A carregar...
Publicação
Call it a match! AI integration with psychometrics in pairing models for better conversation
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.88 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This thesis explores the integration of psychometric data into AI-based customer-operator pairing models to enhance call center performance. Traditional models often rely heavily on historical data, overlooking human factors such as personality traits and work behaviors. To address this, a personality survey grounded in the Big Five Personality Traits, Core Self-Evaluations, Working Styles, Emotional Labor, and Customer Service Behaviors was conducted among call center operators. Aligning with the study’s first research question, factor analysis was applied to validate the accuracy of these theoretical models in representing operator personalities. Then, using supervised learning techniques – Logistic Regression, Random Forest, Gradient Boosting Machines, and XGBoost – models were trained and evaluated on datasets incorporating personality features. Results revealed a modest but not statistically significant improvement in F1 score and Recall. However, personality traits emerged among the top ten most important features, highlighting their potential to enhance model transparency and explainability. Beyond that, the inclusion of psychometric data fosters a better alignment between operators and customers, enhancing trust, reducing conflicts, and improving customer satisfaction. Additionally, leveraging operator strengths can optimize performance, mitigate burnout, and inform personalized training initiatives. Psychometric traits also provide predictive insights into critical service behaviors, contributing to a more human-centered approach to customer service. These findings underscore the value of psychometric data in complementing existing AI-driven pairing systems, paving the way for more tailored, transparent, and effective call center operations.
Esta tese explora a integração de dados psicométricos em modelos de emparelhamento clienteoperador baseados em IA para melhorar o desempenho dos call centers. Os modelostradicionais frequentemente dependem de dados históricos, desconsiderando fatores humanos, como traços de personalidade e comportamentos laborais. Para abordar esta questão, foi realizado um inquérito de personalidade com base no Modelo dos Cinco Fatores, Core Self-Evaluations, Working Styles, Emotional Labor, e Customer Service Behaviors entre operadores de call centers. Em alinhamento com a primeira questão de investigação, foi realizada uma análise fatorial para validar a precisão destes modelos teóricos na representação das personalidades dos operadores. Em seguida, técnicas de supervized machine learning – Logistic Regression, Random Forest, Gradient Boosting Machines e XGBoost – foram usadas para treinar e avaliar modelos que incluíam características de personalidade. Os resultados revelaram uma melhoria modesta, mas estatisticamente não significativa, no F1 score e no Recall. No entanto, os traços de personalidade destacaram-se entre as dez características mais importantes, sublinhando o seu potencial para melhorar a transparência e a explicabilidade dos modelos. Além disso, a inclusão de dados psicométricos melhora a compatibilidade entre operadores e clientes, promovendo confiança, reduzindo conflitos e aumentando a satisfação do cliente. Ao mesmo tempo, o aproveitamento dos pontos fortes dos operadores otimiza o desempenho, reduz o burnout e informa iniciativas de formação personalizadas. Em suma, estes resultados destacam o valor dos dados psicométricos em complementar os sistemas de emparelhamento baseados em IA já existentes, abrindo caminho para operações de call center mais personalizadas, transparentes e eficazes.
Esta tese explora a integração de dados psicométricos em modelos de emparelhamento clienteoperador baseados em IA para melhorar o desempenho dos call centers. Os modelostradicionais frequentemente dependem de dados históricos, desconsiderando fatores humanos, como traços de personalidade e comportamentos laborais. Para abordar esta questão, foi realizado um inquérito de personalidade com base no Modelo dos Cinco Fatores, Core Self-Evaluations, Working Styles, Emotional Labor, e Customer Service Behaviors entre operadores de call centers. Em alinhamento com a primeira questão de investigação, foi realizada uma análise fatorial para validar a precisão destes modelos teóricos na representação das personalidades dos operadores. Em seguida, técnicas de supervized machine learning – Logistic Regression, Random Forest, Gradient Boosting Machines e XGBoost – foram usadas para treinar e avaliar modelos que incluíam características de personalidade. Os resultados revelaram uma melhoria modesta, mas estatisticamente não significativa, no F1 score e no Recall. No entanto, os traços de personalidade destacaram-se entre as dez características mais importantes, sublinhando o seu potencial para melhorar a transparência e a explicabilidade dos modelos. Além disso, a inclusão de dados psicométricos melhora a compatibilidade entre operadores e clientes, promovendo confiança, reduzindo conflitos e aumentando a satisfação do cliente. Ao mesmo tempo, o aproveitamento dos pontos fortes dos operadores otimiza o desempenho, reduz o burnout e informa iniciativas de formação personalizadas. Em suma, estes resultados destacam o valor dos dados psicométricos em complementar os sistemas de emparelhamento baseados em IA já existentes, abrindo caminho para operações de call center mais personalizadas, transparentes e eficazes.
Descrição
Palavras-chave
AI matching models Call centers Customer retention Dados psicométricos Modelos de emparelhamento com IA Personality traits Psychometric data Retenção de clientes Traços de personalidade
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC