[論文レビュー] Data Mining Approach for Analyzing Call Center Performance

Marcin Paprzycki, Ajith Abraham+1 more|ArXiv.org|May 5, 2004

Data Mining Algorithms and Applications参考文献 8被引用数 24

ひとこと要約

本論文は、大手保険会社のパフォーマンスメトリクスを用いてコールセンターサービス品質を予測するためのデータマイニングフレームワークを提案する。6つの手法—線形および多層ニューラルネットワーク、確率的ニューラルネットワーク、意思決定木、サポートベクターマシン、およびハイブリッドツリー・ニューラルモデル—を評価し、ハイブリッド手法が精度および入力感受性分析において他の手法を上回ることを示し、パフォーマンス向上に向けた実行可能なインサイトを提供する。

ABSTRACT

The aim of our research was to apply well-known data mining techniques (such as linear neural networks, multi-layered perceptrons, probabilistic neural networks, classification and regression trees, support vector machines and finally a hybrid decision tree neural network approach) to the problem of predicting the quality of service in call centers; based on the performance data actually collected in a call center of a large insurance company. Our aim was two-fold. First, to compare the performance of models built using the above-mentioned techniques and, second, to analyze the characteristics of the input sensitivity in order to better understand the relationship between the perform-ance evaluation process and the actual performance and in this way help improve the performance of call centers. In this paper we summarize our findings.

研究の動機と目的

• 複数のデータマイニング手法がコールセンターサービス品質を予測する性能を評価および比較すること。
• 予測モデルの入力感受性を分析し、運用メトリクスとサービス成果の関係を理解すること。
• サービス品質予測に最も影響を与える重要なパフォーマンス指標を特定すること。
• コールセンターオペレーションの改善を支援するデータドリブン意思決定を促進すること。
• 実世界のコールセンターパフォーマンス監視に適した堅牢で解釈可能なモデルを開発すること。

提案手法

• 本研究では、大手保険会社のコールセンターから収集された実際のパフォーマンスデータを用いる。
• 6つのデータマイニング手法を適用する：線形ニューラルネットワーク、多層パーセプトロン、確率的ニューラルネットワーク、分類および回帰木、サポートベクターマシン、およびハイブリッド意思決定木－ニューラルネットワークモデル。
• モデルは、コール処理時間、放棄率、サービスレベルなどの歴史的コールセンターメトリクスを用いて訓練および検証する。
• モデルのパフォーマンスは、予測精度および入力感受性分析に基づいて評価する。
• 入力感受性分析により、出力予測に最も影響を与えるパフォーマンス変数を同定する。
• ハイブリッドモデルは、解釈可能性を提供する意思決定木構造と、精度を高めるニューラルネットワーク学習を組み合わせる。

実験結果

リサーチクエスチョン

• RQ1 どのデータマイニング手法がコールセンターサービス品質の予測において最も高い精度を達成するか？
• RQ2 異なるモデルは、入力パフォーマンスメトリクスの変動に対してどのように反応するか？
• RQ3 どのパフォーマンス指標がサービス成果の予測において最も感受性が高く、影響力があるか？
• RQ4 ハイブリッドモデルは、解釈可能性を維持しながら予測精度を向上させることができるか？
• RQ5 入力感受性分析から得られるインサイトは、運用改善を導くためにどのように活用できるか？

主な発見

• ハイブリッド意思決定木－ニューラルネットワークモデルが、評価されたすべての手法の中で予測精度が最も高かった。
• 入力感受性分析の結果、コール放棄率とサービスレベルが、サービス品質の予測に最も影響を与える要因であることが判明した。
• サポートベクターマシンと多層パーセプトロンは良好なパフォーマンスを示したが、ハイブリッドモデルほど解釈性に優れていなかった。
• 確率的ニューラルネットワークと線形モデルは、このデータセットでは効果が低かったことから、複雑な関係を捉える能力に限界があることが示された。
• 分類および回帰木は、良好な解釈性を備えていたが、ニューラルネットワークベースのモデルに比べて精度が低かった。
• 本研究は、解釈可能性と予測力の両方を組み合わせることで、実世界のコールセンターマネジメントにおける実用的価値が向上することを確認した。