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(shù)據(jù)，應該能夠提供良好的預測。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測的領(lǐng)先模型的最新思想：
- 三指數(shù)平滑（或Holt Winters）
- ARIMA（自動回歸綜合移動平均）
- 神經(jīng)網(wǎng)絡多時間聚合
讓我們來看一下呼叫中心預測面臨的幾個挑戰(zhàn)。
當前呼叫中心預測的三大挑戰(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
- 間隔-通常每小時、半小時或15分鐘
- 每日
- 每周
- 每年
● 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(shù)據(jù)或一線辦公室數(shù)據(jù)通常更難預測，因為它包含一系列需要從預測中分離出來的聯(lián)系高峰和低谷。
這些可以從一系列特殊因素中得出，包括
- 聯(lián)系中的峰值-這通常是營銷推廣的結(jié)果。
- 逐步改變需求，例如收購新公司或引入新產(chǎn)品。
- 天氣因素-下雪、洪水和酷熱天氣會對呼叫中心的來電數(shù)量產(chǎn)生很大影響。
- 特殊活動-世界杯等活動可能會導致通話量大幅下降，但并非每年都會發(fā)生。
- 設備故障-斷電、電話線被切斷或設備故障，無法記錄輸入觸點的數(shù)量。
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呼叫中心的預測隔離開來，然后再通過預測方法進行預測。否則，就會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(shù)據(jù)中，以便進行報告。"
四大呼叫中心預測模型
1、三重指數(shù)平滑
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年代開始使用，廣泛用于呼叫中心預測--它構(gòu)成了大多數(shù)勞動力管理（WFM）預測系統(tǒng)的主干。
術(shù)語"三重（Triple）"意味著預測數(shù)據(jù)被分為三個預測組件--級別、趨勢和季節(jié)性--以將每個組件相互"隔離"。
如果我們以月度預測為例，那么這三個部分是
- 級別-上月預測
- 趨勢-上個月聯(lián)系量的預期增加或減少
- 季節(jié)性-季節(jié)對數(shù)據(jù)的影響（例如，3月可能是一年中平均月份的120%，8月可能是平均月份的85%，因為許多人在8月休假，不太可能打電話給呼叫中心）。
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，這些可能會導致非常奇怪的預測。
雖然三重指數(shù)預測可以被視為一種穩(wěn)健的"通用"預測模型，但它更適合于長期預測，而不是短期預測。也可以使用雙重指數(shù)平滑和一系列其他變體。
2、ARIMA（自動回歸綜合移動平均）
在過去10年中，一種更先進（更復雜）的預測方法是 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：
- 自動回歸-將數(shù)據(jù)與過去模式進行比較的能力（例如，12 個月或 52 周前的時間滯后）
- 綜合-將當前觀察結(jié)果與先前觀察結(jié)果進行比較或區(qū)別的能力
- 移動平均值-能夠平滑過去幾個時期的數(shù)據(jù)。
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 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)。
哪一個更適合呼叫中心預測-三重指數(shù)平滑或 ARIMA？
理論上，ARIMA 方法應該能夠產(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。"
3、神經(jīng)網(wǎng)絡
神經(jīng)網(wǎng)絡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)絡也可用于呼叫中心預測。
Lancaster University 的 Nikos Kourentzes 副教授（高級講師）說："神經(jīng)網(wǎng)絡用于預測已有20多年了，但最近我們看到計算能力大幅提高，這使得它們更加實用。"
神經(jīng)網(wǎng)絡是試圖對人腦中的神經(jīng)元或腦細胞進行建模的網(wǎng)絡。它由許多試圖模擬人腦功能的"節(jié)點"組成。
網(wǎng)絡查看一系列輸入，然后嘗試調(diào)整"隱藏"網(wǎng)絡，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)與預測相匹配。
看起來神經(jīng)網(wǎng)絡在呼叫中心預測方面有很多潛在優(yōu)勢：
- 當他們從提供的數(shù)據(jù)中學習時，他們不需要編寫復雜的算法
- 他們可以接受外部輸入，例如特殊日子、營銷活動、溫度的網(wǎng)頁瀏覽量，以模擬不同的因素。
- 對于神經(jīng)網(wǎng)絡來說，最令人興奮的因素可能是自動將特殊的日子從預測中分離出來。
但神經(jīng)網(wǎng)絡有很多缺點。
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，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)絡的關(guān)鍵似乎在于網(wǎng)絡有多少節(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。序列越復雜，需要的節(jié)點就越多。"
"但復雜并不意味著看起來復雜。呼叫中心的時間序列在我看來相當復雜，但從數(shù)學角度來說并不復雜。在大多數(shù)呼叫中心應用程序中，少量節(jié)點就足夠了。"
Nikos Kourentzes 總結(jié)道："神經(jīng)網(wǎng)絡也不擅長處理趨勢，但它們非常擅長處理季節(jié)性。"
4.多時間聚合（MTA）
呼叫中心預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，稱為 Thief。
這種方法的結(jié)果看起來很有趣。
MTA 工作原理的詳細信息超出了本文的范圍。
從長遠來看，哪種預測方法將占主導地位？
對于一群花時間預測未來的人來說，哪種預測方法會占上風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)絡過濾器，或者我們也可能會看到神經(jīng)網(wǎng)絡與指數(shù)平滑相結(jié)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測準確性轉(zhuǎn)向決策。"
"轉(zhuǎn)變將是將預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。"
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(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
