在预测路由中使用 AI
Genesys 预测性路由使用人工智能将交互路由至适用于您设置的 KPI 的最佳座席。 预测性路由得出的座席分数基于各种驱动因素，例如可用数据级别、座席技能水平、座席可用性、超时期限。
Genesys AI 使用哪些数据做出路由决策？
Genesys 数据模型在很大程度上依赖于填充数据，也依赖于系统中其他数据计算/派生的数据。 所有必需数据的可用性可确保模型在最佳水平上运行。 以下是预测路由用于座席评分的功能和数据源的示例：
- 代理资料数据，例如 技能、任期、部门、证书、员工类型。 有关详细信息，请参阅 预测路由的数据要求.
- 座席性能数据，例如队列的历史平均处理时间。
- 客户历史记录数据，例如他们在过去 30 天内致电联系中心的次数。
目前，主要的数据来源是座席目录（用于座席）和分析（用于客户和交互数据）。
如何创建和维护数据模型？
为了跟上座席熟练程度和客户交互环境的不断变化，数据模型不断重新训练并从最新功能中学习。 Genesys Cloud 使用每日数据更新用于代理评分的功能，并每周重新训练数据模型。 模型中没有数据保留超过 90 天. 再培训可确保将最新的运营数据考虑在内，以制定未来的路线决策。
随着具有更新功能的新数据模型的出现，Genesys将淘汰不再相关的旧数据模型。 如果模型未使用（例如，在队列中停用预测路由），则会自动从系统中删除这些模型。
Genesys Cloud 平台创建并维护预测路由中使用的数据模型。 有关如何在座席识别中使用数据的更多信息，请参阅 AI 模型如何对座席进行预测性路由评分。
功能和数据模型如何运作？
预测路由使用白盒模型，可以深入了解要素对预测的贡献。 Genesys 通过提供描述模型平均行为的全局解释来帮助您推断预测。 为每个输入要素指定一个百分比/分数，以表示其重要性。 较高的值意味着该功能将对模型的预测和代理排名的影响更大。 而对于不重要的特征，则会给出较小的值，这些要素的贡献在模型的预测中大多被忽略。 有关特定于队列的功能的更多信息，请参阅 AI 模型如何对代理进行预测性路由评分。
Genesys 不会将 PII 用于座席评分流程。 Genesys Cloud 仅使用事务对话数据来训练机器学习模型。 计分过程中使用的座席配置文件和绩效数据不包含任何座席 PII。
Genesys 如何确保在代理评分过程中不引入任何歧视？
Genesys确实创建了数据模型，这些模型需要性别和国籍等可能引入歧视的数据。 为了训练数据模型，预测路由仅使用不包含 PII 的事务会话数据生成要素。 缺少 PII 可确保评分过程中没有歧视的余地。
必须注意的是，为了使预测尽可能准确，预测路径使用最新的历史对话，这可能会引入所谓的时间偏差。
