El enrutamiento predictivo de Genesys utiliza la inteligencia artificial para enrutar las interacciones al mejor agente disponible para el KPI que usted establezca. La puntuación de los agentes derivada del enrutamiento predictivo se basa en varios factores como el nivel de datos disponibles, el nivel de habilidad de los agentes, la disponibilidad de los agentes y el periodo de tiempo de espera.

¿Qué datos utiliza Genesys AI para tomar decisiones de enrutamiento?

Los modelos de datos de Genesys se basan en gran medida en datos poblados y calculados/derivados de otros datos del sistema. La disponibilidad de todos los datos necesarios garantiza el funcionamiento óptimo de los modelos. Los siguientes son ejemplos de las características y fuentes de datos que el enrutamiento predictivo utiliza para la puntuación de los agentes: 

  • Datos del perfil del agente como habilidades, permanencia, departamento, certificados, tipo de empleado. Para más información, consulte Requisitos de datos para el enrutamiento predictivo.
  • Datos de rendimiento del agente, como el tiempo medio de gestión histórico de una cola.
  • Datos del historial del cliente, como el número de veces que ha llamado al centro de contacto en los últimos 30 días.

Actualmente, las principales fuentes de datos son el directorio de agentes (para los agentes) y la analítica (para los datos de los clientes y las interacciones).

¿Cómo se crean y mantienen los modelos de datos?

Para mantenerse al día con los cambiantes niveles de competencia de los agentes y los contextos de interacción con los clientes, los modelos de datos se reciclan continuamente y aprenden de las últimas funciones. Genesys Cloud actualiza las características utilizadas para la puntuación de los agentes con datos diarios y reentrena los modelos de datos semanalmente. No se conservan datos en los modelos durante más de 90 días. El reentrenamiento garantiza que se tengan en cuenta los datos operativos más recientes para las próximas decisiones de encaminamiento. 

A medida que surgen nuevos modelos de datos con características actualizadas, Genesys retira los modelos de datos más antiguos que ya no son relevantes. Cuando los modelos no se utilizan (por ejemplo, cuando se desactiva el enrutamiento predictivo en una cola), se eliminan del sistema automáticamente.

La plataforma Genesys Cloud crea y mantiene los modelos de datos utilizados en el enrutamiento predictivo. Para más información sobre cómo se utilizan los datos en la identificación de agentes, consulte Cómo el modelo de IA puntúa a los agentes para el enrutamiento predictivo.

¿Cómo funcionan las características y el modelo de datos?

El enrutamiento predictivo utiliza modelos de caja blanca que permiten obtener información sobre cómo las características contribuyen a una predicción. Genesys le ayuda a deducir la predicción presentando una interpretación global que describe el comportamiento medio de un modelo. Cada característica de entrada recibe un porcentaje/puntuación que representa su importancia. Un valor alto significa que la característica tendrá un mayor efecto en las predicciones del modelo y en la clasificación de los agentes. Mientras que se da un valor pequeño a las características sin importancia cuya contribución se ignora en su mayor parte para las predicciones del modelo. Para obtener más información sobre las características específicas de una cola, consulte Cómo puntúa el modelo de IA a los agentes para el enrutamiento predictivo. 

¿Cómo protege Genesys AI la información personal identificable (PII)?

Genesys no utiliza la IIP para el proceso de puntuación de los agentes. Genesys Cloud sólo utiliza los datos de las conversaciones de las transacciones para entrenar los modelos de aprendizaje automático. El perfil del agente y los datos de rendimiento que se utilizan en el proceso de puntuación no contienen ninguna IIP del agente. 

¿Cómo garantiza Genesys que no se introduzca ninguna discriminación en el proceso de puntuación de los agentes?

Genesys crea modelos de datos que requieren datos como el sexo y la nacionalidad, que pueden ser discriminatorios. Para entrenar un modelo de datos, el enrutamiento predictivo genera características sólo utilizando datos de conversaciones transaccionales que no contienen PII. La ausencia de IPI garantiza que no haya margen de discriminación en el proceso de puntuación.

Hay que tener en cuenta que, para que las predicciones sean lo más precisas posible, el enrutamiento predictivo utiliza las conversaciones históricas más recientes, lo que puede introducir lo que se conoce como un sesgo temporal.