Call centre calls routing automation using deep learning

New technologies have been developed in the last decades to support companies to address customer needs; those technologies represent new communication channel other than the traditional phone call. Social network and emails are overcoming the interaction with call centres, but a direct contact with someone who represents the company is usually preferred. Smart routing solutions help improving call centres efficiency and «customers satisfaction». The goal of this thesis is to study and develop a Deep Learning model to provide useful information aimed at the identification of a suitable outbound agent for customer support. This project has been designed using real word transcribed phone call conversation provided by a media company. For this reason, we focus on the identification phase solvable as text categorization. We divided our studies into feature extraction phase and text categorization applying machine learning algorithm to the previously extracted features. We start by proposing combinations of feature extraction algorithm and machine learning method; then we suggest a deep learning architecture made of neural networks that take the raw text as input and efficiently classifies conversations. Finally, we compare proposed solutions according to mathematical performance metrics making a comparison with commercial solutions we identified as market leaders in this field, picturing KPIs improvement applying our model to real word context.

Negli ultimi decenni sono state sviluppate nuove tecnologie per supportare le aziende a soddisfare le esigenze dei clienti, queste tecnologie rappresentano un nuovi canale di comunicazione che vanno a sostituire la più classica chiamata telefonica. I social network e le e-mail stanno sormontando l’interazione con i call center, i clienti però preferiscono parlare direttamente qualcuno che rappresenta la società. Soluzioni di Smart Routing aiutano i call centres migliorandone le performance e soddisfazione del cliente. L'obiettivo di questa tesi è quello di studiare e sviluppare un modello di Deep Learning per allo scopo di identificare un possibile operatore per il supporto del cliente. Questo progetto è stato sviluppato utilizzando una trascrizionioni di conversazioni telefoniche forniteci da una società di media. Per questo motivo ci concentriamo sulla fase di identificazione delle feature e categorizzazione delle conversazioni. Abbiamo suddiviso il nostro studio in fase di estrazione delle feature e nella classificazione dei testi applicando l'algoritmi di machine learning alle feature precedentemente estratte. Mostreremo inizialemente combinazioni di algoritmi di feature extraction e algoritmi di machine learning per la classificazione; proponiamo inoltre un'architettura di deep learning composta da reti neurali che utilizzando le conversazioni come input esegue una classificazione efficiente del testo. Infine, eseguiremo una comparazione delle soluzione proposte utilizzando metriche di performance matematiche, compareremo inoltre con le soluzioni commerciali che abbiamo identificato come leader di mercato nel settore dello Smart routing, ipotizzando miglioramenti di KPIs applicando il nostro modello a un contesto reale.