Excedente de interacción: Característica próximamente

Este artículo recopila información detallada sobre cómo funciona el enrutamiento predictivo en escenarios específicos. Para obtener más información sobre los datos necesarios para optimizar el enrutamiento predictivo, consulte Requisitos de datos para el enrutamiento predictivo. 

El enrutamiento predictivo puntúa a los agentes que podrían manejar una interacción mediante un modelo de aprendizaje automático. El aprendizaje automático es eficaz para identificar patrones. En este caso, los patrones identifican a los agentes que manejan con mayor eficacia ciertos tipos de interacciones.

Cuando se activa el enrutamiento predictivo en una cola, se crea un modelo utilizando varias fuentes de datos, incluidos los datos del perfil de los agentes, los datos agregados de los clientes (como, por ejemplo, si se trata de una llamada repetida) y los datos históricos de interacción.  Cuando se ofrece una interacción a la cola, se asigna de la siguiente manera:

  1. Cuando llega una interacción a esa cola, el enrutamiento predictivo crea una lista de todos los agentes en la cola. Recupera datos sobre el cliente y cada agente disponible. El enrutamiento predictivo no considera el estado del enrutamiento en este punto.
  2. Filtra la lista para las habilidades lingüísticas del agente y las habilidades ACD no lingüísticas (si Skill matching está activado). 
  3. Utiliza el modelo para procesar datos de agentes y clientes en tiempo real y devuelve una clasificación para cada agente disponible. Esta clasificación representa los agentes que el enrutamiento predictivo espera tener el impacto más positivo en el KPI objetivo al manejar esa interacción específica. El agente con la puntuación más alta ocupa el primer lugar.
    Nota:  Si la cantidad de agentes disponibles en una cola es tres o menos, Genesys Cloud no califica a los agentes. Enruta las interacciones utilizando el método de enrutamiento estándar.
  4. Antes de que se agote el tiempo de enrutamiento predictivo (configurado en la página de detalles de la cola), la selección de agentes se realiza de forma diferente en función del número de interacciones que esperan en la cola:
    1. Excedente de agentes - Cuando llega una interacción, Genesys Cloud calcula la puntuación predictiva de los agentes disponibles. Clasifica a todos los agentes combinando el tiempo transcurrido desde la última interacción con su puntuación predictiva, y luego asigna la interacción al agente mejor clasificado. Si los agentes de mayor rango no están disponibles, el sistema ampliará gradualmente el conjunto de agentes objetivo, añadiendo agentes de menor rango.  Este proceso continúa hasta que se encuentra un agente, o hasta que el enrutamiento predictivo se agota. 
    2. Interaction surplus – When an agent becomes available, on queues that have predictive routing enabled, Genesys Cloud calculates the predictive score of the agent for each of the interactions waiting in addition to the interaction arrival time and priority . It ranks all interactions by combining their waiting time with the predictive score, and then assigns the agent to the highest-ranked interaction. This means that if an agent is predicted to perform better with one customer than another, then predictive routing will bias the assignment of the interaction towards the customer with whom the agent is predicted to perform better.  This ensures the best utilization of the available agent during times of conversation surplus thereby resulting in optimization of KPIs.

      For example, if interaction 3 (wait time 35 seconds) ranks above interaction 1 (wait time 42 seconds), the available agent is assigned to interaction 3. However, when the interaction ranking is the same for more than one interaction, Genesys Cloud assigns the agent to the interaction with the highest wait time. 

      1. If Genesys Cloud finds no qualifying agent before predictive routing times out or if the number of the agents on the queue is three or lesser, it routes the interaction using standard routing, which is the fallback routing method. 

        Enlaces relacionados:

        Cómo puntúa el modelo de IA a los agentes para el enrutamiento predictivo