[论文解读] 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 24

一句话总结

本文提出了一种数据挖掘框架，利用一家大型保险公司呼叫中心的性能指标来预测服务品质。该研究评估了六种技术——线性神经网络、多层神经网络、概率神经网络、决策树、支持向量机以及一种混合树-神经网络模型，结果表明混合方法在准确性和输入敏感性分析方面优于其他方法，为性能改进提供了可操作的见解。

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.

研究动机与目标

• 评估并比较多种数据挖掘技术在预测呼叫中心服务品质方面的性能。
• 分析预测模型对输入性能指标的敏感性，以理解运营指标与服务结果之间的关系。
• 识别对服务品质预测影响最大的关键绩效指标。
• 支持基于数据的决策，以改善呼叫中心运营。
• 开发一种稳健且可解释的模型，用于现实世界中的呼叫中心绩效监控。

提出的方法

• 本研究使用来自一家大型保险公司呼叫中心的真实性能数据。
• 应用了六种数据挖掘技术：线性神经网络、多层感知机、概率神经网络、分类与回归树、支持向量机，以及一种混合决策树-神经网络模型。
• 利用历史呼叫中心指标（如通话处理时间、放弃率和服务水平）对模型进行训练和验证。
• 基于预测准确性和输入敏感性分析评估模型性能。
• 输入敏感性分析识别出对输出预测影响最大的性能变量。
• 混合模型结合了决策树的可解释性与神经网络的学习能力，以提升准确性。

实验结果

研究问题

• RQ1 哪种数据挖掘技术在预测呼叫中心服务品质方面准确度最高？
• RQ2 不同模型对输入性能指标变化的响应如何？
• RQ3 哪些绩效指标对预测服务结果最敏感且最具影响力？
• RQ4 混合模型是否能在保持可解释性的同时提高预测准确度？
• RQ5 从输入敏感性分析中可获得哪些见解，以指导运营改进？

主要发现

• 混合决策树-神经网络模型在所有评估技术中实现了最高的预测准确度。
• 输入敏感性分析表明，通话放弃率和服务水平是影响服务品质的最关键预测因子。
• 支持向量机和多层感知机表现良好，但其可解释性不如混合模型。
• 概率神经网络和线性模型在该数据集上表现较差，表明其在捕捉复杂关系方面存在局限。
• 分类与回归树提供了良好的可解释性，但准确度低于基于神经网络的模型。
• 本研究证实，将模型的可解释性与预测能力相结合，可显著提升其在现实世界呼叫中心管理中的实际应用价值。