聯(lián)絡(luò )中心得益于豐富的歷史數據，應該能夠提供良好的預測。但實(shí)際情況往往大不相同。

　　本文介紹了生成聯(lián)絡(luò )中心預測的四種主要模型的最新想法：

　　讓我們來(lái)看看預測在聯(lián)絡(luò )中心面臨的幾個(gè)挑戰。

　　聯(lián)絡(luò )中心有一個(gè)有趣的數據格式，因為他們有大量的數據，遵循許多季節性的模式。

　　聯(lián)絡(luò )中心數據通常以不同的模式提供

　　聯(lián)絡(luò )中心數據的一個(gè)問(wèn)題是，每小時(shí)的數據通常被平鋪成一個(gè)平均日數據。

　　考文垂大學(xué)（Coventry University）副教授（高級講師）德文·巴羅（Devon Barrow）說(shuō)：“一般來(lái)說(shuō)，我們在工業(yè)界發(fā)現，標準方法是使用某種指數平滑法，很可能是霍爾特o溫特斯（Holt Winters）法。”

　　“通常是在每周的資源配置和總產(chǎn)能水平上，然后進(jìn)行分類(lèi)。將每日或半小時(shí)的數據平均應用于每周的預測量，以用于調度。”

　　“標準方法似乎是基于非常高水平的預測。”

　　聯(lián)絡(luò )中心的數據往往很難預測，因為它包含一系列需要剝離的聯(lián)絡(luò )峰谷。

　　這些峰谷可以從一系列特殊因素中得出，包括

　　來(lái)自The Forum（以前稱(chēng)為專(zhuān)業(yè)規劃論壇--the Professional Planning Forum）的約翰·凱西（John Casey）說(shuō)：“在你使用預測方法之前，你需要能夠從你的聯(lián)絡(luò )中心預測中剝離出一些特殊的日子，否則你的假設是每年都會(huì )有一次世界杯。”

　　“本質(zhì)上，您需要去掉特殊日期，運行預測，然后將它們放回您的數據中以供報告之用。”

　　三重指數平滑（也稱(chēng)為Holt-Winters技術(shù)）是一種簡(jiǎn)單的預測技術(shù)，作為一種預測方法，它的穩定性令人驚訝。自20世紀60年代開(kāi)始使用，并廣泛應用于聯(lián)絡(luò )中心預測，它構成了大多數勞動(dòng)力管理（WFM）預測系統的主干。

　　“三重”一詞意味著(zhù)預測數據被分成3個(gè)預測組成部分--水平、趨勢和季節性--以相互“隔離”每個(gè)組成部分。

　　如果我們以月度預測為例，那么三個(gè)組成部分是

　　水平--上個(gè)月的預測

　　趨勢--與上個(gè)月相比，聯(lián)系人的預期增加或減少

　　季節性--季節對數據的影響（例如，3月份可能是一年中平均月份的120%，8月份可能是平均月份的85%--因為許多人在8月份休假，不太可能打電話(huà)給聯(lián)絡(luò )中心）。

　　指數平滑這一術(shù)語(yǔ)適用于從一個(gè)周期到下一個(gè)周期平滑（或平均）數據的方式。

　　使用三重指數平滑，水平、趨勢和季節性趨勢都是指數平滑的。艱難的工作來(lái)自于平滑系數的選擇--α（代表水平）、β（代表趨勢）和γ（代表季節性）。

　　這種方法的一個(gè)優(yōu)點(diǎn)是，一旦你熟悉了這個(gè)方法，就很容易對它進(jìn)行建模，甚至可以在Excel電子表格中進(jìn)行預測。

　　我們開(kāi)發(fā)了一個(gè)聯(lián)絡(luò )中心預測工具，一個(gè)免費的每月電子表格模板，你可以使用。

　　最大的危險是很容易“過(guò)度擬合”數據，因此，如果歷史交易量出現任何異常情況，例如停機或需求高峰，這些都可能導致非常奇怪的預測。

　　雖然三重指數預測可以被視為一種穩健的“通用”預測模型，但它更適合于長(cháng)期預測，而不是短期預測。

　　也可以使用雙重指數平滑和一系列其他變體。

　　ARIMA（自回歸綜合移動(dòng)平均--Auto Regressive Integrated Moving Average）

　　一種更先進(jìn)（更復雜）的預測方法是ARIMA，它在過(guò)去10年中越來(lái)越流行。

　　ARIMA是自回歸綜合移動(dòng)平均數的縮寫(xiě)。

　　在2007年國家統計局（Officef or National Statistics）將ARIMA作為首選算法之后，人們對ARIMA的興趣與日俱增。

　　ARIMA有三個(gè)主要組成部分：

　　自回歸--將數據與過(guò)去的模式進(jìn)行比較的能力（例如12個(gè)月或52周前的時(shí)間差）

　　綜合--比較或區別當前觀(guān)察與先前觀(guān)察的能力

　　移動(dòng)平均值--平滑過(guò)去一段時(shí)間內的數據的能力。

　　人們常說(shuō)三重指數平滑是ARIMA的一個(gè)特例。

　　ARIMA的一個(gè)特例看起來(lái)很有前途，是一種叫做雙季節ARIMA的特殊配方，由牛津大學(xué)的泰勒開(kāi)發(fā)。

　　這允許您在數據中輸入多個(gè)季節性。因此，例如，您可以通過(guò)將季節性設置為48個(gè)時(shí)段（即24小時(shí)）和336個(gè)時(shí)段（48x7個(gè)時(shí)段或一周）來(lái)輸入每半小時(shí)數據。

　　從理論上講，ARIMA方法應該能夠產(chǎn)生更好的結果。三重指數平滑只有三個(gè)參數，所以它是一個(gè)相當簡(jiǎn)單的方法。ARIMA有更多的參數，其中一些參數更直觀(guān)。問(wèn)題在于復雜度可能會(huì )自行下降。

　　根據Brian O'Donnell在Stack Exchange上的帖子，“我見(jiàn)過(guò)有不同數據集的人比較兩種算法的結果，得到不同的結果。在某些情況下，Holt-Winters算法比ARIMA算法給出更好的結果，而在其他情況下則相反。我不認為你會(huì )找到一個(gè)明確的答案，那就是什么時(shí)候該用一個(gè)來(lái)代替另一個(gè)。”

　　Lancaster University副教授（高級講師）Nikos Kourentzes說(shuō)：“ARIMA和指數平滑的問(wèn)題是，它們都無(wú)法獲得高頻數據的長(cháng)期趨勢。”

　　最近，神經(jīng)網(wǎng)絡(luò )受到了廣泛的關(guān)注，特別是自從谷歌開(kāi)始將其用于人工智能--語(yǔ)音識別和搜索算法之后。

　　神經(jīng)網(wǎng)絡(luò )也可以用于聯(lián)絡(luò )中心的預測。

　　Lancaster University副教授（高級講師）Nikos Kourentzes說(shuō)：“神經(jīng)網(wǎng)絡(luò )用于預測已經(jīng)超過(guò)20年了，但最近我們看到計算能力的巨大增長(cháng)，這使得它們更加實(shí)用。”

　　神經(jīng)網(wǎng)絡(luò )是一種試圖模擬人腦中神經(jīng)元或腦細胞的網(wǎng)絡(luò )，它由許多試圖模擬人腦功能的“節點(diǎn)”組成。

　　這些網(wǎng)絡(luò )會(huì )查看一系列輸入，然后嘗試調整一個(gè)“隱藏”的網(wǎng)絡(luò )，方法是改變一些權重，直到它們接近輸出匹配為止。例如，它們將掃描一系列的呼叫，并嘗試將下一項數據與預測相匹配。

　　看來(lái)神經(jīng)網(wǎng)絡(luò )在聯(lián)絡(luò )中心預測方面可能有很多潛在的優(yōu)勢

　　對于神經(jīng)網(wǎng)絡(luò )來(lái)說(shuō)，一些最令人興奮的因素可能是自動(dòng)從預測中剝離出特殊的日子。

　　但是神經(jīng)網(wǎng)絡(luò )也有很多缺點(diǎn)。

　　“神經(jīng)網(wǎng)絡(luò )得到的評價(jià)褒貶不一，部分原因是它們使用不當。其理念是，如果我遇到預測問(wèn)題，我就使用神經(jīng)網(wǎng)絡(luò )，不管問(wèn)題的具體挑戰是什么，它都將有助于解決問(wèn)題，都將會(huì )越來(lái)越準確。”考文垂大學(xué)（Coventry University）副教授（高級講師）德文·巴羅（Devon Barrow）說(shuō)。

　　“神經(jīng)網(wǎng)絡(luò )受到抨擊是因為它們是所謂的黑匣子--你看不到里面發(fā)生了什么。”

　　神經(jīng)網(wǎng)絡(luò )是“非常看重輸入”的，這意味著(zhù)它們最適合處理高頻間隔（通常是半小時(shí)或四分之一小時(shí)）的數據。

　　生成神經(jīng)網(wǎng)絡(luò )的關(guān)鍵似乎在于網(wǎng)絡(luò )有多少節點(diǎn)（本質(zhì)上是多少內存），理論上更多的節點(diǎn)應該產(chǎn)生更好的結果，但性能要慢得多。

　　Nikos Kourentzes說(shuō)：“如果問(wèn)題是線(xiàn)性的，那么一個(gè)節點(diǎn)就足夠了，序列越復雜，需要的節點(diǎn)就越多。”。

　　“但復雜并不意味著(zhù)人們所看到的復雜，在我看來(lái)，聯(lián)絡(luò )中心的時(shí)間序列看起來(lái)相當復雜，但從數學(xué)角度來(lái)說(shuō)卻不是。在大多數聯(lián)絡(luò )中心應用中，少量的節點(diǎn)就足夠了。”

　　Nikos Kourentzes總結說(shuō)：“神經(jīng)網(wǎng)絡(luò )也不太擅長(cháng)做趨勢，但它們非常擅長(cháng)處理季節性。”

　　聯(lián)絡(luò )中心預測的最新思想是多時(shí)態(tài)聚合，這是一種兼顧高頻數據（每天每小時(shí)、每周）和長(cháng)期趨勢的方法。

　　舉個(gè)例子，如果你把2016年的聯(lián)系人總數與2015年相比，你發(fā)現它增加了8%，那么這就是你的趨勢。你完全去掉了季節性因素。本質(zhì)上，這就是全年的聯(lián)系人和特殊事件的平均數。

　　Nikos Kourentzes說(shuō)：“在年度數據中，你可以很容易地看到長(cháng)期變化，但你看不到季節性、促銷(xiāo)或特殊活動(dòng)。在高頻數據（每小時(shí)、每天）中，你看到的恰恰相反。”

　　通過(guò)聚合系列，您可以從不同的角度查看它。您永遠無(wú)法從一個(gè)單一的視角提取所有內容，但如果您從不同的聚合級別將所有聚合集合在一起，則您將擁有一個(gè)整體視圖。

　　多時(shí)態(tài)聚合的優(yōu)點(diǎn)是可以同時(shí)關(guān)注日內數據和長(cháng)期數據。

　　Nikos Kourentzes說(shuō)：“假設我想預測一周前的情況。你所做的一開(kāi)始聽(tīng)起來(lái)有點(diǎn)奇怪，然后就有意義了。我需要預測未來(lái)一年的所有事情。”

　　“一年的小時(shí)數，一年的天數，一年的周數，一年的季度數，一整年的時(shí)間，所以一個(gè)是一個(gè)觀(guān)測值，另一個(gè)是8760個(gè)觀(guān)測值。”

　　“這樣做的好處是，現在你已經(jīng)創(chuàng )建了一個(gè)金字塔，在那里你可以協(xié)調價(jià)值觀(guān)，一切都能正確地相加。你可以將信息從頂層傳遞到底層，反之亦然。”

　　為了幫助理解多時(shí)態(tài)聚合是如何工作的，統計建模軟件包R中產(chǎn)生了一個(gè)軟件模型，稱(chēng)為MAPA--多重聚合預測算法，它可以產(chǎn)生一些有希望的預測。還有一種叫小偷的MTA算法。

　　這種方法的結果看起來(lái)非常有趣。

　　對于一群花時(shí)間預測未來(lái)的人來(lái)說(shuō)，哪種預測方法會(huì )占上風(fēng)的問(wèn)題似乎有點(diǎn)像是在問(wèn)“一根刺有多長(cháng)”的問(wèn)題。

　　當然，神經(jīng)網(wǎng)絡(luò )和MTA看起來(lái)都能帶來(lái)有希望的結果。

　　但這可能不是“非此即彼”的情況。

　　神經(jīng)網(wǎng)絡(luò )和其他方法的結合是可能的，例如，我們可以看到一個(gè)神經(jīng)網(wǎng)絡(luò )過(guò)濾器在一個(gè)多時(shí)態(tài)聚合模型前面，或者我們也可以看到神經(jīng)網(wǎng)絡(luò )與指數平滑相結合。

　　德文·巴羅（Devon Barrow）說(shuō)：“我認為，在采用更復雜的預測方法方面，聯(lián)絡(luò )中心行業(yè)已經(jīng)落后了。”

　　“不過(guò)，我認為問(wèn)題不在于準確性。如果你展望未來(lái)四五年，我認為總體上會(huì )從預測準確度轉向決策。”

　　“這一轉變將是將預測更好地融入決策過(guò)程，也就是說(shuō)，不僅要根據準確度來(lái)選擇預測，還要根據預測所支持的決策質(zhì)量，比如員工排班和新座席的培訓。”

　　你在聯(lián)絡(luò )中心使用哪些預測方法？他們對你有多好？

　　原文網(wǎng)址：

　　https://www.callcentrehelper.com/the-latest-techniques-for-call-centre-forecasting-117394.htm