又はクライアント感情シグナル・データを検証及び統一する。一実施例では、シグナル・プロセッサ・モジュール１３０によって異常が特定された場合、検証及び統一モジュール１４０は、検出された異常が真の異常であることを検証する。例えば、案件が２４時間ベースで管理されている場合、検証及び統一モジュール１４０は、案件が２４時間体制で処理されているときに案件が様々なエージェントに割り当てられることが適切であること、及び案件があまりにも多くのエージェント間で移管されていないことを検証する。

シグナル・データ１９４は、検証及び統一モジュール１４０によって処理された後、ユーザ・インターフェース・モジュール１５０を介してユーザに提示される。

図５Ａから図５Ｃに関して以下でより詳細に述べるように、一実施例では、ユーザ・インターフェース・モジュール１５０は、特定の案件の案件データ内で検出された異常を示すデータ及び／又はレポート、並びに特定の案件の案件データ内で検出された何らかの感情を示すデータ及び／又はレポートを含むがこれらに限定されない様々なデータ及び／又はレポートを、サービス・プロバイダのエージェント及び管理者に提供する。さらに、上記のように、一実施例では、ユーザ・インターフェース・モジュール１５０は、サービス・プロバイダのエージェント又は管理者がフィードバックを提供して、フィードバック・ループ内の機械学習モデルを改良及び再訓練し、異常及び感情検出においてより正確な結果を実現することを可能にする。

図５Ａから図５Ｃに関して以下でより詳細に述べるように、一実施例では、ユーザ・インターフェース・モジュール１５０は、シグナル情報のダッシュボード・モジュール５１０と、シグナル情報の通知モジュール５２０と、シグナル情報のクライアント・サービス・システム１８０内のインジケータ・モジュール５３０とを含む。

図２Ａは、クライアント・サービス・システム１８０、及び検出管理システム１１１のベクトル収集器モジュール１２０のより詳細なブロック図を含む、事前対応型クライアント関係分析のためのアプリケーション環境１００を示す。図２Ａの図は例示を目的としたものであり、限定するものではないことを理解されたい。図１及び図２Ａを合わせて参照すると、アプリケーション環境１００は、サービス・プロバイダコンピューティング環境１１０を含み、サービス・プロバイダコンピューティング環境１１０は、クライアント・サービス・システム１８０と、検出管理システム１１１とを含む。

クライアント・サービス・システム１８０は、案件データ２８２の作成を提供するクライアント・サービス・モジュール２８１を含む。案件データ２８２は、クライアントに関するフィールド・データ、案件に関するフィールド・データ、顧客調査に関するフィールド・データ、顧客調査に関するテキスト・データ、及びクライアントとサービス・プロバイダのエージェントとの間の会話を表す会話データを含む。案件データ２８２は、構造化データ及び非構造化データを含む。構造化データは、案件に関する特性を分類するために使用されるデータ・フィールドを含む。構造化データは、市場のサービス・プロバイダに対してポジティブな言及を提供したクライアントなどのクライアントに関する特性、国、地域、及びモジュールにわたるクライアントのＥＡＳシステム実装の幅、並びに特定のクライアントに関連する契約上の価値を分類するために使用される情報も含む。非構造化データは、テキスト会話などの案件に関連するテキスト・コメント、顧客調査コメント、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のテキスト・コメントを含む。

図２Ｂは、事前対応型クライアント関係分析に使用される案件データ２８２の例証的で非網羅的なユーザ・インターフェース２４０の実例を示す。

図２Ｂに見られるように、ユーザ・インターフェース２４０は、相手担当者情報２４１と、案件情報２４２と、会話情報２４３とを含む案件データ２８２を描写している。当業者には、図２Ｂが案件データ２８２の具体的な例証的実例に過ぎず、そのようなデータの他の多くのタイプ及び構成が発明者によって想定及び企図されていることが容易に理解されよう。結果として、図２Ｂの案件データ２８２のタイプ及び構成の具体的な例証的実例は、特許請求の範囲に記載される実施例を限定するものと読まれるべきではない。

図２Ａを再び参照すると、ベクトル収集器モジュール１２０によって案件データ２８２が受信される。一実施例では、クライアント・サービス・システム１８０は、案件データ２８２を未加工フォーマットで配信する。別の実施例では、クライアント・サービス・システム１８０は、案件データ２８２を統一済みフォーマットで配信する。例えば、統一済みフォーマットの案件データ２８２は、過去６か月間の平均など、構造化されたフィールドの複数の値の平均であり得る。さらなる実例として、統一済みフォーマットの案件データ２８２は、案件に関連する文書の数、又は顧客調査スコアの平均であり得る。この実例では、実際の文書は、検出管理システム１１１によって受信されない。クライアントに関する情報を含む案件データ２８２は任意のシステムから受信され得ることを理解されたい。

ベクトル収集器モジュール１２０のデータ取得モジュール２３０は、クライアント・サービス・システム１８０から案件データ２８２を取得する。データ取得モジュール２３０は、案件データ２８２を所望のフォーマットで受信するための命令を含む制御データ１９２を使用する。構造化された案件データ２８２は、残りのデータから離れすぎているデータ点の単一のインスタンスの点異常、典型的には時系列データにおいて文脈的であるデータの文脈的異常、クライアントによって記録された多数の案件などの問題を集合的に実証する集合的異常、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる、モデル化され得る他の異常を含み得る。例えば、案件データ２８２は、様々な状況において、未加工データとして、分析されたデータとして、計算されたデータとして、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の形式のデータとして受信され得る。受信された案件データ２８２のフォーマットは、所望のシグナルに基づいて決定され得ることを理解されたい。一実施例では、案件データ２８２は、クライアント・サービス・システム１８０から選択されるか又は未加工データとして受信され、履歴案件ベクトル・データ及び現在の案件ベクトル・データとしてそれぞれ利用され得る。

ベクトル収集器モジュール１２０はまた、収集された案件データ２８２を統合するベクトル・データ統合器モジュール２１０と、ベクトル・データ１９３として使用するために統合済みの収集された案件データ２８２を分析するベクトル・データ集約器モジュール２２０とを含む。ベクトル収集器モジュール１２０はまた、以下でさらに説明するように、機械学習モデル訓練のために制御データ１９２の修正を提供する制御構成モジュール２３５を含む。制御構成モジュール２３５は、ベクトル収集器モジュール１２０内に描写されているが、シグナル・プロセッサ・モジュール１３０並びに／又は検証及び統一モジュール１４０にも含まれ得ることを理解されたい。

ベクトル・データ統合器モジュール２１０は、データ取得モジュール２３０を介して、フォーマットされた案件データ２８２を受信する。ベクトル・データ統合器モジュール２１０は、案件データ２８２を統合済みのフォーマットに統合する。ベクトル・データ統合器モジュール２１０によってハイパーテキスト・プリプロセッサ（ＰＨＰ）スクリプトを使用して実行される統合の例は、案件履歴データ統合、案件所有者変更データ統合、案件添付データ統合、案件コメント回数データ統合、案件コメント・データ統合、案件ステータス履歴データ統合、案件の最後の３つの連続した顧客調査レポート・データ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の統合である。このような統合は、１時間ごと、１日ごと、及び所望の、又は本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の予定された時間に実行され得る。

ベクトル・データ集約器モジュール２２０は、ベクトル・データ統合器モジュール２１０から、統合済みの案件データ２８２を受信し、統合済みの案件データ２８２を集約して、ベクトル・データ１９３を生成する。非限定的な実例として、ベクトル・データ集約器モジュール２２０によって実行されるＳＱＬプロシージャ及び他のクエリ言語プロシージャなどのプロシージャを使用して実行される集約の実例は、ベクトル集約プロセス、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の集約である。このような集約は、１時間ごと、１日ごと、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の予定された時間に実行され得る。ベクトル・データ１９３は、ベクトル・データ統合器モジュール２１０のみから、ベクトル・データ集約器モジュール２２０のみから、及びベクトル・データ統合器モジュール２１０とベクトル・データ集約器モジュール２２０との両方から生成され得ることを理解されたい。

図２Ｃ及び図２Ｄは共に、事前対応型クライアント関係分析に使用されるベクトル・データ１９３の具体的な例証的で非網羅的なリスト２５０を示す。

図２Ｃ及び図２Ｄに見られるように、ベクトル・データ１９３のリスト２５０は、ベクトル名２５１、データ・タイプ２５２、異常タイプ２５３、エスカレーション影響２５４、及び説明２５５を含む。

ベクトル２６１は、ベクトル名２５１「案件感情－一般」、データ・タイプ２５２「非構造化／ＮＬＰ」、異常タイプ２５３「点異常」、エスカレーション影響２５４「両方」、及び説明２５５「ネガティブ－ポジティブ感情の測定（ＮＬＰ）」を有する。

ベクトル２６２は、ベクトル名２５１「案件感情－緊急／エスカレーション」、データ・タイプ２５２「非構造化／ＮＬＰ」、異常タイプ２５３「点異常」、エスカレーション影響２５４「両方」、及び説明２５５「ネガティブ－ポジティブ感情の測定（ＮＬＰ）」を有する。

ベクトル２６３は、ベクトル名２５１「案件やり取り、クライアント及びエージェントからの更新の数」、データ・タイプ２５２「構造化／回数」、異常タイプ２５３「文脈的異常」、エスカレーション影響２５４「両方」、及び説明２５５「案件のエージェントとクライアントとの間のやり取りの回数」を有する。ベクトル２６３は、クライアントとクライアントの案件に割り当てられたエージェントとの間でやり取りされているコミュニケーションの回数を表す。例えば、企業クライアントの複雑なサポート案件では、通常のやり取りの回数は５０になる可能性がある。この実例では、案件やり取りの回数が１７５回である場合、（以下で説明する）異常シグナル・プロセッサ・モジュールは、事前対応として、異常があると判断することができ、異常はシグナルとして送られ、管理者はそのシグナルに対処することができる。

ベクトル２６４は、ベクトル名２５１「追跡（繰り返しの更新要求）」、データ・タイプ２５２「非構造化／ＮＬＰ」、異常タイプ２５３「文脈的異常」、エスカレーション影響２５４「両方」、及び説明２５５「クライアントが更新を追跡している、又は技術者が更新を追跡している」を有する。

ベクトル２６５は、ベクトル名２５１「案件期間」、データ・タイプ２５２「構造化／日数」、異常タイプ２５３「点異常」、エスカレーション影響２５４「両方」、及び説明２５５「案件が未解決である日数」を有する。

ベクトル２６６は、ベクトル名２５１「案件平均更新時間」、データ・タイプ２５２「構造化／日数」、異常タイプ２５３「点異常又は文脈的異常」、エスカレーション影響２５４「両方」、及び説明２５５「更新及び応答－意味のある応答の平均時間」を有する。

ベクトル２６７は、ベクトル名２５１「ロードされた文書の数」、データ・タイプ２５２「構造化／数」、異常タイプ２５３「点異常」、エスカレーション影響２５４「案件」、及び説明２５５「案件にロードされた文書の総数」を有する。ベクトル２６７は、案件に対してアップロードされた文書の数を表す。例えば、企業クライアントの典型的な案件は、１０個未満の文書のアップロードを含み、５０個の文書がアップロードされた場合、（以下で説明する）異常シグナル・プロセッサ・モジュールは、事前対応として、異常があると判断することができ、異常はシグナルとして送られ、管理者はそのシグナルに対処することができる。

ベクトル２６８は、ベクトル名２５１「所有者の変更の数」、データ・タイプ２５２「構造化／数」、異常タイプ２５３「点異常」、エスカレーション影響２５４「案件」、及び説明２５５「所有者変更の総数－ＦＴＳ（Ｆｏｌｌｏｗ Ｔｈｅ Ｓｕｎ）を有するので適応可能」を有する。ベクトル２６８は、案件を担当するエージェントの変更があった回数を表す。典型的には、企業の案件では、過去３か月間の案件所有者の変更回数は３回であり、変更回数が１０回である場合、（以下で説明する）異常シグナル・プロセッサ・モジュールは、事前対応として、異常があると判断することができ、異常はシグナルとして送られ、管理者はそのシグナルに対処することができる。

ベクトル２６９は、ベクトル名２５１「クライアントのエスカレーション履歴」、データ・タイプ２５２「構造化／数」、異常タイプ２５３「文脈的異常」、エスカレーション影響２５４「両方」、及び説明２５５「このクライアントに以前のエスカレーションの履歴があるか」を有する。

ベクトル２７０は、ベクトル名２５１「クライアントＣＳＲ低－高」、データ・タイプ２５２「構造化／数」、異常タイプ２５３「点異常」、エスカレーション影響２５４「クライアント」、及び説明２５５「ネガティブ及びポジティブ異常検出についての顧客調査結果はどうか」を有する。

ベクトル２７１は、ベクトル名２５１「クライアントの相手担当者ＣＳＲ低－高」、データ・タイプ２５２「構造化／数」、異常タイプ２５３「点異常」、エスカレーション影響２５４「クライアント」、及び説明２５５「ネガティブ及びポジティブ異常検出についての顧客調査結果はどうか」を有する。

ベクトル２７２は、ベクトル名２５１「案件所有者＆主任技術者ＣＳＲ低－高」、データ・タイプ２５２「構造化／数」、異常タイプ２５３「点異常」、エスカレーション影響２５４「案件」、及び説明２５５「案件所有者／主任技術者の顧客調査結果は低いか？」を有する。

ベクトル２７３は、ベクトル名２５１「案件の優先順位」、データ・タイプ２５２「構造化／数」、異常タイプ２５３「検討の要因」、エスカレーション影響２５４「案件」、及び説明２５５「案件の優先順位は高いか？」を有する。

ベクトル２７４は、ベクトル名２５１「更新時期間近」、データ・タイプ２５２「構造化／残り日数」、異常タイプ２５３「検討の要因」、エスカレーション影響２５４「両方」、及び説明２５５「クライアントは更新時期が近づくと案件をエスカレーションする傾向がある」を有する。

ベクトル２７５は、ベクトル名２５１「案件におけるＴ＆Ｒ、ＦＳＳ ＴＳＳ利用」、データ・タイプ２５２「構造化／主任技術者」、異常タイプ２５３「検討の要因」、エスカレーション影響２５４「両方」、及び説明２５５「このような案件では通常、より時間的感度が関係する（例えば、遵守日）」を有する。非限定的な実例として、このような案件は、ＥＡＳシステムから適切な出力文書を生成できるように、適用される法律又は規制の変更を説明するためのタイムリーなアクションを必要とする、税、法律、及び規制の更新を含み得る。更新は、自治体の売上税率の１年目から２年目又は別の関連期間への変更である税の更新を含み得る。

ベクトル２７６は、ベクトル名２５１「オンボーディング／新規クライアント」、データ・タイプ２５２「構造化／サービスの開始」、異常タイプ２５３「検討の要因」、エスカレーション影響２５４「両方」、及び説明２５５「これは新しいクライアントか－オンボーディング・スコアも考慮する」を有する。

ベクトル２７７は、ベクトル名２５１「クライアントからの案件数の増加」、データ・タイプ２５２「構造化／数」、異常タイプ２５３「集合的異常」、エスカレーション影響２５４「両方」、及び説明２５５「クライアントは国で稼働し、新しい製品／機能を展開している」を有する。

ベクトル２７８は、ベクトル名２５１「環境アクセス問題」、データ・タイプ２５２「構造化／数」、異常タイプ２５３「検討の要因」、エスカレーション影響２５４「両方」、及び説明２５５「技術者はクライアント環境へのログインに問題を有している」を有する。

異常シグナル・プロセッサ・モジュールによって利用されるベクトル２７８の他の実例には、関係の特定の段階でのクライアントに関連する戦略的又は契約上の価値、及びサービス・プロバイダにポジティブな外部参照（ｅｘｔｅｒｎａｌ ｒｅｆｅｒｅｎｃｅ）を提供したクライアントの履歴などのクライアント・データを特徴付けるベクトルが含まれる。クライアント関連のベクトルは、データ・タイプ２５２「構造化／戦略的クライアント」又は「構造化／参照可能なクライアント」を有し得る。クライアント関連のベクトルは、異常タイプ「検討の要因」及びエスカレーション影響「クライアント」を有し得るが、案件関連のベクトル及び相手担当者関連のベクトルも案件に影響を与え得る。

当業者には、図２Ｃ及び図２Ｄがベクトル・データ１９３の具体的な例証的実例に過ぎず、そのようなデータの他の多くのタイプ及び構成が発明者によって想定及び企図されていることが容易に理解されよう。結果として、図２Ｃ及び図２Ｄのベクトル・データ１９３のタイプ及び構成の具体的な例証的実例は、特許請求の範囲に記載される実施例を限定するものと読まれるべきではない。

図３は、シグナル・プロセッサ・モジュール１３０のより詳細なブロック図を含む、事前対応型クライアント関係分析のためのアプリケーション環境１００を示す。図３の図は例示を目的としたものであり、限定するものではないことを理解されたい。図１、図２Ａ、及び図３を合わせて参照すると、アプリケーション環境１００は、サービス・プロバイダコンピューティング環境１１０を含み、サービス・プロバイダコンピューティング環境１１０は、検出管理システム１１１を含む。検出管理システム１１１は、ベクトル収集器モジュール１２０と、シグナル・プロセッサ・モジュール１３０と、検証及び統一モジュール１４０とを含む。シグナル・プロセッサ・モジュール１３０は、ベクトル収集器モジュール１２０からベクトル・データ１９３を受信する。様々な実施例では、シグナル・プロセッサ・モジュール１３０は、異常シグナル・プロセッサ・モジュール３１０のみを含むことができる。様々な実施例では、シグナル・プロセッサ・モジュール１３０は、感情シグナル・プロセッサ・モジュール３２０のみを含むことができる。様々な実施例では、シグナル・プロセッサ・モジュール１３０は、異常シグナル・プロセッサ・モジュール３１０と、感情シグナル・プロセッサ・モジュール３２０との両方を含むことができる。図３に見られるように、シグナル・プロセッサ・モジュール１３０はまた、正規化モジュール３３０と、優先順位付けモジュール３４０とを含む。

異常シグナル・プロセッサ・モジュール３１０は、ベクトル・データ１９３を処理して、シグナル・データ１９４の異常データ３９５を検出する。感情シグナル・プロセッサ・モジュール３２０は、ベクトル・データ１９３を処理して、感情データ３９６を検出する。シグナル・データ１９４が、異常シグナル・プロセッサ・モジュール３１０によって検出された異常データ３９５、及び／又は感情シグナル・プロセッサ・モジュール３２０によって検出された感情データ３９６を含むことを理解されたい。

異常シグナル・プロセッサ・モジュール３１０は、機械学習モデルである異常検出器モデル３１１を用いて、ベクトル・データ１９３の構造化データ内の異常を検出する。一実施例では、異常検出器モデル３１１は、ＴｅｎｓｏｒＦｌｏｗプラットフォーム、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の機械学習プラットフォームを利用する。機械学習プラットフォームは、異常検出のための様々な統計方法を提供する。一実施例では、機械学習モデルは、異常検出及び統一プロセスのＰｙｔｈｏｎプログラミング言語スクリプト、並びに本明細書に述べる、他のプログラミング言語で開発される、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のスクリプトの実行により訓練される。

一実施例では、異常検出器モデル３１１は、教師あり学習による訓練データ１９１を使用して訓練される。前述のように、訓練データ１９１は、図２Ｃ及び図２Ｄにリスト化されたベクトルのいずれか、又は本明細書に述べる、当技術分野で知られている若しくは知られるようになる、所望の任意のベクトルに関連するデータを含むことができる。図３を再び参照すると、異常検出器モデル３１１は、傾向の決定に基づいて訓練される機械学習アルゴリズムを利用する。例えば、案件期間のベクトルは、構造化ベクトル・データ１９３に基づいており、このベクトルは、案件が未解決である日数を表す。この実例では、案件期間が６３日を超える場合、それは異常であると判断され、案件期間が半日未満である場合、それも異常であると判断される。この実例では、閾値は、最小閾値及び最大閾値で決定される。この実例では、異常検出器モデル３１１は、機械学習アルゴリズムをオーバーライドするような閾値に基づいて、データ・サイエンティストによって訓練される。

一実施例では、異常シグナル・プロセッサ・モジュール３１０は、当技術分野で知られているように、ＩＱＲを利用して、外れ値である異常を決定する。例えば、ＩＱＲでは、外れ値は、データセット内の他の値よりもはるかに小さい又ははるかに大きいデータ値である。一実施例では、異常シグナル・プロセッサ・モジュール３１０は、当技術分野で知られているように、ガウス分布アルゴリズムを利用する。例えば、ガウス分布アルゴリズムでは、平均ミュー及び分散シグマの２乗で分布されている他のデータ値に対してデータ値をテストすることによって、異常が検出される。Ｋ最近傍法（ＫＮＮ：Ｋ－Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ）、Ｋ平均法ベースのクラスタリング、サポート・ベクトル・マシン（ＳＶＭ）、並びに本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる、潜在的な統一のための最もポジティブ及びネガティブな異常及びシグナルを見出すための他の異常検出方法及び機械学習アルゴリズムなど、他の異常検出方法が利用され得ることを理解されたい。

感情シグナル・プロセッサ・モジュール３２０は、機械学習モデルである感情検出器モデル３２１を用いて、ベクトル・データ１９３の非構造化データ内の感情を検出する。一実施例では、感情検出器モデル３２１は、自然言語ツールキット（ＮＬＴＫ：Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｔｏｏｌｋｉｔ）プラットフォーム、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の自然言語プラットフォームを利用する。一実施例では、自然言語モジュールは、感情検出及び統一プロセスのｐｙｔｈｏｎスクリプト、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のスクリプトの実行により訓練される。

感情検出器モデル３２１は、教師あり学習による訓練データ１９１を使用して訓練される。訓練データ１９１は、管理者から収集された、以前に決定された感情に関する情報から生成される。一実施例では、管理者は、決定された感情を、単語又は句であるコーパスの形式でレビューする。例えば、感情検出器モデル３２１がネガティブなシグナルであると判断したコーパスは、「残念だ」であり得る。しかしながら、管理者が「残念だ」というコーパスが使用されているコメントをレビューすると、管理者は、「残念だ」という用語が、相手担当者が昼食に食べたものについての不満など、サービス・プロバイダによって提供されるサービス以外のものを対象としていることを認識する。この実例では、管理者は、このコーパスを誤検出（ｆａｌｓｅ ｐｏｓｉｔｉｖｅ）指摘に関連付ける。ユーザ・インターフェース・モジュール１５０は、サービス・プロバイダの管理者がこのタイプのフィードバックを提供して、フィードバック・ループ内の機械学習モデルを改良及び再訓練し、異常及び／又は感情検出においてより正確な結果を実現することを可能にする。コーパスが誤検出指摘に関連付けられた後、データ・サイエンティスト又はエージェントは、「残念だ」及び「昼食」というコーパスが一緒に見つかった場合これらはネガティブなシグナルではなく無視されるべきであると訓練データ１９１に追加する。感情検出器モデル３２１がこの新しい訓練データ１９１を用いて訓練された後、感情検出器モデル３２１は、このような「残念だ」及び「昼食」というコーパスがネガティブなシグナルであるとは判断しない。エージェントが、対象分野の専門家若しくはプログラムされた仕事、又は誤検出に対処し、訓練データ及びその後の異常及び感情シグナル検出の結果を改善し続けるための前述した機械学習モデルであり得ることを理解されたい。

ユーザ・インターフェース・モジュール１５０は、サービス・プロバイダの管理者がこのタイプのフィードバックを提供して、フィードバック・ループ内の機械学習モデルを改良及び再訓練し、異常及び／又は感情検出においてより正確な結果を実現することを可能にする。コーパスが誤検出指摘に関連付けられた後、「残念だ」及び「昼食」というコーパスが一緒に見つかった場合これらはネガティブなシグナルではなく無視されるべきであることを示す誤検出データが生成される。次いで、この誤検出データは、データ・サイエンティスト、プログラマ、ボット、ランタイム及び／若しくはオフライン機械学習訓練モジュール及びシステム、並びに／又は機械学習ベースのシステム及び／若しくはデータベースに更新及び修正を提供できる任意の他のエージェントなどであるがこれらに限定されない、人間の及び／又は人間以外のエージェントによって、訓練データ１９１に追加される。感情検出器モデル３２１がこの新しい訓練データ１９１を用いて訓練された後、感情検出器モデル３２１はこれ以降、このような「残念だ」及び「昼食」というコーパスがネガティブなシグナルであるとは判断しない。

一実施例では、感情シグナル・プロセッサ・モジュール３２０は、当技術分野で知られているように、マイナス１から正の１までの極性スケールに基づいて感情がネガティブ及びポジティブにランク付けされる感情分析を利用する。例えば、「最悪の事態（ｄｉｓａｓｔｅｒ）」という単語には－１．０が割り当てられ、「残念だ」という単語には－０．７が割り当てられる。感情シグナル・プロセッサ・モジュール３２０は、当技術分野で知られているように、文及び単語が語彙分析器でトークン化されるトークン化を利用する。感情シグナル・プロセッサ・モジュール３２０は、当技術分野で知られているように、場所、人、及び組織などの名前付きのエンティティが名詞として認識されるテキスト分類を利用する。例えば、「ｊｏｙ」という単語は、感情の単語であると同時に、人の名前でもある。感情シグナル・プロセッサ・モジュール３２０は、当技術分野で知られているように、「いら立っている（ｆｒｕｓｔｒａｔｅｄ）」及び「いら立たせるような（ｆｒｕｓｔｒａｔｉｎｇ）」を「いら立たせる（ｆｒｕｓｔｒａｔｅ）」に統一するなど、異なるバージョンの単語が統一される語幹化及びレンマ化を利用する。感情シグナル・プロセッサ・モジュール３２０は、当技術分野で知られているように、音声の文脈が特定される音声タグ付けを利用する。感情シグナル・プロセッサ・モジュール３２０は、当技術分野で知られているように、重要ではない単語が削除されるストップ・ワード削除を利用する。

感情は、一般の感情又は摩擦の感情のいずれかとして分類され得る。一般の感情は、クライアントが会話テキスト内でネガティブな感情を表現しているか、又は会話テキスト内でポジティブな感情を表現していることを示すものである。摩擦の感情は、摩擦の感情が案件のエスカレーションが差し迫っていることを示しているという点で、管理者が注意を払うべき案件の解決に関して問題があることを示すものである。

正規化モジュール３３０は、案件、相手担当者、又はクライアントなどのオブジェクトに対して複数の異常が検出された場合に利用される。例えば、５個の異なる異常が検出された場合、正規化モジュール３３０は、複数の異常に対して正規化計算を実行する。制御データ１９２は、正規化計算のための命令を提供する正規化規則を含む。例えば、正規化規則は、優先順位付けモジュール３４０によって決定された重みに基づいて、検出された異常の数を合計することであり得る。さらなる実例として、正規化は、案件を解決するために最小１日及び案件を解決するために最大９０日などの最小及び最大の閾値を有する範囲を含む場合があり、正規化アルゴリズムは、最小及び最大スケールに基づいて、正規化された値を決定することができる。このような正規化された値は、ユークリッド距離アルゴリズム、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の正規化アルゴリズムに基づいて決定され得る。

優先順位付けモジュール３４０は、異常であると判断された特定のベクトルの優先順位付けを決定するために利用される。優先順位付けモジュール３４０は、重み付けを利用して、特定のベクトルの優先順位を決定する。制御データ１９２は、優先順位付けモジュール３４０による優先順位付けの重み付けのための命令を提供する重み付け規則を含む。例えば、ベクトルごとに０から１の重みが割り当てられ、０は最小の重みであり、１は最大の重みである。この実例では、重み０．６５など、０と１との間にある重みを割り当てることができる。この実例では、８つの異なるベクトルに対して８個の異常が検出され、各ベクトルが重み１を有する場合、８個の異常が検出される。しかしながら、８つのベクトルのうち４つが重み０．７５を有し、８つのベクトルのうち他の４つが重み０．２５を有する場合、優先順位付けの重み計算に基づいて４個の異常が検出されたと判断される。本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる優先順位付けの他の計算が利用され得ることを理解されたい。

図４は、検証及び統一モジュール１４０のより詳細なブロック図を含む、事前対応型クライアント関係分析のためのアプリケーション環境１００を示す。図４の図は例示を目的としたものであり、限定するものではないことを理解されたい。図１、図２Ａ、図３、及び図４を合わせて参照すると、アプリケーション環境１００は、サービス・プロバイダコンピューティング環境１１０を含み、サービス・プロバイダコンピューティング環境１１０は検出管理システム１１１を含む。検出管理システム１１１は、シグナル・プロセッサ・モジュール１３０と、検証及び統一モジュール１４０と、ユーザ・インターフェース・モジュール１５０とを含む。検証及び統一モジュール１４０は、シグナル・プロセッサ・モジュール１３０から、異常データ３９５及び／又は感情データ３９６を含むシグナル・データ１９４を受信する。検証及び統一モジュール１４０は、シグナル検証器モジュール４１０と、シグナル統一器モジュール４２０とを含む。

シグナル・データ１９４は、検出された異常及び／又は検出された感情から生成される。シグナル検証器モジュール４１０は、制御データ１９２に基づいて、生成されたシグナルが有効であることを検証する。シグナル検証器モジュール４１０は、検出されたシグナルが、異常ノイズなどの異常に関係のない要因によって影響を受けているとき、検出されたシグナルがシグナル・データ１９４に追加されないようにする。例えば、ベクトルが「案件所有者の変更」であり、案件所有者の変更が多すぎるために異常が検出された場合、制御データ１９２内の規則は、サポートが２４時間ベースで提供されているときは、異なるエージェントが案件を所有するように割り当てられるので、案件の所有者が頻繁に変更される場合でもそれは異常ではないと指示し得る。この実例では、案件所有者の変更の数が多い可能性はあるが、シグナル検証器モジュール４１０は、２４時間ベースで作業されている案件については、その変更数は異常ではないと判断する。

いくつかの実施例では、シグナル統一器モジュール４２０は、案件、相手担当者、及びクライアントなどのオブジェクトに関連付けられた複数の検出されたシグナルを統一する。例えば、シグナル・プロセッサ・モジュールが、異常シグナルと感情シグナルとの両方が検出されるように異常シグナル・プロセッサ・モジュール３１０と感情シグナル・プロセッサ・モジュール３２０との両方を含む場合、５個の異常及び／又は５個の感情が検出されると、５個の異常及び／又は５個の感情は、シグナル・データ１９４に追加される前に共に統一される。

シグナル・データ１９４がシグナル検証器モジュール４１０によって検証され、シグナル・データ１９４がシグナル統一器モジュール４２０によって統一された後、検証及び統一モジュール１４０は、シグナル・レポート・データ４９４を生成する。シグナル・レポート・データ４９４が異常レポート・データ４９５と感情レポート・データ４９６と含むことを理解されたい。次いで、シグナル・レポート・データ４９４は、ユーザ・インターフェース・モジュール１５０に送信される。

図５Ａは、ユーザ・インターフェース・モジュール１５０のより詳細なブロック図を含む、事前対応型クライアント関係分析のためのアプリケーション環境１００を示す。図５Ａの図は例示を目的としたものであり、限定するものではないことを理解されたい。図１、図２Ａ、図３、図４、及び図５Ａを合わせて参照すると、アプリケーション環境１００は、サービス・プロバイダコンピューティング環境１１０を含み、サービス・プロバイダコンピューティング環境１１０は、検出管理システム１１１を含む。検出管理システム１１１は、検証及び統一モジュール１４０と、ユーザ・インターフェース・モジュール１５０とを含む。ユーザ・インターフェース・モジュール１５０は、検証及び統一モジュール１４０からシグナル・レポート・データ４９４を受信する。ユーザ・インターフェース・モジュール１５０は、ダッシュボード・モジュール５１０と、通知モジュール５２０と、インジケータ・モジュール５３０とを含む。

ダッシュボード・モジュール５１０は、シグナル・レポート・データ４９４を表示し、異常のシグナルのリスト、及び感情のシグナルのリストを含む。異常のシグナルのリストは、いくつかの検出された異常を有する案件の数を提供する。感情のシグナルのリストは、いくつかの検出された感情を有する案件の数を提供する。一実施例では、ダッシュボード・モジュール５１０は、異常のシグナルのリストを、感情のシグナルのリストとは別に表示する。

図５Ｂは、図５Ａのユーザ・インターフェース・モジュールによって生成されたシグナル・レポート５６０の例証的実例を示す。

図５Ｂに見られるように、シグナル・レポート５６０は、異常情報５６１と感情情報５６２とを含むネガティブなシグナルを描写している。異常情報５６１は、７個の異常を有する案件が１件、６個の異常を有する案件が３件、５個の異常を有する案件が８件、４個の異常を有する案件が１０件、３個の異常を有する案件が６件、２個の異常を有する案件が１５件、及び１個の異常を有する案件が１２３件あることを描写している。感情情報５６２は、２個の一般の感情を有する案件が２件、１個の一般の感情を有する案件が４１件、５個以上の緊急の感情を有する案件が１０８件、及び２個～４個の緊急の感情を有する案件が２５２件があることを描写している。

当業者には、図５Ｂがシグナル・レポート５６０の具体的な例証的実例に過ぎず、そのようなレポートの他の多くのタイプ及び構成が発明者によって想定及び企図されていることが容易に理解されよう。例えば、シグナル・レポート５６０の具体的な例証的実例は、異常情報５６１と感情情報５６２との両方を含み、これは、この具体的な例証的実例では、シグナル・プロセッサ・モジュールが異常シグナル・プロセッサ・モジュール３１０と感情シグナル・プロセッサ・モジュール３２０との両方を含むことを示している。しかしながら、上記のように、いくつかの実施例は、異常シグナル・プロセッサ・モジュール３１０又は感情シグナル・プロセッサ・モジュール３２０のみを含む。したがって、これらの実施例では、シグナル・レポート５６０内に異常情報５６１又は感情情報５６２のみが表示されることになる。結果として、図５Ｂのシグナル・レポート５６０のタイプ及び構成の具体的な例証的実例は、特許請求の範囲に記載される実施例を限定するものと読まれるべきではない。

図５Ｃは、図５Ａのユーザ・インターフェース・モジュールによって生成されたシグナル・レポート５７０の例証的実例を示す。

図５Ｃに見られるように、シグナル・レポート５７０は、異常情報５７１と感情情報５７２とを含むポジティブなシグナルを描写している。異常情報５７１は、３個の異常を有する案件が１４７件、２個の異常を有する案件が７３５件、及び１個の異常を有する案件が４７２２件あることを描写している。感情情報５７２は、１３個の感情を有する案件が１件、１２個の感情を有する案件が３件、１１個の感情を有する案件が１件あり、以下同様であることを描写している。

当業者には、図５Ｃがシグナル・レポート５７０の具体的な例証的実例に過ぎず、そのようなレポートの他の多くのタイプ及び構成が発明者によって想定及び企図されていることが容易に理解されよう。例えば、シグナル・レポート５６０の具体的な例証的実例は、異常情報５６１と感情情報５６２との両方を含み、これは、この具体的な例証的実例では、シグナル・プロセッサ・モジュールが異常シグナル・プロセッサ・モジュール３１０と感情シグナル・プロセッサ・モジュール３２０との両方を含むことを示している。しかしながら、上記のように、いくつかの実施例は、異常シグナル・プロセッサ・モジュール３１０又は感情シグナル・プロセッサ・モジュール３２０のみを含む。したがって、これらの実施例では、シグナル・レポート５６０内に異常情報５６１又は感情情報５６２のみが表示されることになる。結果として、図５Ｃのシグナル・レポート５７０のタイプ及び構成の具体的な例証的実例は、特許請求の範囲に記載される実施例を限定するものと読まれるべきではない。

図５Ａを再び参照すると、ダッシュボード・モジュール５１０は、案件、相手担当者、及びクライアントのオブジェクトに基づいて案件をフィルタリングすることを提供する。ダッシュボード・モジュール５１０は、ネガティブなシグナル及びポジティブなシグナルに基づいて案件をフィルタリングすることを提供する。ダッシュボード・モジュール５１０が、サポートされている製品ライン、サポートされている地理的地域、及び調査することが望まれるベクトルの名前など、他のフィルタリング基準を含み得ることを理解されたい。

ダッシュボード・モジュール５１０は、ユーザが異常及び感情についての詳細を閲覧できるようにする。例えば、案件で７個の異常が検出された場合、ユーザは、その案件を選択して、各異常の名前、及び異常に関する計算値などの異常に関する情報を閲覧することができる。さらなる実例として、案件で５個の感情が検出された場合、ユーザは、その案件を選択して、検出された各コーパスを閲覧することができる。さらに、ダッシュボード・モジュール５１０は、コーパスが検出されたコメントを表示することができる。例えば、「残念だ」というコーパスが感情として検出される場合がある。その後、ユーザはこのコーパスを含むコメントを閲覧して、コーパスの文脈を閲覧することができる。例えば、コメントは、ネガティブな感情を反映している、「私は、あなたが私に提供しているサポートについて残念に思っている」である場合がある。また、ダッシュボード・モジュール５１０は、ユーザが、コーパスが感情であると誤って決定されたことを誤検出として判断することを実現することもできる。

図５Ｄは、感情シグナルに基づいて識別され、事前対応型クライアント関係分析に使用される感情レポート・データ４９６の例証的で非網羅的なユーザ・インターフェース５８０の実例を示す。図５Ｄに見られるように、ユーザ・インターフェース５８０は、第１の感情表示５８１及び第２の感情表示５８２を含む、ポジティブな感情レポート・データ４９６を描写する。第１の感情表示５８１は、「ありがたい（ａｐｐｒｅｃｉａｔｅｄ）」というポジティブなコーパスを示している。ここで、「ありがたい」という単語は、一般的にポジティブな感情を示すテキストに近い「とてもありがたい」を指す。対照的に、テキストが「あなたはとても遅いので、迅速な返信をもらえるとありがたい（ａｐｐｒｅｃｉａｔｅｄ）」だった場合、ユーザは、そのような感情表示を確認したとき、「ありがたい」という単語がネガティブな感情に関連していると認識する。したがって、この代替の実例では、ユーザは、このように表示された感情を、ポジティブなシグナルの誤検出として指定することになる。別の実例として、第２の感情表示５８２は、一般にポジティブな感情を示す「素晴らしい（ｓｕｐｅｒ）」というポジティブなコーパスを示している。ここで、「素晴らしい」という単語は、「原因を見つけてくれて、素晴らしい（ｓｕｐｅｒ）」を指す。したがって、ユーザはこれを誤検出としては指定しない。

例えば、「あなたが私の問題を迅速に解決してくれたので、私がすぐにあなたに連絡できなかったことを残念に思っている」などのコメントがある。この文脈では、「残念だ」というコーパスは、クライアントの相手担当者がエージェントではなく自分自身に対する残念な気持ちを示すので、ネガティブなシグナルの誤検出である。ダッシュボード・モジュール５１０は、ユーザが、そのコーパスを誤検出としてラベル付けすることを実現する。コーパスがラベル付けされた後、データ・サイエンティストは、誤検出コーパスを調査して、感情検出器モデル３２１を訓練するために使用できる訓練データ１９１を作成することができる。

シグナルは、問題を示すネガティブなシグナル又は成功を示すポジティブなシグナルであり得ることを理解されたい。例えば、図５Ｂはネガティブなシグナルを示し、図５Ｃはポジティブなシグナルを示す。さらに、案件において、上級エージェントにエスカレーションするか、又はシグナルの緊急性を示している相手担当者のサービス・プロバイダの階層における管理側などにさらにエスカレーションする必要性が生じていることを示す摩擦関連のシグナルが存在し得る。摩擦関連のシグナルは、クライアントの相手担当者が、過去に低い顧客調査スコアを提供したなど、以前にネガティブなシグナルに寄与すると決定された案件テキスト又はフィードバックを提供したことを示し得る。この状況の場合、シグナルは、そのクライアントの相手担当者名が付いている特定の案件について、サービス・プロバイダによるエスカレーションの必要があることを示す可能性がある。

一実施例では、ダッシュボード・モジュール５１０は、異常と感情との両方に関連する任意のシグナルを案件に表示する。例えば、同じ案件が、異常シグナル・プロセッサ・モジュール３１０によって検出された３個の異常と、感情シグナル・プロセッサ・モジュール３２０によって検出された２個の感情を有する可能性がある。ダッシュボード・モジュール５１０によって異常と感情との両方を同時に提供することは、クライアントが抱えている、案件に関連する問題の理解を高めることを理解されたい。

通知モジュール５２０は、異常及び感情の通知としてシグナル・レポート・データ４９４を配信する。通知は、電子メール、テキスト、ダイアログ・ボックス、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の通知配信メカニズムを介してユーザに配信される。ユーザにとって関心のあるシグナルに関する通知をユーザが受信できるように、通知をユーザに合わせてパーソナライズすることができる。例えば、ユーザは、サービス・プロバイダによってサポートされている製品ライン、又はサービス・プロバイダによってサポートされている地理的地域などの一定の基準に基づいて通知を要求することができる。

インジケータ・モジュール５３０は、クライアント・サービス・システム１８０のクライアント・サービス・モジュール２８１とインターフェースして、クライアント、相手担当者、及び案件の３つのオブジェクトについてのシグナル・レポート・データ４９４の指示を提供する。一実施例では、エージェントは、クライアント・サービス・モジュール２８１内に表示されているシグナルを見るとき、そのシグナル・インジケータを選択し、そのシグナルに関するより多くの情報を表示することができる。

図６は、事前対応型クライアント関係分析に使用されるシグナル・レポート・データ４９４の例証的で非網羅的なユーザ・インターフェース６００の実例を示す。図６に見られるように、ユーザ・インターフェース６００は、シグナル・レポート・データ４９４をシグナル・インジケータ６０１として描写している。シグナル・インジケータ６０１によって示されている実例では、案件ステータスは緑、クライアント・ステータスは黄色、相手担当者ステータスは赤である。この実例では、相手担当者は、即時の確認を必要としている可能性があるが、クライアントは、即時の確認をそれほど必要としていない可能性があり、案件オブジェクト自体は、即時の確認の必要性を示すシグナル・インジケータ６０１を示していない。所望の用途に応じて、シグナル・インジケータ６０１に他の意味を割り当てることができることを理解されたい。

当業者には、図６がシグナル・レポート・データ４９４の具体的な例証的実例に過ぎず、そのようなデータの他の多くのタイプ及び構成が発明者によって想定及び企図されていることが容易に理解されよう。結果として、図６のシグナル・レポート・データ４９４のタイプ及び構成の具体的な例証的実例は、特許請求の範囲に記載される実施例を限定するものと読まれるべきではない。

図７は、事前対応型クライアント関係分析のためのベクトル制御の例示的な表７００である。図１、図２Ａ、図３、図４、図５Ａ、図６、及び図７を合わせて参照すると、表７００は、ベクトル制御フィールドを表す列７１１を含む。

列７１１の行７２１で、ベクトル制御フィールドは「ベクトル名」である。ここで、ベクトル名は、図６に示す任意のベクトル名、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の任意のベクトル名とすることができる。

列７１１の行７２２において、ベクトル制御フィールドは「有効化」である。ここで、ベクトル制御フィールドは、ベクトルの分析が有効であるか又は無効であるかを示す。

列７１１の行７２３において、ベクトル制御フィールドは「オブジェクト－案件に適用可能」である。ここで、ベクトル制御フィールドは、ベクトルが案件オブジェクト・タイプについて分析されることを示す。

列７１１の行７２４において、ベクトル制御フィールドは、「オブジェクト－相手担当者に適用可能」である。ここで、ベクトル制御フィールドは、ベクトルが相手担当者オブジェクト・タイプについて分析されることを示す。

列７１１の行７２５において、ベクトル制御フィールドは、「オブジェクト－クライアントに適用可能」である。ここで、ベクトル制御フィールドは、ベクトルがクライアント・オブジェクト・タイプについて分析されることを示す。

列７１１の行７２６において、ベクトル制御フィールドは「極性に適用可能」である。ここで、ベクトル制御フィールドは、ベクトルが０から１の間の正の値を有するポジティブなシグナルとして分析されるのか、又はマイナス１からマイナス０の間の負の値を有するネガティブなシグナルとして分析されるのか、又はそれぞれマイナス１から正の１の間の値を有するポジティブなシグナルとネガティブなシグナルとの両方として分析されるのかを示す。

列７１１の行７２７において、ベクトル制御フィールドは「ベクトル・タイプ」である。ここで、ベクトル制御フィールドは、異常ベースのガウス分布、異常ベースのＩＱＲ、平均ベース、平均値－中央値ベース、感情ベース、標準偏差ベース、閾値ベースのベクトル・タイプ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のベクトル・タイプを示す。

列７１１の行７２８において、ベクトル制御フィールドは「強制低値」である。ここで、ベクトル・タイプが閾値ベースである場合、ベクトル制御フィールドは閾値範囲の最小値を定義する。

列７１１の行７２９において、ベクトル制御フィールドは「強制高値」である。ここで、ベクトル・タイプが閾値ベースである場合、ベクトル制御フィールドは閾値範囲の最大値を定義する。

列７１１の行７３０において、ベクトル制御フィールドは「重み」である。ここで、シグナル・プロセッサ・モジュール１３０の優先順位付けモジュール３４０によって利用される制御データ１９２内に、適用可能なベクトルの重みが設定される。

図８は、事前対応型クライアント異常検出のためのプロセス８００の流れ図である。図１、図２Ａ、図３、図４、図５Ａ、及び図８を合わせて参照すると、事前対応型クライアント異常検出のためのプロセス８００は、動作８１０において開始し、プロセス・フローは、動作８１１に進む。

動作８１１において、クライアント・サービス・システム１８０から案件データ２８２が受信される。案件データ２８２は、クライアント・サービス・システムの案件情報に関連付けられている。案件データ２８２は、クライアント・サービス・システム１８０の構造化データと非構造化データとの両方を表す。ベクトル収集器モジュール１２０のデータ取得モジュール２３０は、クライアント・サービス・システム１８０から案件データ２８２を取得する。

動作８１１において案件データ２８２が受信されると、プロセス・フローは動作８１２に進む。

動作８１２において、案件データ２８２は、ベクトル収集器モジュール１２０によってベクトル・データ１９３内に収集される。ベクトル・データ統合器モジュール２１０は、案件データ２８２を統合し、ベクトル・データ集約器モジュール２２０は、案件データ２８２を集約して、ベクトル・データ１９３を生成する。ベクトル・データ統合器モジュール２１０は、制御データ１９２から統合命令を受信する。ベクトル・データ集約器モジュール２２０は、制御データ１９２から集約命令を受信する。

制御データ１９２は、制御構成モジュール２３５を介してユーザによって修正される。一実施例では、ベクトル・データ１９３は、ベクトル・データ１９３の他のベクトルに関連して、ベクトル・データ１９３の各ベクトルに重みを割り当てることを含む。一実施例では、ベクトル・データ１９３の各ベクトルは、異常ベースのガウス・ベクトル・タイプ、異常ベースのＩＱＲベクトル・タイプ、平均ベースのベクトル・タイプ、平均値－中央値ベースのベクトル・タイプ、標準偏差ベースのベクトル・タイプ、閾値ベースのベクトル・タイプ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のベクトル・タイプを含むベクトル・タイプによって定義される。閾値ベースのベクトル・データ・タイプごとに、最大閾値が割り当てられ、最小閾値は、割り当てられて、制御データ１９２として格納される。一実施例では、ベクトル・データ１９３の各ベクトルは、クライアント・オブジェクト・タイプ、相手担当者オブジェクト・タイプ、案件オブジェクト・タイプ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のオブジェクト・タイプのオブジェクト・タイプを含む。ベクトル・データ１９３は、ベクトル収集器モジュール１２０によってシグナル・プロセッサ・モジュール１３０に送信される。

動作８１２において案件データ２８２がベクトル・データ１９３内に収集されると、プロセス・フローは動作８１３に進む。

動作８１３において、異常シグナル・プロセッサ・モジュール３１０によって、ベクトル・データ１９３が処理されて、異常データ３９５を検出する。異常シグナル・プロセッサ・モジュール３１０は、機械学習ベースの異常検出技法を実行する異常検出器モデル３１１を含む。異常検出器モデル３１１は、訓練データ１９１を用いて訓練される。一実施例では、機械学習ベースの異常検出技法は、教師あり機械学習ベースの異常検出技法である。一実施例では、異常検出器モデル３１１は、検出管理システム１１１のユーザによって定義される訓練データ１９１を使用して、教師ありモデルの下で訓練される。

異常シグナル・プロセッサ・モジュール３１０は、ベクトル・データ１９３から異常データ３９５を生成する。一実施例では、異常データ３９５は、点異常タイプ、文脈的異常タイプ、集合的異常タイプ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の異常タイプの異常タイプの少なくとも１個の異常を含む。一実施例では、正規化モジュール３３０は、異常データ３９５を正規化し、優先順位付けモジュール３４０は、異常データ３９５に優先順位を付ける。異常データ３９５は、シグナル・プロセッサ・モジュール１３０によって検証及び統一モジュール１４０に送信される。

動作８１３において、ベクトル・データ１９３が処理されて、異常データ３９５を検出すると、プロセス・フローは動作８１４に進む。

動作８１４において、検証及び統一モジュール１４０によって、異常データ３９５が準備されて、異常レポート・データ４９５が生成される。一実施例では、シグナル検証器モジュール４１０は、異常データ３９５を検証する。一実施例では、シグナル統一器モジュール４２０は、異常データ３９５を統一する。異常レポート・データ４９５は、検証及び統一モジュール１４０によってユーザ・インターフェース・モジュール１５０に送信される。

動作８１４において、検証及び統一モジュール１４０によって、異常データ３９５が準備されて、異常レポート・データ４９５が生成されると、プロセス・フローは動作８１５に進む。

動作８１５において、異常レポート・データ４９５は、ユーザによる分析のためにユーザ・インターフェース・モジュール１５０に提供される。一実施例では、ダッシュボード・モジュール５１０は、ユーザに異常レポート・データ４９５を表示するためのダッシュボード・ユーザ・インターフェースを提供する。一実施例では、通知モジュール５２０は、異常レポート・データ４９５の通知のユーザへの配信を提供する。一実施例では、インジケータ・モジュール５３０は、異常レポート・データ４９５に基づいてクライアント・サービス・システムによってユーザに提供されるユーザ・インターフェース画面をカスタマイズすることによって、異常レポート・データ４９５の表示を提供する。

動作８１５において、異常レポート・データ４９５が、ユーザによる分析のためにユーザ・インターフェース・モジュール１５０に提供されると、プロセス・フローは動作８１６に進む。

動作８１６において、プロセス８００は終了する。

図９は、事前対応型クライアント感情検出のためのプロセス９００の流れ図である。図１、図２Ａ、図３、図４、図５Ａ、及び図９を合わせて参照すると、事前対応型クライアント感情検出のためのプロセス９００は、動作９１０において開始し、プロセス・フローは、動作９１１に進む。

動作９１１において、クライアント・サービス・システム１８０から案件データ２８２が受信される。案件データ２８２は、クライアント・サービス・システムの案件情報に関連付けられている。案件データ２８２は、クライアント・サービス・システム１８０の構造化データと非構造化データとの両方を表す。一実施例では、案件データ２８２は、クライアントの案件会話情報、エージェントの案件会話情報、案件調査結果のコメント情報を表すテキスト情報、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のテキスト情報を含む。ベクトル収集器モジュール１２０のデータ取得モジュール２３０は、クライアント・サービス・システム１８０から案件データ２８２を取得する。

動作９１１において案件データ２８２が受信されると、プロセス・フローは動作９１２に進む。

動作９１２において、案件データ２８２は、ベクトル収集器モジュール１２０によってベクトル・データ１９３内に収集される。ベクトル・データ統合器モジュール２１０は、案件データ２８２を統合し、ベクトル・データ集約器モジュール２２０は、案件データ２８２を集約して、ベクトル・データ１９３を生成する。ベクトル・データ統合器モジュール２１０は、制御データ１９２から統合命令を受信する。ベクトル・データ集約器モジュール２２０は、制御データ１９２から集約命令を受信する。

制御データ１９２は、制御構成モジュール２３５を介してユーザによって修正される。一実施例では、ベクトル・データ１９３の各ベクトルは、クライアント・オブジェクト・タイプ、相手担当者オブジェクト・タイプ、案件オブジェクト・タイプのオブジェクト・タイプ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のオブジェクト・タイプを含む。ベクトル・データ１９３は、ベクトル収集器モジュール１２０によってシグナル・プロセッサ・モジュール１３０に送信される。

動作９１２において案件データ２８２がベクトル・データ１９３内に収集されると、プロセス・フローは動作９１３に進む。

動作９１３において、感情シグナル・プロセッサ・モジュール３２０によって、ベクトル・データ１９３が処理されて、感情データ３９６を検出する。感情シグナル・プロセッサ・モジュール３２０は、機械学習ベースの感情検出技法を実行する感情検出器モデル３２１を含む。一実施例では、機械学習ベースの感情検出技法は、ベクトル・データ１９３内の複数の感情指標を表すコーパス・データを含む。感情検出器モデル３２１は、訓練データ１９１を用いて訓練される。一実施例では、機械学習ベースの感情検出技法は、教師あり機械学習ベースの感情検出技法である。一実施例では、感情検出器モデル３２１は、検出管理システム１１１の技術者によって定義された訓練データ１９１を使用して、教師ありモデルの下で訓練される。

感情シグナル・プロセッサ・モジュール３２０は、ベクトル・データ１９３から感情データ３９６を生成する。一実施例では、正規化モジュール３３０は、感情データ３９６を正規化し、優先順位付けモジュール３４０は、感情データ３９６に優先順位を付ける。感情データ３９６は、シグナル・プロセッサ・モジュール１３０によって検証及び統一モジュール１４０に送信される。

動作９１３において、ベクトル・データ１９３が処理されて、感情データ３９６を検出すると、プロセス・フローは動作９１４に進む。

動作９１４において、検証及び統一モジュール１４０によって、感情データ３９６が準備されて、感情レポート・データ４９６が生成される。一実施例では、感情データ３９６の感情タイプは、ネガティブ感情タイプ、ポジティブ感情タイプ、緊急感情タイプ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他の感情タイプを含む。一実施例では、シグナル検証器モジュール４１０は、感情データ３９６を検証する。一実施例では、シグナル統一器モジュール４２０は、感情データ３９６を統一する。感情レポート・データ４９６は、検証及び統一モジュール１４０によってユーザ・インターフェース・モジュール１５０に送信される。

動作９１４において、検証及び統一モジュール１４０によって感情データ３９６が準備されて、感情レポート・データ４９６が生成されると、プロセス・フローは動作９１５に進む。

動作９１５において、感情レポート・データ４９６は、ユーザによる分析のためにユーザ・インターフェース・モジュール１５０に提供される。一実施例では、ダッシュボード・モジュール５１０は、ユーザに感情レポート・データ４９６を表示するためのダッシュボード・ユーザ・インターフェースを提供する。一実施例では、通知モジュール５２０は、感情レポート・データ４９６の通知のユーザへの配信を提供する。

一実施例では、インジケータ・モジュール５３０は、感情レポート・データ４９６に基づいてクライアント・サービス・システムによってユーザに提供されるユーザ・インターフェース画面をカスタマイズすることによって、感情レポート・データ４９６の表示を提供する。

一実施例では、ユーザ・インターフェース・モジュール１５０は、ユーザが感情レポート・データ４９６の感情を誤検出として指定することを可能にすることを含む。一実施例では、感情検出器モデル３２１の予測性を向上させるために、誤検出指定から訓練データが生成される。一実施例では、誤検出指定に関連する１つ又は複数の感情が、感情レポート・データ４９６から削除される。

動作９１５において、感情レポート・データ４９６が、ユーザによる分析のためにユーザ・インターフェース・モジュール１５０に提供されると、プロセス・フローは動作９１６に進む。

動作９１６において、プロセス９００は終了する。

図１０は、事前対応型クライアント関係分析のためのプロセス１０００の流れ図である。図１、図２Ａ、図３、図４、図５Ａ、及び図１０を合わせて参照すると、事前対応型クライアント関係分析のためのプロセス１０００は、動作１０１０において開始し、プロセス・フローは、動作１０１１に進む。

動作１０１１において、クライアント・サービス・システム１８０から案件データ２８２が受信される。案件データ２８２は、クライアント・サービス・システムの案件情報に関連付けられている。案件データ２８２は、クライアント・サービス・システム１８０の構造化データと非構造化データとの両方を表す。ベクトル収集器モジュール１２０のデータ取得モジュール２３０は、クライアント・サービス・システム１８０から案件データ２８２を取得する。

動作１０１１において案件データ２８２が受信されると、プロセス・フローは動作１０１２に進む。

動作１０１２において、案件データ２８２は、ベクトル収集器モジュール１２０によってベクトル・データ１９３内に収集される。ベクトル・データ統合器モジュール２１０は、案件データ２８２を統合し、ベクトル・データ集約器モジュール２２０は、案件データ２８２を集約して、ベクトル・データ１９３を生成する。ベクトル・データ統合器モジュール２１０は、制御データ１９２から統合命令を受信する。ベクトル・データ集約器モジュール２２０は、制御データ１９２から集約命令を受信する。制御データ１９２は、制御構成モジュール２３５を介してユーザによって修正される。

一実施例では、ベクトル・データ１９３の各ベクトルは、感情ベースのガウス・ベクトル・タイプ、異常ベースのＩＱＲベクトル・タイプ、平均ベースのベクトル・タイプ、平均値－中央値ベースのベクトル・タイプ、標準偏差ベースのベクトル・タイプ、閾値ベースのベクトル・タイプ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のベクトル・タイプを含むベクトル・タイプによって定義される。一実施例では、ベクトル・データ１９３の各ベクトルは、クライアント・オブジェクト・タイプ、相手担当者オブジェクト・タイプ、案件オブジェクト・タイプ、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のオブジェクト・タイプのオブジェクト・タイプを含む。ベクトル・データ１９３は、ベクトル収集器モジュール１２０によってシグナル・プロセッサ・モジュール１３０に送信される。

動作１０１２において案件データ２８２がベクトル・データ１９３内に収集されると、プロセス・フローは動作１０１３に進む。

動作１０１３において、シグナル・プロセッサ・モジュール１３０によって、ベクトル・データ１９３が処理されて、シグナル・データ１９４を検出する。シグナル・プロセッサ・モジュール１３０は、ベクトル・データ１９３からシグナル・データ１９４を生成する。シグナル・データ１９４は、異常データ３９５、感情データ３９６、及び本明細書に述べる、又は出願時に当技術分野で知られている、又は出願後に開発される若しくは利用可能になる他のシグナル・データを含む。一実施例では、正規化モジュール３３０は、シグナル・データ１９４を正規化し、優先順位付けモジュール３４０は、シグナル・データ１９４に優先順位を付ける。シグナル・データ１９４は、シグナル・プロセッサ・モジュール１３０によって検証及び統一モジュール１４０に送信される。

動作１０１３において、ベクトル・データ１９３が処理されて、シグナル・データ１９４を検出すると、プロセス・フローは動作１０１４に進む。

動作１０１４において、検証及び統一モジュール１４０によって、シグナル・データ１９４が準備されて、シグナル・レポート・データ４９４が生成される。一実施例では、シグナル検証器モジュール４１０は、シグナル・データ１９４を検証する。一実施例では、シグナル統一器モジュール４２０は、シグナル・データ１９４を統一する。シグナル・レポート・データ４９４は、検証及び統一モジュール１４０によってユーザ・インターフェース・モジュール１５０に送信される。

動作１０１４において、検証及び統一モジュール１４０によって、シグナル・データ１９４が準備されて、シグナル・レポート・データ４９４が生成されると、プロセス・フローは動作１０１５に進む。

動作１０１５において、シグナル・レポート・データ４９４は、ユーザによる分析のためにユーザ・インターフェース・モジュール１５０に提供される。一実施例では、ダッシュボード・モジュール５１０は、ユーザにシグナル・レポート・データ４９４を表示するためのダッシュボード・ユーザ・インターフェースを提供する。一実施例では、通知モジュール５２０は、シグナル・レポート・データ４９４の通知のユーザへの配信を提供する。一実施例では、インジケータ・モジュール５３０は、シグナル・レポート・データ４９４に基づいてクライアント・サービス・システムによってユーザに提供されるユーザ・インターフェース画面をカスタマイズすることによって、シグナル・レポート・データ４９４の表示を提供する。

動作１０１５において、シグナル・レポート・データ４９４が、ユーザによる分析のためにユーザ・インターフェース・モジュール１５０に提供されると、プロセス・フローは動作１０１６に進む。

動作１０１６において、プロセス１０００は終了する。

本開示の実施例は、事前対応型クライアント関係分析のための非常に効率的で効果的な多用途のシステム及び方法を提供する。しかしながら、本開示の実施例は、異常検出システム及び方法の分野における他の形態の革新を包含も、具現化も、排除もしない。

さらに、事前対応型クライアント関係分析のためのシステム及び方法の本開示の実施例は、少なくともいくつかの理由により抽象的なアイデアではない。

第１に、本開示の事前対応型クライアント関係分析のためのシステム及び方法は、それ自体が（例えば、精神的に、又はペン及び紙を使用して実行され得る）単なるアイデアではないので、抽象的なアイデアではない。例えば、従来のクライアント・サービス・システムでは、サービス・プロバイダのエージェントとクライアントの相手担当者が定期的にテキスト・メッセージを相互に配信するので、何千もの案件のコメントの非構造化データの量は膨大である。サービス・プロバイダの管理者がすべてのコメントを読んで、調査すべきクライアント感情があることを示す特定の単語を検索することは不可能である。さらなる実例として、従来のクライアント・サービス・システムでは、サービス・プロバイダ・エージェントが各案件の解決に関連する情報を用いてフィールドを更新するので、数千の案件の構造化データの量も同様に膨大になる。サービス・プロバイダの管理者がすべての構造化データを確認し、様々な案件にわたって構造化データを比較することは不可能である。対照的に、本開示の実施例は、機械学習アルゴリズムを利用して、非構造化データ内の感情及び構造化データ内の異常を検出する。このような非構造化データ及び構造化データは大量にあるので、人間の心は、ペン及び紙を使用してもそのような検出を行うことはできない。

第２に、本開示の事前対応型クライアント関係分析のためのシステム及び方法は、基本的な経済原則及び慣行（ヘッジ、保険、リスクの軽減を含む）、商業的又は法的な相互作用（契約の形での合意、法的義務、広告、マーケティング又は販売の活動又は行動、ビジネス関係を含む）、及び人々の間の相互作用（社会的活動、教育、及び規則又は指示に従うことを含む）など人間の活動を組織化する方法ではないので、抽象的なアイデアではない。対照的に、本開示の実施例は、機械学習モデル分析を実行して、クライアントとエージェントとの対話のシグナルの検出を提供する。本開示の実施例を使用して、サービス・プロバイダによる使用のためにシグナルの検出を提供することにより、サービス・プロバイダは、クライアントが異なるサービス・プロバイダからのサービスを探す前に問題をトラブルシューティングできるようにすることによって、クライアントにより良いサービスを提供することが可能になる。本開示の実施例は、サービス・プロバイダの管理者に、サービス・プロバイダの管理者には不明瞭な問題を明らかにする能力を向上させるものであり、これは人間の活動を組織化していない。

第３に、本開示の事前対応型クライアント関係分析のためのシステム及び方法において数学が使用される場合があるが、開示及び特許請求されるシステム及び方法は、単に数学的な関係／公式ではないので、抽象的なアイデアではない。対照的に、本開示の実施例の利用は、異常又は感情のシグナルを特定するために、機械学習モデルがベクトル・データ上で動作することを可能にするという有形の効果をもたらす。このようなシグナルをサービス・プロバイダのユーザに提供して、サービス・プロバイダのビジネスの実行可能性を向上させる。これは単なる数学的関係／公式ではない。

さらに、本開示のシステム及び方法は、クライアントのシグナルを事前対応として検出するという技術的問題に対する技術的解決策を提供することによって、シグナル検出の当技術分野を改善するための実用的な応用について説明している。

上記の議論において、いくつかの実施例の特定の態様は、特定の順序及び／又はグループ化における例示のために、本明細書に記載の処理ステップ及び／又は動作及び／又は命令を含む。しかしながら、本明細書に示され、論じられる特定の順序及び／又はグループ化は、例示に過ぎず、限定するものではない。処理ステップ及び／又は動作及び／又は命令の他の順序及び／又はグループ化が可能であり、いくつかの実施例では、上記で論じた処理ステップ及び／又は動作及び／又は命令のうちの１つ又は複数を、結合及び／又は省略できることを当業者は認識するであろう。さらに、処理ステップ及び／又は動作及び／又は命令のうちの１つ又は複数の一部を、本明細書で論じられる処理ステップ及び／又は動作及び／又は命令のうちの１つ又は複数の他の一部として再グループ化することができる。必然的に、本明細書で論じられる処理ステップ及び／又は動作及び／又は命令の特定の順序及び／又はグルーピングは、下記で特許請求されるような本発明の範囲を限定するものではない。したがって、本開示に鑑み、本明細書が明示的に提供するか又は本明細書が暗示するかどうかにかかわらず、非常に多くの変形形態が当業者によって実施され得る。

Claims (44)

1. クライアントの満足を事前対応として検出するためのコンピューティング・システム実施方法であって、
   １つ又は複数のコンピューティング・システムを使用して、１つ又は複数のクライアント・サービス・システムから履歴案件ベクトル・データを収集するステップと、
   前記履歴案件ベクトル・データを使用して、１つ又は複数の機械学習異常検出モデルを、案件データ内のクライアントの潜在的な不満を示す異常を検出するように訓練するステップと、
   １つ又は複数のコンピューティング・システムを使用して、サービス・プロバイダの１つ又は複数のクライアントに関連する現在のクライアント案件を表す現在の案件ベクトル・データを取得するステップと、
   前記現在の案件ベクトル・データを前記訓練済みの１つ又は複数の機械学習異常検出モデルに提供するステップと、
   前記１つ又は複数の機械学習異常検出モデルを使用して、１つ又は複数の特定の現在のクライアント案件の前記現在の案件ベクトル・データ内の１つ又は複数の異常を識別するステップと、
   １つ又は複数のコンピューティング・システムを使用して、シグナル・レポートを生成するステップであって、前記シグナル・レポートが、１つ又は複数の識別された異常を有する前記１つ又は複数の特定の現在のクライアント案件と、１つ又は複数の識別された異常を有するリスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数の異常とのそれぞれのリストを含む、ステップと、
   １つ又は複数のコンピューティング・システムを使用して、前記サービス・プロバイダのエージェント
   に前記シグナル・レポートを提供するステップと
   を含み、
   前記エージェントが前記特定の１つ又は複数の異常を示したときに、異常を示すフィードバック特徴が生成され、
   前記シグナル・レポートに含まれる前記異常を示すフィードバック特徴が１つ又は複数の機械学習異常検出モデルをさらに訓練するための訓練データの生成に使用される、コンピューティング・システム実施方法。
2. １つ又は複数のコンピューティング・システムを使用して前記履歴案件ベクトル・データを収集する前記ステップにおいて、前記ベクトル・データの他のベクトルに関連して前記ベクトル・データの各ベクトルに重みが割り当てられる、請求項１に記載のコンピューティング・システム実施方法。
3. １つ又は複数のコンピューティング・システムを使用して前記履歴案件ベクトル・データを収集する前記ステップにおいて、前記ベクトル・データの各ベクトルにベクトル・タイプが割り当てられ、ベクトル・タイプが、
   異常ベースのガウス・ベクトル・タイプ、
   異常ベースのＩＱＲベクトル・タイプ、
   平均ベースのベクトル・タイプ、
   平均値－中央値ベースのベクトル・タイプ、
   標準偏差ベースのベクトル・タイプ、及び
   閾値ベースのベクトル・タイプ
   からなるベクトル・タイプ群から選択される、請求項１に記載のコンピューティング・システム実施方法。
4. 前記閾値ベースのベクトル・データ・タイプが、最大閾値、最小閾値、及び前記最大閾値と前記最小閾値との組合せのうちの１つを割り当てることを含む、請求項３に記載のコンピューティング・システム実施方法。
5. １つ又は複数のコンピューティング・システムを使用して前記履歴案件ベクトル・データを収集する前記ステップにおいて、前記ベクトル・データの各ベクトルにオブジェクト・タイプが割り当てられ、前記オブジェクト・タイプが、クライアント・オブジェクト・タイプ、相手担当者オブジェクト・タイプ、及び案件オブジェクト・タイプのうちの１つを含む、請求項１に記載のコンピューティング・システム実施方法。
6. 前記１つ又は複数の機械学習異常検出モデルが、教師あり機械学習異常検出モデルを含む、請求項１に記載のコンピューティング・システム実施方法。
7. 前記１つ又は複数の異常が、
   点異常タイプ、
   文脈的異常タイプ、及び
   集合的異常タイプ
   からなる異常タイプ群から選択される少なくとも１個の異常タイプを含む、請求項１に記載のコンピューティング・システム実施方法。
8. １つ又は複数のコンピューティング・システムを使用してシグナル・レポートを生成するステップが、前記１つ又は複数の異常を有効な異常として検証することを含む、請求項１に記載のコンピューティング・システム実施方法。
9. １つ又は複数のコンピューティング・システムを使用して前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップが、前記サービス・プロバイダの前記エージェントに前記シグナル・レポートを表示するダッシュボード・ユーザ・インターフェースを提供することを含む、請求項１に記載のコンピューティング・システム実施方法。
10. １つ又は複数のコンピューティング・システムを使用して前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップが、前記シグナル・レポートの通知をユーザに配信することを含む、請求項１に記載のコンピューティング・システム実施方法。
11. １つ又は複数のコンピューティング・システムを使用して前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップが、前記シグナル・レポートに基づいて、前記クライアント・サービス・システムによって前記サービス・プロバイダの前記エージェントに提供されるユーザ・インターフェース画面をカスタマイズすることを含む、請求項１に記載のコンピューティング・システム実施方法。
12. クライアントの満足を事前対応として検出するためのコンピューティング・システム実施方法であって、
    １つ又は複数のコンピューティング・システムを使用して、サービス・プロバイダのクライアントに関連する案件を表す現在の案件データを取得するステップと、
    １つ又は複数の機械学習ベースの言語処理モデルに前記現在の案件データを提供するステップと、
    前記１つ又は複数の機械学習ベースの言語処理モデルを使用して、１つ又は複数の特定の現在のクライアント案件の前記現在の案件データ内の１つ又は複数のクライアント感情を識別するステップと、
    １つ又は複数のコンピューティング・システムを使用して、シグナル・レポートを生成するステップであって、前記シグナル・レポートが、１つ又は複数の識別されたクライアント感情を有する前記１つ又は複数の特定の案件と、１つ又は複数の識別された１つ又は複数のクライアント感情を有するリスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情とのそれぞれのリストを含む、ステップと、
    １つ又は複数のコンピューティング・システムを使用して、前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップと
    を含み、
    前記エージェントが前記特定の１つ又は複数のクライアント感情のうちの１つ又は複数が誤り感情指定であると示したときに、誤り感情指定フィードバック特徴（ｆａｌｓｅ ｓｅｎｔｉｍｅｎｔ ｄｅｓｉｇｎａｔｉｏｎ ｆｅｅｄｂａｃｋ）が生成される、コンピューティング・システム実施方法。
13. 前記現在の案件データが、クライアント案件会話データ、エージェント案件会話データ、及び案件調査結果コメント・データのうちの１つ又は複数を表すテキスト・データを含む、請求項１２に記載のコンピューティング・システム実施方法。
14. 前記１つ又は複数の機械学習ベースの言語処理モデルが、複数の感情指標を表すコーパス・データを含む、請求項１２に記載のコンピューティング・システム実施方法。
15. 前記サービス・プロバイダの前記エージェントに提供される前記シグナル・レポートが、リスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情のそれぞれについての誤り感情指定フィードバック特徴としてのレポートを含む、請求項１２に記載のコンピューティング・システム実施方法。
16. 前記１つ又は複数の機械学習ベースの言語処理モデルの訓練データが、前記エージェントによって生成された誤り感情指定フィードバック特徴から生成される、請求項１５に記載のコンピューティング・システム実施方法。
17. 前記リスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情がネガティブ感情タイプである、請求項１２に記載のコンピューティング・システム実施方法。
18. 前記リスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情がポジティブ感情タイプである、請求項１２に記載のコンピューティング・システム実施方法。
19. 前記リスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情が緊急感情タイプである、請求項１２に記載のコンピューティング・システム実施方法。
20. 前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップが、前記エージェントに前記シグナル・レポートを表示するダッシュボード・ユーザ・インターフェースを提供することを含む、請求項１２に記載のコンピューティング・システム実施方法。
21. 前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップが、前記シグナル・レポートの通知を前記エージェントに配信することを含む、請求項１２に記載のコンピューティング・システム実施方法。
22. 前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップが、前記シグナル・レポートに基づいて、前記クライアント・サービス・システムによって前記エージェントに提供されるユーザ・インターフェース画面をカスタマイズすることを含む、請求項１２に記載のコンピューティング・システム実施方法。
23. 前記１つ又は複数のクライアント感情が誤り感情指定フィードバックに関連付けられている場合、前記クライアント感情のうちの１つ又は複数が前記シグナル・レポートから削除される、請求項１５に記載のコンピューティング・システム実施方法。
24. 前記現在の案件のベクトル・データを取得する前記ステップにおいて、前記ベクトル・データの他のベクトルに関連して前記ベクトル・データの各ベクトルに重みが割り当てられる、請求項１２に記載のコンピューティング・システム実施方法。
25. クライアントの満足を事前対応として検出するためのコンピューティング・システム実施方法であって、
    １つ又は複数のコンピューティング・システムを使用して、１つ又は複数のクライアント・サービス・システムから履歴案件ベクトル・データを収集するステップと、
    前記履歴案件ベクトル・データを使用して、１つ又は複数の機械学習異常検出モデルを、案件データ内のクライアントの潜在的な不満を示す異常を検出するように訓練するステップと、
    １つ又は複数のコンピューティング・システムを使用して、サービス・プロバイダの１つ又は複数のクライアントに関連する現在のクライアント案件を表す現在の案件ベクトル・データを取得するステップと、
    前記現在の案件ベクトル・データを前記訓練済みの１つ又は複数の機械学習異常検出モデルに提供するステップと、
    前記１つ又は複数の機械学習異常検出モデルを使用して、１つ又は複数の特定の現在のクライアント案件の前記現在の案件ベクトル・データ内の１つ又は複数の異常を識別するステップと、
    前記現在の案件ベクトル・データを１つ又は複数の機械学習ベースの言語処理モデルに提供するステップと、
    前記１つ又は複数の機械学習ベースの言語処理モデルを使用して、１つ又は複数の特定の現在のクライアント案件の前記現在の案件ベクトル・データ内の１つ又は複数のクライアント感情を識別するステップと、
    １つ又は複数のコンピューティング・システムを使用して、シグナル・レポートを生成するステップであって、前記シグナル・レポートが、
    １つ又は複数の識別された異常を有する前記１つ又は複数の特定の現在のクライアント案件と、１つ又は複数の識別された異常を有するリスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数の異常とのそれぞれのリスト、及び
    １つ又は複数の識別されたクライアント感情を有する前記１つ又は複数の特定の案件と、１つ又は複数の識別された１つ又は複数のクライアント感情を有するリスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情とのそれぞれのリスト
    を含む、ステップと、
    １つ又は複数のコンピューティング・システムを使用して、前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップと
    を含み、
    前記エージェントが前記特定の１つ又は複数のクライアント感情のうちの１つ又は複数が誤り感情指定であると示したときに、誤り感情指定フィードバック特徴が生成される、コンピューティング・システム実施方法。
26. １つ又は複数のコンピューティング・システムを使用して前記履歴案件ベクトル・データを収集する前記ステップにおいて、前記ベクトル・データの他のベクトルに関連して前記ベクトル・データの各ベクトルに重みが割り当てられる、請求項２５に記載のコンピューティング・システム実施方法。
27. １つ又は複数のコンピューティング・システムを使用して前記履歴案件ベクトル・データを収集する前記ステップにおいて、前記ベクトル・データの各ベクトルにベクトル・タイプが割り当てられ、ベクトル・タイプが、
    異常ベースのガウス・ベクトル・タイプ、
    異常ベースのＩＱＲベクトル・タイプ、
    平均ベースのベクトル・タイプ、
    平均値－中央値ベースのベクトル・タイプ、
    標準偏差ベースのベクトル・タイプ、及び
    閾値ベースのベクトル・タイプ
    からなるベクトル・タイプ群から選択される、請求項２５に記載のコンピューティング・システム実施方法。
28. 前記閾値ベースのベクトル・データ・タイプが、最大閾値、最小閾値、及び前記最大閾値と前記最小閾値との組合せのうちの１つを割り当てることを含む、請求項２７に記載のコンピューティング・システム実施方法。
29. １つ又は複数のコンピューティング・システムを使用して前記履歴案件ベクトル・データを収集する前記ステップにおいて、前記ベクトル・データの各ベクトルにオブジェクト・タイプが割り当てられ、前記オブジェクト・タイプが、クライアント・オブジェクト・タイプ、相手担当者オブジェクト・タイプ、及び案件オブジェクト・タイプのうちの１つを含む、請求項２５に記載のコンピューティング・システム実施方法。
30. 前記１つ又は複数の機械学習異常検出モデルが、教師あり機械学習異常検出モデルを含む、請求項２５に記載のコンピューティング・システム実施方法。
31. 前記１つ又は複数の異常が、
    点異常タイプ、
    文脈的異常タイプ、及び
    集合的異常タイプ
    からなる異常タイプ群から選択される少なくとも１個の異常タイプを含む、請求項２５に記載のコンピューティング・システム実施方法。
32. １つ又は複数のコンピューティング・システムを使用してシグナル・レポートを生成するステップが、前記１つ又は複数の異常を有効な異常として検証することを含む、請求項２５に記載のコンピューティング・システム実施方法。
33. 前記現在の案件ベクトル・データが、クライアント案件会話データ、エージェント案件会話データ、及び案件調査結果コメント・データのうちの１つ又は複数を表すテキスト・データを含む、請求項２５に記載のコンピューティング・システム実施方法。
34. 前記１つ又は複数の機械学習ベースの言語処理モデルが、複数の感情指標を表すコーパス・データを含む、請求項２５に記載のコンピューティング・システム実施方法。
35. 前記サービス・プロバイダの前記エージェントに提供される前記シグナル・レポートが、リスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情のそれぞれについての誤り感情指定フィードバック特徴としてのレポートを含む、請求項２５に記載のコンピューティング・システム実施方法。
36. 前記１つ又は複数の機械学習ベースの言語処理モデルの訓練データが、前記エージェントによって生成された誤り感情指定フィードバック特徴から生成される、請求項３５に記載のコンピューティング・システム実施方法。
37. 前記リスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情がネガティブ感情タイプである、請求項２５に記載のコンピューティング・システム実施方法。
38. 前記リスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情がポジティブ感情タイプである、請求項２５に記載のコンピューティング・システム実施方法。
39. 前記リスト化されたより具体的な現在のクライアント案件に関連する前記特定の１つ又は複数のクライアント感情が緊急感情タイプである、請求項２５に記載のコンピューティング・システム実施方法。
40. １つ又は複数のコンピューティング・システムを使用して前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップが、前記サービス・プロバイダの前記エージェントに前記シグナル・レポートを表示するダッシュボード・ユーザ・インターフェースを提供することを含む、請求項２５に記載のコンピューティング・システム実施方法。
41. １つ又は複数のコンピューティング・システムを使用して前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップが、前記シグナル・レポートの通知をユーザに配信することを含む、請求項２５に記載のコンピューティング・システム実施方法。
42. １つ又は複数のコンピューティング・システムを使用して前記サービス・プロバイダのエージェントに前記シグナル・レポートを提供するステップが、前記シグナル・レポートに基づいて、前記クライアント・サービス・システムによって前記サービス・プロバイダのエージェントに提供されるユーザ・インターフェース画面をカスタマイズすることを含む、請求項２５に記載のコンピューティング・システム実施方法。
43. 前記１つ又は複数のクライアント感情が誤り感情指定フィードバックに関連付けられている場合、前記クライアント感情のうちの１つ又は複数が前記シグナル・レポートから削除される、請求項３５に記載のコンピューティング・システム実施方法。
44. 前記現在の案件のベクトル・データを取得する前記ステップにおいて、前記ベクトル・データの他のベクトルに関連して前記ベクトル・データの各ベクトルに重みが割り当てられる、請求項２５に記載のコンピューティング・システム実施方法。