4차 산업혁명은 디지털과 물리적, 생물학적 기술 영역의 경계가 사라지고, 기술적으로 융햡되는 것으로 인능지능과 같은 지능정보기술이 이를 이끄는 핵심 동인으로 평가되고 있다. 이로 인해 인공지능, 로봇 등 첨단 기술들을 기존의 산업계에 적용하려는 시도가 늘고 있다. 하지만, 인공지능을 산업계로 들여오기 위해서는 개별 산업의 서비스나 업무별로 발생하는 비효율성 문제의 특징을 파악하고, 전체 시스템의 ...
4차 산업혁명은 디지털과 물리적, 생물학적 기술 영역의 경계가 사라지고, 기술적으로 융햡되는 것으로 인능지능과 같은 지능정보기술이 이를 이끄는 핵심 동인으로 평가되고 있다. 이로 인해 인공지능, 로봇 등 첨단 기술들을 기존의 산업계에 적용하려는 시도가 늘고 있다. 하지만, 인공지능을 산업계로 들여오기 위해서는 개별 산업의 서비스나 업무별로 발생하는 비효율성 문제의 특징을 파악하고, 전체 시스템의 최적화 관점에서 인공지능의 활용 방안이나 적용 기법을 발굴해야 한다. 하지만 지금까지 컨택센터와 관련된 인공지능의 연구는 컨택센터의 일부 기능들을 인공지능 기술을 통해 구현하는 연구가 대부분이었다. 기존의 연구 내용을 살펴보면 컨택센터가 가지고 있는 기능들의 일부를 보조하기 위한 수단으로 인공지능을 활용하는 방안에 대한 연구가 많았다. 하지만, 컨택센터를 구성하는 전체 계층에 대한 인공지능 기술의 적용에 관한 통합된 관점에서의 연구는 없었다. 이에 본 연구에서는 인공지능을 이용하여 컨택센터의 기능을 강화하고, 컨택센터의 지표를 향상시킬 수 있는 다양한 적용 기술들을 알아보고, 이를 활용하여 인공지능기반의 컨택센터 시스템에 대한 프레임워크의 기반을 개발하였다. 그리고, 고객 관점뿐 아니라 인공지능과 같은 정보시스템의 역량과 비즈니스적인 측면을 고려한 컨택센터의 품질평가 모델을 개발하였다. 먼저 컨택센터의 당면한 문제점들을 해결하기 위해 컨택센터의 핵심 요구사항을 인공지능 기술을 사용해 해결하기 위한 방안을 연구 개발하였다. 첫째, 콜센터 IVR의 초기 메뉴 서비스 추천 시스템을 개발하였다. 콜센터를 포함하는 컨택센터에서 고객이 전화를 하면 가장 먼저 응대하는 시스템이 IVR이다. 금융권의 경우 전체 콜의 90%를 IVR이 처리하고 있어서 IVR의 중요성은 더욱 커져가고 있다. 하지만 IVR의 특성상 서비스 선택에 시간이 많이 걸리고 이용이 불편하다. 이에, IVR의 사용성 및 만족도를 향상하고 IVR의 생산성 향상을 위해, 고객이 IVR에 접속하였을 때, 고객에게 가장 적합한 IVR 서비스를 추천하는 초기 메뉴 추천 시스템을 개발하였다. 추천 알고리즘은 고객 사용 패턴의 유사도를 분석하여 추천하는 방식과 인공신경망을 이용한 추천 기법을 개발하였다. 기존 업계에서 많이 사용되던 빈도 기반의 서비스 추천 기법과 비교하였을 때, 인공신경망 기법을 활용한 경우가 평균 적중률 62.18%로 기존의 빈도 방식에 비해 18% 이상의 적중률 향상을 보여주었다. 둘째, IVR의 추가 메뉴 추천 시스템을 개발하였다. IVR의 특성상 모든 메뉴를 음성 안내를 듣고 선택하기 때문에 서비스 메뉴의 단계가 많고 복잡할 경우 다른 서비스 메뉴로 이동하기 위해서는 상위 메뉴로 가서 안내 멘트를 듣고 번호를 선택하고 다시 하위 메뉴로 이동해야 하기 때문에 사용자들의 사용성 저해가 심하여 이용자들의 불만이 많고 사용시간이 길어져 시스템 자원의 효율성도 떨어지는 문제점이 있다. 이에 고객이 자주 사용하는 메뉴의 패턴을 분석하여, 서비스 메뉴 이용 후에 다른 메뉴로 가는 규칙을 개발하였다. 메뉴 이동의 패턴 규칙은 연관 규칙 분석을 사용하였으나, 빈발도가 떨어지는 메뉴는 연관 규칙 분석에서는 분석이 어렵기 때문에 유사도 분석 기법을 결합하여 추가 메뉴를 추천하였다. 추천 결과는 연관 규칙 분석 기반의 추천에서 58.11%의 적중률을 보였으나, 유사도 분석을 더한 경우 70.14%의 추천 적중률을 보여 TTI(Touch ToneInterface) 방식의 IVR에서 충분히 추천의 효과가 있음을 확인하였다. 셋째, 딥러닝을 포함한 시계열 분석을 통합 인입 콜량 예측 모델을 개발하였다. 컨택센터 산업은 인건비의 비중의 큰 산업이다. 컨택센터의 응대는 실시간으로 이루어지기 때문에 고객의 콜량이나 접촉량에 맞는 적정 상담사를 배치하지 않으면 영업 손실이 발생하거나 운영 비용의 과다 지출이 발생할 수 있다. 그래서 컨택센터 운영자의 중요한 의사결정 작업은 비용을 최소화하면서 고객 응대 비율을 유지할 수 있는 적정 수준의 상담 인력 수준을 결정하는 것이다. 이를 위해서는 정확한 콜량 예측이 선행되어야 하는데, 국내 외에 이에 대한 연구는 많지 않고, 실제 콜센터에서는 담당자의 경험과 직관에 의지한 단순한 계산 방법이 여전히 주로 사용되고 있다. 이에 분해기법(STL), 평활화(TBATS), ARIMA, 회귀분석(ARIAMX), 인공신경망 기반의 TLFN, 딥러닝 기반의 RNN-LSTM기법을 활용하여 콜센터의 실제 데이터를 기반으로 콜량을 예측하는 모델을 만들고 각각 최적화한 후 성능을 비교하였다. 개발된 모델의 예측 결과는 딥러닝 기법인 RNN-LSTM이 MAPE가 3.9%, RMSE가 511.5로 가장 우수한 예측 결과를 도출하였다. 넷째, 시뮬레이션을 통한 옴니채널 컨택센터의 상담사 배치 최적화 방안을 개발하였다. 기존의 콜센터는 전화만 응대하는 단일 채널이었는데, 옴니채널 컨택센터의 경우 기존 전화와 다르게 이메일과 같은 비동기 처리 채널, 채팅과 같은 동시 다수 처리 채널 등이 혼재되어있어 기존의 전화 상담과 같은 상담사 배치 전략을 쓰기 어렵다. 이에 시뮬레이션 기법을 통해 옴니채널 컨택센터의 상담사 배치 방식에 따른 채널별 인입과 대기량을 실제 컨택센터의 인입량과 환경을 기반으로 모델링하고 시뮬레이션을 통해 분석하여 상담사 배치를 위한 최적 방안을 연구하였다. 상담사가 모두 멀티채널을 처리하는 블렌딩 전략을 취했을 경우 채널별로 상담사를 분리 배치를 한 경우의 최적 배치 전략 보다 더 많은 인입량을 처리하면서 대기건수는 5.7%, 대기시간은 4.4% 감소시킬 수 있는 것으로 확인되었다. 다섯째, 인공지능 기반 콜센터 실시간 상담 도우미 개발에 대한 사례 연구이다. 금융권 콜센터의 경우 800여 개 이상의 서비스 유형을 삼담사가 처리해야 하기 때문에 상담사의 업무 지식이나 경험이 무척 중요하다. 이에 통화 중에 실시간으로 상담사에게 대응 답변을 제공하는 인공지능 기반의 상담 도우미 시스템의 구축에 대해서 N은행의 사례를 기반으로 시스템 아키텍처와 지식구축 방안에 대해 연구하였다. 이를 통해서 실시간으로 고객과 상담사의 통화내용을 텍스트로 바꾸는 STT시스템의 구성 방안과 질의응답 처리를 위한 AI 엔진의 구축 방법을 확인하였다. 또한, 실제 상담사의 평가가 답변 내용이 93.1%의 긍정 반응을 얻으며 실제 업무에 유용함을 증명하였다. 본 연구는 실시간 STT, 질의응답 기술, 자연어처리 기술 등이 모두 결합된 인공지능 기술 기반의 전형적인 콜센터 지원 시스템이라고 할 수 있으며, 실제 금융권에서 구체적인 결과를 보여주는 첫 번째 사례 연구로써 중요한 의미가 있다. 여섯째, 자연어 의도 분석 관점의 기업 챗봇 서비스 품질평가 모델을 연구하였다. 인공지능 기술의 본격적 성장과 함께 고객 응대나 민원 서비스를 인공지능을 통해 수행하는 챗봇 서비스가 민간과 공공기관을 중심으로 확산되고 있다. 하지만 이런 챗봇에 대한 사용자 평가에 대한 연구는 많지 않다. 특히, 챗봇의 핵심은 사람이 표현하는 문장을 잘 이해하는 자연어 의도 분석이 중요한데, 이에 대한 국내 연구는 많지 않다. 이에 본 연구는 자연어 처리의 요소 기술을 선행 연구를 통해서 조사하여 구문 분석, 의미 분석, 유의어, 띄어쓰기, 어순 분석의 5가지 항목을 도출하였고, 이 부분을 평가할 평가 지표를 만들어 실제 은행, 카드사의 서비스 중인 챗봇에 적용하여 평가 모델을 실증하였다. 은행의 경우 9개 업무의 30개 서비스에 대해서 438건의 질의를 하고 결과를 평가하였으며, 카드사의 경우 6가지 업무에 35개의 세부 서비스에 대해 의도를 도출하고 의도별 14개 질의를 변형하여 502건의 질의를 하고 결과를 평가하였다. 본 연구는 챗봇의 자연어 의도 분석 관점의 평가 항목을 학문적으로 도출하고, 이를 최초로 실증하여 챗봇의 문제를 파악하고 서비스를 개선할 수 있는 평가 모델을 만들었다는 것이 중요한 의의를 가진다고 할 것이다. 그리고, 지금까지 연구된 내용과 기존의 선행 연구들을 모두 포함하여 실제 컨택센터 시스템에 적용 가능한 인공지능 기반 컨택센터 시스템 프레임워크의 기반을 개발하였다. 컨택센터는 전화를 응대하기 위한 전화 인프라와 채팅, 이메일 등 텍스트 기반의 상담을 하는 컨택시스템, 그리고 이들을 연동하기 위한 CTI 미들웨어, 셀프서비스를 위한 IVR 등 다양한 시스템들로 구성이 되어 있다. 인공지능을 통해 단순 상담을 일부 대체한다고 하더라고 앞서 연구에서 보았듯이 자연어 인식률이 높지 않은 상황이라 전문적인 상담이나 복잡한 상담은 상담사가 지속적으로 처리를 해야 하기 때문에 기존 컨택센터 인프라와 인공지능 시스템이 앞선 연구들을 지원하면서 유기적으로 운영할 수 있는 시스템 프레임워크가 필요하다. 이에 기존 컨택센터의 시스템 구성과 업무 프로세스를 분석하고 본 연구의 연구 내용과 선행 연구를 조사하여 컨택센터에 적용 가능한 인공지능 기술 요소를 도출하였다. 이를 기반으로 컨택센터에 인공지능을 적용할 경우의 업무 프로세스와 시스템 간의 연동 방안을 설계하고, 전체적인 시스템 프레임워크의 기반을 개발하였다. 마지막으로, AHP와 내용 분석을 이용한 컨택센터의 평가 모델을 연구하였다. 인공지능과 같은 고도화된 정보시스템 기반의 컨택센터의 품질을 평가하기 위한 평가 모델을 제시하여, 컨택센터의 평가 기준을 고객 서비스 관점뿐 아니라 정보시스템 관점에서도 평가할 수 있는 기준이 필요하다. 기존의 컨택센터 평가 관련 연구는 고객 관점의 평가 중심이다. 이에 기존 컨택센터, 콜센터의 평가 모델 연구와 정보시스템, 비즈니스 관련 평가에 대한 선행 연구를 통해 평가 후보 항목을 도출하고, 이를 내용 분석을 통해 정리하여 평가 항목과 계층 구조를 만들고, AHP를 통해 가중치를 계산하여 평가모델을 개발하였다. 그리고 이를 실제 5개의 컨택센터를 대상으로 적용하여 평가 모델을 실증하였다. 이를 통해 컨택센터에 대한 종합적인 관점의 평가 모델을 개발하였고, 기존의 고객 만족도 중심의 평가 결과와 다르다는 것을 확인하여 현업에서 차별화된 사용성을 검증한 것이 연구의 중요한 의의이다. 본 연구를 통해 컨택센터의 문제점과 이를 인공지능으로 해결할 수 있는 부분에 대한 구체적인 기법과 사례를 확인하였다. 그리고 이들을 실제 컨택센터 시스템에 적용하기 위한 프레임워크의 기반을 개발하여 제시하였다. 이를 통해 컨택센터 연구자의 입장에서는 적용 가능한 인공지능 기술에 대한 이해를 할 수 있고, 실제 적용하기 위한 구체적인 방안에 대해서도 프레임워크를 통해 설계할 수 있을 것이다. 그리고 인공지능을 연구하는 연구자 입장에서는 컨택센터라는 산업군의 당면한 문제를 이해하고 더 좋은 인공지능 기술을 가지고 있다면 적용할 수 있는 시작점이 될 것으로 기대한다. 또한, 이런 인공지능 등의 최신 정보기술 시스템을 포함하는 컨택센터의 종합적인 평가 모델을 통해서 보다 기술과 환경의 변화에 맞는 객관적이고 효율적인 컨택센터 평가 지표를 마련한 점이 본 연구의 중요한 의의라고 결론지을 수 있을 것이다.
4차 산업혁명은 디지털과 물리적, 생물학적 기술 영역의 경계가 사라지고, 기술적으로 융햡되는 것으로 인능지능과 같은 지능정보기술이 이를 이끄는 핵심 동인으로 평가되고 있다. 이로 인해 인공지능, 로봇 등 첨단 기술들을 기존의 산업계에 적용하려는 시도가 늘고 있다. 하지만, 인공지능을 산업계로 들여오기 위해서는 개별 산업의 서비스나 업무별로 발생하는 비효율성 문제의 특징을 파악하고, 전체 시스템의 최적화 관점에서 인공지능의 활용 방안이나 적용 기법을 발굴해야 한다. 하지만 지금까지 컨택센터와 관련된 인공지능의 연구는 컨택센터의 일부 기능들을 인공지능 기술을 통해 구현하는 연구가 대부분이었다. 기존의 연구 내용을 살펴보면 컨택센터가 가지고 있는 기능들의 일부를 보조하기 위한 수단으로 인공지능을 활용하는 방안에 대한 연구가 많았다. 하지만, 컨택센터를 구성하는 전체 계층에 대한 인공지능 기술의 적용에 관한 통합된 관점에서의 연구는 없었다. 이에 본 연구에서는 인공지능을 이용하여 컨택센터의 기능을 강화하고, 컨택센터의 지표를 향상시킬 수 있는 다양한 적용 기술들을 알아보고, 이를 활용하여 인공지능기반의 컨택센터 시스템에 대한 프레임워크의 기반을 개발하였다. 그리고, 고객 관점뿐 아니라 인공지능과 같은 정보시스템의 역량과 비즈니스적인 측면을 고려한 컨택센터의 품질평가 모델을 개발하였다. 먼저 컨택센터의 당면한 문제점들을 해결하기 위해 컨택센터의 핵심 요구사항을 인공지능 기술을 사용해 해결하기 위한 방안을 연구 개발하였다. 첫째, 콜센터 IVR의 초기 메뉴 서비스 추천 시스템을 개발하였다. 콜센터를 포함하는 컨택센터에서 고객이 전화를 하면 가장 먼저 응대하는 시스템이 IVR이다. 금융권의 경우 전체 콜의 90%를 IVR이 처리하고 있어서 IVR의 중요성은 더욱 커져가고 있다. 하지만 IVR의 특성상 서비스 선택에 시간이 많이 걸리고 이용이 불편하다. 이에, IVR의 사용성 및 만족도를 향상하고 IVR의 생산성 향상을 위해, 고객이 IVR에 접속하였을 때, 고객에게 가장 적합한 IVR 서비스를 추천하는 초기 메뉴 추천 시스템을 개발하였다. 추천 알고리즘은 고객 사용 패턴의 유사도를 분석하여 추천하는 방식과 인공신경망을 이용한 추천 기법을 개발하였다. 기존 업계에서 많이 사용되던 빈도 기반의 서비스 추천 기법과 비교하였을 때, 인공신경망 기법을 활용한 경우가 평균 적중률 62.18%로 기존의 빈도 방식에 비해 18% 이상의 적중률 향상을 보여주었다. 둘째, IVR의 추가 메뉴 추천 시스템을 개발하였다. IVR의 특성상 모든 메뉴를 음성 안내를 듣고 선택하기 때문에 서비스 메뉴의 단계가 많고 복잡할 경우 다른 서비스 메뉴로 이동하기 위해서는 상위 메뉴로 가서 안내 멘트를 듣고 번호를 선택하고 다시 하위 메뉴로 이동해야 하기 때문에 사용자들의 사용성 저해가 심하여 이용자들의 불만이 많고 사용시간이 길어져 시스템 자원의 효율성도 떨어지는 문제점이 있다. 이에 고객이 자주 사용하는 메뉴의 패턴을 분석하여, 서비스 메뉴 이용 후에 다른 메뉴로 가는 규칙을 개발하였다. 메뉴 이동의 패턴 규칙은 연관 규칙 분석을 사용하였으나, 빈발도가 떨어지는 메뉴는 연관 규칙 분석에서는 분석이 어렵기 때문에 유사도 분석 기법을 결합하여 추가 메뉴를 추천하였다. 추천 결과는 연관 규칙 분석 기반의 추천에서 58.11%의 적중률을 보였으나, 유사도 분석을 더한 경우 70.14%의 추천 적중률을 보여 TTI(Touch Tone Interface) 방식의 IVR에서 충분히 추천의 효과가 있음을 확인하였다. 셋째, 딥러닝을 포함한 시계열 분석을 통합 인입 콜량 예측 모델을 개발하였다. 컨택센터 산업은 인건비의 비중의 큰 산업이다. 컨택센터의 응대는 실시간으로 이루어지기 때문에 고객의 콜량이나 접촉량에 맞는 적정 상담사를 배치하지 않으면 영업 손실이 발생하거나 운영 비용의 과다 지출이 발생할 수 있다. 그래서 컨택센터 운영자의 중요한 의사결정 작업은 비용을 최소화하면서 고객 응대 비율을 유지할 수 있는 적정 수준의 상담 인력 수준을 결정하는 것이다. 이를 위해서는 정확한 콜량 예측이 선행되어야 하는데, 국내 외에 이에 대한 연구는 많지 않고, 실제 콜센터에서는 담당자의 경험과 직관에 의지한 단순한 계산 방법이 여전히 주로 사용되고 있다. 이에 분해기법(STL), 평활화(TBATS), ARIMA, 회귀분석(ARIAMX), 인공신경망 기반의 TLFN, 딥러닝 기반의 RNN-LSTM기법을 활용하여 콜센터의 실제 데이터를 기반으로 콜량을 예측하는 모델을 만들고 각각 최적화한 후 성능을 비교하였다. 개발된 모델의 예측 결과는 딥러닝 기법인 RNN-LSTM이 MAPE가 3.9%, RMSE가 511.5로 가장 우수한 예측 결과를 도출하였다. 넷째, 시뮬레이션을 통한 옴니채널 컨택센터의 상담사 배치 최적화 방안을 개발하였다. 기존의 콜센터는 전화만 응대하는 단일 채널이었는데, 옴니채널 컨택센터의 경우 기존 전화와 다르게 이메일과 같은 비동기 처리 채널, 채팅과 같은 동시 다수 처리 채널 등이 혼재되어있어 기존의 전화 상담과 같은 상담사 배치 전략을 쓰기 어렵다. 이에 시뮬레이션 기법을 통해 옴니채널 컨택센터의 상담사 배치 방식에 따른 채널별 인입과 대기량을 실제 컨택센터의 인입량과 환경을 기반으로 모델링하고 시뮬레이션을 통해 분석하여 상담사 배치를 위한 최적 방안을 연구하였다. 상담사가 모두 멀티채널을 처리하는 블렌딩 전략을 취했을 경우 채널별로 상담사를 분리 배치를 한 경우의 최적 배치 전략 보다 더 많은 인입량을 처리하면서 대기건수는 5.7%, 대기시간은 4.4% 감소시킬 수 있는 것으로 확인되었다. 다섯째, 인공지능 기반 콜센터 실시간 상담 도우미 개발에 대한 사례 연구이다. 금융권 콜센터의 경우 800여 개 이상의 서비스 유형을 삼담사가 처리해야 하기 때문에 상담사의 업무 지식이나 경험이 무척 중요하다. 이에 통화 중에 실시간으로 상담사에게 대응 답변을 제공하는 인공지능 기반의 상담 도우미 시스템의 구축에 대해서 N은행의 사례를 기반으로 시스템 아키텍처와 지식구축 방안에 대해 연구하였다. 이를 통해서 실시간으로 고객과 상담사의 통화내용을 텍스트로 바꾸는 STT시스템의 구성 방안과 질의응답 처리를 위한 AI 엔진의 구축 방법을 확인하였다. 또한, 실제 상담사의 평가가 답변 내용이 93.1%의 긍정 반응을 얻으며 실제 업무에 유용함을 증명하였다. 본 연구는 실시간 STT, 질의응답 기술, 자연어처리 기술 등이 모두 결합된 인공지능 기술 기반의 전형적인 콜센터 지원 시스템이라고 할 수 있으며, 실제 금융권에서 구체적인 결과를 보여주는 첫 번째 사례 연구로써 중요한 의미가 있다. 여섯째, 자연어 의도 분석 관점의 기업 챗봇 서비스 품질평가 모델을 연구하였다. 인공지능 기술의 본격적 성장과 함께 고객 응대나 민원 서비스를 인공지능을 통해 수행하는 챗봇 서비스가 민간과 공공기관을 중심으로 확산되고 있다. 하지만 이런 챗봇에 대한 사용자 평가에 대한 연구는 많지 않다. 특히, 챗봇의 핵심은 사람이 표현하는 문장을 잘 이해하는 자연어 의도 분석이 중요한데, 이에 대한 국내 연구는 많지 않다. 이에 본 연구는 자연어 처리의 요소 기술을 선행 연구를 통해서 조사하여 구문 분석, 의미 분석, 유의어, 띄어쓰기, 어순 분석의 5가지 항목을 도출하였고, 이 부분을 평가할 평가 지표를 만들어 실제 은행, 카드사의 서비스 중인 챗봇에 적용하여 평가 모델을 실증하였다. 은행의 경우 9개 업무의 30개 서비스에 대해서 438건의 질의를 하고 결과를 평가하였으며, 카드사의 경우 6가지 업무에 35개의 세부 서비스에 대해 의도를 도출하고 의도별 14개 질의를 변형하여 502건의 질의를 하고 결과를 평가하였다. 본 연구는 챗봇의 자연어 의도 분석 관점의 평가 항목을 학문적으로 도출하고, 이를 최초로 실증하여 챗봇의 문제를 파악하고 서비스를 개선할 수 있는 평가 모델을 만들었다는 것이 중요한 의의를 가진다고 할 것이다. 그리고, 지금까지 연구된 내용과 기존의 선행 연구들을 모두 포함하여 실제 컨택센터 시스템에 적용 가능한 인공지능 기반 컨택센터 시스템 프레임워크의 기반을 개발하였다. 컨택센터는 전화를 응대하기 위한 전화 인프라와 채팅, 이메일 등 텍스트 기반의 상담을 하는 컨택시스템, 그리고 이들을 연동하기 위한 CTI 미들웨어, 셀프서비스를 위한 IVR 등 다양한 시스템들로 구성이 되어 있다. 인공지능을 통해 단순 상담을 일부 대체한다고 하더라고 앞서 연구에서 보았듯이 자연어 인식률이 높지 않은 상황이라 전문적인 상담이나 복잡한 상담은 상담사가 지속적으로 처리를 해야 하기 때문에 기존 컨택센터 인프라와 인공지능 시스템이 앞선 연구들을 지원하면서 유기적으로 운영할 수 있는 시스템 프레임워크가 필요하다. 이에 기존 컨택센터의 시스템 구성과 업무 프로세스를 분석하고 본 연구의 연구 내용과 선행 연구를 조사하여 컨택센터에 적용 가능한 인공지능 기술 요소를 도출하였다. 이를 기반으로 컨택센터에 인공지능을 적용할 경우의 업무 프로세스와 시스템 간의 연동 방안을 설계하고, 전체적인 시스템 프레임워크의 기반을 개발하였다. 마지막으로, AHP와 내용 분석을 이용한 컨택센터의 평가 모델을 연구하였다. 인공지능과 같은 고도화된 정보시스템 기반의 컨택센터의 품질을 평가하기 위한 평가 모델을 제시하여, 컨택센터의 평가 기준을 고객 서비스 관점뿐 아니라 정보시스템 관점에서도 평가할 수 있는 기준이 필요하다. 기존의 컨택센터 평가 관련 연구는 고객 관점의 평가 중심이다. 이에 기존 컨택센터, 콜센터의 평가 모델 연구와 정보시스템, 비즈니스 관련 평가에 대한 선행 연구를 통해 평가 후보 항목을 도출하고, 이를 내용 분석을 통해 정리하여 평가 항목과 계층 구조를 만들고, AHP를 통해 가중치를 계산하여 평가모델을 개발하였다. 그리고 이를 실제 5개의 컨택센터를 대상으로 적용하여 평가 모델을 실증하였다. 이를 통해 컨택센터에 대한 종합적인 관점의 평가 모델을 개발하였고, 기존의 고객 만족도 중심의 평가 결과와 다르다는 것을 확인하여 현업에서 차별화된 사용성을 검증한 것이 연구의 중요한 의의이다. 본 연구를 통해 컨택센터의 문제점과 이를 인공지능으로 해결할 수 있는 부분에 대한 구체적인 기법과 사례를 확인하였다. 그리고 이들을 실제 컨택센터 시스템에 적용하기 위한 프레임워크의 기반을 개발하여 제시하였다. 이를 통해 컨택센터 연구자의 입장에서는 적용 가능한 인공지능 기술에 대한 이해를 할 수 있고, 실제 적용하기 위한 구체적인 방안에 대해서도 프레임워크를 통해 설계할 수 있을 것이다. 그리고 인공지능을 연구하는 연구자 입장에서는 컨택센터라는 산업군의 당면한 문제를 이해하고 더 좋은 인공지능 기술을 가지고 있다면 적용할 수 있는 시작점이 될 것으로 기대한다. 또한, 이런 인공지능 등의 최신 정보기술 시스템을 포함하는 컨택센터의 종합적인 평가 모델을 통해서 보다 기술과 환경의 변화에 맞는 객관적이고 효율적인 컨택센터 평가 지표를 마련한 점이 본 연구의 중요한 의의라고 결론지을 수 있을 것이다.
The fourth industrial revolution is the disappearance of boundaries between digital, physical and biological technologies, and technological convergence, which is considered a key driver of intelligence information technology such as an artificial intelligence. As a result, more and more high-tech t...
The fourth industrial revolution is the disappearance of boundaries between digital, physical and biological technologies, and technological convergence, which is considered a key driver of intelligence information technology such as an artificial intelligence. As a result, more and more high-tech technologies such as artificial intelligence and robots are being applied to existing industries. However, in order to bring artificial intelligence into the industry, it is necessary to identify the characteristics of inefficiency problems arising from each service or task of the individual industry and to discover ways to utilize or apply artificial intelligence from the perspective of optimization of the entire system. However, most of the research related to the contact center has been done using artificial intelligence to implement some functions of the contact center. There is a lot of research on how to use artificial intelligence as a means to assist some of the functions of contact center. However, there have been no integrated studies on the application of artificial intelligence technology to the entire hierarchy of contact centers. In this study, we investigate various application technologies that can enhance the contact center function by using artificial intelligence and improve the indicator of contact centers, and developed the framework of artificial intelligence based contact center systems. We also developed a model for evaluating the quality of the contact centers, which considers the competence and business aspects of the information system such as artificial intelligence as well as the customer 's viewpoint. To solve the immediate problems of the contact center, we first studied and developed a plan to address the key requirements of the contact center using artificial intelligence technology. First, the initial menu service recommendation system for call center IVR was developed. When a customer calls from a contact center that includes a call center, IVR is the first system to respond. In the case of financial institutions, IVR is handles 90% of the total calls, so the importance of IVR is growing. However, due to the nature of IVR, it takes a long time to select a service and it is inconvenient to use. In order to improve the usability, satisfaction and productivity of IVR, we developed an initial menu recommendation system that recommends the best IVR service to the customer when the customer connects to it. The recommendation algorithm is based on analyzing the similarity of customer usage pattern and recommend a method using artificial neural network. Compared with the frequency-based service recommendation method, which was widely used in the existing industry, the average hit rate using the artificial neural network technique for recommendations is 62.18%, which is higher than the existing frequency-based recommendation by 18%. Second, we developed an IVR supplementary menu recommendation system. Because of the nature of IVR, all menus listen to voice guidance, so if you have many steps in the service menu, you have to go to the top menu to select the number, There is a problem that users are dissatisfied, the use time is prolonged, and the efficiency of system resources is deteriorated. We analyzed the patterns of menu that customers frequently use, and developed rules go to another menu after using the service menu. We used the association rule analysis for the pattern rule of the menu movement, but the additional menu was recommended by combining the similarity analysis technique because it is difficult to analyze the menu which has low frequency in the association rule analysis. The recommendation result showed a hit rate of 58.11% in the recommendation based on the association rule analysis, but a recommendation hit rate of 70.14% when the similarity analysis was added. It is confirmed that the proposed recommendation system has enough recommendation effect in IVR of TTI (Touch Tone Interface) method. Third, we developed a model to forecasting the total incoming call volume by time series analysis including deep learning. The contact center industry is a large industry of labor costs. Because contact center response is done in real-time, if you do not arrange appropriate agent according to the customer's call volume or contact volume, you may incur business loss or overspending of operating cost. Thus, the critical decision-making task of the contact center operator is to determine the appropriate level of consultant workforce to maintain the customer response rate while minimizing costs. In order to do this, accurate call prediction should be preceded. There is not much research on this in Korea. In actual call centers, a simple calculation method based on experience and intuition of the person in charge is still mainly used. A model for predicting the call volume based on actual data of the call center using the decomposition technique (STL), smoothing (TBATS), ARIMA, regression analysis (ARIAMX), artificial neural network based TLFN and deep learning based RNN-LSTM and optimized for each. The forecasted result of the developed model is that the deep learning technique RNN-LSTM has the best forecasting result with MAPE 3.9% and RMSE 511.5. Fourth, a strategy was developed to optimize the staffing of Omni Channel Contact Centers through simulation. While the existing call center was a single channel for answering calls only, it is difficult to use a strategy for setting up an agent such as a traditional phone call because the Omni Channel Contact Center combines multiple channels such as e-mail, asynchronous channels such as chatting, etc. Through simulation techniques, the inflow and the amount of air per channel according to the method of placing consultants at Omni Channel Contact Center were modeled based on actual contact center penetration and environment, and analyzed through simulation to study the optimal method for placing consultants. If all consultants have taken a blending strategy that deals with multi-channel channels, it has been confirmed that they can reduce latency by 5.7% and 4.4% while handling more incoming and outgoing inputs than the optimal deployment strategy when placing agents separately on each channel. Fifth, it is a case study on the development of an artificial intelligence-based call center real-time advisor. As more than 800 service types are handled by agents in the case of call centers in the financial sector, it is very important to have an agent's work knowledge or experience. In response, the Commission studied the system architecture and knowledge-building measures based on N Bank's example on the establishment of an artificial intelligence-based consulting helper system that provides responses to agents in real-time during the call. Through this process, we identified how to construct an STT system that converts the call contents of customers and consultants into text in real-time and how to establish an AI engine for Q&A processing. In addition, the assessment by the actual consultant received a 93.1% positive response and proved useful for the actual work. This study is a typical call center support system based on artificial intelligence technology combined with real-time STT, Q&A technology, and natural language processing technology, and it is important as it is the first case study that shows specific results in the real world of finance. In the case of a call center in the financial sector, more than 800 types of service must be handled by an agent, so the consultant's work knowledge and experience are very important. In response, the Commission studied the system architecture and knowledge-building measures based on N Bank's example on the establishment of an artificial intelligence-based consulting helper system that provides responses to agents in real-time during the call. Through this process, we identified how to construct an STT system that converts the call contents of customers and consultants into text in real time and how to establish an AI engine for Q&A processing. In addition, the assessment by the actual consultant received a 93.1% positive response and proved useful for the actual work. This study is a typical call center support system based on artificial intelligence technology combined with real-time STT, Q&A technology, and natural language processing technology, and it is important as the first case study that shows specific results in the real world of finance. Sixth, we studied the company chat-bot service quality assessment model from a natural language purpose analysis perspective. Along with the full-scale growth of AI technology, chat-bot services that perform customer response and civil service through artificial intelligence are spreading to private and public organizations. However, there is not much research on user evaluations of chat-bots. In particular, the core of chat-bots is the analysis of the intention of natural language, which is well understood by humans, but there are not many domestic studies. In response, this study investigated elemental technologies of natural language processing and derived five elements of parsing, semantic analysis, notes, spacing, and order analysis. The evaluation index was developed to evaluate these parts and applied to chat-bots in service by actual banks and credit card companies to demonstrate the evaluation model. In the case of banks, 438 inquiries and results were evaluated for 30 services of nine tasks. In case of credit card companies, 35 detailed services were derived for 6 tasks, 14 inquiries by intent were modified, and the results were evaluated before 502. In this study, it is important that the evaluation items of chat-bot's analysis of natural language intent are derived academically and, for the first time, it is demonstrated that chat-bot's problems are identified and a model has been developed to improve its service. In addition, we have developed the foundation for an AI-based contact center system framework that can be applied to real-world contact center systems, including both the content studied so far and existing prior studies. The contact center consists of a telephone infrastructure for answering calls, a contact system for text-based counseling such as chatting, e-mail, and a variety of systems such as CTI Middleware to link them, and an IVR for self-service. As we saw in the previous study, professional counseling or complicated counseling needs to be dealt with continuously by agents because the recognition rate of natural language is not high, so the existing contact center infrastructure and artificial intelligence system needs a system framework that can operate organically while supporting advanced research. Thus, the system configuration and task processes of the existing contact center were analyzed, and the research contents and prior research were investigated to derive artificial intelligence technology elements applicable to the contact center. Based on this, we designed work procedures and interworking methods for applying artificial intelligence to the contact center, and developed the basis for the overall system. Finally, the assessment model of the contact center using AHP and content analysis was studied. By presenting an assessment model to assess the quality of advanced information system-based contact centers such as artificial intelligence, the assessment criteria of the contact center needs to be evaluated not only from the customer service perspective but also from the information system perspective. Research on existing contact center assessments is central to assessment from a customer perspective. Therefore, assessment candidate items were derived through prior study of assessment model, information system, and business-related assessment of existing contact center and call center, and assessment items and hierarchy were organized through content analysis, and weights were calculated through AHP to develop assessment models. We applied these to five actual contact centers to demonstrate the assessment model. It is important to research that a comprehensive model of assessment was developed for the contact center, and that the results of assessment focusing on customer satisfaction were different from those of the existing customer service, thus verifying differentiated usability in the field. Through this study, we identified specific techniques and examples of the contact center's problems and areas where they can be solved through artificial intelligence. The framework was developed and presented for applying them to the actual contact center system. This will give the contact center researchers an understanding of the applicable artificial intelligence technologies and allow them to design specific methods for actual application through the framework. And for researchers who study artificial intelligence, it is expected to be a starting point for them to understand the immediate problem of the industry group called the contact center and to apply it if they have better artificial intelligence technology. In addition, it can be concluded that the study was important to have objective and efficient assessment indicators for the center's change in technology and environment through a comprehensive assessment model of the contact center that includes the latest information technology systems such as artificial intelligence.
The fourth industrial revolution is the disappearance of boundaries between digital, physical and biological technologies, and technological convergence, which is considered a key driver of intelligence information technology such as an artificial intelligence. As a result, more and more high-tech technologies such as artificial intelligence and robots are being applied to existing industries. However, in order to bring artificial intelligence into the industry, it is necessary to identify the characteristics of inefficiency problems arising from each service or task of the individual industry and to discover ways to utilize or apply artificial intelligence from the perspective of optimization of the entire system. However, most of the research related to the contact center has been done using artificial intelligence to implement some functions of the contact center. There is a lot of research on how to use artificial intelligence as a means to assist some of the functions of contact center. However, there have been no integrated studies on the application of artificial intelligence technology to the entire hierarchy of contact centers. In this study, we investigate various application technologies that can enhance the contact center function by using artificial intelligence and improve the indicator of contact centers, and developed the framework of artificial intelligence based contact center systems. We also developed a model for evaluating the quality of the contact centers, which considers the competence and business aspects of the information system such as artificial intelligence as well as the customer 's viewpoint. To solve the immediate problems of the contact center, we first studied and developed a plan to address the key requirements of the contact center using artificial intelligence technology. First, the initial menu service recommendation system for call center IVR was developed. When a customer calls from a contact center that includes a call center, IVR is the first system to respond. In the case of financial institutions, IVR is handles 90% of the total calls, so the importance of IVR is growing. However, due to the nature of IVR, it takes a long time to select a service and it is inconvenient to use. In order to improve the usability, satisfaction and productivity of IVR, we developed an initial menu recommendation system that recommends the best IVR service to the customer when the customer connects to it. The recommendation algorithm is based on analyzing the similarity of customer usage pattern and recommend a method using artificial neural network. Compared with the frequency-based service recommendation method, which was widely used in the existing industry, the average hit rate using the artificial neural network technique for recommendations is 62.18%, which is higher than the existing frequency-based recommendation by 18%. Second, we developed an IVR supplementary menu recommendation system. Because of the nature of IVR, all menus listen to voice guidance, so if you have many steps in the service menu, you have to go to the top menu to select the number, There is a problem that users are dissatisfied, the use time is prolonged, and the efficiency of system resources is deteriorated. We analyzed the patterns of menu that customers frequently use, and developed rules go to another menu after using the service menu. We used the association rule analysis for the pattern rule of the menu movement, but the additional menu was recommended by combining the similarity analysis technique because it is difficult to analyze the menu which has low frequency in the association rule analysis. The recommendation result showed a hit rate of 58.11% in the recommendation based on the association rule analysis, but a recommendation hit rate of 70.14% when the similarity analysis was added. It is confirmed that the proposed recommendation system has enough recommendation effect in IVR of TTI (Touch Tone Interface) method. Third, we developed a model to forecasting the total incoming call volume by time series analysis including deep learning. The contact center industry is a large industry of labor costs. Because contact center response is done in real-time, if you do not arrange appropriate agent according to the customer's call volume or contact volume, you may incur business loss or overspending of operating cost. Thus, the critical decision-making task of the contact center operator is to determine the appropriate level of consultant workforce to maintain the customer response rate while minimizing costs. In order to do this, accurate call prediction should be preceded. There is not much research on this in Korea. In actual call centers, a simple calculation method based on experience and intuition of the person in charge is still mainly used. A model for predicting the call volume based on actual data of the call center using the decomposition technique (STL), smoothing (TBATS), ARIMA, regression analysis (ARIAMX), artificial neural network based TLFN and deep learning based RNN-LSTM and optimized for each. The forecasted result of the developed model is that the deep learning technique RNN-LSTM has the best forecasting result with MAPE 3.9% and RMSE 511.5. Fourth, a strategy was developed to optimize the staffing of Omni Channel Contact Centers through simulation. While the existing call center was a single channel for answering calls only, it is difficult to use a strategy for setting up an agent such as a traditional phone call because the Omni Channel Contact Center combines multiple channels such as e-mail, asynchronous channels such as chatting, etc. Through simulation techniques, the inflow and the amount of air per channel according to the method of placing consultants at Omni Channel Contact Center were modeled based on actual contact center penetration and environment, and analyzed through simulation to study the optimal method for placing consultants. If all consultants have taken a blending strategy that deals with multi-channel channels, it has been confirmed that they can reduce latency by 5.7% and 4.4% while handling more incoming and outgoing inputs than the optimal deployment strategy when placing agents separately on each channel. Fifth, it is a case study on the development of an artificial intelligence-based call center real-time advisor. As more than 800 service types are handled by agents in the case of call centers in the financial sector, it is very important to have an agent's work knowledge or experience. In response, the Commission studied the system architecture and knowledge-building measures based on N Bank's example on the establishment of an artificial intelligence-based consulting helper system that provides responses to agents in real-time during the call. Through this process, we identified how to construct an STT system that converts the call contents of customers and consultants into text in real-time and how to establish an AI engine for Q&A processing. In addition, the assessment by the actual consultant received a 93.1% positive response and proved useful for the actual work. This study is a typical call center support system based on artificial intelligence technology combined with real-time STT, Q&A technology, and natural language processing technology, and it is important as it is the first case study that shows specific results in the real world of finance. In the case of a call center in the financial sector, more than 800 types of service must be handled by an agent, so the consultant's work knowledge and experience are very important. In response, the Commission studied the system architecture and knowledge-building measures based on N Bank's example on the establishment of an artificial intelligence-based consulting helper system that provides responses to agents in real-time during the call. Through this process, we identified how to construct an STT system that converts the call contents of customers and consultants into text in real time and how to establish an AI engine for Q&A processing. In addition, the assessment by the actual consultant received a 93.1% positive response and proved useful for the actual work. This study is a typical call center support system based on artificial intelligence technology combined with real-time STT, Q&A technology, and natural language processing technology, and it is important as the first case study that shows specific results in the real world of finance. Sixth, we studied the company chat-bot service quality assessment model from a natural language purpose analysis perspective. Along with the full-scale growth of AI technology, chat-bot services that perform customer response and civil service through artificial intelligence are spreading to private and public organizations. However, there is not much research on user evaluations of chat-bots. In particular, the core of chat-bots is the analysis of the intention of natural language, which is well understood by humans, but there are not many domestic studies. In response, this study investigated elemental technologies of natural language processing and derived five elements of parsing, semantic analysis, notes, spacing, and order analysis. The evaluation index was developed to evaluate these parts and applied to chat-bots in service by actual banks and credit card companies to demonstrate the evaluation model. In the case of banks, 438 inquiries and results were evaluated for 30 services of nine tasks. In case of credit card companies, 35 detailed services were derived for 6 tasks, 14 inquiries by intent were modified, and the results were evaluated before 502. In this study, it is important that the evaluation items of chat-bot's analysis of natural language intent are derived academically and, for the first time, it is demonstrated that chat-bot's problems are identified and a model has been developed to improve its service. In addition, we have developed the foundation for an AI-based contact center system framework that can be applied to real-world contact center systems, including both the content studied so far and existing prior studies. The contact center consists of a telephone infrastructure for answering calls, a contact system for text-based counseling such as chatting, e-mail, and a variety of systems such as CTI Middleware to link them, and an IVR for self-service. As we saw in the previous study, professional counseling or complicated counseling needs to be dealt with continuously by agents because the recognition rate of natural language is not high, so the existing contact center infrastructure and artificial intelligence system needs a system framework that can operate organically while supporting advanced research. Thus, the system configuration and task processes of the existing contact center were analyzed, and the research contents and prior research were investigated to derive artificial intelligence technology elements applicable to the contact center. Based on this, we designed work procedures and interworking methods for applying artificial intelligence to the contact center, and developed the basis for the overall system. Finally, the assessment model of the contact center using AHP and content analysis was studied. By presenting an assessment model to assess the quality of advanced information system-based contact centers such as artificial intelligence, the assessment criteria of the contact center needs to be evaluated not only from the customer service perspective but also from the information system perspective. Research on existing contact center assessments is central to assessment from a customer perspective. Therefore, assessment candidate items were derived through prior study of assessment model, information system, and business-related assessment of existing contact center and call center, and assessment items and hierarchy were organized through content analysis, and weights were calculated through AHP to develop assessment models. We applied these to five actual contact centers to demonstrate the assessment model. It is important to research that a comprehensive model of assessment was developed for the contact center, and that the results of assessment focusing on customer satisfaction were different from those of the existing customer service, thus verifying differentiated usability in the field. Through this study, we identified specific techniques and examples of the contact center's problems and areas where they can be solved through artificial intelligence. The framework was developed and presented for applying them to the actual contact center system. This will give the contact center researchers an understanding of the applicable artificial intelligence technologies and allow them to design specific methods for actual application through the framework. And for researchers who study artificial intelligence, it is expected to be a starting point for them to understand the immediate problem of the industry group called the contact center and to apply it if they have better artificial intelligence technology. In addition, it can be concluded that the study was important to have objective and efficient assessment indicators for the center's change in technology and environment through a comprehensive assessment model of the contact center that includes the latest information technology systems such as artificial intelligence.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.