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

 

　　呼叫中心受益于豐富的歷史數(shù)據(jù)，應(yīng)該能夠提供良好的預(yù)測。但現(xiàn)實往往是截然不同的。本文介紹了四種用于生成呼叫中心和勞動力管理預(yù)測的領(lǐng)先模型的最新思想：

　　讓我們來看一下呼叫中心預(yù)測面臨的幾個挑戰(zhàn)。

　　● 多個季節(jié)

　　呼叫中心有一種有趣的數(shù)據(jù)格式，因為它們有大量數(shù)據(jù)，這些數(shù)據(jù)遵循許多季節(jié)性需求模式。

　　呼叫中心數(shù)據(jù)通常以一系列不同的模式提供

　　● 處理高頻（小時和每日）數(shù)據(jù)

　　呼叫中心數(shù)據(jù)的一個問題是，每小時的數(shù)據(jù)往往被扁平化為每日的平均數(shù)據(jù)。

　　考文垂大學(xué)副教授（高級講師）Devon Barrow 表示："一般來說，我們發(fā)現(xiàn)在行業(yè)中，標準方法是使用某種指數(shù)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，然后進行分類。對于每日或半小時的數(shù)據(jù)，然后將每日和每小時的平均數(shù)據(jù)應(yīng)用于每周預(yù)測量，以用于計劃。"

　　"標準方法似乎基于非常高水平的預(yù)測。"

　　● 從預(yù)測中隔離特殊日期

　　呼叫中心數(shù)據(jù)或一線辦公室數(shù)據(jù)通常更難預(yù)測，因為它包含一系列需要從預(yù)測中分離出來的聯(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（以前稱為專業(yè)規(guī)劃論壇）的 John Casey 表示："你需要能夠?qū)⑻厥馊兆优c呼叫中心的預(yù)測隔離開來，然后再通過預(yù)測方法進行預(yù)測。否則，就會假設(shè)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(yù)測，然后將它們放回您的數(shù)據(jù)中，以便進行報告。"

　　三重指數(shù)平滑（Triple Exponential Smoothing）（也稱為Holt-Winters技術(shù)）是一種簡單的預(yù)測技術(shù)，作為一種預(yù)測方法，它具有驚人的魯棒性（robust）。它自20世紀60年代開始使用，廣泛用于呼叫中心預(yù)測--它構(gòu)成了大多數(shù)勞動力管理（WFM）預(yù)測系統(tǒng)的主干。

　　術(shù)語"三重（Triple）"意味著預(yù)測數(shù)據(jù)被分為三個預(yù)測組件--級別、趨勢和季節(jié)性--以將每個組件相互"隔離"。

　　如果我們以月度預(yù)測為例，那么這三個部分是

　　指數(shù)平滑一詞適用于數(shù)據(jù)從一個周期平滑（或平均）到下一個周期的方式。

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

　　這種方法的優(yōu)點之一是，一旦你了解了這個方法，就很容易對其建模，甚至可以在 Excel 電子表格中進行預(yù)測。

　　最大的危險是，數(shù)據(jù)很容易"過擬合"，因此，如果歷史數(shù)據(jù)量中有任何異常情況，例如停機或需求峰值，這些可能會導(dǎo)致非常奇怪的預(yù)測。

　　雖然三重指數(shù)預(yù)測可以被視為一種穩(wěn)健的"通用"預(yù)測模型，但它更適合于長期預(yù)測，而不是短期預(yù)測。也可以使用雙重指數(shù)平滑和一系列其他變體。

　　在過去10年中，一種更先進（更復(fù)雜）的預(yù)測方法是 ARIMA。

　　ARIMA 是 AutoRegressive Integrated Moving Average 的縮寫。

　　在 2007 年國家統(tǒng)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 有三個主要組成部分：

　　人們常說三重指數(shù)平滑是 ARIMA 的一個特例。

　　ARIMA 的一個很有前景的特例是由牛津大學(xué) Taylor 開發(fā)的 ARIMA 特殊配方，稱為雙季ARIMA。

　　這允許您在數(shù)據(jù)中輸入多個季節(jié)性。因此，例如，您可以通過將季節(jié)性設(shè)置為 48 個時段（即 24 小時）和 336 個時段（48 x 7個時段或一周）來輸入半小時數(shù)據(jù)。

　　理論上，ARIMA 方法應(yīng)該能夠產(chǎn)生更好的結(jié)果。三重指數(shù)平滑有三個參數(shù)，因此它是一種相當簡單的方法。ARIMA 有更多的參數(shù)，其中一些參數(shù)更直觀。問題在于，復(fù)雜性可能是其自身的缺點。

　　根據(jù) Brian O'Donnell 在 Stack Exchange 上的帖子，"我見過有不同數(shù)據(jù)集的人比較兩種算法的結(jié)果，得到不同的結(jié)果。在某些情況下，Holt Winters 算法比 ARIMA 算法給出更好的結(jié)果，而在其他情況下則相反。我想你不會找到明確的答案來說明何時使用這兩種算法。"

　　蘭卡斯特大學(xué)副教授（高級講師）Nikos Kourentzes 表示："ARIMA 和指數(shù)平滑的問題在于，它們都無法從高頻數(shù)據(jù)中獲得長期趨勢。"

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

　　神經(jīng)網(wǎng)絡(luò)也可用于呼叫中心預(yù)測。

　　Lancaster University 的 Nikos Kourentzes 副教授（高級講師）說："神經(jīng)網(wǎng)絡(luò)用于預(yù)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)元或腦細胞進行建模的網(wǎng)絡(luò)。它由許多試圖模擬人腦功能的"節(jié)點"組成。

　　網(wǎng)絡(luò)查看一系列輸入，然后嘗試調(diào)整"隱藏"網(wǎng)絡(luò)，方法是更改一些權(quán)重，直到它們接近輸出。例如，他們將掃描一系列電話號碼，并嘗試將下一項數(shù)據(jù)與預(yù)測相匹配。

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

　　但神經(jīng)網(wǎng)絡(luò)有很多缺點。

　　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(yù)測問題，無論問題的具體挑戰(zhàn)如何，我都會使用神經(jīng)網(wǎng)絡(luò)，這將有助于解決問題。無論如何，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"，這意味著它們最適合處理高頻間隔（通常為半小時或四分之一小時）數(shù)據(jù)。

　　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(jié)點（本質(zhì)上是多少內(nèi)存）。理論上，更多的節(jié)點應(yīng)該產(chǎn)生更好的結(jié)果，但性能會慢得多。

　　Nikos Kourentzes 說："如果問題是線性的，那么一個節(jié)點就足夠了。序列越復(fù)雜，需要的節(jié)點就越多。"

　　"但復(fù)雜并不意味著看起來復(fù)雜。呼叫中心的時間序列在我看來相當復(fù)雜，但從數(shù)學(xué)角度來說并不復(fù)雜。在大多數(shù)呼叫中心應(yīng)用程序中，少量節(jié)點就足夠了。"

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

　　呼叫中心預(yù)測的最新思想是多時間聚合。這是一種將高頻數(shù)據(jù)（每天每小時、每周）與長期趨勢結(jié)合起來的方法。

　　因此，例如，如果你把 2016 年的聯(lián)系總數(shù)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(jié)性。本質(zhì)上，這平均了全年的聯(lián)系和特別活動。

　　Nikos Kourentzes 說："在年度數(shù)據(jù)中，你可以很容易地看到長期變化，但你看不到季節(jié)性、促銷或特殊事件。在高頻數(shù)據(jù)中（每小時、每天），你看到的正好相反。"

　　通過聚合系列，您可以從不同的視角看到它。您永遠無法從單個視角提取所有內(nèi)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整體視圖。

　　使用 Multiple Temporal Aggregation 的優(yōu)點是，您可以同時關(guān)注日內(nèi)數(shù)據(jù)和長期數(shù)據(jù)。

　　Nikos Kourentzes 說："比方說，我想提前一周進行預(yù)測。你做的事情一開始聽起來有點奇怪，然后就有意義了。我需要提前一年進行預(yù)測。"

　　"以小時為單位，以天為單位，數(shù)周為單位，季度為單位，年為單位。因此，一個是一個觀測值，另一端是 8760 個觀測值。"

　　"優(yōu)點是，現(xiàn)在你已經(jīng)創(chuàng)建了一個金字塔，在那里你可以協(xié)調(diào)價值觀，一切都可以正確地加起來。你可以將信息從頂層傳遞到底層，反之亦然。"

　　為了幫助理解多時間聚集的工作原理，在統(tǒng)計建模包R中生成了一個軟件模型，稱為 MAPA-多時間聚集預(yù)測算法，它可以生成一些有前景的預(yù)測。還有另一種 MTA 算法，稱為 Thief。

　　這種方法的結(jié)果看起來很有趣。

　　對于一群花時間預(yù)測未來的人來說，哪種預(yù)測方法會占上風(fēng)的問題似乎有點像在問"一根刺有多長"的問題。

　　當然，神經(jīng)網(wǎng)絡(luò)和 MTA 看起來都能帶來有希望的結(jié)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(jié)合是可能的。例如，我們可能會在多時間聚集模型前面看到一個神經(jīng)網(wǎng)絡(luò)過濾器，或者我們也可能會看到神經(jīng)網(wǎng)絡(luò)與指數(shù)平滑相結(jié)合。

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

　　"然而，我認為問題不在于準確性。如果你展望未來四五年，我認為總體上會從預(yù)測準確性轉(zhuǎn)向決策。"

　　"轉(zhuǎn)變將是將預(yù)測更好地融入決策過程，也就是說，不僅要根據(jù)準確性選擇預(yù)測，還要根據(jù)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(xùn)。"

　　您在呼叫中心使用哪些預(yù)測方法？他們對你有多好？

　　聲明：版權(quán)所有 非合作媒體謝絕轉(zhuǎn)載

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