WO2021010744A1 - 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
WO2021010744A1
WO2021010744A1 PCT/KR2020/009310 KR2020009310W WO2021010744A1 WO 2021010744 A1 WO2021010744 A1 WO 2021010744A1 KR 2020009310 W KR2020009310 W KR 2020009310W WO 2021010744 A1 WO2021010744 A1 WO 2021010744A1
Authority
WO
WIPO (PCT)
Prior art keywords
sales
information
customer
business
score
Prior art date
Application number
PCT/KR2020/009310
Other languages
English (en)
French (fr)
Inventor
이진국
백세명
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 CA3147634A priority Critical patent/CA3147634A1/en
Publication of WO2021010744A1 publication Critical patent/WO2021010744A1/ko
Priority to US17/575,653 priority patent/US20220138770A1/en

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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems

Definitions

  • a method and apparatus for analyzing a sales conversation based on speech recognition are disclosed.
  • a sales conversation analysis method and apparatus for analyzing a sales conversation based on voice recognition and providing information on a possibility of successful sales are disclosed.
  • a sales conversation analysis method and apparatus capable of increasing a sales success probability by analyzing a sales conversation based on voice recognition and providing a recommended query to a sales manager are disclosed.
  • a method for analyzing a sales conversation based on voice recognition includes obtaining voice information about a sales conversation between a sales representative and a customer; Converting the voice information into text; Extracting at least one of keywords and sentences corresponding to each of a plurality of business items from the text; Extracting analysis information for each of a plurality of business items based on at least one of the keywords and sentences; Disclosed is a method for analyzing a sales conversation based on speech recognition, comprising the step of calculating an evaluation score for each of the plurality of business items based on analysis information for each of the plurality of business items.
  • the method may further include calculating a sales success probability based on an evaluation score for each of the plurality of business items.
  • a sales success probability may be calculated based on a distribution indicated by an evaluation score for each of the plurality of business items.
  • At least one reference distribution equal to or similar to a distribution indicated by an evaluation score for each of the plurality of business items may be extracted from a reference table stored in advance, and the sales success probability may be calculated based on data corresponding to the reference distribution.
  • the sales success probability may be calculated based on a deviation between the distribution indicated by the evaluation score and the reference distribution, the number of samples corresponding to the reference distribution, and a success probability value corresponding to the reference distribution.
  • the method may further include generating a recommendation query for at least one business item based on at least one of analysis information for each of the plurality of business items and an evaluation score for each of the plurality of business items. .
  • At least one business item having an evaluation score lower than the reference score is selected, and a reference sentence identical or similar to the sentence extracted from the text in relation to the selected business item is extracted from a reference DB (database), and the The recommended query sentence may be generated based on the query sentence list corresponding to the reference sentence.
  • the plurality of business items may include items about a customer's budget, a customer's authority, a customer's needs, a customer's purchase timing, and a sales entity's competitor.
  • a first score for the customer's budget is calculated based on the first information
  • a second score for the customer's authority is calculated based on the second information
  • the customer’s Calculate a third score for needs, calculate a fourth score for the purchase time of the customer based on the fourth information, and calculate a fifth score for the competitor of the sales entity based on the fifth information can do.
  • the method may further include calculating a sales success probability based on the distribution indicated by the first to fifth scores.
  • the recommended query may be generated based on a query list corresponding to the reference sentence.
  • the plurality of business items further include items for customer questions,
  • the sixth information may include information on the number of questions from the customer.
  • the sixth information includes information on unprocessed customer questions
  • the method may further include generating schedule information of the sales person in charge of alarm information for the unprocessed customer question.
  • the method comprises the steps of classifying the customer's question based on the plurality of business items, and calculating an evaluation score for the customer's question for each business item based on the analysis of the classified customer's question, It may include the step of correcting the evaluation score for each of the business items based on the evaluation score for the customer's question.
  • a sales success probability may be increased by generating a recommended query based on a sales conversation voice.
  • FIG. 1 is a conceptual diagram showing a first embodiment of a sales conversation analysis system.
  • FIG. 2 is a conceptual diagram showing a second embodiment of a sales conversation analysis system.
  • Fig. 3 is a block diagram showing a configuration of an apparatus 100 for analyzing a sales conversation according to an exemplary embodiment.
  • FIG. 4 is a block diagram illustrating an exemplary sales manager terminal 300.
  • FIG. 5 is a flowchart showing a first embodiment of a sales conversation analysis method performed by the sales conversation analysis apparatus 100.
  • step S130 of FIG. 5 is a flow chart showing in more detail step S130 of FIG. 5.
  • 7A and 7B are conceptual diagrams exemplarily showing that keywords, sentences, and analysis information are extracted for each business item from conversation text.
  • step S160 of FIG. 8 is a flow chart showing in more detail step S160 of FIG.
  • FIG. 9 is a conceptual diagram illustrating a first embodiment of extracting a reference distribution and calculating a sales success probability.
  • FIG. 10 is a conceptual diagram showing a second embodiment of extracting a reference distribution and calculating a sales success probability.
  • 11 is a conceptual diagram showing a third embodiment of extracting a reference distribution and calculating a sales success probability.
  • FIG. 12 is a flow chart showing a second embodiment of a sales conversation analysis method performed by the sales conversation analysis apparatus 100.
  • step S170 of FIG. 12 is a flow chart showing in more detail step S170 of FIG. 12.
  • FIG. 14 is a conceptual diagram showing a process of generating a recommendation query.
  • 15 is a conceptual diagram illustrating an exemplary process of generating analysis information and schedule data related to a customer's question item.
  • 16 is a conceptual diagram illustrating an example of correcting a score for each business item based on an analysis of a customer's question.
  • FIG. 1 is a conceptual diagram showing a first embodiment of a sales conversation analysis system.
  • a sales conversation analysis system may include a sales conversation analysis apparatus 100, a sales manager terminal 300, and a customer terminal 400.
  • the sales conversation analysis apparatus 100 may communicate with at least one of the sales manager terminal 300 and the customer terminal 400 through the network 200.
  • the sales conversation analysis device 100 may be operated by a business operator providing a sales conversation analysis service or a subject supervised by the business operator.
  • the sales conversation analysis apparatus 100 may be operated by a marketing company or a business connection service provider, but the embodiment is not limited thereto.
  • the sales conversation analysis apparatus 100 may be a computing device capable of performing a predetermined calculation process and a communication process.
  • the sales conversation analysis device 100 is a device that may include typical computer hardware (eg, computer processor, memory, storage, input device and output device, and other components of conventional computing devices; routers, switches, etc.).
  • Electronic communication devices such as; electronic information storage systems such as network-attached storage (NAS) and storage area network (SAN)) and computer software (i.e., allowing the computing device to function in a specific manner). It may be to achieve a desired system performance by using a combination of instructions).
  • NAS network-attached storage
  • SAN storage area network
  • the sales conversation analysis apparatus 100 may perform at least some of the sales conversation analysis service.
  • the sales conversation analysis service may include text conversion of sales conversation speech, prediction of a sales success possibility based on the converted text, and generation of a recommended query.
  • the sales conversation analysis apparatus 100 may provide a user interface for providing a sales conversation analysis service to the sales manager terminal 300.
  • the sales conversation analysis apparatus 100 may obtain voice information on the sales conversation from the sales manager terminal 300 through the network 200.
  • the sales conversation analysis apparatus 100 may analyze voice information and provide the analysis result to the sales manager terminal 300.
  • the network 200 is a network connecting the sales conversation analysis apparatus 100 and the sales manager terminal 300 and includes a wired network and a wireless network.
  • the network 200 may be a closed network such as a local area network (LAN) or a wide area network (WAN), or an open network such as the Internet.
  • the Internet is the TCP/IP protocol and several services that exist in the upper layer, namely HTTP (HyperText Transfer Protocol), Telnet, FTP (File Transfer Protocol), DNS (Domain Name System), SMTP (Simple Mail Transfer Protocol), SNMP ( It refers to a global open computer network structure that provides Simple Network Management Protocol), Network File Service (NFS), and Network Information Service (NIS).
  • HTTP HyperText Transfer Protocol
  • Telnet Telnet
  • FTP File Transfer Protocol
  • DNS Domain Name System
  • SMTP Simple Mail Transfer Protocol
  • SNMP It refers to a global open computer network structure that provides Simple Network Management Protocol), Network File Service (NFS), and Network Information Service (NIS).
  • NIS Network Information Service
  • the sales manager terminal 300 may be a device of a user capable of accessing a network.
  • the sales representative terminal 300 may include a smartphone, a tablet PC, a laptop, a desktop, etc., but is not limited thereto.
  • the sales manager terminal 300 may display a user interface.
  • the sales manager terminal 300 may transmit user interaction information on the user interface to the sales conversation analysis apparatus 100.
  • the sales manager terminal 300 may display information received from the sales conversation analysis apparatus 100 through a user interface.
  • the customer terminal 400 may include a smart phone, a tablet PC, a laptop, a desktop, a wired telephone, etc., but is not limited thereto.
  • the sales conversation analysis device 100 is a separate device separated from the sales manager terminal 300 has been exemplarily described.
  • the embodiment is not limited thereto.
  • the sales conversation analysis method may be performed by the sales manager terminal 300.
  • FIG. 2 is a conceptual diagram showing a second embodiment of a sales conversation analysis system.
  • the sales manager terminal 300 may perform a function performed by the sales conversation analysis apparatus 100 shown in FIG. 1.
  • the sales manager terminal 300 may perform a sales conversation analysis method by analyzing a call voice.
  • Fig. 3 is a block diagram showing a configuration of an apparatus 100 for analyzing a sales conversation according to an exemplary embodiment.
  • the apparatus 100 for analyzing a sales conversation may include a communication interface unit 110, a processor 120, a memory 130, and/or a storage device 130, 140. have.
  • the communication interface unit 110 may operate under the control of the processor 120.
  • the communication interface unit 110 may transmit a signal through wireless communication or wired communication according to a command of the processor 120.
  • the sales manager terminal 300 may receive a signal transmitted by the communication interface unit 110 through wireless communication or wired communication.
  • the communication interface unit 110 may include a keyboard, a mouse, other external input devices, printers, displays, and other external output devices for receiving commands or instructions.
  • the processor 120 may execute a program command stored in the memory 130 and/or the storage devices 130 and 140.
  • the processor 120 may mean a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor in which the methods according to the present invention are performed.
  • the memory 130 and the storage device 140 may be formed of a volatile storage medium and/or a nonvolatile storage medium.
  • the memory 130 may be composed of read only memory (ROM) and/or random access memory (RAM).
  • the configuration of the sales conversation analysis apparatus 100 described with reference to FIG. 3 is only an example, and the embodiment is not limited thereto.
  • the memory 130 and the storage device 140 of the apparatus 100 for analyzing sales conversations may not be physically classified.
  • the sales conversation analysis apparatus 100 may further include other configurations in addition to the configuration illustrated in FIG. 3.
  • the sales conversation analysis apparatus 100 may further include an input interface unit and an output interface unit.
  • the input interface unit may include a button, a touch screen, and an input device of a general PC.
  • the output interface unit may include a display device, a touch screen, and a speaker.
  • FIG. 4 is a block diagram illustrating an exemplary sales manager terminal 300.
  • a sales manager terminal 300 includes an output interface unit 310, a processor 320, a communication interface unit 330, and memory and/or storage devices 340 and 350. Can include.
  • the output interface unit 310 may include at least one of a display device and a touch screen.
  • the output interface unit 310 may operate under the control of the processor 320.
  • the processor 320 may control the output interface unit 310 based on information received from the sales conversation analysis apparatus 100 through the communication interface unit 330.
  • the communication interface unit 330 may operate under the control of the processor 320.
  • the communication interface unit 330 may transmit a signal through wireless communication or wired communication according to a command of the processor 320.
  • the communication interface unit 330 may receive a signal transmitted by the sales conversation analysis apparatus 100 through wireless communication or wired communication.
  • the processor 320 may execute a program command stored in the memory 340 and/or the storage device 350.
  • the processor 320 may mean a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor in which the methods according to the present invention are performed.
  • the memory 340 and the storage device 350 may be formed of a volatile storage medium and/or a nonvolatile storage medium.
  • the memory 340 may be composed of read only memory (ROM) and/or random access memory (RAM).
  • the configuration of the sales manager terminal 300 described with reference to FIG. 4 is merely an example, and the embodiment is not limited thereto.
  • the memory 340 and the storage device 350 of the sales manager terminal 300 may not be physically classified.
  • the sales manager terminal 300 may further include other configurations in addition to the configuration shown in FIG. 3.
  • the terminal 300 may further include an input interface unit or the like.
  • the input interface unit may include a button, a touch screen, and an input device of a general PC.
  • a sales conversation analysis method will be described on the assumption that the sales conversation analysis method is performed by the sales conversation analysis apparatus 100 shown in FIG. 1.
  • FIG. 5 is a flowchart showing a first embodiment of a sales conversation analysis method performed by the sales conversation analysis apparatus 100.
  • the sales conversation analysis method includes obtaining voice information on a sales conversation between a sales representative and a customer (S110), converting the voice information to text (S120), each of a plurality of business items from text Extracting at least one of keywords and sentences corresponding to (S130), extracting analysis information for each of a plurality of business items based on at least one of the extracted keywords and sentences (S140), and each of a plurality of business items It may include calculating an evaluation score for each of the plurality of business items based on the analysis information (S150).
  • the sales conversation analysis apparatus 100 may acquire voice information on the sales conversation.
  • the sales conversation analysis apparatus 100 may obtain voice information by receiving a recorded voice file from the sales manager terminal 300.
  • the sales conversation analysis apparatus 100 may receive a recorded voice file from a device other than the sales manager terminal 300.
  • the sales conversation analysis apparatus 100 may acquire voice information by reading a voice file stored in a recording medium.
  • the sales manager terminal 300 may analyze the call voice in real time or read the recorded voice file after recording the call voice. have.
  • step S120 the sales conversation analysis apparatus 100 may convert the acquired voice information into text.
  • the sales conversation analysis apparatus 100 may separate and separate the voice of the sales representative and the voice of the customer from the voice information.
  • the sales conversation analysis apparatus 100 may extract a Mel-Frequency Cepstral Coefficient (MFCC) feature vector from the voice, and based on this, separate the voice of the customer and the voice of the sales manager through K-mean clustering. .
  • MFCC Mel-Frequency Cepstral Coefficient
  • the sales conversation analysis apparatus 100 may convert voice information into text. As described above, the sales conversation analysis apparatus 100 may identify a speaker for each segment of a voice and store information about the speaker together with the converted text.
  • the sales conversation analysis apparatus 100 texts voice information using at least one of a deep neural network (DNN), a hidden markov model (HMM), a recurrent neural network (RNN), and a long short-term memory (LSTM).
  • DNN deep neural network
  • HMM hidden markov model
  • RNN recurrent neural network
  • LSTM long short-term memory
  • the sales conversation analysis apparatus 100 may analyze voice information by a continuous language recognition method.
  • the sales conversation analysis apparatus 100 may analyze the voice information in consideration of a case in which a plurality of words are combined in the voice information.
  • the embodiment is not limited thereto.
  • the sales conversation analysis apparatus 100 may extract information on a change in emotion by extracting features for a change in intonation and tone from the voice of a customer or a sales person in charge.
  • the sales conversation analysis apparatus 100 may store information on emotional change together with text.
  • the sales conversation analysis apparatus 100 may extract at least one of keywords and sentences for each of a plurality of business items from the text.
  • the plurality of business items described above include at least one of the customer's budget, the customer's authorization, the customer's needs, the timeline, and the competitor of the product or service provider. I can. However, the embodiment is not limited to the above items. For example, the number of business items may be less than or greater than 5. The business item may not include some of the above five items. The business item may include other items in addition to the five items described above. For example, the business item may include at least one of a transaction condition and a customer's question.
  • step S130 of FIG. 5 is a flow chart showing in more detail step S130 of FIG. 5.
  • the sales conversation analysis apparatus 100 may divide the text into sentences.
  • the sales conversation analysis apparatus 100 may classify sentence components included in text and identify words based thereon.
  • the sales conversation analysis apparatus 100 may assign a tag to a sentence included in the text using an artificial neural network.
  • the tag may correspond to any one of the plurality of business items described above.
  • the sales conversation analysis apparatus 100 may train an artificial neural network using the training data.
  • the learning data may include a learning text and tag information attached to a sentence included in the learning text.
  • the sales conversation analysis apparatus 100 may train an artificial neural network through supervised learning or unsupervised learning.
  • the sales conversation analysis apparatus 100 may assign tags to keywords included in text using an artificial neural network.
  • the tag may correspond to any one of the plurality of business items described above.
  • the sales conversation analysis apparatus 100 may train an artificial neural network using the training data.
  • the learning data may include a learning text and tag information assigned to a keyword included in the learning text.
  • the sales conversation analysis apparatus 100 may extract analysis information for each of the business items based on at least one of keywords and sentences corresponding to each of the business items. For example, the sales conversation analysis apparatus 100 may extract analysis information on a budget item by analyzing at least one of keywords and sentences to which the budget tag is assigned. Likewise, the sales conversation analysis apparatus 100 may extract analysis information on the authorization item by analyzing at least one of keywords and sentences to which the authorization tag is assigned.
  • the sales conversation analysis apparatus 100 uses at least one of a deep neural network (DNN), a hidden markov model (HMM), a recurrent neural network (RNN), and a long short-term memory (LSTM). At least one of them can be analyzed.
  • the sales conversation analysis apparatus 100 may semantically interpret at least one of a keyword and a sentence and extract information on a business item based on the analysis result.
  • 7A and 7B are conceptual diagrams exemplarily showing that keywords, sentences, and analysis information are extracted for each business item from conversation text.
  • the sales conversation analysis apparatus 100 may divide the conversation text into sentences.
  • the sales conversation analysis apparatus 100 may extract a main keyword from each sentence using an artificial neural network.
  • the sales conversation analysis apparatus 100 may extract the keyword'deputy chief' from sentence 1 and extract the keywords'current' and'cloud service' from sentence 3.
  • the sales conversation analysis apparatus 100 may assign a tag corresponding to any one of business items to at least one of a sentence and a keyword. For example, the sales conversation analysis apparatus 100 may assign permission tags to sentences 1, 2, and 24 and keywords. If necessary, the sales conversation analysis apparatus 100 may assign two or more tags to a sentence as indicated in number 24. The sales conversation analysis apparatus 100 may assign a need tag to sentences 3 to 11, 13, 14, 16, 19, and 20 and keywords. The sales conversation analysis apparatus 100 may assign a budget tag to sentences 23 and 24 and keywords. The sales conversation analysis apparatus 100 may assign a purchase timing tag to sentences 21 and 22 and keywords. The sales conversation analysis apparatus 100 may assign a competitor tag to sentence 15 and the keyword. The sales conversation analysis apparatus 100 may not assign tags to some sentences and keywords.
  • the sales conversation analysis apparatus 100 may record the speaker's emotion change information for each sentence or keyword. For example, the sales conversation analysis apparatus 100 may detect that a change in emotion of a corresponding speaker has occurred with respect to sentences 5, 9, 12, 18, 22, 24, and 26, and record information about this. The sales conversation analysis apparatus 100 may extract an appraisal word that frequently appears in a conversation from the learning data.
  • the emotion word may include a keyword related to emotion.
  • the appraisal word may include keywords such as "probably", "still”, “not so good”, “good”, “well”, etc., but embodiments are not limited thereto.
  • the sales conversation analysis apparatus 100 may assign a weight or an additional score to a sentence including the appraised word or a sentence adjacent to the appraised word.
  • the sales conversation analysis apparatus 100 may assign a high weight or an additional score to the sentence 13 following "Well" included in the sentence 12 of FIG. 7A.
  • the sales conversation analysis apparatus 100 may assign a high weight to the keyword of the needs item extracted from sentence 13.
  • the sales conversation analysis apparatus 100 may add an additional score when calculating a need item score from sentence 13.
  • the sales conversation analysis apparatus 100 may multiply the needs item score calculated from sentence 13 by a weight (e.g. 1.5 times).
  • the emotional change value is expressed as an integer, but the embodiment is not limited thereto.
  • the emotion change information may be expressed by a real number or a symbol instead of an integer.
  • the sales conversation analysis apparatus 100 may assign a high weight to a sentence or keyword generated in a section in which the absolute value of the emotional change is large.
  • the sales conversation analysis apparatus 100 may assign high importance to analysis information extracted from sentences or keywords having a high weight.
  • the sales conversation analysis apparatus 100 may preferentially display analysis information having high importance on a user interface.
  • the sales conversation analysis apparatus 100 may assign a high weight to a sentence or keyword generated in a section in which emotion change does not occur.
  • the sales conversation analysis apparatus 100 may semantically analyze a sentence or keyword, and may assign a high weight to a sentence or keyword having high importance based on the semantic analysis.
  • the sales conversation analysis apparatus 100 may extract analysis information for each business item.
  • the sales conversation analysis apparatus 100 may extract analysis information related to a customer's authority from sentences 1, 2, and 24 and keywords to which the authority tag is assigned in relation to the authority item.
  • the sales conversation analyzing apparatus 100 may calculate a score for each business item based on the analysis information for each business item.
  • the sales conversation analysis apparatus 100 may calculate a score for each business item based on at least one of an amount of analysis information for each business item and a content of the analysis information. For example, the sales conversation analysis apparatus 100 may calculate a relatively high score for a business item having a relatively rich amount of analysis information.
  • the sales conversation analysis apparatus 100 may calculate a relatively low score for a business item in which the amount of analysis information is relatively insufficient.
  • the sales conversation analysis apparatus 100 may calculate a relatively high score for a business item in which the content of the analysis information is relatively positive for the conclusion of a transaction.
  • the sales conversation analysis apparatus 100 may calculate a relatively low score for a business item in which the content of the analysis information is relatively negative for the conclusion of a transaction. As described above, the sales conversation analysis apparatus 100 may more systematically and accurately analyze the sales conversation by calculating evaluation scores for each of a plurality of business items. In addition, a quantitative analysis of sales conversation may be facilitated by the user checking the score for each business item.
  • the sales conversation analysis apparatus 100 may calculate a sales success probability based on evaluation scores for each of a plurality of business items. For example, the sales conversation analysis apparatus 100 may calculate a sales success probability based on the sum of evaluation scores for each of a plurality of business items. As another example, the sales conversation analysis apparatus 100 may assign different weights to evaluation scores for each of a plurality of business items and calculate the sum of the evaluation scores in consideration of the weights.
  • the sales conversation analysis apparatus 100 may calculate a sales success probability based on a distribution of evaluation scores for the items without calculating a sum of evaluation scores for each of a plurality of business items.
  • the sales conversation analysis apparatus 100 may increase the accuracy and reliability of calculation by calculating the sales success probability by using the correlation between the score distribution derived from the existing case analysis result and the sales success probability.
  • step S160 of FIG. 8 is a flow chart showing in more detail step S160 of FIG.
  • the sales conversation analysis apparatus 100 may extract at least one reference distribution identical to or similar to the score distribution calculated in step S150 from a previously stored reference table.
  • the reference table may store reference distributions created based on the result of case analysis, a sales success probability corresponding to each reference distribution, and the number of samples.
  • the number of samples may mean the number of samples for which a score distribution equal to the reference distribution is calculated among the speech analysis samples used in case analysis.
  • step S164 the sales conversation analysis apparatus 100 may load data corresponding to the extracted reference distribution from the reference table.
  • the sales conversation analysis apparatus 100 may load all data corresponding to the plurality of reference distributions.
  • step S166 the sales conversation analysis apparatus 100 may calculate a sales success probability based on data corresponding to the reference distribution.
  • FIG. 9 is a conceptual diagram illustrating a first embodiment of extracting a reference distribution and calculating a sales success probability.
  • the schema of the reference table shown in FIG. 9 is merely exemplary, and embodiments are not limited thereto.
  • the reference table may not include some of the columns shown in FIG. 9 or may further include other columns not shown in FIG. 9.
  • evaluation scores for each business item are expressed as integers, but embodiments are not limited thereto.
  • the evaluation score may be represented by a real number or symbol other than an integer.
  • the sales conversation analysis apparatus 100 has the same reference distribution as the score distribution (eg budget: 1, authority: 2, needs: 4, purchase time: 5, competitors: 3) calculated in step S150. Identification number 8) can be selected.
  • the sales conversation analysis apparatus 100 may select one reference distribution.
  • the sales conversation analysis apparatus 100 may further select a reference distribution similar to the score distribution as well as a reference distribution similar to the score distribution.
  • the sales conversation analysis apparatus 100 may check data corresponding to the reference distribution. For example, the sales conversation analysis apparatus 100 may determine whether the number of samples corresponding to the reference distribution is sufficient. When the number of samples corresponding to the reference distribution is insufficient, the sales conversation analysis apparatus 100 may not select the reference distribution because the reliability of the data is insufficient. As another example, the sales conversation analysis apparatus 100 may select a reference distribution by considering only a deviation between a reference distribution and a score distribution regardless of the number of samples.
  • the sales conversation analysis apparatus 100 may load data corresponding to the selected reference distribution and calculate a sales success probability based on the loaded data. For example, as shown in FIG. 10, when the sales conversation analysis apparatus 100 selects one reference distribution (eg identification number 8) identical to the score distribution, the sales conversation analysis apparatus 100 corresponds to the identification number 8 The probability of success of 0.78 can be determined as the probability of sales success.
  • one reference distribution eg identification number 8
  • the probability of success of 0.78 can be determined as the probability of sales success.
  • the perfect score for each business item is equally represented as 5 points, but the embodiment is not limited thereto.
  • the sales conversation analysis apparatus 100 may differently set a perfect score for each business item according to a category of a product or service to be sold.
  • the sales conversation analysis apparatus 100 may analyze data obtained in advance to determine the priority of business items for each category of a product or service to be sold, and may set a higher score perfect score for the business items having a higher priority. For example, when the weight of the'budget' item is large in whether the sales of a corresponding product or service is successful, the sales conversation analysis apparatus 100 may set the score perfect score of the'budget' item higher than 5 points. As another example, the sales conversation analysis apparatus 100 may set a weight for the score of the'budget' item to be higher than the score weight for other items. Therefore, sales conversation analysis can be performed by being optimized for a product or service to be sold.
  • FIG. 10 is a conceptual diagram showing a second embodiment of extracting a reference distribution and calculating a sales success probability. In describing the embodiment of FIG. 10, contents overlapping with FIG. 9 will be omitted.
  • the sales conversation analysis apparatus 100 has the same reference distribution as the score distribution (eg budget: 1, authority: 2, needs: 4, purchase time: 5, competitors: 3) calculated in step S150.
  • the data corresponding to the identification number 8) can be loaded.
  • the sales conversation analysis apparatus 100 may check the number of samples corresponding to the identification number 8.
  • the sales conversation analysis apparatus 100 may compare the number of samples with a reference number. When the number of samples is smaller than the reference number, the sales conversation analysis apparatus 100 may not select a reference distribution corresponding to the corresponding identification number.
  • the sales conversation analysis apparatus 100 selects a reference distribution (eg, identification number 15) having the smallest sum of the score distribution and the deviation (eg, the sum of the absolute values of the score deviation for each item) among the reference distributions having more samples than the reference number. You can choose.
  • the sales conversation analysis apparatus 100 may determine a success probability (e.g. 0.91) corresponding to the identification number 15 as the sales success probability.
  • FIG. 11 is a conceptual diagram showing a third embodiment of extracting a reference distribution and calculating a sales success probability. In describing the embodiment of FIG. 11, contents overlapping with FIGS. 9 and 10 are omitted.
  • the sales conversation analysis apparatus 100 has the same reference distribution as the score distribution (eg budget: 1, authority: 2, needs: 4, purchase time: 5, competitors: 3) calculated in step S150.
  • the data corresponding to the identification number 8) can be loaded.
  • the sales conversation analysis apparatus 100 may check the number of samples corresponding to the identification number 8.
  • the sales conversation analysis apparatus 100 may compare the number of samples with a reference number. When the number of samples is smaller than the reference number, the sales conversation analysis apparatus 100 may not select a reference distribution corresponding to the corresponding identification number.
  • the sales conversation analysis apparatus 100 may select a plurality of reference distributions in consideration of the sum of the deviations between the reference distribution and the score distribution (e.g. the sum of the absolute values of the score deviations for each item) and the number of samples. For example, the sales conversation analysis apparatus 100 may select reference distributions of identification numbers 15 and 16 having a sufficient number of samples while the sum of the deviations between the reference distribution and the score distribution is 2. In addition, although the sum of the deviations between the reference distribution and the score distribution is 3, the sales conversation analysis apparatus 100 may also select the reference distribution No. 17 with high reliability because the number of samples is relatively high.
  • the sales conversation analysis apparatus 100 may calculate an average value (e.g. 0.8) of success probability values corresponding to identification numbers 15, 16, and 17.
  • the sales conversation analysis apparatus 100 may determine the average value as a sales success probability.
  • the sales conversation analysis apparatus 100 may give different weights to each identification number in consideration of the reliability according to the number of samples and the sum of the deviations between the reference distribution and the score distribution.
  • the sales conversation analysis apparatus 100 may calculate a sales success probability by multiplying a success probability corresponding to each identification number by a weight, and adding or averaging values multiplied by the weight.
  • FIG. 12 is a flow chart showing a second embodiment of a sales conversation analysis method performed by the sales conversation analysis apparatus 100. In the description of the embodiment of FIG. 12, content overlapping with FIG. 5 will be omitted.
  • the sales conversation analysis apparatus 100 recommends at least one business item based on at least one of analysis information for each of a plurality of business items and an evaluation score for each of a plurality of business items.
  • the sales conversation analysis apparatus 100 may generate a recommendation query for a business item in which the amount of analysis information is insufficient.
  • the sales conversation analysis apparatus 100 may generate a recommendation query based on at least one of a sentence and a keyword corresponding to a business item in which the amount of analysis information is insufficient.
  • the sales conversation analysis apparatus 100 may generate a recommendation query for a business item having an evaluation score lower than a reference score.
  • the sales conversation analysis apparatus 100 may consider both the evaluation score and the amount of analysis information.
  • step S170 of FIG. 12 is a flow chart showing in more detail step S170 of FIG. 12.
  • the sales conversation analysis apparatus 100 may compare an evaluation score for each business item with a reference score.
  • the sales conversation analysis apparatus 100 may select an item whose evaluation score is lower than the reference score (e.g. 3 points) (e.g. budget and authority in the case of FIGS. 10 to 12).
  • the sales conversation analysis apparatus 100 may extract a reference sentence similar to the sentence extracted from the text in relation to the selected item from the reference DB.
  • the reference DB may store a plurality of preset reference sentences and a list of query statements corresponding to each reference sentence.
  • the reference sentence and the query list corresponding to the reference sentence may be prepared by a business expert, or may be prepared by a computing device that analyzes the business conversation.
  • the sales conversation analysis apparatus 100 may analyze a similarity or association between a sentence corresponding to a business item and reference sentences stored in a reference DB.
  • the sales conversation analysis apparatus 100 may analyze the similarity or correlation using an artificial neural network.
  • the sales conversation analysis apparatus 100 may analyze the similarity or association by calculating a feature distance between a sentence and reference sentences.
  • the sales conversation analysis apparatus 100 may generate a recommended query by using a query list corresponding to the reference sentence.
  • the sales conversation analysis apparatus 100 may correct a word that needs to be corrected in the query sentences included in the query sentence list.
  • FIG. 14 is a conceptual diagram showing a process of generating a recommendation query.
  • the apparatus 100 for analyzing a sales conversation may generate a recommendation query for an authorization item having an evaluation score less than a reference score.
  • the sales conversation analysis apparatus 100 may generate a recommended query for budget items.
  • the sales conversation analysis device 100 determines the similarity or association between the text related to the permission item (eg, "That's a matter that needs to be approved by the manager, so I told you,"), and the reference sentences corresponding to the permission item. Can be analyzed.
  • the sales conversation analysis apparatus 100 may load a query list corresponding to a reference sentence having a high degree of similarity or relevance (e.g. "I have a team leader separately").
  • the sales conversation analysis device 100 is recommended by modifying the words that need to be corrected (eg "Team Leader") in the query included in the query list by using information extracted from the sentence related to the permission item (eg "Manager"). You can create a query statement.
  • the business item may further include other items.
  • the business item may further include an item for a customer's question.
  • the sales conversation analysis apparatus 100 may assign a question or answer tag to at least some of the sentences.
  • the sales conversation analysis apparatus 100 may extract the number of customer questions from the text. That is, the analysis information related to the customer's question item may include information on the number of customer questions. Analysis information related to the customer's question item may further include information on unprocessed questions. Information on unprocessed questions may include contents of unprocessed questions and answers to unprocessed questions.
  • 15 is a conceptual diagram illustrating an exemplary process of generating analysis information and schedule data related to a customer's question item.
  • the sales conversation analysis apparatus 100 may extract information on a processing deadline for an unprocessed question from the answer content for the unprocessed question. For example, the sales conversation analysis apparatus 100 extracts the keyword "tomorrow" from the answer sentence to the unprocessed question, and based on this, the answer schedule information for the unprocessed question on the 27th, one day after the conversation day (eg 26th). Can be created. If the answer to the unprocessed question does not include the deadline for processing the unprocessed question, the sales conversation analysis device 100 generates schedule information (eg 28 days) by adding the default period (eg 2 days) from the time of the conversation. I can.
  • schedule information eg 28 days
  • the sales conversation analysis apparatus 100 may transmit the generated schedule information to the sales manager terminal 300.
  • the sales manager terminal 300 may update data of a schedule application using the received schedule information.
  • the sales manager terminal 300 may generate schedule data by itself and update the data of the schedule application.
  • 16 is a conceptual diagram illustrating an example of correcting a score for each business item based on an analysis of a customer's question.
  • the apparatus 100 for analyzing a sales conversation may classify customer questions in a conversation according to business items.
  • the sales conversation analysis apparatus 100 may analyze a keyword included in a customer's question.
  • the sales conversation analysis apparatus 100 may classify customer questions according to business items based on a keyword included in the customer's question and a semantic analysis result of the customer's question.
  • Table 1 exemplarily shows that customer questions are classified according to business items.
  • Example Q (budget) Can you tell how much per month the basic fees cost? Q (permission) Who should I ask for price discounts? Q (needs) Do you provide screenshots of monitoring screens when using AWS? Q (Purchase time) When will the service be ready? Q (competitors Is the A/S period shorter than that of Company A?
  • the sales conversation analysis apparatus 100 may calculate an evaluation score for a question corresponding to each item by analyzing a customer's question corresponding to each item. For example, the sales conversation analysis apparatus 100 may calculate an evaluation score for a question corresponding to each item by analyzing the number of customer questions corresponding to each item, keywords included in the question, and semantic content of the question. I can. As an example, if the number of customer questions about the needs item among business items is large, and the content of the question is positive for business, the sales conversation analysis apparatus 100 may calculate a customer's question score for the needs item relatively high. have. As another example, the sales conversation analysis apparatus 100 may calculate a low question score for the competitor item when the number of questions from the customer to the competitor is small or if the customer asks a question in a negative meaning to the competitor.
  • the sales conversation analysis apparatus 100 may correct the evaluation score of the conversation for each business item in consideration of the customer's question content for each business item. For example, the sales conversation analysis apparatus 100 may calculate a corrected score by multiplying an evaluation score for each business item before correction and a question evaluation score for each business item. For example, as shown in FIG. 16, for the authority item and the needs item having a good evaluation score for a question, a score after correction may be higher than a score before correction. On the other hand, for competitor items with a low evaluation score for a question, the score after correction may be lower than the score before correction. In the above example, a case of performing a multiplication operation in the process of correcting a score has been described, but the embodiment is not limited thereto. For example, the sales conversation analysis apparatus 100 may calculate a corrected score for each item by summing the evaluation score before correction and the question evaluation score. As described above, the sales conversation analysis apparatus 100 may further increase the accuracy of sales conversation analysis by correcting the evaluation score for each business item.
  • a sales conversation method and apparatus have been described with reference to FIGS. 1 to 16. According to at least one embodiment, it is possible to reduce labor and time required for sales conversation analysis by automating an analysis task for sales conversation. According to at least one embodiment, by extracting analysis information on a plurality of business items from the sales conversation voice information, an accurate and systematic analysis of the sales conversation may be possible. According to at least one embodiment, by calculating an evaluation score for each of a plurality of business items and calculating a sales success probability based on a distribution of the evaluation scores, a reliable quantitative analysis of a sales conversation may be possible. According to at least one embodiment, a sales success probability may be increased by generating a recommended query based on a sales conversation voice.
  • the methods according to the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination.
  • the program instructions recorded on the computer-readable medium may be specially designed and configured for the present invention, or may be known and usable to those skilled in computer software.
  • Examples of computer-readable media include hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
  • Examples of program instructions include not only machine language codes such as those produced by a compiler 1, but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • the above-described hardware device may be configured to operate as at least one software module to perform the operation of the present invention, and vice versa.

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
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 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; 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 가중치를 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 9에서는 비즈니스 항목별 점수의 만점 기준을 모두 동일하게 5점으로 나타냈지만 실시예가 이에 제한되는 것은 아니다. 일 예로, 세일즈 대화 분석 장치(100)는 세일즈 대상이 되는 상품 또는 서비스의 카테고리에 따라 비즈니스 항목별 점수의 만점 기준을 다르게 설정할 수 있다. 세일즈 대화 분석 장치(100)는 미리 확보된 데이터를 분석하여 세일즈 대상이 되는 상품 또는 서비스의 카테고리 별로 비즈니스 항목의 우선순위를 정하고, 우선순위가 높은 비즈니스 항목의 점수 만점 기준을 더 높게 설정할 수 있다. 예를 들어, 해당 상품 또는 서비스의 세일즈 성공 여부에 '예산'항목의 비중이 큰 경우, 세일즈 대화 분석 장치(100)는 '예산' 항목의 점수 만점 기준을 5점보다 더 높게 설정할 수 있다. 다른 예로 세일즈 대화 분석 장치(100)는 '예산' 항목의 점수에 대한 가중치를 다른 항목에 대한 점수 가중치보다 더 높게 설정할 수 있다. 따라서, 세일즈 대상이 되는 상품 또는 서비스에 최적화되어 세일즈 대화 분석이 이루어질 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.
예시문
Q(예산) 한달에 얼마 정도 비용이 기본 수수료로 나가는지 알 수 있을까요?
Q(권한) 가격 할인은 어느 분께 여쭤봐야 하나요?
Q(니즈) AWS를 사용하면 모니터링 화면 스크린샷 제공이 되나요?
Q(구매시기) 서비스는 언제 쯤 준비가 되나요?
Q(경쟁자 A/S 기간은 A사 보다 짧은 건가요?
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 (16)

  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.
  2. 제 1 항에 있어서,
    상기 복수의 비즈니스 항목 각각에 대한 평가 점수에 기초하여 세일즈 성공 확률을 계산하는 단계를 더 포함하는 세일즈 대화 분석 방법.
  3. 제 2 항에 있어서,
    상기 복수의 비즈니스 항목 각각에 대한 평가 점수가 나타내는 분포에 기초하여 세일즈 성공 확률을 계산하는 세일즈 대화 분석 방법.
  4. 제 3 항에 있어서,
    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 계산하는 세일즈 대화 분석 방법.
  5. 제 4 항에 있어서,
    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 계산하는 세일즈 대화 분석 방법.
  6. 제 1 항에 있어서,
    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 포함하는 세일즈 대화 분석 방법.
  7. 제 6 항에 있어서,
    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 생성하는 세일즈 대화 분석 방법.
  8. 제 1 항에 있어서,
    상기 복수의 비즈니스 항목은 고객의 예산, 고객의 권한, 고객의 니즈, 고객의 구매시기 및 세일즈 주체의 경쟁자에 대한 항목을 포함하는 세일즈 대화 지원 방법.
  9. 제 8 항에 있어서,
    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 산출하는 세일즈 대화 지원방법.
  10. 제 9 항에 있어서,
    상기 제1 내지 제5 점수가 나타내는 분포에 기초하여 세일즈 성공 확률을 계산하는 단계를 더 포함하는 세일즈 대화 분석 방법.
  11. 제 10 항에 있어서,
    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 생성하는 세일즈 대화 분석 방법.
  12. 제 11 항에 있어서,
    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 포함하는 세일즈 대화 분석 방법.
  13. 제 12 항에 있어서,
    상기 제6 정보는 미처리 된 고객의 질문에 대한 정보를 포함하고,
    상기 미처리 된 고객의 질문에 대한 알람 정보를 상기 세일즈 담당자의 스케줄 정보를 생성하는 단계를 더 포함하는 세일즈 대화 분석 방법.
  14. 제 12 항에 있어서,
    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 포함하는 세일즈 대화 분석 방법.
  15. 음성 인식 기반의 세일즈 대화 분석 장치에 있어서,
    타 장치와 통신을 수행하는 통신 인터페이스부;
    프로세서; 및
    상기 프로세서를 통해 실행되는 적어도 하나의 명령이 저장된 메모리를 포함하며,
    상기 적어도 하나의 명령은, 세일즈 담당자와 고객 사이의 세일즈 대화에 대한 음성 정보를 획득하고, 상기 음성 정보를 텍스트로 변환하고, 상기 텍스트로부터 복수의 비즈니스 항목 각각에 대응하는 키워드 및 문장 중 적어도 하나를 추출하고, 상기 키워드 및 문장 중 적어도 하나에 기초하여 복수의 비즈니스 항목 각각에 대한 분석 정보를 추출하고, 상기 복수의 비즈니스 항목 각각에 대한 분석 정보에 기초하여 상기 복수의 비즈니스 항목 각각에 대한 평가 점수를 산출하도록 수행되는 세일즈 대화 분석 장치.
  16. 컴퓨팅 장치의 하드웨어와 결합되어
    세일즈 담당자와 고객 사이의 세일즈 대화에 대한 음성 정보를 획득하는 프로세스; 상기 음성 정보를 텍스트로 변환하는 프로세스; 상기 텍스트로부터 복수의 비즈니스 항목 각각에 대응하는 키워드 및 문장 중 적어도 하나를 추출하는 프로세스; 상기 키워드 및 문장 중 적어도 하나에 기초하여 복수의 비즈니스 항목 각각에 대한 분석 정보를 추출하는 프로세스; 상기 복수의 비즈니스 항목 각각에 대한 분석 정보에 기초하여 상기 복수의 비즈니스 항목 각각에 대한 평가 점수를 산출하는 프로세스를 실행시키기 위해 매체에 저장된 컴퓨터 프로그램.
PCT/KR2020/009310 2019-07-16 2020-07-15 음성 인식 기반의 세일즈 대화 분석 방법 및 장치 WO2021010744A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CA3147634A CA3147634A1 (en) 2019-07-16 2020-07-15 Method and apparatus for analyzing sales conversation based on voice recognition
US17/575,653 US20220138770A1 (en) 2019-07-16 2022-01-14 Method and apparatus for analyzing sales conversation based on voice recognition

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190086037A KR102100214B1 (ko) 2019-07-16 2019-07-16 음성 인식 기반의 세일즈 대화 분석 방법 및 장치
KR10-2019-0086037 2019-07-16

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/575,653 Continuation US20220138770A1 (en) 2019-07-16 2022-01-14 Method and apparatus for analyzing sales conversation based on voice recognition

Publications (1)

Publication Number Publication Date
WO2021010744A1 true WO2021010744A1 (ko) 2021-01-21

Family

ID=70224691

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/009310 WO2021010744A1 (ko) 2019-07-16 2020-07-15 음성 인식 기반의 세일즈 대화 분석 방법 및 장치

Country Status (4)

Country Link
US (1) US20220138770A1 (ko)
KR (1) KR102100214B1 (ko)
CA (1) CA3147634A1 (ko)
WO (1) WO2021010744A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102100214B1 (ko) * 2019-07-16 2020-04-13 주식회사 제이케이엘컴퍼니 음성 인식 기반의 세일즈 대화 분석 방법 및 장치
KR102203890B1 (ko) * 2020-06-23 2021-01-15 주식회사 볼드코퍼레이션 통화 자동 관리 시스템 및 그 방법
KR102507810B1 (ko) * 2020-11-09 2023-03-10 주식회사 코난테크놀로지 인공지능을 이용한 음성 기반 세일즈 정보 추출 및 리드 추천방법과 이를 수행하는 데이터 분석장치
CN113591463B (zh) * 2021-07-30 2023-07-18 中国平安人寿保险股份有限公司 意图识别方法、装置、电子设备及存储介质
KR102605884B1 (ko) * 2022-10-18 2023-11-24 주식회사 포지큐브 고객 관심도 도출 방법 및 시스템

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002024704A (ja) * 2000-07-11 2002-01-25 Hitachi Ltd テレホンセールス支援方法、および、テレホンセールス支援システム
KR20150141279A (ko) * 2014-06-09 2015-12-18 삼성생명보험주식회사 고객 상담 의도를 예측하여 대응하기 위한 장치 및 컴퓨터-판독가능 매체
KR101623052B1 (ko) * 2012-01-18 2016-05-20 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 사용자 질의 처리 방법 및 시스템
KR20160059294A (ko) * 2014-11-18 2016-05-26 삼성생명보험주식회사 고객 컨설팅을 위한 컨설팅 정보 생성 방법, 장치 및 컴퓨터 프로그램
KR20180017342A (ko) * 2016-08-09 2018-02-21 주식회사 피노텍 머신러닝을 활용한 정해진 시나리오로 고객과 상담하는 로봇 자동 상담 방법 및 시스템
KR102100214B1 (ko) * 2019-07-16 2020-04-13 주식회사 제이케이엘컴퍼니 음성 인식 기반의 세일즈 대화 분석 방법 및 장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7676400B1 (en) * 2005-06-03 2010-03-09 Versata Development Group, Inc. Scoring recommendations and explanations with a probabilistic user model
US20070189520A1 (en) * 2006-01-10 2007-08-16 Utbk, Inc. Systems and Methods to Facilitate Transition from Communication to Commerce
US10229450B2 (en) * 2013-10-02 2019-03-12 Paypal, Inc. Generating sale transactions from voice data input by a user
US11475488B2 (en) * 2017-09-11 2022-10-18 Accenture Global Solutions Limited Dynamic scripts for tele-agents
US10891676B1 (en) * 2018-07-10 2021-01-12 Amazon Technologies, Inc. User interface for navigating related items

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002024704A (ja) * 2000-07-11 2002-01-25 Hitachi Ltd テレホンセールス支援方法、および、テレホンセールス支援システム
KR101623052B1 (ko) * 2012-01-18 2016-05-20 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 사용자 질의 처리 방법 및 시스템
KR20150141279A (ko) * 2014-06-09 2015-12-18 삼성생명보험주식회사 고객 상담 의도를 예측하여 대응하기 위한 장치 및 컴퓨터-판독가능 매체
KR20160059294A (ko) * 2014-11-18 2016-05-26 삼성생명보험주식회사 고객 컨설팅을 위한 컨설팅 정보 생성 방법, 장치 및 컴퓨터 프로그램
KR20180017342A (ko) * 2016-08-09 2018-02-21 주식회사 피노텍 머신러닝을 활용한 정해진 시나리오로 고객과 상담하는 로봇 자동 상담 방법 및 시스템
KR102100214B1 (ko) * 2019-07-16 2020-04-13 주식회사 제이케이엘컴퍼니 음성 인식 기반의 세일즈 대화 분석 방법 및 장치

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "JKL Company and Kakao Mobility alliance with corporate customer development", 11 June 2019 (2019-06-11), pages 1 - 5, XP055773278, Retrieved from the Internet <URL:http://www.dt.co.kr/contents.html?article_no=2019061102109923813016> *
GORYEO: "JKL Company develops corporate customers through business alliances with Kakao Mobility", 12 June 2019 (2019-06-12), pages 1 - 4, XP055773274, Retrieved from the Internet <URL:www.nbntv.co.kr/news/articleView.html?idxno=400068> *
HEO NAM-I: "JKL Company to develop corporate customers for Kakao Mobility", pages 1 - 6, XP055773283, Retrieved from the Internet <URL:https://news.mt.co.kr/mtview.php?no=2019061014094498060&type=1> *
JINWOO KIM: "JKL Company signed business alliance with Kakao Mobility", 13 June 2019 (2019-06-13), pages 1 - 3, XP055773271, Retrieved from the Internet <URL:http://www.speconomy.com/news/articleView.html?idxno=208868> *

Also Published As

Publication number Publication date
KR102100214B1 (ko) 2020-04-13
US20220138770A1 (en) 2022-05-05
CA3147634A1 (en) 2021-01-21

Similar Documents

Publication Publication Date Title
WO2021010744A1 (ko) 음성 인식 기반의 세일즈 대화 분석 방법 및 장치
WO2022095380A1 (zh) 基于ai的虚拟交互模型生成方法、装置、计算机设备及存储介质
US11450311B2 (en) System and methods for accent and dialect modification
US6484136B1 (en) Language model adaptation via network of similar users
Bahreini et al. Towards real-time speech emotion recognition for affective e-learning
US10839788B2 (en) Systems and methods for selecting accent and dialect based on context
US11082554B2 (en) Method for conversion and classification of data based on context
WO2021000497A1 (zh) 检索方法、装置、计算机设备和存储介质
WO2015005679A1 (ko) 음성 인식 방법, 장치 및 시스템
US20160110415A1 (en) Using question answering (qa) systems to identify answers and evidence of different medium types
US10861437B2 (en) Method and device for extracting factoid associated words from natural language sentences
KR20210028480A (ko) 인공지능기반 상담지원장치
WO2020256204A1 (ko) 텍스트의 내용 및 감정 분석에 기반한 답변 추천 시스템 및 방법
CN113094578A (zh) 基于深度学习的内容推荐方法、装置、设备及存储介质
CN111651497A (zh) 用户标签挖掘方法、装置、存储介质及电子设备
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
CN115292470B (zh) 一种用于小额贷款智能客服的语义匹配方法及系统
KR20200125526A (ko) 인공 신경망을 이용한 상담 서비스 품질 보증 방법과 상기 방법을 수행할 수 있는 컴퓨터 프로그램
CN114186040A (zh) 一种智能机器人客服的运作方法
US11960847B2 (en) Systems and methods for generating responses for an intelligent virtual
CN114186041A (zh) 一种答案输出方法
CN115623134A (zh) 会议音频处理方法、装置、设备及存储介质
US11704585B2 (en) System and method to determine outcome probability of an event based on videos
KR20210009266A (ko) 음성 인식 기반의 세일즈 대화 분석 방법 및 장치
Apturkar et al. Sentiment analysis of speech with application to various languages

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20839613

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 3147634

Country of ref document: CA

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20839613

Country of ref document: EP

Kind code of ref document: A1