CALL MAPPING SYSTEMS AND METHODS USING BAYESIAN MEAN REGRESSION (BMR)
A method comprising: determining a distribution of real agent performance from previous real agent performance data; determining a set of hypothetical agents with respective hypothetical agent performances APi ranging from a worst performance to a best performance; calculating for each of the set of...
Gespeichert in:
| Hauptverfasser: | , |
|---|---|
| Format: | Patent |
| Sprache: | eng ; fre |
| Schlagworte: | |
| Online-Zugang: | Volltext bestellen |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | |
|---|---|
| container_issue | |
| container_start_page | |
| container_title | |
| container_volume | |
| creator | CHISHTI, ZIA SPOTTISWOODE, S. JAMES P |
| description | A method comprising: determining a distribution of real agent performance from previous real agent performance data; determining a set of hypothetical agents with respective hypothetical agent performances APi ranging from a worst performance to a best performance; calculating for each of the set of hypothetical agents a posterior distribution taking into account actual results of a respective actual agent in multiple skills, using the distribution of real agent performance and the set of hypothetical agents with respective hypothetical agent performances APi, to obtain a total probability for each hypothetical agent of the set of the hypothetical agents; repeating calculating the posterior distribution steps for multiple of the hypothetical agents to obtain the respective total probabilities for the respective hypothetical agents; determining one hypothetical agent with a better value of total probability as the actual agent's most probable global performance. This method may also be applied to obtain caller global propensity.
L'invention porte sur un procédé consistant à : déterminer une distribution de performance d'agents réels à partir de données de performance d'agent réel précédentes ; déterminer un ensemble d'agents hypothétiques ayant des performances d'agent hypothétique respectives APi allant d'une pire performance à une meilleure performance ; calculer, pour chaque agent hypothétique de l'ensemble d'agents hypothétiques, une distribution postérieure en prenant en considération des résultats actuels d'un agent actuel respectif dans de multiples compétences, en utilisant la distribution de performance d'agent réel et l'ensemble d'agents hypothétiques ayant des performances d'agent hypothétique respectives APi, afin d'obtenir une probabilité totale pour chaque agent hypothétique de l'ensemble d'agents hypothétiques ; répéter le calcul des étapes de distribution postérieure pour plusieurs des agents hypothétiques afin d'obtenir les probabilités totales respectives pour les agents hypothétiques respectifs ; déterminer un agent hypothétique ayant une meilleure valeur de probabilité totale à titre de performance globale la plus probable de l'agent actuel. Ce procédé peut également être appliqué pour obtenir une propension globale d'appelant. |
| format | Patent |
| fullrecord | <record><control><sourceid>epo_EVB</sourceid><recordid>TN_cdi_epo_espacenet_CA2868022C</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>CA2868022C</sourcerecordid><originalsourceid>FETCH-epo_espacenet_CA2868022C3</originalsourceid><addsrcrecordid>eNrjZHB1dvTxUfB1DAjw9HNXCI4MDnH1DVZw9HNR8HUN8fB3CVYIDQbJODlGugZ7OvoBhYFEkKt7kGtwsKe_n4KGk2-QJg8Da1piTnEqL5TmZpB3cw1x9tBNLciPTy0uSExOzUstiXd2NLIwszAwMnI2JqwCALowKtc</addsrcrecordid><sourcetype>Open Access Repository</sourcetype><iscdi>true</iscdi><recordtype>patent</recordtype></control><display><type>patent</type><title>CALL MAPPING SYSTEMS AND METHODS USING BAYESIAN MEAN REGRESSION (BMR)</title><source>esp@cenet</source><creator>CHISHTI, ZIA ; SPOTTISWOODE, S. JAMES P</creator><creatorcontrib>CHISHTI, ZIA ; SPOTTISWOODE, S. JAMES P</creatorcontrib><description>A method comprising: determining a distribution of real agent performance from previous real agent performance data; determining a set of hypothetical agents with respective hypothetical agent performances APi ranging from a worst performance to a best performance; calculating for each of the set of hypothetical agents a posterior distribution taking into account actual results of a respective actual agent in multiple skills, using the distribution of real agent performance and the set of hypothetical agents with respective hypothetical agent performances APi, to obtain a total probability for each hypothetical agent of the set of the hypothetical agents; repeating calculating the posterior distribution steps for multiple of the hypothetical agents to obtain the respective total probabilities for the respective hypothetical agents; determining one hypothetical agent with a better value of total probability as the actual agent's most probable global performance. This method may also be applied to obtain caller global propensity.
L'invention porte sur un procédé consistant à : déterminer une distribution de performance d'agents réels à partir de données de performance d'agent réel précédentes ; déterminer un ensemble d'agents hypothétiques ayant des performances d'agent hypothétique respectives APi allant d'une pire performance à une meilleure performance ; calculer, pour chaque agent hypothétique de l'ensemble d'agents hypothétiques, une distribution postérieure en prenant en considération des résultats actuels d'un agent actuel respectif dans de multiples compétences, en utilisant la distribution de performance d'agent réel et l'ensemble d'agents hypothétiques ayant des performances d'agent hypothétique respectives APi, afin d'obtenir une probabilité totale pour chaque agent hypothétique de l'ensemble d'agents hypothétiques ; répéter le calcul des étapes de distribution postérieure pour plusieurs des agents hypothétiques afin d'obtenir les probabilités totales respectives pour les agents hypothétiques respectifs ; déterminer un agent hypothétique ayant une meilleure valeur de probabilité totale à titre de performance globale la plus probable de l'agent actuel. Ce procédé peut également être appliqué pour obtenir une propension globale d'appelant.</description><language>eng ; fre</language><subject>CALCULATING ; COMPUTING ; COUNTING ; DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FORADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORYOR FORECASTING PURPOSES ; ELECTRIC COMMUNICATION TECHNIQUE ; ELECTRICITY ; PHYSICS ; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE,COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTINGPURPOSES, NOT OTHERWISE PROVIDED FOR ; TELEPHONIC COMMUNICATION</subject><creationdate>2022</creationdate><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><linktohtml>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20220920&DB=EPODOC&CC=CA&NR=2868022C$$EHTML$$P50$$Gepo$$Hfree_for_read</linktohtml><link.rule.ids>230,308,776,881,25542,76516</link.rule.ids><linktorsrc>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20220920&DB=EPODOC&CC=CA&NR=2868022C$$EView_record_in_European_Patent_Office$$FView_record_in_$$GEuropean_Patent_Office$$Hfree_for_read</linktorsrc></links><search><creatorcontrib>CHISHTI, ZIA</creatorcontrib><creatorcontrib>SPOTTISWOODE, S. JAMES P</creatorcontrib><title>CALL MAPPING SYSTEMS AND METHODS USING BAYESIAN MEAN REGRESSION (BMR)</title><description>A method comprising: determining a distribution of real agent performance from previous real agent performance data; determining a set of hypothetical agents with respective hypothetical agent performances APi ranging from a worst performance to a best performance; calculating for each of the set of hypothetical agents a posterior distribution taking into account actual results of a respective actual agent in multiple skills, using the distribution of real agent performance and the set of hypothetical agents with respective hypothetical agent performances APi, to obtain a total probability for each hypothetical agent of the set of the hypothetical agents; repeating calculating the posterior distribution steps for multiple of the hypothetical agents to obtain the respective total probabilities for the respective hypothetical agents; determining one hypothetical agent with a better value of total probability as the actual agent's most probable global performance. This method may also be applied to obtain caller global propensity.
L'invention porte sur un procédé consistant à : déterminer une distribution de performance d'agents réels à partir de données de performance d'agent réel précédentes ; déterminer un ensemble d'agents hypothétiques ayant des performances d'agent hypothétique respectives APi allant d'une pire performance à une meilleure performance ; calculer, pour chaque agent hypothétique de l'ensemble d'agents hypothétiques, une distribution postérieure en prenant en considération des résultats actuels d'un agent actuel respectif dans de multiples compétences, en utilisant la distribution de performance d'agent réel et l'ensemble d'agents hypothétiques ayant des performances d'agent hypothétique respectives APi, afin d'obtenir une probabilité totale pour chaque agent hypothétique de l'ensemble d'agents hypothétiques ; répéter le calcul des étapes de distribution postérieure pour plusieurs des agents hypothétiques afin d'obtenir les probabilités totales respectives pour les agents hypothétiques respectifs ; déterminer un agent hypothétique ayant une meilleure valeur de probabilité totale à titre de performance globale la plus probable de l'agent actuel. Ce procédé peut également être appliqué pour obtenir une propension globale d'appelant.</description><subject>CALCULATING</subject><subject>COMPUTING</subject><subject>COUNTING</subject><subject>DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FORADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORYOR FORECASTING PURPOSES</subject><subject>ELECTRIC COMMUNICATION TECHNIQUE</subject><subject>ELECTRICITY</subject><subject>PHYSICS</subject><subject>SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE,COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTINGPURPOSES, NOT OTHERWISE PROVIDED FOR</subject><subject>TELEPHONIC COMMUNICATION</subject><fulltext>true</fulltext><rsrctype>patent</rsrctype><creationdate>2022</creationdate><recordtype>patent</recordtype><sourceid>EVB</sourceid><recordid>eNrjZHB1dvTxUfB1DAjw9HNXCI4MDnH1DVZw9HNR8HUN8fB3CVYIDQbJODlGugZ7OvoBhYFEkKt7kGtwsKe_n4KGk2-QJg8Da1piTnEqL5TmZpB3cw1x9tBNLciPTy0uSExOzUstiXd2NLIwszAwMnI2JqwCALowKtc</recordid><startdate>20220920</startdate><enddate>20220920</enddate><creator>CHISHTI, ZIA</creator><creator>SPOTTISWOODE, S. JAMES P</creator><scope>EVB</scope></search><sort><creationdate>20220920</creationdate><title>CALL MAPPING SYSTEMS AND METHODS USING BAYESIAN MEAN REGRESSION (BMR)</title><author>CHISHTI, ZIA ; SPOTTISWOODE, S. JAMES P</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-epo_espacenet_CA2868022C3</frbrgroupid><rsrctype>patents</rsrctype><prefilter>patents</prefilter><language>eng ; fre</language><creationdate>2022</creationdate><topic>CALCULATING</topic><topic>COMPUTING</topic><topic>COUNTING</topic><topic>DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FORADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORYOR FORECASTING PURPOSES</topic><topic>ELECTRIC COMMUNICATION TECHNIQUE</topic><topic>ELECTRICITY</topic><topic>PHYSICS</topic><topic>SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE,COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTINGPURPOSES, NOT OTHERWISE PROVIDED FOR</topic><topic>TELEPHONIC COMMUNICATION</topic><toplevel>online_resources</toplevel><creatorcontrib>CHISHTI, ZIA</creatorcontrib><creatorcontrib>SPOTTISWOODE, S. JAMES P</creatorcontrib><collection>esp@cenet</collection></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext_linktorsrc</fulltext></delivery><addata><au>CHISHTI, ZIA</au><au>SPOTTISWOODE, S. JAMES P</au><format>patent</format><genre>patent</genre><ristype>GEN</ristype><title>CALL MAPPING SYSTEMS AND METHODS USING BAYESIAN MEAN REGRESSION (BMR)</title><date>2022-09-20</date><risdate>2022</risdate><abstract>A method comprising: determining a distribution of real agent performance from previous real agent performance data; determining a set of hypothetical agents with respective hypothetical agent performances APi ranging from a worst performance to a best performance; calculating for each of the set of hypothetical agents a posterior distribution taking into account actual results of a respective actual agent in multiple skills, using the distribution of real agent performance and the set of hypothetical agents with respective hypothetical agent performances APi, to obtain a total probability for each hypothetical agent of the set of the hypothetical agents; repeating calculating the posterior distribution steps for multiple of the hypothetical agents to obtain the respective total probabilities for the respective hypothetical agents; determining one hypothetical agent with a better value of total probability as the actual agent's most probable global performance. This method may also be applied to obtain caller global propensity.
L'invention porte sur un procédé consistant à : déterminer une distribution de performance d'agents réels à partir de données de performance d'agent réel précédentes ; déterminer un ensemble d'agents hypothétiques ayant des performances d'agent hypothétique respectives APi allant d'une pire performance à une meilleure performance ; calculer, pour chaque agent hypothétique de l'ensemble d'agents hypothétiques, une distribution postérieure en prenant en considération des résultats actuels d'un agent actuel respectif dans de multiples compétences, en utilisant la distribution de performance d'agent réel et l'ensemble d'agents hypothétiques ayant des performances d'agent hypothétique respectives APi, afin d'obtenir une probabilité totale pour chaque agent hypothétique de l'ensemble d'agents hypothétiques ; répéter le calcul des étapes de distribution postérieure pour plusieurs des agents hypothétiques afin d'obtenir les probabilités totales respectives pour les agents hypothétiques respectifs ; déterminer un agent hypothétique ayant une meilleure valeur de probabilité totale à titre de performance globale la plus probable de l'agent actuel. Ce procédé peut également être appliqué pour obtenir une propension globale d'appelant.</abstract><oa>free_for_read</oa></addata></record> |
| fulltext | fulltext_linktorsrc |
| identifier | |
| ispartof | |
| issn | |
| language | eng ; fre |
| recordid | cdi_epo_espacenet_CA2868022C |
| source | esp@cenet |
| subjects | CALCULATING COMPUTING COUNTING DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FORADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORYOR FORECASTING PURPOSES ELECTRIC COMMUNICATION TECHNIQUE ELECTRICITY PHYSICS SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE,COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTINGPURPOSES, NOT OTHERWISE PROVIDED FOR TELEPHONIC COMMUNICATION |
| title | CALL MAPPING SYSTEMS AND METHODS USING BAYESIAN MEAN REGRESSION (BMR) |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-14T21%3A15%3A48IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-epo_EVB&rft_val_fmt=info:ofi/fmt:kev:mtx:patent&rft.genre=patent&rft.au=CHISHTI,%20ZIA&rft.date=2022-09-20&rft_id=info:doi/&rft_dat=%3Cepo_EVB%3ECA2868022C%3C/epo_EVB%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true |