Cómo puntúa el modelo de IA a los agentes para el enrutamiento predictivo
El enrutamiento predictivo de Genesys utiliza la inteligencia artificial (IA) para dirigir las interacciones al mejor agente. La puntuación del agente derivada del enrutamiento predictivo se basa en un conjunto diverso de puntos de datos que incluyen el nivel de habilidad de los agentes, el historial de contactos de un cliente y el rendimiento de un agente en un momento determinado del día. Puede interpretar mejor estos datos y cómo influyen en las decisiones de encaminamiento si comprende el concepto de explicabilidad.
¿Qué es la explicabilidad y por qué es importante?
La explicabilidad es la capacidad de explicar los fundamentos de las decisiones basadas en la IA a usuarios no técnicos. La explicabilidad ayuda a las organizaciones a cumplir con las obligaciones morales y legales de los datos que procesan. Al utilizar los datos disponibles, la explicabilidad ayuda a aliviar los temores de un mal uso de los datos y una introducción de sesgos al utilizar los datos disponibles. Para ello, ofrece transparencia sobre los datos o las características utilizadas por el modelo de IA y la importancia de dichas características.
¿Qué significa la importancia de las características en el proceso de toma de decisiones?
La importancia de las características es una puntuación de las características de entrada basada en su utilidad para predecir la variable objetivo. Aunque la importancia de los rasgos indica los datos que más influyen en las decisiones, no indica necesariamente que los datos hayan causado la decisión. Por ejemplo, tiene dos características de entrada para predecir la temperatura en un día determinado: el mes del año y la temperatura del día anterior. Si tiene acceso a ambas entradas, la predicción de la temperatura de hoy será precisa con una desviación de sólo +/- 1 grado. Si el único dato que se tiene es la temperatura del día anterior, la predicción podría estar dentro de +/- 2 grados. Sin embargo, si el único dato que se utiliza es el mes, es posible que sólo se pueda predecir la temperatura dentro de un rango de +/- 4 grados.
Por lo tanto, la importancia de la temperatura del día anterior como característica de entrada es mayor que la importancia del mes, porque de forma aislada ayuda a proporcionar una mejor predicción en relación con otras entradas.
¿La correlación implica causalidad?
La correlación no implica causalidad. Aunque el valor de ciertas características puede ayudar a predecir un resultado, no se puede asumir que hayan causado un resultado concreto. Las ventas de helados y la incidencia de las quemaduras solares están altamente correlacionadas; cuando las ventas de helados son altas, podemos predecir una alta incidencia de quemaduras solares. Sin embargo, no se deduce que los helados hagan que la gente se queme con el sol, ni que la prohibición de los helados erradique las quemaduras solares. Por lo tanto, no debemos suponer que el intento de cambiar el valor de una característica importante afecta a otras métricas.
¿Por qué la explicabilidad en el enrutamiento predictivo?
El enrutamiento predictivo utiliza modelos de aprendizaje automático para puntuar a los agentes que podrían gestionar una interacción de forma más eficaz. Para realizar la puntuación, el modelo utiliza características creadas a partir de varias fuentes internas, como los datos del perfil de los agentes, los datos agregados de los clientes y los datos históricos de interacción.
Con la explicabilidad, el enrutamiento predictivo intenta desentrañar los factores que influyeron en la puntuación del agente. Esto ayuda a las partes interesadas, como administradores, supervisores, propietarios de negocios, científicos de datos y consultores de soluciones, a entender los datos que se están utilizando en las decisiones asistidas por la IA.
Para entender mejor la explicabilidad, como ejemplo, usted ve que las interacciones se dirigen regularmente a un grupo específico de agentes y decide investigar las razones que hay detrás. Supongamos que el KPI que ha establecido para sus colas es el tiempo medio de gestión, y observa que para el modelo predictivo de esa cola, una de las características más importantes es el tiempo de trabajo después de la llamada (ACW). A partir de los rasgos de explicabilidad, entendemos que se predice que los agentes que menos tiempo dedican a ACW son los que menos tiempo de manejo tienen y, por lo tanto, se clasifican en una posición alta.
¿Dónde puedo ver la explicabilidad en Genesys Cloud?
Cada cola en la que está activo el enrutamiento predictivo tiene su propio modelo predictivo. Para cada modelo, la explicabilidad separa las características de puntuación de los agentes en tres grupos: características de los agentes, características de los clientes y otras características. Las características que influyeron en la puntuación del agente con respecto al conjunto de KPI se enumeran en orden descendente de importancia.
Además de la información relacionada con las características, la página del modelo predictivo también proporciona información sobre la fecha en que el modelo fue entrenado por última vez. Para obtener más información sobre la interpretación de la importancia de las características, consulte Ver las características que influyeron en las decisiones de enrutamiento predictivo.
La página del Modelo Predictivo proporciona una división por características como la siguiente:
¿Cómo se pueden cambiar las decisiones de la IA en función de los datos actuales de explicabilidad?
El enrutamiento predictivo utiliza los datos que están disponibles en la plataforma Genesys Cloud para entrenar los modelos. Aunque la mayoría de los datos utilizados en los modelos no pueden modificarse, hay algunas características opcionales que pueden rellenarse para mejorar las predicciones. Para más información, consulte Requisitos de datos para el enrutamiento predictivo.
