KR20210009266A - 음성 인식 기반의 세일즈 대화 분석 방법 및 장치 - Google Patents

음성 인식 기반의 세일즈 대화 분석 방법 및 장치 Download PDF

Info

Publication number
KR20210009266A
KR20210009266A KR1020200040435A KR20200040435A KR20210009266A KR 20210009266 A KR20210009266 A KR 20210009266A KR 1020200040435 A KR1020200040435 A KR 1020200040435A KR 20200040435 A KR20200040435 A KR 20200040435A KR 20210009266 A KR20210009266 A KR 20210009266A
Authority
KR
South Korea
Prior art keywords
sales
analysis apparatus
sales conversation
conversation analysis
information
Prior art date
Application number
KR1020200040435A
Other languages
English (en)
Inventor
이진국
홍대영
서정우
Original Assignee
주식회사 보다비
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 보다비 filed Critical 주식회사 보다비
Priority to KR1020200040435A priority Critical patent/KR20210009266A/ko
Publication of KR20210009266A publication Critical patent/KR20210009266A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3322—Query formulation using system suggestions
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

음성 인식 기반의 세일즈 대화 분석 방법이 개시된다. 개시된 방법은 세일즈 담당자와 고객 사이의 세일즈 대화에 대한 음성 정보를 획득하는 단계, 상기 음성 정보를 텍스트로 변환하는 단계, 상기 텍스트로부터 복수의 비즈니스 항목 각각에 대응하는 키워드 및 문장 중 적어도 하나를 추출하는 단계, 상기 키워드 및 문장 중 적어도 하나에 기초하여 복수의 비즈니스 항목 각각에 대한 분석 정보를 추출하는 단계 및 상기 복수의 비즈니스 항목 각각에 대한 분석 정보에 기초하여 상기 복수의 비즈니스 항목 각각에 대한 평가 점수를 산출하는 단계를 포함한다.

Description

음성 인식 기반의 세일즈 대화 분석 방법 및 장치{METHOD AND APPRATUS FOR ANALYSING SALES CONVERSATION BASED ON VOICE RECOGNITION}
음성 인식에 기초하여 세일즈 대화를 분석하는 방법 및 장치가 개시된다.
상품이나 서비스의 판매를 유인하는 단계에서 전화 상담이나 방문 상담이 활용된다. 세일즈 담당자는 전화 또는 방문을 통해 고객과 세일즈에 대한 대화를 나누고 이에 기초하여 세일즈 전략을 구성할 수 있다.
최근 비즈니스 모델이 다양화되고 있다. 기업 대 개인(B2C) 비즈니스 모델뿐만 아니라 기업 대 기업(B2B) 비즈니스 모델이 활성화되면서 세일즈 대화의 양상도 점점 다양하고 복잡해지고 있다. 특히 기업 대 기업 비즈니스 모델이 적용되는 영업에서는 세일즈 대화에서 고려해야 할 요소가 많아질 수 있다.
상품이나 서비스를 공급하는 사업자 입장에서는 세일즈 대화를 명확하고 효율적으로 분석하는 것이 영업의 성패를 가른다. 하지만, 상술한 바와 같이 세일즈 대화의 고려 요소가 많아지면서 세일즈 담당자가 대화에서 놓치거나 인지하지 못한 정보가 있을 수 있다. 세일즈 대화에 대한 음성 파일이 존재하더라도 이것을 사람이 직접 분석하기에는 인적 자원이 많이 소모되고 분석의 정확도도 떨어지는 문제가 있다.
근래 인공지능과 자연어 이해 분야의 기술 발전에 따라 사용자의 음성을 텍스트로 변환하는 기술이 제안되고 있다. 하지만, 단순한 음성-텍스트 변환 기술만으로는 세일즈 대화에 대한 높은 품질의 분석 결과를 기대하기 어려운 실정이다. 이러한 배경에서 세일즈 대화에 대한 분석 플랫폼이 요구되고 있다.
적어도 하나의 실시 예에 따르면, 음성 인식에 기초하여 세일즈 대화를 분석하고 세일즈 성공 가능성에 대한 정보를 제공하는 세일즈 대화 분석 방법 및 장치가 개시된다. 적어도 하나의 실시 예에 따르면, 음성 인식에 기초하여 세일즈 대화를 분석하고 세일즈 담당자에게 추천 질의문을 제공함으로써 세일즈 성공 확률을 높일 수 있는 세일즈 대화 분석 방법 및 장치가 개시된다.
일 측면에 따르면, 음성 인식 기반의 세일즈 대화 분석 방법에 있어서,
세일즈 담당자와 고객 사이의 세일즈 대화에 대한 음성 정보를 획득하는 단계; 상기 음성 정보를 텍스트로 변환하는 단계; 상기 텍스트로부터 복수의 비즈니스 항목 각각에 대응하는 키워드 및 문장 중 적어도 하나를 추출하는 단계; 상기 키워드 및 문장 중 적어도 하나에 기초하여 복수의 비즈니스 항목 각각에 대한 분석 정보를 추출하는 단계; 상기 복수의 비즈니스 항목 각각에 대한 분석 정보에 기초하여 상기 복수의 비즈니스 항목 각각에 대한 평가 점수를 산출하는 단계를 포함하는 음성 인식 기반의 세일즈 대화 분석 방법이 개시된다.
상기 방법은 상기 복수의 비즈니스 항목 각각에 대한 평가 점수에 기초하여 세일즈 성공 확률을 계산하는 단계를 더 포함할 수 있다.
상기 복수의 비즈니스 항목 각각에 대한 평가 점수가 나타내는 분포에 기초하여 세일즈 성공 확률을 계산할 수 있다.
미리 저장된 참조 테이블에서 상기 복수의 비즈니스 항목 각각에 대한 평가 점수가 나타내는 분포와 동일하거나 유사한 참조 분포를 적어도 하나 추출하고, 상기 참조 분포에 대응하는 데이터에 기초하여 상기 세일즈 성공 확률을 계산할 수 있다.
상기 평가 점수가 나타내는 분포와 상기 참조 분포 사이의 편차와 상기 참조 분포에 대응하는 샘플의 개수 및 상기 참조 분포에 대응하는 성공 확률 값에 기초하여 상기 세일즈 성공 확률을 계산할 수 있다.
상기 방법은 상기 복수의 비즈니스 항목 각각에 대한 분석 정보 및 상기 복수의 비즈니스 항목 각각에 대한 평가 점수 중 적어도 하나에 기초하여 적어도 하나의 비즈니스 항목에 대한 추천 질의문을 생성하는 단계를 더 포함할 수 있다.
상기 복수의 비즈니스 항목 중 평가 점수가 기준 점수 보다 작은 비즈니스 항목을 적어도 하나 선택하고, 선택된 비즈니스 항목과 관련하여 상기 텍스트로부터 추출된 문장과 동일하거나 유사한 참조 문장을 참조 DB(database)에서 추출하고, 상기 참조 문장에 대응하는 질의문 리스트에 기초하여 상기 추천 질의문을 생성할 수 있다.
상기 복수의 비즈니스 항목은 고객의 예산, 고객의 권한, 고객의 니즈, 고객의 구매시기 및 세일즈 주체의 경쟁자에 대한 항목을 포함할 수 있다.
상기 고객의 예산에 대한 제1 정보, 상기 고객의 권한에 대한 제2 정보, 상기 고객의 니즈에 대한 제3 정보, 상기 고객의 구매시기에 대한 제4 정보 및 상기 세일즈 주체의 경쟁자에 대한 제5 정보를 추출하고,
상기 제1 정보에 기초하여 상기 고객의 예산에 대한 제1 점수를 산출하고, 상기 제2 정보에 기초하여 상기 고객의 권한에 대한 제2 점수를 산출하고, 상기 제3 정보에 기초하여 상기 고객의 니즈에 대한 제3 점수를 산출하고, 상기 제4 정보에 기초하여 상기 고객의 구매시기에 대한 제4 점수를 산출하고, 상기 제5 정보에 기초하여 상기 세일즈 주체의 경쟁자에 대한 제5 점수를 산출할 수 있다.
상기 방법은 상기 제1 내지 제5 점수가 나타내는 분포에 기초하여 세일즈 성공 확률을 계산하는 단계를 더 포함할 수 있다.
상기 제1 내지 제5 점수 가운데 기준 점수 보다 낮은 점수에 대응하는 비즈니스 항목을 적어도 하나 선택하고, 선택된 비즈니스 항목과 관련하여 상기 텍스트로부터 추출된 문장과 동일하거나 유사한 참조 문장을 참조 DB(database)에서 추출하고, 상기 참조 문장에 대응하는 질의문 리스트에 기초하여 상기 추천 질의문을 생성할 수 있다.
상기 복수의 비즈니스 항목은 고객의 질문에 대한 항목을 더 포함하며,
상기 고객의 질문에 대한 제6 정보를 추출하고, 상기 제6 정보에 기초하여 상기 고객의 질문에 대한 제6 점수를 산출하며,
상기 제6 정보는 상기 고객의 질문 개수에 대한 정보를 포함할 수 있다.
상기 제6 정보는 미처리 된 고객의 질문에 대한 정보를 포함하고,
상기 방법은 상기 미처리 된 고객의 질문에 대한 알람 정보를 상기 세일즈 담당자의 스케줄 정보를 생성하는 단계를 더 포함할 수 있다.
상기 방법은 상기 복수개의 비즈니스 항목을 기준으로 상기 고객의 질문을 분류하는 단계와, 분류된 상기 고객의 질문에 대한 분석에 기초하여 상기 비즈니스 항목 별로 고객의 질문에 대한 평가 점수를 산출하는 단계와, 상기 고객의 질문에 대한 평가 점수에 기초하여 상기 비즈니스 항목 각각에 대한 평가 점수를 보정하는 단계를 포함할 수 있다.
적어도 하나의 실시 예에 따르면, 세일즈 대화에 대한 분석 작업을 자동화함으로써 세일즈 대화 분석에 필요한 노동력과 시간을 절감할 수 있다. 적어도 하나의 실시 예에 따르면, 세일즈 대화 음성 정보로부터 복수의 비즈니스 항목에 대한 분석 정보를 추출함으로써 세일즈 대화에 대한 정확하고 체계적인 분석이 가능해질 수 있다. 적어도 하나의 실시 예에 따르면, 복수의 비즈니스 항목 각각에 대한 평가 점수를 산출하고 평가 점수의 분포에 기초하여 세일즈 성공 확률을 산출함으로써 세일즈 대화에 대한 신뢰도 높은 정량 분석이 가능해질 수 있다. 적어도 하나의 실시 예에 따르면 세일즈 대화 음성에 기초하여 추천 질의문을 생성함으로써 세일즈 성공 확률을 높일 수 있다.
도 1은 세일즈 대화 분석 시스템의 제1 실시 예를 나타낸 개념도이다.
도 2는 세일즈 대화 분석 시스템의 제2 실시 예를 나타낸 개념도이다.
도 3은 예시적인 실시 예에 따른 세일즈 대화 분석 장치(100)의 구성을 나타낸 블록도이다.
도 4는 세일즈 담당자 단말기(300)를 예시적으로 나타낸 블록도이다.
도 5는 세일즈 대화 분석 장치(100)에 의해 수행되는 세일즈 대화 분석 방법의 제1 실시 예를 나타낸 순서도이다.
도 6은 도 5의 S130 단계를 보다 상세히 나타낸 순서도이다.
도 7A 및 7B는 대화 텍스트에서 비즈니스 항목별로 키워드, 문장 및 분석 정보가 추출되는 것을 예시적으로 나타낸 개념도이다.
도 8은 도 5의 S160 단계를 보다 상세히 나타낸 순서도이다.
도 9는 참조 분포를 추출하고 세일즈 성공 확률을 계산하는 것에 관한 제1 실시 예를 나타낸 개념도이다.
도 10은 참조 분포를 추출하고 세일즈 성공 확률을 계산하는 것에 관한 제2 실시 예를 나타낸 개념도이다.
도 11은 참조 분포를 추출하고 세일즈 성공 확률을 계산하는 것에 관한 제3 실시 예를 나타낸 개념도이다.
도 12는 세일즈 대화 분석 장치(100)에 의해 수행되는 세일즈 대화 분석 방법의 제2 실시 예를 나타낸 순서도이다.
도 13은 도 12의 S170 단계를 보다 상세히 나타낸 순서도이다.
도 14는 추천 질의문을 생성하는 과정을 나타낸 개념도이다.
도 15는 고객의 질문 항목과 관련된 분석 정보 및 스케줄 데이터 생성 과정을 예시적으로 나타낸 개념도이다.
도 16은 고객의 질문에 대한 분석에 기반하여 비즈니스 항목별 점수를 보정하는 것을 예시적으로 나타낸 개념도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
도 1은 세일즈 대화 분석 시스템의 제1 실시 예를 나타낸 개념도이다.
도 1을 참조하면, 세일즈 대화 분석 시스템은 세일즈 대화 분석 장치(100), 세일즈 담당자 단말기(300) 및 고객 단말기(400)를 포함할 수 있다.
세일즈 대화 분석 장치(100)는 네트워크(200)를 통해 세일즈 담당자 단말기(300) 및 고객 단말기(400) 중 적어도 하나와 통신할 수 있다. 세일즈 대화 분석 장치(100)는 세일즈 대화 분석 서비스를 제공하는 사업자 또는 사업자의 감독을 받는 주체에 의해 운영될 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 마케팅 업체 또는 비즈니스 연결 서비스 제공 업체 등에 의해 운영될 수 있으나 실시 예가 이에 제한되는 것은 아니다. 세일즈 대화 분석 장치(100)는 소정의 연산 프로세스 및 통신 프로세스를 수행할 수 있는 컴퓨팅 장치일 수 있다. 예시적으로, 세일즈 대화 분석 장치(100)는 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.
세일즈 대화 분석 장치(100)는 세일즈 대화 분석 서비스 중 적어도 일부를 수행할 수 있다. 후술하는 바와 같이 세일즈 대화 분석 서비스는 세일즈 대화 음성의 텍스트 변환, 변환된 텍스트에 기반한 세일즈 성공 가능성 예측, 추천 질의문 생성 등을 포함할 수 있다.
세일즈 대화 분석 장치(100)는 세일즈 담당자 단말기(300)에게 세일즈 대화 분석 서비스를 제공하기 위한 사용자 인터페이스를 제공할 수 있다. 세일즈 대화 분석 장치(100)는 네트워크(200)를 통해 세일즈 담당자 단말기(300)로부터 세일즈 대화에 대한 음성 정보를 획득할 수 있다. 세일즈 대화 분석 장치(100)는 음성 정보를 분석하고 분석 결과를 세일즈 담당자 단말기(300)에게 제공할 수 있다.
네트워크(200)는 세일즈 대화 분석 장치(100)와 세일즈 담당자 단말기(300)를 연결하는 망(Network)으로서 유선 네트워크, 무선 네트워크 등을 포함한다. 네트워크(200)는 LAN(Local Area Network), WAN(Wide Area Network)등의 폐쇄형 네트워크 또는 인터넷(Internet)과 같은 개방형 네트워크일 수 있다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미한다.
세일즈 담당자 단말기(300)는 네트워크에 접속 가능한 사용자의 장치일 수 있다. 세일즈 담당자 단말기(300)는 스마트폰, 태블릿 PC, 랩톱, 데스크톱 등을 포함할 수 있으나 이에 제한되는 것은 아니다. 세일즈 담당자 단말기(300)는 사용자 인터페이스를 표시할 수 있다. 세일즈 담당자 단말기(300)는 사용자 인터페이스에 대한 사용자의 인터랙션 정보를 세일즈 대화 분석 장치(100)에게 전송할 수 있다. 세일즈 담당자 단말기(300)는 세일즈 대화 분석 장치(100)로부터 수신한 정보를 사용자 인터페이스를 통해 표시할 수 있다.
고객 단말기(400)는 스마트폰, 태블릿 PC, 랩톱, 데스크톱, 유선 전화기 등을 포함할 수 있으나 이에 제한되는 것은 아니다.
도 1을 참조하여서는 세일즈 대화 분석 장치(100)가 세일즈 담당자 단말기(300)와 분리된 별도 장치인 경우를 예시적으로 설명하였다. 하지만, 실시 예가 이에 제한되는 것은 아니다. 예를 들어, 세일즈 대화 분석 방법은 세일즈 담당자 단말기(300)에 의해 수행될 수도 있다.
도 2는 세일즈 대화 분석 시스템의 제2 실시 예를 나타낸 개념도이다.
도 2를 참조하면, 세일즈 담당자 단말기(300)가 도 1에서 나타낸 세일즈 대화 분석 장치(100)에서 수행되는 기능을 수행할 수 있다. 세일즈 담당자 단말기(300)는 통화 음성을 분석함으로써 세일즈 대화 분석 방법을 수행할 수 있다.
도 3은 예시적인 실시 예에 따른 세일즈 대화 분석 장치(100)의 구성을 나타낸 블록도이다.
도 3을 참조하면, 예시적인 실시 예에 따른 세일즈 대화 분석 장치(100)는 통신 인터페이스부(110), 프로세서(120), 메모리(130) 및/또는 저장 장치(130, 140)를 포함할 수 있다.
통신 인터페이스부(110)는 프로세서(120)의 제어에 의해 동작할 수 있다. 통신 인터페이스부(110)는 프로세서(120)의 명령에 따라 무선 통신 또는 유선 통신 방식으로 신호를 전송할 수 있다. 세일즈 담당자 단말기(300)는 무선 통신 또는 유선 통신 방식으로 통신 인터페이스부(110)가 전송하는 신호를 수신할 수 있다. 덧붙여, 넓은 의미에서 상기 통신 인터페이스부(110)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.
프로세서(120)는 메모리(130) 및/또는 저장 장치(130, 140)에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(120)는 중앙 처리 장치(central processing unit; CPU), 그래픽 처리 장치(graphics processing unit; GPU) 또는 본 발명에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(130)와 저장 장치(140)는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구성될 수 있다. 예를 들어, 메모리(130)는 읽기 전용 메모리(read only memory; ROM) 및/또는 랜덤 액세스 메모리(random access memory; RAM)로 구성될 수 있다.
도 3을 참조하여 설명한 세일즈 대화 분석 장치(100)의 구성은 예시적인 것에 불과할 뿐, 실시 예가 이에 제한되는 것은 아니다. 예를 들어, 세일즈 대화 분석 장치(100)의 메모리(130) 및 저장 장치(140)는 물리적으로 구분되지 않을 수도 있다. 또한, 세일즈 대화 분석 장치(100)는 도 3에 도시된 구성 외에도 다른 구성을 더 포함할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 입력 인터페이스부, 출력 인터페이스부 등을 더 포함할 수 있다. 입력 인터페이스부는 버튼, 터치 스크린, 일반적인 PC의 입력 장치 등을 포함할 수 있다. 출력 인터페이스부는 디스플레이 장치, 터치 스크린, 스피커 등을 포함할 수 있다.
도 4는 세일즈 담당자 단말기(300)를 예시적으로 나타낸 블록도이다.
도 4를 참조하면, 예시적인 실시 예에 따른 세일즈 담당자 단말기(300)는 출력 인터페이스부(310), 프로세서(320), 통신 인터페이스부(330), 메모리 및/또는 저장 장치(340, 350)를 포함할 수 있다.
출력 인터페이스부(310)는 디스플레이 장치 및 터치 스크린 중 적어도 하나를 포함할 수 있다. 출력 인터페이스부(310)는 프로세서(320)의 제어에 의해 동작할 수 있다. 프로세서(320)는 통신 인터페이스부(330)를 통해 세일즈 대화 분석 장치(100)로부터 수신한 정보에 기초하여 출력 인터페이스부(310)를 제어할 수 있다.
통신 인터페이스부(330)는 프로세서(320)의 제어에 의해 동작할 수 있다. 통신 인터페이스부(330)는 프로세서(320)의 명령에 따라 무선 통신 또는 유선 통신 방식으로 신호를 전송할 수 있다. 통신 인터페이스부(330)는 무선 통신 또는 유선 통신 방식으로 세일즈 대화 분석 장치(100)가 전송하는 신호를 수신할 수 있다.
프로세서(320)는 메모리(340) 및/또는 저장 장치(350)에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(320)는 중앙 처리 장치(central processing unit; CPU), 그래픽 처리 장치(graphics processing unit; GPU) 또는 본 발명에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(340)와 저장 장치(350)는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구성될 수 있다. 예를 들어, 메모리(340)는 읽기 전용 메모리(read only memory; ROM) 및/또는 랜덤 액세스 메모리(random access memory; RAM)로 구성될 수 있다.
도 4를 참조하여 설명한 세일즈 담당자 단말기(300)의 구성은 예시적인 것에 불과할 뿐, 실시 예가 이에 제한되는 것은 아니다. 예를 들어, 세일즈 담당자 단말기(300)의 메모리(340) 및 저장 장치(350)는 물리적으로 구분되지 않을 수도 있다. 또한, 세일즈 담당자 단말기(300)는 도 3에 도시된 구성 외에도 다른 구성을 더 포함할 수 있다. 예를 들어, 단말기(300)는 입력 인터페이스부 등을 더 포함할 수 있다. 입력 인터페이스부는 버튼, 터치 스크린, 일반적인 PC의 입력 장치 등을 포함할 수 있다. 이하에서는 편의상 도 1에서 나타낸 세일즈 대화 분석 장치(100)에 의해 세일즈 대화 분석 방법이 수행되는 것을 가정하여 세일즈 대화 분석 방법에 관하여 설명한다.
도 5는 세일즈 대화 분석 장치(100)에 의해 수행되는 세일즈 대화 분석 방법의 제1 실시 예를 나타낸 순서도이다.
도 5를 참조하면, 세일즈 대화 분석 방법은 세일즈 담당자와 고객 사이의 세일즈 대화에 대한 음성 정보를 획득하는 단계(S110), 음성 정보를 텍스트로 변환하는 단계(S120), 텍스트로부터 복수의 비즈니스 항목 각각에 대응하는 키워드 및 문장 중 적어도 하나를 추출하는 단계(S130), 추출된 키워드 및 문장 중 적어도 하나에 기초하여 복수의 비즈니스 항목 각각에 대한 분석 정보를 추출하는 단계(S140) 및 복수의 비즈니스 항목 각각에 대한 분석 정보에 기초하여 복수의 비즈니스 항목 각각에 대한 평가 점수를 산출하는 단계(S150)를 포함할 수 있다.
S110 단계에서 세일즈 대화 분석 장치(100)는 세일즈 대화에 대한 음성 정보를 획득할 수 있다. 예시적으로 세일즈 대화 분석 장치(100)는 세일즈 담당자 단말기(300)로부터 녹음된 음성 파일을 전달받음으로써 음성 정보를 획득할 수 있다. 다른 예로 세일즈 대화 분석 장치(100)는 세일즈 담당자 단말기(300)가 아닌 다른 장치로부터 녹음된 음성 파일을 전달받을 수도 있다. 또한, 세일즈 대화 분석 장치(100)는 기록 매체에 저장된 음성 파일을 읽어드림으로써 음성 정보를 획득할 수도 있다. 도 2를 참조하여 설명한 바와 같이 세일즈 담당자 단말기(300)가 세일즈 대화 분석 방법을 수행하는 경우 세일즈 담당자 단말기(300)는 실시간으로 통화 음성을 분석하거나 통화 음성을 기록한 후에 기록된 음성 파일을 읽어낼 수도 있다.
S120 단계에서 세일즈 대화 분석 장치(100)는 획득한 음성 정보를 텍스트로 변환할 수 있다.
세일즈 대화 분석 장치(100)는 음성 정보에서 세일즈 담당자의 음성과 고객의 음성을 별도로 분리하여 구분할 수 있다. 예시적으로 세일즈 대화 분석 장치(100)는 음성에서 MFCC(Mel-Frequency Cepstral Coefficient) 특징 벡터를 추출하고 이를 바탕으로 K-mean clustering을 통해 고객의 음성과 세일즈 담당자의 음성을 분리하여 추출할 수 있다. 상술한 내용은 예시적인 것에 불과할 뿐 실시 예가 이에 제한되는 것은 아니다. 세일즈 대화 분석 장치(100)는 음성 정보를 텍스트로 변환할 수 있다. 세일즈 대화 분석 장치(100)는 상술한 바와 같이 음성의 구간 별로 화자를 식별하여 화자에 대한 정보를 변환된 텍스트와 함께 저장할 수 있다.
예시적으로 세일즈 대화 분석 장치(100)는 DNN(Deep Neural Network), HMM(Hidden Markov Model), RNN(Recurrent Neural Network) 및 LSTM(Long Short-Term Memory) 중 적어도 하나를 이용하여 음성 정보를 텍스트로 변환할 수 있으나 실시 예가 이에 제한되는 것은 아니다. 세일즈 대화 분석 장치(100)는 연속어 인식 방식에 의해 음성 정보를 분석할 수도 있다. 세일즈 대화 분석 장치(100)는 음성 정보에서 복수 개의 어휘들이 조합된 경우를 고려하여 음성 정보를 분석할 수 있다. 하지만, 실시 예가 이에 제한되는 것은 아니다.
세일즈 대화 분석 장치(100)는 고객 또는 세일즈 담당자의 음성에서 억양과 어조의 변화에 대한 특징을 추출함으로써 감정 변화에 대한 정보를 추출할 수 있다. 세일즈 대화 분석 장치(100)는 감정 변화에 대한 정보를 텍스트와 함께 저장할 수 있다.
S130 단계에서 세일즈 대화 분석 장치(100)는 텍스트로부터 복수의 비즈니스 항목 각각에 대한 키워드 및 문장 중 적어도 하나를 추출할 수 있다. 상술한 복수의 비즈니스 항목은 고객의 예산(Budget), 고객의 권한(Authorization), 고객의 니즈(Needs), 구매시점(Timeline) 및 상품 또는 서비스 제공업자의 경쟁자(Competitor) 중 적어도 하나를 포함할 수 있다. 하지만 실시 예가 상술한 항목들에 제한이 되는 것은 아니다. 예를 들어, 비즈니스 항목의 개수는 5개보다 작거나 클 수도 있다. 비즈니스 항목은 상술한 5개의 항목 중 일부를 포함하지 않을 수 있다. 비즈니스 항목은 상술한 5개의 항목 외에 다른 항목을 포함할 수도 있다. 예를 들어, 비즈니스 항목은 거래 조건(Condition) 및 고객의 질문(Question) 중 적어도 하나를 포함할 수 있다.
도 6은 도 5의 S130 단계를 보다 상세히 나타낸 순서도이다.
도 6을 참조하면, S132 단계에서 세일즈 대화 분석 장치(100)는 텍스트를 문장 단위로 분할할 수 있다. 세일즈 대화 분석 장치(100)는 텍스트에 포함된 문장 성분들을 구분하고 이에 기초하여 단어들을 식별할 수 있다.
S134 단계에서 세일즈 대화 분석 장치(100)는 인공 신경망을 이용하여 텍스트에 포함된 문장에 대해 태그를 부여할 수 있다. 태그는 상술한 복수의 비즈니스 항목 중 어느 하나에 대응할 수 있다. 세일즈 대화 분석 장치(100)는 학습 데이터를 이용하여 인공 신경망을 훈련시킬 수 있다. 학습 데이터는 학습 텍스트와 학습 텍스트에 포함된 문장에 부여된 태그 정보를 포함할 수 있다. 세일즈 대화 분석 장치(100)는 지도 학습 또는 비지도 학습 방식으로 인공 신경망을 훈련시킬 수 있다. 세일즈 대화 분석 장치(100)는 인공 신경망을 이용하여 텍스트에 포함된 키워드에 대해 태그를 부여할 수 있다. 태그는 상술한 복수의 비즈니스 항목 중 어느 하나에 대응할 수 있다. 세일즈 대화 분석 장치(100)는 학습 데이터를 이용하여 인공 신경망을 훈련시킬 수 있다. 학습 데이터는 학습 텍스트와 학습 텍스트에 포함된 키워드에 부여된 태그 정보를 포함할 수 있다.
S140 단계에서 세일즈 대화 분석 장치(100)는 비즈니스 항목들 각각에 대응하는 키워드 및 문장 중 적어도 하나에 기초하여 비즈니스 항목들 각각에 대한 분석 정보를 추출할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 예산 태그가 부여된 키워드 및 문장 중 적어도 하나를 분석함으로써 예산 항목에 대한 분석 정보를 추출할 수 있다. 마찬가지로 세일즈 대화 분석 장치(100)는 권한 태그가 부여된 키워드 및 문장 중 적어도 하나를 분석함으로써 권한 항목에 대한 분석 정보를 추출할 수 있다.
예시적으로, 세일즈 대화 분석 장치(100)는 DNN(Deep Neural Network), HMM(Hidden Markov Model), RNN(Recurrent Neural Network) 및 LSTM(Long Short-Term Memory) 중 적어도 하나를 이용하여 키워드 및 문장 중 적어도 하나를 분석할 수 있다. 세일즈 대화 분석 장치(100)는 키워드 및 문장 중 적어도 하나를 의미론적으로 해석하고 해석 결과에 기초하여 비즈니스 항목에 대한 정보를 추출할 수 있다.
도 7A 및 7B는 대화 텍스트에서 비즈니스 항목별로 키워드, 문장 및 분석 정보가 추출되는 것을 예시적으로 나타낸 개념도이다.
도 7A 및 도 7B를 참조하면, 세일즈 대화 분석 장치(100)는 대화 텍스트를 문장 단위로 분할할 수 있다. 세일즈 대화 분석 장치(100)는 인공 신경망을 이용하여 각각의 문장에서 주요 키워드를 추출할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 1번 문장에서 '차장' 키워드를 추출하고 3번 문장에서 '현재' 및 '클라우드 서비스' 키워드를 추출할 수 있다.
세일즈 대화 분석 장치(100)는 문장 및 키워드 중 적어도 하나에 대해 비즈니스 항목들 중 어느 하나에 대응하는 태그를 부여할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 1, 2, 24번 문장 및 키워드에 대해 권한 태그를 부여할 수 있다. 필요한 경우 24번에서 표시한 바와 같이 세일즈 대화 분석 장치(100)는 한 문장에 대해 둘 이상의 태그를 부여할 수도 있다. 세일즈 대화 분석 장치(100)는 3~11, 13, 14, 16, 19, 20번 문장 및 키워드에 대해서는 니즈 태그를 부여할 수 있다. 세일즈 대화 분석 장치(100)는 23, 24번 문장 및 키워드에 대해서는 예산 태그를 부여할 수 있다. 세일즈 대화 분석 장치(100)는 21, 22번 문장 및 키워드에 대해서는 구매시기 태그를 부여할 수 있다. 세일즈 대화 분석 장치(100)는 15번 문장 및 키워드에 대해서는 경쟁자 태그를 부여할 수 있다. 세일즈 대화 분석 장치(100)는 일부 문장 및 키워드에 대해서는 태그를 부여하지 않을 수도 있다.
세일즈 대화 분석 장치(100)는 각 문장 또는 키워드 별로 화자의 감정 변화 정보를 기록할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 5, 9, 12, 18, 22, 24, 26번 문장에 대해서 해당 화자의 감정 변화가 일어난 것을 감지하고 이에 대한 정보를 기록할 수 있다. 세일즈 대화 분석 장치(100)는 학습 데이터로부터 대화에서 빈도수가 많이 등장하는 감정어를 추출할 수 있다. 여기서, 감정어란 감정과 관련된 키워드를 포함할 수 있다. 예를 들어, 감정어는 "아마도", "아직", "별로", "좋네요", "글쎄요" 등과 같은 키워드를 포함할 수 있으나 실시예가 이에 제한되는 것은 아니다. 세일즈 대화 분석 장치(100)는 상기 감정어가 포함되는 문장 또는 감정어와 인접한 문장에 대해 가중치 또는 추가 점수를 부여할 수 있다. 예를 들어서, 세일즈 대화 분석 장치(100)는 도 7A의 12번 문장에 포함된 "글쎄요" 다음에 이어지는 13번 문장에 대해서 높은 가중치를 부여하거나 추가 점수를 부여할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 13번 문장에서 추출된 니즈 항목의 키워드에 대해 높은 가중치를 부여할 수 있다. 세일즈 대화 분석 장치(100)는 13번 문장으로부터 니즈 항목 점수를 산출할 때 추가 점수를 더할 수 있다. 다른 예로 세일즈 대화 분석 장치(100)는 13번 문장으로부터 산출된 니즈 항목 점수에 가중치(e.g. 1.5배)를 곱할 수 있다. 도 7A 및 도 7B에서는 감정 변화 수치를 정수로 표현하였지만 실시 예가 이에 제한되는 것은 아니다. 예를 들어, 감정 변화 정보는 정수가 아닌 실수 또는 기호 등에 의해 표현될 수도 있다.
세일즈 대화 분석 장치(100)는 감정변화의 절대 값이 큰 구간에 발생한 문장 또는 키워드 대해서는 가중치를 높게 부여할 수 있다. 세일즈 대화 분석 장치(100)는 가중치가 높은 문장 또는 키워드로부터 추출된 분석 정보에 대해서 중요도를 높게 부여할 수 있다. 세일즈 대화 분석 장치(100)는 사용자 인터페이스 상에서 중요도가 높은 분석 정보가 우선적으로 표시되도록 할 수 있다.
세일즈 대화 분석 장치(100)는 감정 변화가 발생하지 않는 구간에서 발생한 문장 또는 키워드에 대해서도 가중치를 높게 부여할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 문장 또는 키워드를 의미론적으로 분석하고 이에 기초하여 중요도가 높은 문장 또는 키워드에 대해 높은 가중치 를 부여할 수도 있다.
세일즈 대화 분석 장치(100)는 비즈니스 항목별로 분석 정보를 추출할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 권한 항목과 관련하여 권한 태그가 부여된 1, 2, 24번 문장 및 키워드로부터 고객의 권한과 관련된 분석 정보를 추출할 수 있다.
다시 도 5를 참조하면, S150 단계에서 세일즈 대화 분석 장치(100)는 비즈니스 항목별 분석 정보에 기초하여 비즈니스 항목별 점수를 산출할 수 있다. 세일즈 대화 분석 장치(100)는 비즈니스 항목별 분석 정보의 양 및 분석 정보의 내용 중 적어도 하나에 기초하여 비즈니스 항목별 점수를 산출할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 분석 정보의 양이 상대적으로 풍부한 비즈니스 항목에 대해서 상대적으로 높은 점수를 산출할 수 있다. 세일즈 대화 분석 장치(100)는 분석 정보의 양이 상대적으로 부족한 비즈니스 항목에 대해서 상대적으로 낮은 점수를 산출할 수 있다. 또한, 세일즈 대화 분석 장치(100)는 분석 정보의 내용이 거래 성사에 상대적으로 긍정적인 비즈니스 항목에 대해서 상대적으로 높은 점수를 산출할 수 있다. 세일즈 대화 분석 장치(100)는 분석 정보의 내용이 거래 성사에 상대적으로 부정적인 비즈니스 항목에 대해서 상대적으로 낮은 점수를 산출할 수 있다. 상술한 바와 같이 세일즈 대화 분석 장치(100)가 복수 개의 비즈니스 항목 각각에 대한 평가 점수를 산출함으로써 세일즈 대화를 보다 체계적이고 정확하게 분석할 수 있다. 또한, 사용자가 비즈니스 항목별 점수를 확인함으로써 세일즈 대화에 대한 정량적인 분석이 용이해질 수 있다.
S160 단계에서 세일즈 대화 분석 장치(100)는 복수의 비즈니스 항목 각각에 대한 평가 점수에 기초하여 세일즈 성공 확률을 계산할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 복수의 비즈니스 항목 각각에 대한 평가 점수의 합에 기초하여 세일즈 성공 확률을 계산할 수 있다. 다른 예로 세일즈 대화 분석 장치(100)는 복수의 비즈니스 항목 각각에 대한 평가 점수에 서로 다른 가중치를 부여하고, 상기 가중치를 고려하여 평가 점수의 합을 계산할 수도 있다.
또 다른 예로 세일즈 대화 분석 장치(100)는 복수의 비즈니스 항목 각각에 대한 평가 점수의 합을 계산하지 않고 항목들에 대한 평가 점수의 분포에 기초하여 세일즈 성공 확률을 계산할 수 있다. 복수의 비즈니스 항목들 각각이 서로 다른 항목에 미치는 영향을 고려할 때 평가 점수의 합이 세일즈 성공 확률과 반드시 비례하지 않을 수 있다. 따라서, 세일즈 대화 분석 장치(100)는 기존 사례 분석 결과에 의해 도출된 점수 분포와 세일즈 성공 확률 사이의 상관 관계를 이용하여 세일즈 성공 확률을 계산함으로써 계산의 정확도와 신뢰도를 높일 수 있다.
도 8은 도 5의 S160 단계를 보다 상세히 나타낸 순서도이다.
도 8을 참조하면, S162 단계에서 세일즈 대화 분석 장치(100)는 미리 저장된 참조 테이블에서 S150 단계에서 산출된 점수 분포와 동일하거나 유사한 참조 분포를 적어도 하나 추출할 수 있다. 참조 테이블에는 사례 분석 결과에 기초하여 작성된 참조 분포들과 각각의 참조 분포에 대응하는 세일즈 성공 확률, 샘플 개수 등이 저장되어 있을 수 있다. 여기서, 상기 샘플 개수는 사례 분석에서 이용된 음성 분석 샘플들 가운데 해당 참조 분포와 같은 점수 분포가 산출된 샘플의 개수를 의미할 수 있다.
S164 단계에서 세일즈 대화 분석 장치(100)는 추출된 참조 분포에 대응하는 데이터를 참조 테이블로부터 로드할 수 있다. 추출된 참조 분포가 복수개인 경우 세일즈 대화 분석 장치(100)는 복수개의 참조 분포에 대응하는 데이터를 모두 로드할 수 있다.
S166 단계에서 세일즈 대화 분석 장치(100)는 참조 분포에 대응하는 데이터에 기초하여 세일즈 성공 확률을 계산할 수 있다.
도 9는 참조 분포를 추출하고 세일즈 성공 확률을 계산하는 것에 관한 제1 실시 예를 나타낸 개념도이다. 도 9에서 나타낸 참조 테이블의 스키마(schema)는 예시적인 것에 불과하며 실시 예가 이에 제한되는 것은 아니다. 예를 들어, 참조 테이블은 도 9에서 나타낸 컬럼 중 일부를 포함하지 않거나 도 9에서 나타내지 않은 다른 컬럼을 더 포함할 수도 있다. 또한, 도 9에서는 비즈니스 항목별 평가 점수가 정수로 표시되어 있으나 실시 예가 이에 제한되는 것은 아니다. 예를 들어, 평가 점수는 정수가 아닌 다른 실수 또는 기호로 표시될 수도 있다.
도 9를 참조하면, 세일즈 대화 분석 장치(100)는 S150 단계에서 산출된 점수 분포(e.g. 예산: 1, 권한: 2, 니즈: 4, 구매시기: 5, 경쟁자: 3)과 동일한 참조 분포(e. g. 식별번호 8번)을 선택할 수 있다. 이 경우 세일즈 대화 분석 장치(100)는 하나의 참조 분포를 선택할 수 있다. 물론, 도 10에서 나타낸 것과 달리 세일즈 대화 분석 장치(100)는 점수 분포와 동일한 참조 분포뿐만 아니라 점수 분포와 유사한 참조 분포를 더 선택할 수도 있다.
세일즈 대화 분석 장치(100)는 참조 분포에 대응하는 데이터를 확인할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 참조 분포에 대응하는 샘플 개수가 충분한지 여부를 판단할 수 있다. 세일즈 대화 분석 장치(100)는 참조 분포에 대응하는 샘플 개수가 불충분한 경우 데이터의 신뢰도가 부족하므로 해당 참조 분포를 선택하지 않을 수 있다. 다른 예로 세일즈 대화 분석 장치(100)는 샘플 개수에 무관하게 참조 분포와 점수 분포 사이의 편차 만을 고려하여 참조 분포를 선택할 수도 있다.
세일즈 대화 분석 장치(100)는 선택된 참조 분포에 대응하는 데이터를 로드하고 로드한 데이터에 기반하여 세일즈 성공 확률을 산출할 수 있다. 예를 들어, 도 10에서 나타낸 바와 같이 세일즈 대화 분석 장치(100)가 점수 분포와 동일한 참조 분포(e.g. 식별번호 8번) 하나를 선택한 경우 세일즈 대화 분석 장치(100)는 식별번호 8번에 대응하는 성공 확률 0.78을 세일즈 성공 확률로 결정할 수 있다.
도 10은 참조 분포를 추출하고 세일즈 성공 확률을 계산하는 것에 관한 제2 실시 예를 나타낸 개념도이다. 도 10의 실시 예를 설명함에 있어서 도 9와 중복되는 내용은 생략한다.
도 10을 참조하면, 세일즈 대화 분석 장치(100)는 S150 단계에서 산출된 점수 분포(e.g. 예산: 1, 권한: 2, 니즈: 4, 구매시기: 5, 경쟁자: 3)와 동일한 참조 분포(e. g. 식별번호 8번)에 대응하는 데이터를 로드할 수 있다. 세일즈 대화 분석 장치(100)는 식별번호 8번에 대응하는 샘플 개수를 확인할 수 있다. 세일즈 대화 분석 장치(100)는 샘플 개수를 기준 개수와 비교할 수 있다. 샘플 개수가 기준 개수보다 작은 경우 세일즈 대화 분석 장치(100)는 해당 식별번호에 대응하는 참조 분포를 선택하지 않을 수 있다.
세일즈 대화 분석 장치(100)는 샘플 개수가 기준 개수보다 많은 참조 분포들 가운데 점수 분포와 편차의 합(e.g. 항목별 점수 편차의 절대 값의 합)이 가장 작은 참조 분포(e.g. 식별번호 15번)를 선택할 수 있다. 세일즈 대화 분석 장치(100)는 식별번호 15번에 대응하는 성공 확률(e.g. 0.91)을 세일즈 성공 확률로 결정할 수 있다.
도 11은 참조 분포를 추출하고 세일즈 성공 확률을 계산하는 것에 관한 제3 실시 예를 나타낸 개념도이다. 도 11의 실시 예를 설명함에 있어서 도 9 및 도 10과 중복되는 내용은 생략한다.
도 11을 참조하면, 세일즈 대화 분석 장치(100)는 S150 단계에서 산출된 점수 분포(e.g. 예산: 1, 권한: 2, 니즈: 4, 구매시기: 5, 경쟁자: 3)와 동일한 참조 분포(e. g. 식별번호 8번)에 대응하는 데이터를 로드할 수 있다. 세일즈 대화 분석 장치(100)는 식별번호 8번에 대응하는 샘플 개수를 확인할 수 있다. 세일즈 대화 분석 장치(100)는 샘플 개수를 기준 개수와 비교할 수 있다. 샘플 개수가 기준 개수보다 작은 경우 세일즈 대화 분석 장치(100)는 해당 식별번호에 대응하는 참조 분포를 선택하지 않을 수 있다.
세일즈 대화 분석 장치(100)는 참조 분포와 점수 분포 사이의 편차의 합(e.g. 항목별 점수 편차의 절대 값의 합)과 샘플 개수를 고려하여 복수 개의 참조 분포들을 선택할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 참조 분포와 점수 분포 사이의 편차의 합이 2이면서 샘플 개수가 충분한 식별번호 15번 및 16번의 참조 분포들을 선택할 수 있다. 또한, 세일즈 대화 분석 장치(100)는 참조 분포와 점수 분포 사이의 편차의 합이 3이지만 샘플 개수가 상대적으로 많아 신뢰도가 높은 17번 참조 분포도 선택할 수 있다.
세일즈 대화 분석 장치(100)는 식별번호 15, 16, 17번에 대응하는 성공 확률 값들의 평균 값(e.g. 0.8)을 계산할 수 있다. 세일즈 대화 분석 장치(100)는 상기 평균 값을 세일즈 성공 확률로 결정할 수 있다. 다른 예로 세일즈 대화 분석 장치(100)는 샘플 개수에 따른 신뢰도 및 참조 분포와 점수 분포 사이의 편차의 합을 고려하여 각각의 식별 번호에 서로 다른 가중치를 부여할 수 있다. 세일즈 대화 분석 장치(100)는 각각의 식별 번호에 대응하는 성공 확률에 가중치를 곱하고, 가중치가 곱해진 값들을 합산하거나 평균하여 세일즈 성공 확률을 계산할 수 있다.
도 12는 세일즈 대화 분석 장치(100)에 의해 수행되는 세일즈 대화 분석 방법의 제2 실시 예를 나타낸 순서도이다. 도 12의 실시 예를 설명함에 있어서 도 5와 중복되는 내용은 생략한다.
도 12를 참조하면, S170 단계에서 세일즈 대화 분석 장치(100)는 복수의 비즈니스 항목 각각에 대한 분석 정보 및 복수의 비즈니스 항목 각각에 대한 평가 점수 중 적어도 하나에 기초하여 적어도 하나의 비즈니스 항목에 대한 추천 질의문을 생성할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 분석 정보의 양이 부족한 비즈니스 항목에 대해 추천 질의문을 생성할 수 있다. 세일즈 대화 분석 장치(100)는 분석 정보의 양이 부족한 비즈니스 항목에 대응하는 문장 및 키워드 중 적어도 하나에 기초하여 추천 질의문을 생성할 수 있다. 다른 예로 세일즈 대화 분석 장치(100)는 평가 점수가 기준 점수보다 낮은 비즈니스 항목에 대해 추천 질의문을 생성할 수도 있다. 또 다른 예로 세일즈 대화 분석 장치(100)는 평가 점수 및 분석 정보의 양을 모두 고려할 수도 있다.
도 13은 도 12의 S170 단계를 보다 상세히 나타낸 순서도이다.
도 13을 참조하면, S172 단계에서 세일즈 대화 분석 장치(100)는 비즈니스 항목별 평가 점수를 기준 점수와 비교할 수 있다. S174 단계에서 세일즈 대화 분석 장치(100)는 평가 점수가 기준 점수(e.g. 3점)보다 낮은 항목을 선택할 수 있다(e. g. 도 10 내지 12의 경우 예산 및 권한).
S176 단계에서 세일즈 대화 분석 장치(100)는 선택된 항목과 관련하여 텍스트로부터 추출된 문장과 유사한 참조 문장을 참조 DB로부터 추출할 수 있다. 참조 DB에는 미리 설정된 복수 개의 참조 문장 및 각각의 참조 문장에 대응하는 질의문 리스트가 저장되어 있을 수 있다. 참조 문장 및 참조 문장에 대응하는 질의문 리스트는 비즈니스 전문가에 의해 작성될 수도 있고, 비즈니스 대화를 분석한 컴퓨팅 장치에 의해 작성될 수도 있다.
세일즈 대화 분석 장치(100)는 비즈니스 항목에 대응하는 문장과 참조 DB에 저장된 참조 문장들 사이의 유사도 또는 연관도를 분석할 수 있다. 세일즈 대화 분석 장치(100)는 인공 신경망을 이용하여 상기 유사도 또는 연관도를 분석할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 문장과 참조 문장들 사이의 특징 거리를 산출함으로써 상기 유사도 또는 연관도를 분석할 수 있다.
S178 단계에서 세일즈 대화 분석 장치(100)는 참조 문장에 대응하는 질의문 리스트를 이용하여 추천 질의문을 생성할 수 있다. 세일즈 대화 분석 장치(100)는 질의문 리스트에 포함된 질의문들에서 수정이 필요한 단어를 수정할 수 있다.
도 14는 추천 질의문을 생성하는 과정을 나타낸 개념도이다.
도 14를 참조하면, 세일즈 대화 분석 장치(100)는 평가 점수가 기준 점수보다 작은 권한 항목에 대해 추천 질의문을 생성할 수 있다. 물론, 세일즈 대화 분석 장치(100)는 예산 항목에 대해서도 추천 질의문을 생성할 수 있다. 세일즈 대화 분석 장치(100)는 텍스트로부터 권한 항목과 관련된 문장(e.g. "그건 부장님 결재를 받아야 할 사안이라 제가 말씀드리긴 좀 그렇네요")과, 권한 항목에 대응하는 참조 문장들 사이의 유사도 또는 연관도를 분석할 수 있다. 세일즈 대화 분석 장치(100)는 유사도 또는 연관도가 높은 참조 문장(e.g. "따로 팀장님 있어요")에 대응하는 질의문 리스트를 로드할 수 있다. 세일즈 대화 분석 장치(100)는 권한 항목과 관련된 문장으로부터 추출된 정보(e.g. "부장님")를 이용하여 질의문 리스트에 포함된 질의문에서 수정이 필요한 단어(e.g. "팀장님")를 수정함으로써 추천 질의문을 생성할 수 있다.
상술한 예시들에서는 비즈니스 항목으로서 예산, 권한, 니즈, 구매시기, 경쟁자를 제시하였다. 하지만, 실시 예가 이에 제한되는 것은 아니다. 예를 들어, 비즈니스 항목은 다른 항목을 더 포함할 수 있다. 비즈니스 항목은 고객의 질문에 대한 항목을 더 포함할 수 있다.
도 7A 및 도 7B에서 나타낸 바와 같이 세일즈 대화 분석 장치(100)는 문장들 중 적어도 일부에 대해 질문 또는 답변 태그를 부여할 수 있다. 세일즈 대화 분석 장치(100)는 텍스트에서 고객의 질문 개수를 추출할 수 있다. 즉, 고객의 질문 항목과 관련된 분석 정보는 고객의 질문 개수에 대한 정보를 포함할 수 있다. 고객의 질문 항목과 관련된 분석 정보는 미처리 질문에 대한 정보를 더 포함할 수 있다. 미처리 질문에 대한 정보는 미처리 질문의 내용 및 미처리 질문에 대한 답변 내용을 포함할 수 있다.
도 15는 고객의 질문 항목과 관련된 분석 정보 및 스케줄 데이터 생성 과정을 예시적으로 나타낸 개념도이다.
도 15를 참조하면, 세일즈 대화 분석 장치(100)는 미처리 질문에 대한 답변 내용으로부터 미처리 질문의 처리 기한에 대한 정보를 추출할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 미처리 질문에 대한 답변 문장에서 "내일"이라는 키워드를 추출하고 이에 기반하여 대화일(e.g. 26일)로부터 하루 뒤인 27일에 미처리 질문에 대한 답변 스케줄 정보를 생성할 수 있다. 미처리 질문에 대한 답변 내용에 미처리 질문의 처리 기한이 포함되지 않은 경우 세일즈 대화 분석 장치(100)는 디폴트로 설정된 기간(e.g. 2일)을 대화 시점으로부터 가산하여 스케줄 정보(e.g. 28일)를 생성할 수 있다.
세일즈 대화 분석 장치(100)는 생성한 스케줄 정보를 세일즈 담당자 단말기(300)에게 전송할 수 있다. 세일즈 담당자 단말기(300)는 수신한 스케줄 정보를 이용하여 스케줄 애플리케이션의 데이터를 갱신할 수 있다. 다른 예로 세일즈 담당자 단말기(300)가 세일즈 대화 분석 방법을 수행하는 경우 세일즈 담당자 단말기(300)가 자체적으로 스케줄 데이터를 생성하여 스케줄 애플리케이션의 데이터를 갱신할 수도 있다.
도 16은 고객의 질문에 대한 분석에 기반하여 비즈니스 항목별 점수를 보정하는 것을 예시적으로 나타낸 개념도이다.
도 16을 참조하면, 세일즈 대화 분석 장치(100)는 대화에서 고객의 질문들을 비즈니스 항목에 따라 분류할 수 있다. 세일즈 대화 분석 장치(100)는 고객의 질문에 포함된 키워드를 분석할 수 있다. 세일즈 대화 분석 장치(100)는 고객의 질문에 포함된 키워드와 고객의 질문에 대한 의미론적 분석 결과에 기반하여 고객의 질문들을 비즈니스 항목에 따라 분류할 수 있다. 표 1은 고객의 질문들이 비즈니스 항목에 따라 분류된 것을 예시적으로 나타낸다.
[표 1]
Figure pat00001
세일즈 대화 분석 장치(100)는 각 항목에 대응하는 고객의 질문을 분석함으로써 각 항목에 대응하는 질문에 대한 평가 점수를 산출할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 각 항목에 대응하는 고객의 질문 개수와 질문에 포함된 키워드 및 질문의 의미론적 내용 등을 분석함으로써 각 항목에 대응하는 질문에 대한 평가 점수를 산출할 수 있다. 예시적으로, 비즈니스 항목 중 니즈 항목에 대한 고객의 질문 개수가 많고, 질문의 내용이 비즈니스에 긍정적인 경우 세일즈 대화 분석 장치(100)는 니즈 항목에 대한 고객의 질문 점수를 상대적으로 높게 산출할 수 있다. 다른 예로 세일즈 대화 분석 장치(100)는 경쟁자에 대한 고객의 질문 개수가 적거나 경쟁자에 대하여 고객이 부정적인 의미의 질문을 한 경우 경쟁자 항목에 대한 질문 점수를 낮게 산출할 수 있다.
세일즈 대화 분석 장치(100)는 비즈니스 항목 별 고객의 질문 내용을 고려하여 비즈니스 항목 별 대화의 평가 점수를 보정할 수 있다. 예를 들어, 세일즈 대화 분석 장치(100)는 보정 전 비즈니스 항목 별 평가 점수와 비즈니스 항목 별 질문 평가 점수를 곱하여 보정된 점수를 산출할 수 있다. 예시적으로 도 16에서 나타낸 바와 같이 질문에 대한 평가 점수가 좋은 권한 항목과 니즈 항목에 대해서는 보정 후의 점수가 보정 전의 점수보다 높을 수 있다. 반면, 질문에 대한 평가 점수가 낮은 경쟁자 항목에 대해서는 보정 후의 점수가 보정 전의 점수보다 낮을 수 있다. 상술한 예에서는 점수를 보정하는 과정에서 곱셈 연산을 하는 경우를 설명하였지만 실시예가 이에 제한되는 것은 아니다. 예를 들어, 세일즈 대화 분석 장치(100)는 보정 전 평가 점수와 질문 평가 점수를 합산하여 항목 별 보정된 점수를 산출할 수도 있다. 상술한 바와 같이 세일즈 대화 분석 장치(100)가 비즈니스 항목 별 평가 점수를 보정함으로써 세일즈 대화 분석의 정확도를 더 높일 수 있다.
이상에서 도 1 내지 도 16을 참조하여 예시적인 실시 예들에 따른 세일즈 대화 방법 및 장치에 관하여 설명하였다. 적어도 하나의 실시 예에 따르면, 세일즈 대화에 대한 분석 작업을 자동화함으로써 세일즈 대화 분석에 필요한 노동력과 시간을 절감할 수 있다. 적어도 하나의 실시 예에 따르면, 세일즈 대화 음성 정보로부터 복수의 비즈니스 항목에 대한 분석 정보를 추출함으로써 세일즈 대화에 대한 정확하고 체계적인 분석이 가능해질 수 있다. 적어도 하나의 실시 예에 따르면, 복수의 비즈니스 항목 각각에 대한 평가 점수를 산출하고 평가 점수의 분포에 기초하여 세일즈 성공 확률을 산출함으로써 세일즈 대화에 대한 신뢰도 높은 정량 분석이 가능해질 수 있다. 적어도 하나의 실시 예에 따르면 세일즈 대화 음성에 기초하여 추천 질의문을 생성함으로써 세일즈 성공 확률을 높일 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬, 램, 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러(compiler)에 1의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (1)

  1. 음성 인식 기반의 세일즈 대화 분석 방법에 있어서,
    세일즈 담당자와 고객 사이의 세일즈 대화에 대한 음성 정보를 획득하는 단계;
    상기 음성 정보를 텍스트로 변환하는 단계;
    상기 텍스트로부터 복수의 비즈니스 항목 각각에 대응하는 키워드 및 문장 중 적어도 하나를 추출하는 단계;
    상기 키워드 및 문장 중 적어도 하나에 기초하여 복수의 비즈니스 항목 각각에 대한 분석 정보를 추출하는 단계;
    상기 복수의 비즈니스 항목 각각에 대한 분석 정보에 기초하여 상기 복수의 비즈니스 항목 각각에 대한 평가 점수를 산출하는 단계를 포함하는 음성 인식 기반의 세일즈 대화 분석 방법.
KR1020200040435A 2020-04-02 2020-04-02 음성 인식 기반의 세일즈 대화 분석 방법 및 장치 KR20210009266A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200040435A KR20210009266A (ko) 2020-04-02 2020-04-02 음성 인식 기반의 세일즈 대화 분석 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200040435A KR20210009266A (ko) 2020-04-02 2020-04-02 음성 인식 기반의 세일즈 대화 분석 방법 및 장치

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190086037A Division KR102100214B1 (ko) 2019-07-16 2019-07-16 음성 인식 기반의 세일즈 대화 분석 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20210009266A true KR20210009266A (ko) 2021-01-26

Family

ID=74310057

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200040435A KR20210009266A (ko) 2020-04-02 2020-04-02 음성 인식 기반의 세일즈 대화 분석 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20210009266A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113488051A (zh) * 2021-07-20 2021-10-08 北京明略昭辉科技有限公司 零售行业销售过程分析方法、系统、计算机和存储介质
CN117764459A (zh) * 2024-02-22 2024-03-26 山邮数字科技(山东)有限公司 一种基于数据智能分析处理的企业管理系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113488051A (zh) * 2021-07-20 2021-10-08 北京明略昭辉科技有限公司 零售行业销售过程分析方法、系统、计算机和存储介质
CN117764459A (zh) * 2024-02-22 2024-03-26 山邮数字科技(山东)有限公司 一种基于数据智能分析处理的企业管理系统及方法
CN117764459B (zh) * 2024-02-22 2024-04-26 山邮数字科技(山东)有限公司 一种基于数据智能分析处理的企业管理系统及方法

Similar Documents

Publication Publication Date Title
US11823061B2 (en) Systems and methods for continual updating of response generation by an artificial intelligence chatbot
US11087094B2 (en) System and method for generation of conversation graphs
KR102100214B1 (ko) 음성 인식 기반의 세일즈 대화 분석 방법 및 장치
US11450311B2 (en) System and methods for accent and dialect modification
US10210867B1 (en) Adjusting user experience based on paralinguistic information
US10770062B2 (en) Adjusting a ranking of information content of a software application based on feedback from a user
US11082554B2 (en) Method for conversion and classification of data based on context
US20180082184A1 (en) Context-aware chatbot system and method
US10839788B2 (en) Systems and methods for selecting accent and dialect based on context
US11720759B2 (en) Electronic apparatus, controlling method of thereof and non-transitory computer readable recording medium
WO2021056837A1 (zh) 服务质量评测产品定制平台及方法
Ngueajio et al. Hey ASR system! Why aren’t you more inclusive? Automatic speech recognition systems’ bias and proposed bias mitigation techniques. A literature review
CN111930914A (zh) 问题生成方法和装置、电子设备以及计算机可读存储介质
KR20210009266A (ko) 음성 인식 기반의 세일즈 대화 분석 방법 및 장치
KR101894700B1 (ko) 음성인식을 이용한 고객 상담용 전문지식 자동검색 방법
CN115564529A (zh) 语音导航控制方法、装置、计算机终端及存储介质
KR20220042103A (ko) 하이브리드 지능형 고객 상담장치 및 방법
Chung et al. A question detection algorithm for text analysis
US20240126995A1 (en) Systems and methods for identifying and removing bias from communications
US20240232765A1 (en) Audio signal processing and dynamic natural language understanding
US20240194178A1 (en) Adaptive, individualized, and contextualized text-to-speech systems and methods
US20230352003A1 (en) Systems and methods to improve trust in conversations
US20240144921A1 (en) Domain specific neural sentence generator for multi-domain virtual assistants
Akinyemi et al. Automation of Customer Support System (Chatbot) to Solve Web Based Financial and Payment Application Service
Chang et al. Machine Learning and Consumer Data