CTI論壇(ctiforum.com)（編譯/老秦）： 我們研究呼叫中心預測的最新思想和技術(shù)。

 

　　呼叫中心受益于豐富的歷史數據，應該能夠提供良好的預測。但現實(shí)往往是截然不同的。本文介紹了四種用于生成呼叫中心和勞動(dòng)力管理預測的領(lǐng)先模型的最新思想：

　　讓我們來(lái)看一下呼叫中心預測面臨的幾個(gè)挑戰。

　　● 多個(gè)季節

　　呼叫中心有一種有趣的數據格式，因為它們有大量數據，這些數據遵循許多季節性需求模式。

　　呼叫中心數據通常以一系列不同的模式提供

　　● 處理高頻（小時(shí)和每日）數據

　　呼叫中心數據的一個(gè)問(wèn)題是，每小時(shí)的數據往往被扁平化為每日的平均數據。

　　考文垂大學(xué)副教授（高級講師）Devon Barrow 表示："一般來(lái)說(shuō)，我們發(fā)現在行業(yè)中，標準方法是使用某種指數平滑，很可能是霍爾特·溫特斯（Holt Winters）。"

　　"通常，這是在每周一級完成的，用于資源配置和一般容量，然后進(jìn)行分類(lèi)。對于每日或半小時(shí)的數據，然后將每日和每小時(shí)的平均數據應用于每周預測量，以用于計劃。"

　　"標準方法似乎基于非常高水平的預測。"

　　● 從預測中隔離特殊日期

　　呼叫中心數據或一線(xiàn)辦公室數據通常更難預測，因為它包含一系列需要從預測中分離出來(lái)的聯(lián)系高峰和低谷。

　　這些可以從一系列特殊因素中得出，包括

　　論壇（以前稱(chēng)為專(zhuān)業(yè)規劃論壇）的 John Casey 表示："你需要能夠將特殊日子與呼叫中心的預測隔離開(kāi)來(lái)，然后再通過(guò)預測方法進(jìn)行預測。否則，就會(huì )假設每年都有一屆世界杯。"

　　"本質(zhì)上，您需要去掉特殊的日期，運行預測，然后將它們放回您的數據中，以便進(jìn)行報告。"

　　三重指數平滑（Triple Exponential Smoothing）（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，它具有驚人的魯棒性（robust）。它自20世紀60年代開(kāi)始使用，廣泛用于呼叫中心預測--它構成了大多數勞動(dòng)力管理（WFM）預測系統的主干。

　　術(shù)語(yǔ)"三重（Triple）"意味著(zhù)預測數據被分為三個(gè)預測組件--級別、趨勢和季節性--以將每個(gè)組件相互"隔離"。

　　如果我們以月度預測為例，那么這三個(gè)部分是

　　指數平滑一詞適用于數據從一個(gè)周期平滑（或平均）到下一個(gè)周期的方式。

　　使用三重指數平滑，水平、趨勢和季節趨勢以指數方式平滑。困難在于平滑系數的選擇--Alpha（表示水平）、Beta（表示趨勢）和Gamma（表示季節性）。

　　這種方法的優(yōu)點(diǎn)之一是，一旦你了解了這個(gè)方法，就很容易對其建模，甚至可以在 Excel 電子表格中進(jìn)行預測。

　　最大的危險是，數據很容易"過(guò)擬合"，因此，如果歷史數據量中有任何異常情況，例如停機或需求峰值，這些可能會(huì )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。

　　在過(guò)去10年中，一種更先進(jìn)（更復雜）的預測方法是 ARIMA。

　　ARIMA 是 AutoRegressive Integrated Moving Average 的縮寫(xiě)。

　　在 2007 年國家統計局將 ARIMA 作為首選算法采用后，人們對 ARIMA 的興趣與日俱增。

　　ARIMA 有三個(gè)主要組成部分：

　　人們常說(shuō)三重指數平滑是 ARIMA 的一個(gè)特例。

　　ARIMA 的一個(gè)很有前景的特例是由牛津大學(xué) Taylor 開(kāi)發(fā)的 ARIMA 特殊配方，稱(chēng)為雙季ARIMA。

　　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（48 x 7個(gè)時(shí)段或一周）來(lái)輸入半小時(shí)數據。

　　理論上，ARIMA 方法應該能夠產(chǎn)生更好的結果。三重指數平滑有三個(gè)參數，因此它是一種相當簡(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，復雜性可能是其自身的缺點(diǎn)。

　　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。我想你不會(huì )找到明確的答案來(lái)說(shuō)明何時(shí)使用這兩種算法。"

　　蘭卡斯特大學(xué)副教授（高級講師）Nikos Kourentzes 表示："ARIMA 和指數平滑的問(wèn)題在于，它們都無(wú)法從高頻數據中獲得長(cháng)期趨勢。"

　　神經(jīng)網(wǎng)絡(luò )最近受到了廣泛的關(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。

　　神經(jīng)網(wǎng)絡(luò )也可用于呼叫中心預測。

　　Lancaster University 的 Nikos Kourentzes 副教授（高級講師）說(shuō)："神經(jīng)網(wǎng)絡(luò )用于預測已有20多年了，但最近我們看到計算能力大幅提高，這使得它們更加實(shí)用。"

　　神經(jīng)網(wǎng)絡(luò )是試圖對人腦中的神經(jīng)元或腦細胞進(jìn)行建模的網(wǎng)絡(luò )。它由許多試圖模擬人腦功能的"節點(diǎn)"組成。

　　網(wǎng)絡(luò )查看一系列輸入，然后嘗試調整"隱藏"網(wǎng)絡(luò )，方法是更改一些權重，直到它們接近輸出。例如，他們將掃描一系列電話(huà)號碼，并嘗試將下一項數據與預測相匹配。

　　看起來(lái)神經(jīng)網(wǎng)絡(luò )在呼叫中心預測方面有很多潛在優(yōu)勢：

　　但神經(jīng)網(wǎng)絡(luò )有很多缺點(diǎn)。

　　Coventry University 副教授（高級講師）Devon Barrow 表示："人們對神經(jīng)網(wǎng)絡(luò )的評價(jià)褒貶不一，部分原因是它們使用不當。我的想法是，如果我有預測問(wèn)題，無(wú)論問(wèn)題的具體挑戰如何，我都會(huì )使用神經(jīng)網(wǎng)絡(luò )，這將有助于解決問(wèn)題。無(wú)論如何，我將提高準確性。"

　　"神經(jīng)網(wǎng)絡(luò )之所以遭到抨擊，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 )也"輸入量很大"，這意味著(zhù)它們最適合處理高頻間隔（通常為半小時(shí)或四分之一小時(shí)）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，但性能會(huì )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)看起來(lái)復雜。呼叫中心的時(shí)間序列在我看來(lái)相當復雜，但從數學(xué)角度來(lái)說(shuō)并不復雜。在大多數呼叫中心應用程序中，少量節點(diǎn)就足夠了。"

　　Nikos Kourentzes 總結道："神經(jīng)網(wǎng)絡(luò )也不擅長(cháng)處理趨勢，但它們非常擅長(cháng)處理季節性。"

　　呼叫中心預測的最新思想是多時(shí)間聚合。這是一種將高頻數據（每天每小時(shí)、每周）與長(cháng)期趨勢結合起來(lái)的方法。

　　因此，例如，如果你把 2016 年的聯(lián)系總數與 2015 年相比，你看到它增加了 8%，那么這就是你的趨勢。你已經(jīng)完全消除了季節性。本質(zhì)上，這平均了全年的聯(lián)系和特別活動(dòng)。

　　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)或特殊事件。在高頻數據中（每小時(shí)、每天），你看到的正好相反。"

　　通過(guò)聚合系列，您可以從不同的視角看到它。您永遠無(wú)法從單個(gè)視角提取所有內容，但如果您將不同聚合級別的所有聚合聚合在一起，那么您就擁有了一個(gè)整體視圖。

　　使用 Multiple Temporal Aggregation 的優(yōu)點(diǎn)是，您可以同時(shí)關(guān)注日內數據和長(cháng)期數據。

　　Nikos Kourentzes 說(shuō)："比方說(shuō)，我想提前一周進(jìn)行預測。你做的事情一開(kāi)始聽(tīng)起來(lái)有點(diǎn)奇怪，然后就有意義了。我需要提前一年進(jìn)行預測。"

　　"以小時(shí)為單位，以天為單位，數周為單位，季度為單位，年為單位。因此，一個(gè)是一個(gè)觀(guān)測值，另一端是 8760 個(gè)觀(guān)測值。"

　　"優(yōu)點(diǎn)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)，一切都可以正確地加起來(lái)。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)間聚集的工作原理，在統計建模包R中生成了一個(gè)軟件模型，稱(chēng)為 MAPA-多時(shí)間聚集預測算法，它可以生成一些有前景的預測。還有另一種 MTA 算法，稱(chēng)為 Thief。

　　這種方法的結果看起來(lái)很有趣。

　　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。

　　但這可能不是一種"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，我們可能會(huì )在多時(shí)間聚集模型前面看到一個(gè)神經(jīng)網(wǎng)絡(luò )過(guò)濾器，或者我們也可能會(huì )看到神經(jīng)網(wǎng)絡(luò )與指數平滑相結合。

　　Devon Barrow 表示："我認為，在采用更復雜的預測方法方面，呼叫中心行業(yè)落后了。"

　　"然而，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 )從預測準確性轉向決策。"

　　"轉變將是將預測更好地融入決策過(guò)程，也就是說(shuō)，不僅要根據準確性選擇預測，還要根據他們所支持的決策的質(zhì)量，例如人員安排和新座席的培訓。"

　　您在呼叫中心使用哪些預測方法？他們對你有多好？

　　聲明：版權所有 非合作媒體謝絕轉載

　　原文網(wǎng)址：https://www.callcentrehelper.com/the-latest-techniques-for-call-centre-forecasting-117394.htm