CUSTOMER RELATIONSHIP MANAGEMENT:

Transcript

1 LA BICOCCA PER LE IMPRESE CUSTOMER RELATIONSHIP MANAGEMENT: MODELLI E TECNOLOGIE PROGETTO WISPER: ESEMPIO DI CUSTOMER SATISFACTION VITTORIO VIGANO CONSORZIO MILANO RICERCHE MERCOLEDI 22 GIUGNO 2005 Università degli Studi di Milano Bicocca

2 W.I.S.P.E.R. esempio di customer satisfaction Vittorio Viganò Consorzio Milano Ricerche 1 WISPER: cos è Worldwide Intelligent Semantic Patent Extraction & Retrieval E un portale web innovativo per la ricerca e il recupero di informazioni da grandi database contenenti i brevetti depositati presso i diversi Uffici Brevetti o Patent Office. 2

3 Principali caratteristiche (1/2) Data Encoding: dai singoli CD contenti i brevetti viene popolato un DB proprietario. Data Mining: dal DB proprietario mediante tecniche di data mining viene estratta conoscenza e visualizzata in maniera opportuna (clustering). Image Search: da un immagine vengono recuperati tutti quei brevetti contenenti una figura simile. 3 Principali caratteristiche (2/2) Natural Multilanguage Search: da una domanda scritta in linguaggio naturale vengono estratte le parole da utilizzare come Query (ing-fra-ita-spa-ted). User Profiling: imparando dal comportamento dell utente all interno del portale suggerisce nuovi e più specifici termini di Query. 4

4 User Profiling: obiettivi. Caratterizzare il profilo dell utente attraverso l analisi delle sessioni di ricerca. Imparare nuove Query più specifiche all interno dell area d interesse dell utente. Minimizzare il TTK (Time-To-Knowledge) proponendo Query più appropriate. Massimizzare quindi l efficacia, l efficienza, e la soddisfazione dell utente. 5 User Profiling: terminologia. Utente: persona fisica o gruppo di persone che condividono la medesima area di interesse. Non sono quindi richieste informazioni personali. Sessione Di Ricerca: History File contenente per ogni utente coppie di informazioni Query-Patent ID. Dynamic Query List: specifici termini di query (technical term) dinamicamente suggeriti dal profilo. 6

5 User Profiling: algoritmo. L approccio scientifico usato per ottenere gli obiettivi è stato la BCPNN (Bayesian Confidence Propagation Neural Network) Training: fase off-line dell algoritmo durante la quale viene creato il profilo dell utente partendo dall analisi delle sue sessioni di ricerca. Inference: fase on-line dell algortimo durante la quale il modello neurale riceve in input le query generiche dell utente e restituisce in output le query specifiche (dynamic query list). 7 User Profile: training dataset. Il training dataset è di fatto un indicizzato che mette in relazione ad ogni Patent ID una serie di technical term estratti dalle singole parti testuali del brevetto in maniera automatica tramite algoritmi di data mining. 8

6 User Profiling: voting. L utente, votando uno o più cluster creati a seguito di una specifica ricerca, esprime un giudizio diretto indicando un esplicita preferenza che migliora ulteriormente la qualità del proprio profilo. 9 WISPER: on-line demo. URL: 10