1 / 19

Using Data Mining Technique to Classify Customers and Agents of a Contact Center

Using Data Mining Technique to Classify Customers and Agents of a Contact Center. 授課教授：陳茂生 博士 學生：蕭維承. Outline. Introduction to K-means Introduction to Perceptron Case study (contact center) Conclusion Discussion. Introduction to K-means. 1. 隨意選 K 種子點 ( 以三點為例 )

trey
Download Presentation

Using Data Mining Technique to Classify Customers and Agents of a Contact Center

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Using Data Mining Technique to Classify Customers and Agents of a Contact Center 授課教授：陳茂生 博士 學生：蕭維承

  2. Outline • Introduction to K-means • Introduction to Perceptron • Case study (contact center) • Conclusion • Discussion

  3. Introduction to K-means 1.隨意選K種子點(以三點為例) 2.利用三種子點所構成的三角形三個邊上的中線劃分出三群 3.找出每群的新質心點 4.利用新質心點所構成的三角形三個邊上的中線重新分出三群 5.重複3,4步驟直到樣本不必再重新分配為止

  4. Introduction to K-means-example

  5. Introduction to K-means-評估方法

  6. Introduction to K-means-評估方法

  7. Introduction to K-means-K值的挑選

  8. Introduction to Perceptron 1.以隨機亂數產生初始權重矩陣W 2.輸入訓練向量X 3.計算處理單元之淨輸入值net net= 4.if net>0, 則O=F (net)=1 if net<=0,則O=F (net)=0 5.計算誤差項δ=T-O, T為目標輸出 6.計算修正量△Wi=nδXi 7.更新權重Winew =Wiold+ △Wi 8.重複2-7,直到收斂

  9. Introduction to Perceptron-example

  10. Introduction to Perceptron-example • 以第一範例為例 • 起始權重: • W1=1 • W2=-1 • 且Θ=0，學習率n=0.1 • Net=(1)(-1)+(-1)(-1)-0=0 • 所以O=0 • δ=T-O=0 • △W1=nδX1=(0.1)(0)(-1)=0 △W2=nδX2=(0.1)(0)(-1)=0

  11. Introduction to Perceptron-example -0.1 0.1

  12. Introduction to Perceptron-example • W1new =1.0-0.1=0.9 • W2new =-1.0+0.1=-0.9 • 衡量方法1：令 =y • N1=輸入個數 • N2=輸出個數 • 衡量方式2：總錯率=誤分類範例總數/範例總數

  13. Case Study- Contact Center • 顧客滿意指標(權重由類神經網路訓練) • 顧客來電的評量分數 • 首次互動解決率 • 回覆速度 • 來電放棄率 • 平均處理時間 • 服務水準 • 忙線率 • 等待時間

  14. Case Study- Contact Center • 客服人員績效指標(權重由管理者指定) • 顧客來電的評量分數 • 首次互動解決率 • 回覆速度 • 平均處理時間

  15. Case Study- Contact Center • 問卷調查-顧客滿意度評比 • 非常滿意：8~10 • 滿意：6~8 • 中等：4~6 • 不滿意：2~4 • 非常不滿意：0~2

  16. Case Study- Contact Center • 顧客滿意指標權重產生流程 • 隨機產生權重值，但因為挑選的指標均與顧客滿意度有正相關，所以權重值介於0~1之間 • 輸入訓練向量X，且輸入值介於0~10之間 • 計算net= ，其中當問卷中填寫非常滿意，則將Θ值定為9，其他類推 • 計算△Wi， △Wi=n*(net)*(Θ-Xi) • 更新權重Winew =Wiold+ △Wi • Repeat

  17. Conclusion • 紀錄平常的資料，並藉由此方法可以得知每一通客服電話中，顧客的滿意程度 • 藉由K-means可以找出應該將客戶分為幾種類別，並且得之目標顧客群所佔的比例以及是哪些客戶，以利進行更多後續行銷

  18. Discussion • 這篇文章並沒有比較neural network與統計方法之間的優劣點 • Neural network內有許多的方法，這篇文章也沒有點出位何會使用perceptron，而非其他的方法 • 上述兩點算是這篇文章較為不足的地方，也可以是未來可以深入探討的議題

  19. Reference • 劉志剛，2003，「以資料分析技術評估顧客服務管理之績效」，國立清華大學工業工程與工程管理碩士論文。 • Kanungo, t., Mount, D. M., Netanyahu, 2002, “An Efficient k-Means Clustering Algorithm: Analysis and Implementation,” IEEE, 24(7), pp. 881-892 • Gurney, K,「An introduction to neural networks 」 , London :UCL Press,1997

More Related