Text Mining aplicado em sistemas de atendimento on-line

TEXT MINING APLICADO EM

SISTEMAS DE ATENDIMENTO ON-LINE

Universidade Federal de Santa CatarinaBacharelado em Sistemas de Informação

Aline Tereze MarchiMarcos Antonio Ferreira DominguesOrientador: Frank Siqueira

04 novembro de 2008



Contextualização

» Os negócios on-line tem tido um crescimento significativo de 2006para 2007. Levando o percentual de empresas que possuem acessoa Internet e já realizaram negócios on-line de 52% para 64% (*).

» Cerca 10% das pessoas que efetuaram negociações on-line tiveramproblemas/dúvidas ao adquirir produtos pela Internet (*).

» Diversidade de aplicações que oferecem chats para atendimento emtempo real e/ou a abertura de chamados.

» Qualidade da classificação depende muito do nível deconhecimento do atendente.

» Registro dos atendimentos geralmente não é aproveitado(processado) para facilitar a resolução de problemas semelhantes.

(*)Segundo CETIC.BR

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.

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.

Sistema de atendimentos on-line

BD

Oocorrências

ChatChat

OcorrênciasOcorrências

Preparação dos

dados

BD

Problemas

X

Soluções

Transformação

Mineração

Atendente

Usuário

Importação

das

conversas

Busca de

soluções

compatíveis

» 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.


» 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 pelo

atendente, visando garantia de resposta..


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.

Processo de KDT

» O KDT (Knowledge Discovery in Texts) consiste em

algumas etapas:

Seleção da informação

Pré-processamento

Transformação Mineração Interpretação

Seleção e Pré-processamento

» Generalização das

formas CHAT e

OCORRENCIA para

ATENDIMENTO.

» Remoção de

stopwords.

» Tokenização com

BrazilianAnalyzer

(Lucene).

» Utilização de

steeming.

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 open-

source, disponibilizada no fórum KDKeys.net e

recebe como entrada uma matriz de double.

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.

Transformação e Mineração

Interpretação

» Após os clusters gerados, pode-se verificar a correlação

entre os Atendimentos atribuídos a um mesmo grupo.

Cluster Atendimento Tokens em comum

C12

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

assinaturas, módulos,

vigência

C12

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


vigência

C12

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


vigência

Modelo dimensional

Diagrama de classes

Demonstração

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.

Trabalhos futuros

» Criação de relatórios com outros algoritmos de

análise, como o Apriori.

» Criação de sinônimos para as palavras-

chave, proporcionando um melhor aproveitamento

semântico.

» Análise dos chamados reabertos buscando identificar

soluções incompletas e/ou erradas.

OBRIGADO

Universidade Federal de Santa CatarinaBacharelado em Sistemas de Informação

Aline Tereze MarchiMarcos Antonio Ferreira DominguesOrientador: Frank Siqueira

04 novembro de 2008



Text Mining aplicado em sistemas de atendimento on-line

Documents

Transcript of Text Mining aplicado em sistemas de atendimento on-line