Text Mining aplicado em sistemas de atendimento on-line
Transferir como PPTX, PDF0 gostou593 visualizações
O documento discute a aplicação de text mining em sistemas de atendimento on-line para melhorar a classificação de chamados e sugerir soluções. O sistema propõe usar processamento de linguagem natural nos registros de atendimento para alimentar uma base de conhecimento e permitir que o atendente consulte soluções similares. O documento descreve o processo de knowledge discovery in texts aplicado, incluindo pré-processamento, clustering com K-means e interpretação dos resultados.
Text Mining aplicado em sistemas de atendimento on-line
- 1. TEXT MINING APLICADO EM SISTEMAS DE ATENDIMENTO ON-LINE
- 2. Universidade Federal de Santa Catarina Bacharelado em Sistemas de Informação TEXT MINING APLICADO EM SISTEMAS DE ATENDIMENTO ON-LINE Aline Tereze Marchi Marcos Antonio Ferreira Domingues Orientador: Frank Siqueira 04 novembro de 2008
- 3. Contextualização » Os negócios on-line tem tido um crescimento significativo de 2006 para 2007. Levando o percentual de empresas que possuem acesso a Internet e já realizaram negócios on-line de 52% para 64% (*). » Cerca 10% das pessoas que efetuaram negociações on-line tiveram problemas/dúvidas ao adquirir produtos pela Internet (*). » Diversidade de aplicações que oferecem chats para atendimento em tempo real e/ou a abertura de chamados. » Qualidade da classificação conhecimento do atendente. depende muito do nível de » Registro dos atendimentos geralmente não é aproveitado (processado) para facilitar a resolução de problemas semelhantes. (*)Segundo CETIC.BR
- 4. CRM » “Uma definição ampla de CRM incluiria todas as atividades que transformam clientes eventuais em clientes leais, satisfazendo ou excedendo as exigências deles” Ronald Swift (2001). » “As comunicações devem ser de mão dupla, integradas, registradas e gerenciadas. Sem dados históricos, transações detalhadas, comunicações focalizadas (...) um relacionamento não pode ser efetivamente mantido.” » Atualmente, estamos vivenciando a valorização de ferramentas de fácil utilização e que trazem grandes benefícios aos usuários.
- 5. Proposta » Proporcionar diferencial no atendimento de chamados e ocorrências, atuando na retenção do cliente, sobretudo em plataformas B2C. » Tendo como característica o aproveitamento do resultado do trabalho operacional na alimentação de base de conhecimento. » Atuação proativa na classificação dos atendimentos e sugestões de soluções. » Criação de uma arquitetura genérica que independa do ramo de negócio.
- 6. Sistema de atendimentos on-line Ocorrências Usuário BD Oocorrências Importação das conversas Transformação BD Problemas X Soluções Chat Busca de soluções compatíveis Atendente Preparação dos dados Mineração
- 7. Sistema de atendimentos on-line
- 8. Sistema de atendimentos on-line » Módulo operacional com finalidade de prover o gerenciamento de atendimentos a serem reaproveitados pelo módulo analítico. » Sistema Web desenvolvido utilizando C#, JavaScript, AJAX, banco de dados SQL Server 2005, entre outros. » Aplicação do processo de KDT. » Proporcionar a conversação e sugestão de consultas ao atendente.
- 9. Sistema de atendimentos on-line
- 10. Sistema de atendimentos on-line » Dependendo do horário (pré-fixado) encaminha o cliente à abertura de um chamado ou à conversação on-line. » Na abertura de chamados o cliente informa o problema ocorrido, informação base para a classificação. » Implementação de fila de atendimentos, porém permite liberdade ao atendente. » O início do chat depende do atendimento atendente, visando garantia de resposta.. pelo
- 11. Chat – Sugestão de soluções » Atuação proativa, através da consulta na base de soluções, utilizando palavras-chave digitadas pelo atendente e cliente na consulta por problemas semelhantes. » Desconsideração das stop words. » Registro de conversações para re-alimentação.
- 12. Processo de KDT » O KDT (Knowledge Discovery in Texts) consiste em algumas etapas: Seleção da informação Préprocessamento Transformação Mineração Interpretação
- 13. Seleção e Pré-processamento » Generalização das formas CHAT e OCORRENCIA para ATENDIMENTO. » Remoção de stopwords. » Tokenização com BrazilianAnalyzer (Lucene). » Utilização de steeming.
- 14. K-Means » A intenção do K-Means é gerar vários subconjuntos a partir de um conjunto de dados, de modo que a similaridade intra-grupo seja maior que a inter-grupos. » Baseado em cálculo de distância relativa. » Implementação utilizada é opensource, disponibilizada no fórum KDKeys.net e recebe como entrada uma matriz de double.
- 15. Transformação e Mineração » Para viabilizar a utilização do K-Means foi aplicada uma abordagem de palavras-chave, eleitas por um especialista no negócio. » Essas são pesquisadas na base, registrando o número de ocorrências de cada palavra-chave em cada atendimento. » Como resultado obtém-se uma matriz de Atendimentos x Keywords, que será a fonte de dados do K-Means.
- 17. Interpretação » Após os clusters gerados, pode-se verificar a correlação entre os Atendimentos atribuídos a um mesmo grupo. Cluster C12 C12 C12 Atendimento Falei com a sueli do departamento juridico,renovei por mais 1 ano. MODULO I E III,POR R$100,00 VIGENCIA DO CONTRATO:ANUAL PERIODO:01/04/2008 A 31/03/2009 MENSAL 01 10 SUB FECHEI COM ELAINE MÓDULOS I,II,III,IV R$100,00 CADA VIGENCIA ANUAL PERIODO 01/05/2008 A 30/04/2009 LANÇ. 20 VENC.30 MÊS ATUAL Cliente:1459 PREFEITURA MUNICIPAL DE CHAVANTES Renovei com o Toninho(Antônio Lopes) Modulos I,II,III,IV 100,00 cada um e Modulo IX 250,00 Emisão:20 Venc:30 Vigencia:7 meses.(mensal) Periodo:01/05/2008 a 31/12/2008 Tokens em comum assinaturas, módulos, vigência assinaturas, módulos, vigência assinaturas, módulos, vigência
- 21. Demonstração
- 22. Conclusões » Os resultados obtidos com a implementação do sistema foram satisfatórios. » A implementação da ferramenta mostrou que a proposta tem possibilidades de agregar valor ao negócio, seja qual for o ramo tratado nos atendimentos. » O desempenho do K-Means com a abordagem de palavras-chave foi bom, gerando grupos concisos, que, com uma análise rápida já demonstram grande semelhanças.
- 23. Trabalhos futuros » Criação de relatórios análise, como o Apriori. com » Criação de sinônimos chave, proporcionando um semântico. outros algoritmos de para as palavrasmelhor aproveitamento » Análise dos chamados reabertos buscando identificar soluções incompletas e/ou erradas.
- 24. OBRIGADO
- 25. Universidade Federal de Santa Catarina Bacharelado em Sistemas de Informação TEXT MINING APLICADO EM SISTEMAS DE ATENDIMENTO ON-LINE Aline Tereze Marchi Marcos Antonio Ferreira Domingues Orientador: Frank Siqueira 04 novembro de 2008