KR20200143989A - 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법 - Google Patents

고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법 Download PDF

Info

Publication number
KR20200143989A
KR20200143989A KR1020190071769A KR20190071769A KR20200143989A KR 20200143989 A KR20200143989 A KR 20200143989A KR 1020190071769 A KR1020190071769 A KR 1020190071769A KR 20190071769 A KR20190071769 A KR 20190071769A KR 20200143989 A KR20200143989 A KR 20200143989A
Authority
KR
South Korea
Prior art keywords
inquiry
person
charge
type
customer
Prior art date
Application number
KR1020190071769A
Other languages
English (en)
Inventor
전인혁
나영균
조가혜
Original Assignee
주식회사 오니온파이브
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 주식회사 오니온파이브 filed Critical 주식회사 오니온파이브
Priority to KR1020190071769A priority Critical patent/KR20200143989A/ko
Publication of KR20200143989A publication Critical patent/KR20200143989A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task

Abstract

본 발명은 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법에 관한 것으로서, 본 발명의 일 실시 예에 따른 시스템은, 복수개의 채널들 중 적어도 하나 이상을 통해 수집된 고객의 문의정보의 노이즈값을 제거하고, 평문을 추출하는 텍스트 정제부, 추출된 평문에 대한 자연어 처리를 통해 문의유형 별 신뢰값을 추정하고, 추정된 문의유형 별 신뢰값과 기 설정된 기준값의 비교를 통해 문의정보의 대표 문의유형을 판단하는 문의유형 분류부 및 담당자들에 대한 메타정보를 기초로 판단된 대표 문의유형과 담당자들의 상관관계를 분석하고, 분석된 결과에 따라 문의정보에 대한 업무를 담당자에게 배정하는 업무 배정부를 포함할 수 있다.

Description

고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법{THE PERSON IN CHARGE ASSIGNMENT SYSTEM AND METHOD BASED ON TYPE CLASSIFICATION FOR CUSTOMER INQUIRIES}
본 발명은 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법에 관한 것으로, 더욱 상세하게는 고객이 이메일(E-mail), 웹페이지(Webpage), 소셜네트워크서비스(Social Network Service: SNS) 등의 채널들을 통해 문의 유형을 선택할 수 없는 문의를 남기는 경우, 해당 문의에 대한 분석을 통해 업무 처리에 최적화된 담당자를 배정하는 시스템 및 방법에 관한 것이다.
기업이 고객과 관련된 정보들을 분석하여 고객 중심의 자원을 극대화하고, 이를 토대로 고객의 특성에 맞는 상품, 서비스 등을 제공하는 것이 나날이 중요해져 가고 있다. 이에 따라 고객의 애로사항, 고충 등의 문의를 처리하는 헬프데스크(Helpdesk)의 역할 및 헬프데스크의 업무 처리를 위한 솔루션(solution)의 중요성 또한 커져가고 있다.
기존의 헬프데스크의 업무 처리를 위한 솔루션은 기업의 서비스에 따라 문의유형을 일정하게 구분하고, 그에 따라 고객의 문의를 처리한다. 이때, 고객의 문의유형은 일반적으로 문의 과정에서 고객 스스로에 의해 선택되어 구분되는 경우가 많다.
이와 같이 고객 스스로가 일정하게 정해진 문의유형을 선택하는 방식으로 문의유형이 구분되면, 고객 스스로가 본인의 문의내용이 일정하게 정해진 문의유형에 해당하지 않는 것으로 판단하는 경우나 고객이 직접 문의유형을 선택할 수 없는 경로를 통해 문의하는 경우에는 문의유형을 구분하지 못하는 문제가 발생한다. 또한, 고객의 자의적 판단에 의해 문의유형이 구분 및 선택되므로, 문의유형 분류의 정확성이 떨어질 뿐만 아니라 해당 문의를 처리해야 하는 담당자의 업무 전문성 및 생산성이 떨어지는 문제가 발생한다.
대한민국 공개특허공보 제10-2001-0069653호 (2001.07.25)
본 발명은 전술한 바와 같은 문제점을 해결하기 위해 도출된 것으로서, 문의유형의 구분 없이 고객의 문의사항이 접수되더라도 텍스트 기반의 문의유형 분석 및 담당자 매칭 과정을 통해 정확하고 신속한 고객지원 업무 처리가 수행될 수 있도록 하는 시스템 및 방법을 제공함에 목적이 있다.
본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템은, 복수개의 채널들 중 적어도 하나 이상을 통해 수집된 고객의 문의정보의 노이즈값을 제거하고, 평문을 추출하는 텍스트 정제부, 추출된 평문에 대한 자연어 처리를 통해 문의유형 별 신뢰값을 추정하고, 추정된 문의유형 별 신뢰값과 기 설정된 기준값의 비교를 통해 문의정보의 대표 문의유형을 판단하는 문의유형 분류부 및 담당자들에 대한 메타정보를 기초로 판단된 대표 문의유형과 담당자들의 상관관계를 분석하고, 분석된 결과에 따라 문의정보에 대한 업무를 담당자에게 배정하는 업무 배정부를 포함할 수 있다.
본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템은, 고객의 문의정보에 대한 문의유형 및 문의유형에 매칭되는 평문의 내용을 일 데이터 세트(set)로 분석하고, 분석된 결과를 기초로 분류모델을 생성하는 데이터 학습부를 포함하며, 문의유형 분류부는 분류모델을 이용하여 문의유형 별 신뢰값을 추정할 수 있다.
본 발명의 일 실시 예에 따른 데이터 학습부는, 카이-제곱 통계(chi-square statistic)를 이용하여 각각의 문의유형에 대한 상위 N개(N은 자연수)의 유효 형태소를 추출하고, 기 설정된 문의유형 별 단어사전에 포함된 단어들과 추출된 유효 형태소를 각각 하나의 차원으로 갖는 특징벡터에 대한 학습을 통해 분류모델을 생성할 수 있다.
본 발명의 일 실시 예에 따른 데이터 학습부는, 업무 배정부에 의해 담당자에게 배정된 고객의 문의정보가 소정의 조건에 해당하는지 여부를 판단하고, 판단된 결과에 따라 생성된 보정값을 분류모델 또는 업무 배정부에 반영할 수 있다.
본 발명의 일 실시 예에 따르면, 소정의 조건에는 사용자로부터 인가된 외부 입력에 의해 고객의 문의정보의 대표 문의유형이 변경되는 경우, 사용자로부터 인가된 외부 입력에 의해 고객의 문의정보의 담당자가 변경되는 경우 및 2가지 조건이 모두 발생하는 경우가 포함될 수 있다.
본 발명의 일 실시 예에 따르면, 메타정보에는 담당자들 각각이 소정의 기간동안 처리한 업무를 기준으로 분석된 변수값들이 포함될 수 있다.
본 발명의 일 실시 예에 따른 업무 배정부는, 변수값들 각각에 대해 문의유형에 따른 가중치를 부여하고, 담당자 별 변수값들을 합산한 점수를 기초로 판단된 대표 문의유형과 담당자들의 상관관계를 분석할 수 있다.
본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 방법은, 텍스트 정제부가 복수개의 채널들 중 적어도 하나 이상을 통해 수집된 고객의 문의정보의 노이즈값을 제거하고, 평문을 추출하는 단계, 문의유형 분류부가 추출된 평문에 대한 자연어 처리를 통해 문의유형 별 신뢰값을 추정하고, 추정된 문의유형 별 신뢰값과 기 설정된 기준값의 비교를 통해 문의정보의 대표 문의유형을 판단하는 단계 및 업무 배정부가 담당자들에 대한 메타정보를 기초로 판단된 대표 문의유형과 담당자들의 상관관계를 분석하고, 분석된 결과에 따라 문의정보에 대한 업무를 담당자에게 배정하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 방법은, 데이터 학습부가 고객의 문의정보에 대한 문의유형 및 문의유형에 매칭되는 평문의 내용을 일 데이터 세트(set)로 분석하고, 분석된 결과를 기초로 분류모델을 생성하는 단계를 더 포함하며, 문의유형 분류부는 분류모델을 이용하여 문의유형 별 신뢰값을 추정할 수 있다.
본 발명의 일 실시 예에 따른 분류모델을 생성하는 단계에서는, 데이터 학습부가 카이-제곱 통계(chi-square statistic)를 이용하여 각각의 문의유형에 대한 상위 N개(N은 자연수)의 유효 형태소를 추출하고, 기 설정된 문의유형 별 단어사전에 포함된 단어들과 추출된 유효 형태소를 각각 하나의 차원으로 갖는 특징벡터에 대한 학습을 통해 분류모델을 생성할 수 있다.
본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 방법은, 데이터 학습부가 업무 배정부에 의해 담당자에게 배정된 고객의 문의정보가 소정의 조건에 해당하는지 여부를 판단하는 단계 및 판단된 결과에 따라 생성된 보정값을 분류모델 또는 업무 배정부에 반영하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 문의정보에 대한 업무를 담당자에게 배정하는 단계에서는, 업무 배정부가 변수값들 각각에 대해 문의유형에 따른 가중치를 부여하고, 담당자 별 변수값들을 합산한 점수를 기초로 판단된 대표 문의유형과 담당자들의 상관관계를 분석할 수 있다.
한편, 본 발명의 일 실시 예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
본 발명의 일 실시 예로서 제공되는 담당자 배정 시스템 및 방법에 따르면, 고객으로부터 접수된 문의의 문의유형을 자동으로 구분하고, 구분된 문의유형의 담당자 중 해당 문의와 가장 관련도가 높은 담당자를 자동으로 배정하는 과정을 통해 담당자의 업무 처리의 생산성을 향상시킬 수 있다.
또한, 정확한 문의유형의 분류 및 담당자 매칭을 통해 고객문의에 대한 답변의 전문성, 신뢰성 및 정확성을 확보할 수 있으며, 이를 통해 고객의 만족도를 종래 대비 대폭 향상시킬 수 있다.
도 1은 본 발명의 일 실시 예에 따라 고객지원 시스템과 연동 가능한 담당자 배정 시스템을 통해 제공되는 고객지원 서비스를 나타낸 개념도이다.
도 2는 본 발명의 일 실시 예에 따른 담당자 배정 시스템, 복수개의 채널들 및 담당자 단말들의 네트워크 관계를 나타낸 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 담당자 배정 시스템을 나타낸 개념도이다.
도 4는 본 발명의 일 실시 예에 따른 담당자 배정 방법을 나타낸 순서도이다.
도 5는 본 발명의 일 실시 예에 따른 분류모델 생성 과정을 나타낸 순서도이다.
도 6은 본 발명의 일 실시 예에 따른 분류모델 또는 업무 배정부의 업데이트 과정을 나타낸 순서도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 구성을 사이에 두고" 연결되어 있는 경우도 포함한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따라 고객지원 시스템(100)과 연동 가능한 담당자 배정 시스템(200)을 통해 제공되는 고객지원 서비스를 나타낸 개념도이다.
고객지원 시스템(100)이란 기업에서 제공하는 상품, 서비스 등에 대한 고객의 민원, 불만사항 등을 포함하는 문의사항을 처리하기 위한 시스템으로서, 온오프라인의 다양한 채널을 통해 문의사항을 수집하고, 수집된 문의사항을 고객지원 담당자에게 통합된 형태로 제공하여 처리할 수 있도록 하는 솔루션을 말한다.
예를 들어, 도 1과 같이 여러 고객들의 단말에서 입력된 문의사항이 복수개의 채널들(10)(ex. 이메일, 웹페이지, SNS 등) 중 적어도 하나 이상을 통해 고객지원 시스템(100)으로 수집되면, 수집된 문의사항들은 "티켓(ticket)" 이라는 형태로 변환될 수 있다. 티켓으로 변환된 문의사항들은 통합되어 도 1과 같이 담당자단말(20)을 통해 고객지원 담당자에게 제공될 수 있다. 고객지원 담당자가 담당자단말(20)을 통해 티켓에 대한 답변을 생성하면, 생성된 답변은 문의사항이 입력된 채널들의 원래 형태에 맞게 다시 변환되어 고객단말로 제공될 수 있다.
본 발명의 일 실시 예에 따른 담당자 배정 시스템(200)은 전술한 고객지원 시스템(100)의 문의유형 분류 및 그에 따른 담당자 배정 업무의 성능을 향상시키기 위한 것으로서, 도 1 과 같이 고객지원 시스템(100)과 유무선 통신 네트워크를 통해 연동되도록 별도의 구성으로 형성되거나 고객지원 시스템(100)에 통합되어 고객지원 시스템(100)의 일 구성으로 형성될 수 있다.
예를 들어, 담당자 배정 시스템(200)은 고객지원 시스템(100)과의 연동을 통해 문의사항들이 티켓으로 변환되기 이전에 문의사항의 내용을 분석하여 문의사항이 속하는 문의유형을 결정하고, 결정된 문의유형의 담당자 중 해당 문의사항의 처리에 최적화된 담당자에게 업무를 배정할 수 있다. 이러한 과정을 통해 담당자 배정 시스템(200)은 고객지원 시스템(100)에서의 문의유형 분류 및 담당자 배정의 처리 속도 및 효율을 향상시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 담당자 배정 시스템(200), 복수개의 채널들(10) 및 담당자 단말들의 네트워크 관계를 나타낸 블록도, 도 3은 본 발명의 일 실시 예에 따른 담당자 배정 시스템(200)을 나타낸 개념도이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템(200)은, 복수개의 채널들(10) 중 적어도 하나 이상을 통해 수집된 고객의 문의정보의 노이즈값을 제거하고, 평문을 추출하는 텍스트 정제부(210), 추출된 평문에 대한 자연어 처리를 통해 문의유형 별 신뢰값을 추정하고, 추정된 문의유형 별 신뢰값과 기 설정된 기준값의 비교를 통해 문의정보의 대표 문의유형을 판단하는 문의유형 분류부(220) 및 담당자들에 대한 메타정보를 기초로 판단된 대표 문의유형과 담당자들의 상관관계를 분석하고, 분석된 결과에 따라 문의정보에 대한 업무를 담당자에게 배정하는 업무 배정부(230)를 포함할 수 있다.
본 발명의 일 실시 예에 따른 텍스트 정제부(210)는 고객의 문의정보를 복수개의 채널들(10) 중 적어도 하나 이상을 통해 직접 수집하거나 전술한 고객지원 시스템(100)으로부터 복수개의 채널들(10) 중 적어도 하나 이상을 통해 수집된 문의정보를 전달받을 수 있다. 예를 들어, 도 2와 같이 텍스트 정제부(210)는 이메일, 웹페이지, 소셜네트워크서비스 등의 채널들을 통해 고객의 문의정보를 직접 수신할 수 있다. 또한, 도 3과 같이 텍스트 정제부(210)는 담당자 배정 시스템(200)과 연동되는 고객지원 시스템(100)에서 채널 통합부(110)를 통해 수집된 문의정보를 유무선 통신 네트워크을 통해 전달받을 수 있다.
본 발명의 일 실시 예에 따른 텍스트 정제부(210)는 복수개의 채널들(10) 중 적어도 하나 이상을 통해 수집된 문의정보에 대한 필터링을 통해 자연어 처리(ex. 자연어 인식 등)에 필요한 평문을 추출할 수 있다. 텍스트 정제부(210)는 필터링 과정에서 자연어 처리를 방해하는(i.e. 자연어 처리 성능을 저하시키는) 노이즈값과 문의정보의 요지를 포함하는 평문을 구분하고, 구분된 문의정보의 노이즈값을 제거할 수 있다.
예를 들어, 고객단말로부터 이메일을 통해 "~ 서비스 내용에 대한 개선을 요청드립니다." 라는 내용을 포함하는 문의정보가 텍스트 정제부(210)로 전달되면, 텍스트 정제부(210)는 후술할 문의유형 분류부(220)의 자연어 처리에서 불필요한 노이즈값에 해당하는 이메일의 html값 및 헤더(header)값과 문의정보의 요지에 해당하는 "~ 서비스 내용에 대한 개선을 요청드립니다." 라는 텍스트를 포함하는 평문값을 구분할 수 있다. 전술한 구분을 기초로 텍스트 정제부(210)는 문의정보에 포함된 이메일의 html값과 헤더값을 제거하고, "~ 서비스 내용에 대한 개선을 요청드립니다." 라는 텍스트가 포함된 정제 데이터를 생성(또는 추출)할 수 있다.
본 발명의 일 실시 예에 따른 문의유형 분류부(220)는 텍스트 정제부(210)에서 추출된 평문(i.e. 정제 데이터)의 자연어 처리(i.e. 텍스트 분석) 결과를 기초로 고객의 문의정보가 어떤 문의유형에 해당하는지를 결정할 수 있다. 즉, 문의유형 분류부(220)는 후술할 분류모델을 이용하여 시스템(200) 상에서 기 정의된 문의유형 중 텍스트 정제부(210)에 의해 추출된 평문과 매칭되는 대표 문의유형을 선별함으로써 문의유형이 분류되지 않은 문의정보가 속하는 대표 문의유형을 판단할 수 있다.
예를 들어, 문의유형 분류부(220)는 정제 데이터(i.e. 문의정보의 평문값)에 대한 자연어 처리를 통해 텍스트를 형태소 단위로 추출하고, 추출된 형태소를 기초로 후술할 데이터 학습부(240)의 분류모델을 통해 정제 데이터의 시스템(200) 상에 기 정의된 문의유형 각각에 대한 신뢰도값(i.e. 유사도)을 추정할 수 있다. 문의유형 분류부(220)는 추정된 문의유형 별 신뢰도값과 운영자(i.e. 고객지원 시스템(100)을 운영 및 관리하는 담당자) 등을 포함하는 시스템 사용자에 의해 기 설정된 기준값과의 비교를 통해 정제 데이터를 대표하는 문의유형을 선별할 수 있다.
본 발명의 일 실시 예에 따른 업무 배정부(230)는 담당자들 각각의 업무 처리 지표에 관한 메타정보를 기초로 문의유형 분류부(220)를 통해 대표 문의유형이 결정된 문의정보를 처리할 담당자를 결정할 수 있다. 이때, 메타정보는 도 3에 도시된 제 2 데이터베이스(250)에 저장될 수 있으며, 메타정보에는 담당자들 각각이 소정의 기간동안 처리한 업무를 기준으로 분석된 변수값들이 포함될 수 있다.
예를 들어, 제 2 데이터베이스(250)에는 메타정보로서 각 담당자들 별로 소정의 기간동안 처리한 답변들의 고객 만족도, 각 담당자들 별로 소정의 기간동안 처리한 업무량, 업무 배정 이후의 최초 응답(i.e. 답변) 속도 등에 관한 변수값이 저장될 수 있다. 이러한 변수값에는 담당자 배정 시스템(200)을 이용하는 각 조직의 성과 측정 방식 등이 반영될 수 있다. 제 2 데이터베이스(250)에 저장된 메타정보는 담당자의 업무 처리가 지속됨에 따라 누적적으로 갱신(Update)될 수 있다.
본 발명의 일 실시 예에 따른 업무 배정부(230)는 문의정보를 담당할 담당자의 결정을 위해 전술한 변수값들 각각에 대해 문의유형에 따른 가중치를 부여하고, 담당자 별 전체 변수값들을 합산한 점수를 기초로 문의유형 분류부(220)에 의해 결정된 대표 문의유형과 담당자들의 상관관계를 분석할 수 있다. 여기서 문의유형에 따른 가중치는 문의유형 별 업무 처리의 특성을 고려하여 추정되는 메타정보에 포함된 변수값들 각각의 중요도(i.e. 영향력)를 의미한다.
예를 들어, 문의유형 분류부(220)에 의해 고객의 문의정보의 대표 문의유형이 "결제" 로 판단되면, 업무 배정부(230)는 "결제" 라는 문의유형의 특성을 고려하여 메타정보 중 고객 만족도 및 최초 응답 속도에 해당하는 2개의 변수값에 대해 가중치를 부여할 수 있다. 업무 배정부(230)는 메타정보에 포함된 전체 변수값들을 모두 합산한 점수를 담당자 별로 추정하고, "결제" 라는 문의유형에 대한 담당자 별 점수를 순위화할 수 있다. 이때, 업무 배정부(230)는 가장 높은 순위에 해당하는 담당자를 "결제" 라는 문의유형에 해당하는 문의정보의 담당자로 결정할 수 있다. 만약 가장 높은 순위에 해당하는 담당자가 여러명이라면(i.e. 최고득점의 담당자가 여러명인 경우), 담당자의 유휴상태, 업무량 등을 고려하여 "결제" 라는 문의유형에 해당하는 문의정보의 담당자를 결정할 수 있다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템(200)은, 고객의 문의정보에 대한 문의유형 및 문의유형에 매칭되는 평문의 내용을 일 데이터 세트(set)로 분석하고, 분석된 결과를 기초로 분류모델을 생성하는 데이터 학습부(240)를 포함할 수 있다. 데이터 학습부(240)는 문의정보에 포함된 텍스트를 형태소 단위로 분석하고, 기계학습(machine learning)을 이용하여 형태소 단위로 분석된 텍스트에 따른 문의유형을 분석(또는 학습)함으로써, 문의정보의 유형을 결정하기 위한 분류모델을 생성할 수 있다.
이때, 데이터 학습부(240)는 기계학습을 통한 분석 과정에서 문의유형 별로 정리된 단어사전을 이용할 수 있다. 문의유형 별로 정리된 단어사전은 각각의 문의유형과 관련된 형태소 단위의 자연어가 분류 및 저장된 데이터베이스를 말하는 것으로, 시스템(200)의 동작 전 미리 설정될 수 있다. 미리 설정된 단어사전은 전술한 데이터 분석 및 학습 과정에서 자동으로 갱신(Update)될 수 있으며, 시스템 사용자의 단말을 통한 추가, 수정 또는 변경 등에 의해 지속적으로 갱신(Update)될 수 있다.
예를 들어, 데이터 학습부(240)는 문의정보의 평문에 대한 자연어 처리를 통해 텍스트를 형태소 단위로 추출하고, 카이-제곱 통계(Chi-square statistic)를 이용하여 문의정보의 평문 텍스트로부터 각각의 문의유형에 대한 상위 N개(N은 자연수)의 유효 형태소를 추출할 수 있다. 데이터 학습부(240)는 추출된 유효 형태소와 기 설정된 문의유형 별 단어사전에 포함된 단어들을 이용하여 문의유형에 대한 학습을 수행할 수 있다. 이때, 문의유형에 대한 학습은 유효 형태소와 기 설정된 문의유형 별 단어사전에 포함된 단어들을 각각 하나의 차원으로 갖는 특징벡터에 대한 학습을 말한다.
한편, 도 3을 참조하면, 본 발명의 일 실시 예에 따른 데이터 학습부(240)는, 업무 배정부(230)에 의해 담당자에게 배정된 고객의 문의정보가 소정의 조건에 해당하는지 여부를 판단하고, 판단된 결과에 따라 생성된 보정값을 분류모델 또는 업무 배정부(230)에 반영할 수 있다. 이때, 소정의 조건에는 고객의 문의정보의 대표 문의유형이 변경되는 경우, 고객의 문의정보의 담당자가 변경되는 경우 및 2가지 조건이 모두 발생하는 경우가 포함될 수 있다.
본 발명의 일 실시 예에 따른 시스템(200)을 통해 자동으로 문의유형을 판단하고, 그에 따라 담당자를 배정하는 과정에서 데이터의 양, 데이터 자체의 결점 등에 의해 오차가 발생활 확률이 존재한다. 이러한 오차는 시스템 사용자에 의해 조정되거나 분류모델의 학습 과정에서 조정될 수 있다. 자동 배정 결과의 신뢰도를 높이기 위해서는 전술한 조정의 결과가 분류모델 및 업무 배정부(230)에 반영되어야 하므로, 이를 위해 데이터 학습부(240)는 시스템(200)의 출력 데이터가 소정의 조건에 해당하는 지를 판단하는 피드백 과정을 수행한다.
예를 들어, 도 3을 참조하면, 문의유형 분류부(220) 및 업무 배정부(230)를 거쳐 문의유형 및 담당자가 결정된 고객의 문의정보는 고객지원 시스템(100)의 고객문의 관리부(120)에 의해 티켓으로 변환될 수 있다. 이때, 시스템 사용자는 티켓의 문의유형과 담당자 배정에 대한 정확도를 검토 및 수정할 수 있다. 검토 과정에서 문의유형 또는 담당자 배정 중 적어도 하나가 잘못된 것으로 판단된 경우, 시스템 사용자로부터 인가된 외부 입력에 의해 대표 문의유형이 변경되거나 담당자가 변경될 수 있으며, 변경사항은 티켓에 반영되어 제 1 데이터베이스(130)에 저장될 수 있다.
도 3을 참조하면, 데이터 학습부(240)는 제 1 데이터베이스(130)에 저장된 티켓(i.e. 최신 업데이트 데이터)를 추출하고, 추출한 티켓에 대한 수정 여부를 판단할 수 있다. 고객의 문의정보의 대표 문의유형이 변경된 경우, 데이터 학습부(240)는 문의유형과 관련하여 수정된 사항을 분류모델의 학습 과정에 반영하여 분류모델의 신뢰도를 보정할 수 있다. 고객의 문의정보의 담당자가 변경된 경우, 데이터 학습부(240)는 담당자 배정과 관련하여 수정된 사항을 업무 배정부(230)의 분석 과정에 반영하여 업무 배정부(230)의 신뢰도를 보정할 수 있다. 고객의 문의정보의 대표 문의유형과 담당자가 모두 변경된 경우, 데이터 학습부(240)는 수정된 사항을 분류모델의 학습 과정 및 업무 배정부(230)의 분석 과정에 반영하여 분류모델 및 업무 배정부(230)의 신뢰도를 모두 보정할 수 있다.
이하에서는 데이터 학습부(240)에 의한 분류모델 생성 및 문의유형 분류부(220)에 의한 대표 문의유형 선별 과정을 보다 구체적으로 살펴보도록 한다.
먼저, 데이터 학습부(240)는 트위터(Twitter) 형태소 분석 방식과 코모란(Komoran) 형태소 분석 방식을 이용하여 문의정보의 평문을 형태소 단위로 분석한다. 예를 들어, 데이터 학습부(240)는 트위터 형태소 분석을 통해 문의정보의 평문 텍스트에 포함된 형태소들을 원형으로 변형한다. 또한, 데이터 학습부(240)는 코모란 형태 분석을 통해 트위터 형태소 분석에서 추출하지 못하는 어미와 긍정 및 부정 지정사를 추출한다.
다음으로, 데이터 학습부(240)는 카이-제곱 통계를 이용하여 각 문의유형에 대한 유효 형태소들을 추출한다. 예를 들어, 데이터 학습부(240)는 카이-제곱 통계를 개념화한 [표 1] 및 이에 따라 도출된 [식 1]을 이용하여 특정 문의유형에 대한 모든 데이터에 포함된 각 형태소의 관련도(ex. 가중치)를 추정한다. 특정 문의유형에 대한 각 형태소의 관련도가 추정되면, 데이터 학습부(240)는 추정된 관련도를 정렬하여 상위 L%의 형태소를 유효 형태소로서 추출한다.
[표 1]
Figure pat00001
이때, [표 1]에서 c는 특정 문의유형, ~c는 c가 아닌 모든 문의유형, t는 특정 형태소, ~t는 t가 아닌 형태소, A, B, C 및 D는 각 항목별 카운팅 횟수(i.e. 빈도수), N은 A, B, C 및 D의 합을 의미한다. 이러한 [표 1]을 기초로 도출된 관련도 추정을 위한 수식은 다음과 같다.
[식 1]
Figure pat00002
여기서 X2는 특정 문의유형에 대한 각 형태소의 관련도를 의미한다.
예를 들어, 데이터 학습부(240)에서 관련도를 추정하고자 하는 특정 문의유형 c가 "결제", 특정 형태소 t가 "돈"이라고 가정하면, ~c는 "결제"를 제외한 "버그", "유저" 등의 나머지 문의유형, ~t는 "돈"을 제외한 "나", "게임" 등의 나머지 형태소를 의미한다.
이때, 데이터 학습부(240)는 문의유형에 대한 데이터에 존재하는 각 형태소의 수를 카운팅한 결과를 기초로 A는 300, B는 4000, C는 1000, D는 40000으로 추정할 수 있다. 이는 "결제"에 해당하는 문의유형의 데이터에서 "돈"이라는 형태소가 300번(A), "돈"이 아닌 형태소가 4000번(B) 나타났음을 의미한다. 또한, "결제"가 아닌 문의유형의 데이터에서 "돈"이라는 형태소가 1000번(C), "돈"이 아닌 형태소가 40000번(D) 나타났음을 의미한다.
전술한 추정값들을 기초로 데이터 학습부(240)는 N(i.e. 전술한 추정값들의 전체 합)을 45300으로 추정하고, "결제" 라는 문의유형에 대한 "돈" 이라는 형태소의 관련도를 [식 1]에 따라 약 287.49로 추정할 수 있다. 여기서 추정된 관련도는 "결제"라는 문의유형에 대해 "돈" 이라는 형태소가 가지는 카이-제곱 값에 해당한다.
데이터 학습부(240)는 단어사전에 포함된 단어들과 카이-제곱 통계로 추출한 상위 형태소들을 각각 하나의 차원으로 갖는 특징벡터를 기계학습을 위한 학습 데이터로서 구성한다. 단어사전은 다음의 [표 2]와 같이 구축될 수 있다. 다만, [표 2]는 이해를 돕기 위한 하나의 예시일 뿐이며, 이에 한정되고 않고 다양하게 변형 및 설정될 수 있다.
[표 2]
Figure pat00003
데이터 학습부(240)는 특징벡터를 대표적인 기계학습 알고리즘 중 하나인 서포트 벡터 머신(Support Vector Machine)을 이용하여 제 1 분류모델을 생성한다. 제 1 분류모델은 학습되어 레이블(label)된 데이터들이 방사된 다차원의 공간에서 두 레이블 데이터 집단을 가장 잘 분리하는 평면을 의미한다. 이 평면을 기준으로 어떤 곳에 새로운 특징벡터가 위치하느냐에 따라 문의유형을 판별한다.
이와 같은 학습 과정을 통해 제 1 분류모델이 생성되면, 도 3과 같이 문의유형 분류부(220)는 신규 문의정보의 정제 데이터를 제 1 분류모델에 입력하여 문의유형 분석을 수행한다. 예를 들어, 문의유형 분류부(220)는 입력된 데이터를 전술한 2가지 형태소 분석 방식을 이용하여 형태소 단위로 추출하고, 추출된 형태소를 벡터화한다. 문의유형 분류부(220)는 형태소의 벡터값을 제 1 분류모델에 입력하여 문의유형 판별값(i.e. 문의유형에 대한 신뢰도값)을 추정한다.
문의유형 분류부(220)는 문의유형 분석을 통해 추정된 문의유형에 대한 신뢰도값이 사용자 정의된 기준값 이상인 문의유형이 존재하는지 여부를 판단한다. 신뢰도값이 기준값 이상인 문의유형이 존재하는 경우, 그 중 신뢰도값이 가장 높은 문의유형의 선택하고, 선택된 문의유형을 문의정보의 대표 문의유형으로 결정한다.
도 4는 본 발명의 일 실시 예에 따른 담당자 배정 방법을 나타낸 순서도, 도 5는 본 발명의 일 실시 예에 따른 분류모델 생성 과정을 나타낸 순서도이다. 또한, 도 6은 본 발명의 일 실시 예에 따른 분류모델 또는 업무 배정부의 업데이트 과정을 나타낸 순서도이다.
도 4를 참조하면, 본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 방법은, 텍스트 정제부(210)가 복수개의 채널들(10) 중 적어도 하나 이상을 통해 수집된 고객의 문의정보의 노이즈값을 제거하고, 평문을 추출하는 단계(S410), 문의유형 분류부(220)가 추출된 평문에 대한 자연어 처리를 통해 문의유형 별 신뢰값을 추정하고, 추정된 문의유형 별 신뢰값과 기 설정된 기준값의 비교를 통해 문의정보의 대표 문의유형을 판단하는 단계(S420) 및 업무 배정부(230)가 담당자들에 대한 메타정보를 기초로 판단된 대표 문의유형과 담당자들의 상관관계를 분석하고, 분석된 결과에 따라 문의정보에 대한 업무를 담당자에게 배정하는 단계(S430)를 포함할 수 있다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 방법은, 데이터 학습부(240)가 고객의 문의정보에 대한 문의유형 및 문의유형에 매칭되는 평문의 내용을 일 데이터 세트로 수집하는 단계(S510) 및 데이터 학습부(240)가 데이터 세트(set)를 분석하고, 분석된 결과를 기초로 분류모델을 생성하는 단계(S520)를 더 포함하며, 문의유형 분류부(220)는 분류모델을 이용하여 문의유형 별 신뢰값을 추정할 수 있다.
본 발명의 일 실시 예에 따른 분류모델을 생성하는 단계(S520)에서는, 데이터 학습부(240)가 카이-제곱 통계(chi-square statistic)를 이용하여 각각의 문의유형에 대한 상위 N개(N은 자연수)의 유효 형태소를 추출하고, 기 설정된 문의유형 별 단어사전에 포함된 단어들과 추출된 유효 형태소를 각각 하나의 차원으로 갖는 특징벡터에 대한 학습을 통해 분류모델을 생성할 수 있다.
도 6을 참조하면, 본 발명의 일 실시 예에 따른 고객 문의에 대한 유형 분류에 기초한 담당자 배정 방법은, 데이터 학습부(240)가 업무 배정부(230)에 의해 담당자에게 배정된 고객의 문의정보가 소정의 조건에 해당하는지 여부를 판단하는 단계(S610) 및 판단된 결과에 따라 생성된 보정값을 분류모델 또는 업무 배정부(230)에 반영하는 단계(S620)를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 문의정보에 대한 업무를 담당자에게 배정하는 단계(S530)에서는, 업무 배정부(230)가 변수값들 각각에 대해 문의유형에 따른 가중치를 부여하고, 가중치가 부여된 변수값들을 합산한 점수를 기초로 판단된 대표 문의유형과 담당자들의 상관관계를 분석할 수 있다.
본 발명의 일 실시 예에 따른 방법과 관련하여서는 전술한 시스템(200)에 대한 내용이 적용될 수 있다. 따라서, 방법과 관련하여, 전술한 시스템(200)에 대한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
한편, 본 발명의 일 실시 예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. 다시 말해서, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 복수개의 채널들 20: 담당자단말
100: 고객지원 시스템 110: 채널 통합부
120: 고객문의 관리부 130: 제 1 데이터베이스
200: 담당자 배정 시스템 210: 텍스트 정제부
220: 문의유형 분류부 230: 업무 배정부
240: 데이터 학습부 250: 제 2 데이터베이스

Claims (13)

  1. 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템에 있어서,
    복수개의 채널들 중 적어도 하나 이상을 통해 수집된 고객의 문의정보의 노이즈값을 제거하고, 평문을 추출하는 텍스트 정제부;
    상기 추출된 평문에 대한 자연어 처리를 통해 문의유형 별 신뢰값을 추정하고, 상기 추정된 문의유형 별 신뢰값과 기 설정된 기준값의 비교를 통해 상기 문의정보의 대표 문의유형을 판단하는 문의유형 분류부; 및
    담당자들에 대한 메타정보를 기초로 상기 판단된 대표 문의유형과 상기 담당자들의 상관관계를 분석하고, 상기 분석된 결과에 따라 상기 문의정보에 대한 업무를 담당자에게 배정하는 업무 배정부를 포함하는 것을 특징으로 하는 담당자 배정 시스템.
  2. 제 1 항에 있어서,
    고객의 문의정보에 대한 문의유형 및 상기 문의유형에 매칭되는 평문의 내용을 하나의 데이터 세트로 분석하고, 상기 분석된 결과를 기초로 분류모델을 생성하는 데이터 학습부를 포함하며,
    상기 문의유형 분류부는 상기 분류모델을 이용하여 상기 문의유형 별 신뢰값을 추정하는 것을 특징으로 하는 담당자 배정 시스템.
  3. 제 2 항에 있어서,
    상기 데이터 학습부는,
    카이-제곱 통계(chi-square statistic)를 이용하여 각각의 문의유형에 대한 상위 N개(N은 자연수)의 유효 형태소를 추출하고, 기 설정된 문의유형 별 단어사전에 포함된 단어들과 상기 추출된 유효 형태소를 각각 하나의 차원으로 갖는 특징벡터에 대한 학습을 통해 상기 분류모델을 생성하는 것을 특징으로 하는 담당자 배정 시스템.
  4. 제 2 항에 있어서,
    상기 데이터 학습부는,
    상기 업무 배정부에 의해 상기 담당자에게 배정된 고객의 문의정보가 소정의 조건에 해당하는지 여부를 판단하고, 상기 판단된 결과에 따라 생성된 보정값을 상기 분류모델 또는 상기 업무 배정부에 반영하는 것을 특징으로 하는 담당자 배정 시스템.
  5. 제 4 항에 있어서,
    상기 소정의 조건에는,
    상기 고객의 문의정보의 대표 문의유형이 변경되는 경우, 상기 고객의 문의정보의 담당자가 변경되는 경우 및 상기 2가지 조건이 모두 발생하는 경우가 포함되는 것을 특징으로 하는 담당자 배정 시스템.
  6. 제 1 항에 있어서,
    상기 메타정보에는 상기 담당자들 각각이 소정의 기간동안 처리한 업무를 기준으로 분석된 변수값들이 포함되며,
    상기 업무 배정부는,
    상기 변수값들 각각에 대해 상기 문의유형에 따른 가중치를 부여하고, 담당자 별 변수값들을 합산한 점수를 기초로 상기 판단된 대표 문의유형과 상기 담당자들의 상관관계를 분석하는 것을 특징으로 하는 담당자 배정 시스템.
  7. 고객 문의에 대한 유형 분류에 기초한 담당자 배정 방법에 있어서,
    텍스트 정제부가 복수개의 채널들 중 적어도 하나 이상을 통해 수집된 고객의 문의정보의 노이즈값을 제거하고, 평문을 추출하는 단계;
    문의유형 분류부가 상기 추출된 평문에 대한 자연어 처리를 통해 문의유형 별 신뢰값을 추정하고, 상기 추정된 문의유형 별 신뢰값과 기 설정된 기준값의 비교를 통해 상기 문의정보의 대표 문의유형을 판단하는 단계; 및
    업무 배정부가 담당자들에 대한 메타정보를 기초로 상기 판단된 대표 문의유형과 상기 담당자들의 상관관계를 분석하고, 상기 분석된 결과에 따라 상기 문의정보에 대한 업무를 담당자에게 배정하는 단계를 포함하는 것을 특징으로 하는 담당자 배정 방법.
  8. 제 7 항에 있어서,
    데이터 학습부가 고객의 문의정보에 대한 문의유형 및 상기 문의유형에 매칭되는 평문의 내용을 하나의 데이터 세트로 분석하고, 상기 분석된 결과를 기초로 분류모델을 생성하는 단계를 더 포함하며,
    상기 문의유형 분류부는 상기 분류모델을 이용하여 상기 문의유형 별 신뢰값을 추정하는 것을 특징으로 하는 담당자 배정 방법.
  9. 제 8 항에 있어서,
    상기 분류모델을 생성하는 단계에서는,
    상기 데이터 학습부가 카이-제곱 통계(chi-square statistic)를 이용하여 각각의 문의유형에 대한 상위 N개(N은 자연수)의 유효 형태소를 추출하고, 기 설정된 문의유형 별 단어사전에 포함된 단어들과 상기 추출된 유효 형태소를 각각 하나의 차원으로 갖는 특징벡터에 대한 학습을 통해 상기 분류모델을 생성하는 것을 특징으로 하는 담당자 배정 방법.
  10. 제 8 항에 있어서,
    상기 데이터 학습부가 상기 업무 배정부에 의해 상기 담당자에게 배정된 고객의 문의정보가 소정의 조건에 해당하는지 여부를 판단하는 단계 및 상기 데이터 학습부가 상기 판단된 결과에 따라 생성된 보정값을 상기 분류모델 또는 상기 업무 배정부에 반영하는 단계를 더 포함하는 것을 특징으로 하는 담당자 배정 방법.
  11. 제 10 항에 있어서,
    상기 소정의 조건에는,
    상기 고객의 문의정보의 대표 문의유형이 변경되는 경우, 상기 고객의 문의정보의 담당자가 변경되는 경우 및 상기 2가지 조건이 모두 발생하는 경우가 포함되는 것을 특징으로 하는 담당자 배정 방법.
  12. 제 7 항에 있어서,
    상기 메타정보에는 상기 담당자들 각각이 소정의 기간동안 처리한 업무를 기준으로 분석된 변수값들이 포함되며,
    상기 문의정보에 대한 업무를 담당자에게 배정하는 단계에서는,
    상기 업무 배정부가 상기 변수값들 각각에 대해 상기 문의유형에 따른 가중치를 부여하고, 담당자 별 변수값들을 합산한 점수를 기초로 상기 판단된 대표 문의유형과 상기 담당자들의 상관관계를 분석하는 것을 특징으로 하는 담당자 배정 방법.
  13. 제 7 항 내지 제 12 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020190071769A 2019-06-17 2019-06-17 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법 KR20200143989A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190071769A KR20200143989A (ko) 2019-06-17 2019-06-17 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190071769A KR20200143989A (ko) 2019-06-17 2019-06-17 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20200143989A true KR20200143989A (ko) 2020-12-28

Family

ID=74086868

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190071769A KR20200143989A (ko) 2019-06-17 2019-06-17 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20200143989A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023229376A1 (ko) * 2022-05-24 2023-11-30 베스핀글로벌 주식회사 실시간 음성 상담 지원을 위한 지능형 답변 추천 시스템 및 그 방법
KR102642948B1 (ko) * 2023-06-16 2024-03-04 오케스트로 주식회사 클라우드 기반의 인공지능 분류 방법을 통한 문의 관리 시스템 및 이를 포함하는 문의응답 통합 관리 플랫폼

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010069653A (ko) 2001-04-25 2001-07-25 정상원 이동통신을 이용한 해당 서비스담당자 직접연결시스템 및운영방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010069653A (ko) 2001-04-25 2001-07-25 정상원 이동통신을 이용한 해당 서비스담당자 직접연결시스템 및운영방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023229376A1 (ko) * 2022-05-24 2023-11-30 베스핀글로벌 주식회사 실시간 음성 상담 지원을 위한 지능형 답변 추천 시스템 및 그 방법
KR102642948B1 (ko) * 2023-06-16 2024-03-04 오케스트로 주식회사 클라우드 기반의 인공지능 분류 방법을 통한 문의 관리 시스템 및 이를 포함하는 문의응답 통합 관리 플랫폼

Similar Documents

Publication Publication Date Title
US11004013B2 (en) Training of chatbots from corpus of human-to-human chats
US20190138653A1 (en) Calculating relationship strength using an activity-based distributed graph
US8768914B2 (en) System and method for searching and matching databases
US8694304B2 (en) Semantic clustering and user interfaces
US20150032724A1 (en) System and method for auto-suggesting responses based on social conversational contents in customer care services
US20140200891A1 (en) Semantic Graphs and Conversational Agents
US8341012B2 (en) Working skill estimating program
US20170371965A1 (en) Method and system for dynamically personalizing profiles in a social network
KR102019860B1 (ko) 사용자의 네트워크 활동 정보에 기초한 신용 평가 등급 산출 장치 및 그 동작 방법
CN110851428A (zh) 基于规则算子动态编排的数据库分析方法、装置及介质
US10002187B2 (en) Method and system for performing topic creation for social data
CN112035599B (zh) 基于垂直搜索的查询方法、装置、计算机设备及存储介质
CN108027814A (zh) 停用词识别方法与装置
US20210026890A1 (en) Faq consolidation assistance device, faq consolidation assistance method, and program
US9996529B2 (en) Method and system for generating dynamic themes for social data
JP3872689B2 (ja) セキュリティポリシーの作成支援システムおよびセキュリティ対策決定支援システム
CN102402717A (zh) 数据分析设备和方法
KR20200143989A (ko) 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법
WO2020139865A1 (en) Systems and methods for improved automated conversations
US20190266291A1 (en) Document processing based on proxy logs
CN112559776A (zh) 一种敏感信息的定位方法及系统
Wang Research on bank marketing behavior based on machine learning
JP2023145767A (ja) 語彙抽出支援システムおよび語彙抽出支援方法
CN110737749B (zh) 创业计划评价方法、装置、计算机设备及存储介质
KR20220099690A (ko) 문서를 요약하는 장치, 방법 및 컴퓨터 프로그램

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application