CTI论坛(ctiforum.com)（编译/老秦）： 我们研究呼叫中心预测的最新思想和技术。

 

　　呼叫中心受益于丰富的历史数据，应该能够提供良好的预测。但现实往往是截然不同的。本文介绍了四种用于生成呼叫中心和劳动力管理预测的领先模型的最新思想：

　　让我们来看一下呼叫中心预测面临的几个挑战。

　　● 多个季节

　　呼叫中心有一种有趣的数据格式，因为它们有大量数据，这些数据遵循许多季节性需求模式。

　　呼叫中心数据通常以一系列不同的模式提供

　　● 处理高频（小时和每日）数据

　　呼叫中心数据的一个问题是，每小时的数据往往被扁平化为每日的平均数据。

　　考文垂大学副教授（高级讲师）Devon Barrow 表示："一般来说，我们发现在行业中，标准方法是使用某种指数平滑，很可能是霍尔特·温特斯（Holt Winters）。"

　　"通常，这是在每周一级完成的，用于资源配置和一般容量，然后进行分类。对于每日或半小时的数据，然后将每日和每小时的平均数据应用于每周预测量，以用于计划。"

　　"标准方法似乎基于非常高水平的预测。"

　　● 从预测中隔离特殊日期

　　呼叫中心数据或一线办公室数据通常更难预测，因为它包含一系列需要从预测中分离出来的联系高峰和低谷。

　　这些可以从一系列特殊因素中得出，包括

　　论坛（以前称为专业规划论坛）的 John Casey 表示："你需要能够将特殊日子与呼叫中心的预测隔离开来，然后再通过预测方法进行预测。否则，就会假设每年都有一届世界杯。"

　　"本质上，您需要去掉特殊的日期，运行预测，然后将它们放回您的数据中，以便进行报告。"

　　三重指数平滑（Triple Exponential Smoothing）（也称为Holt-Winters技术）是一种简单的预测技术，作为一种预测方法，它具有惊人的鲁棒性（robust）。它自20世纪60年代开始使用，广泛用于呼叫中心预测--它构成了大多数劳动力管理（WFM）预测系统的主干。

　　术语"三重（Triple）"意味着预测数据被分为三个预测组件--级别、趋势和季节性--以将每个组件相互"隔离"。

　　如果我们以月度预测为例，那么这三个部分是

　　指数平滑一词适用于数据从一个周期平滑（或平均）到下一个周期的方式。

　　使用三重指数平滑，水平、趋势和季节趋势以指数方式平滑。困难在于平滑系数的选择--Alpha（表示水平）、Beta（表示趋势）和Gamma（表示季节性）。

　　这种方法的优点之一是，一旦你了解了这个方法，就很容易对其建模，甚至可以在 Excel 电子表格中进行预测。

　　最大的危险是，数据很容易"过拟合"，因此，如果历史数据量中有任何异常情况，例如停机或需求峰值，这些可能会导致非常奇怪的预测。

　　虽然三重指数预测可以被视为一种稳健的"通用"预测模型，但它更适合于长期预测，而不是短期预测。也可以使用双重指数平滑和一系列其他变体。

　　在过去10年中，一种更先进（更复杂）的预测方法是 ARIMA。

　　ARIMA 是 AutoRegressive Integrated Moving Average 的缩写。

　　在 2007 年国家统计局将 ARIMA 作为首选算法采用后，人们对 ARIMA 的兴趣与日俱增。

　　ARIMA 有三个主要组成部分：

　　人们常说三重指数平滑是 ARIMA 的一个特例。

　　ARIMA 的一个很有前景的特例是由牛津大学 Taylor 开发的 ARIMA 特殊配方，称为双季ARIMA。

　　这允许您在数据中输入多个季节性。因此，例如，您可以通过将季节性设置为 48 个时段（即 24 小时）和 336 个时段（48 x 7个时段或一周）来输入半小时数据。

　　理论上，ARIMA 方法应该能够产生更好的结果。三重指数平滑有三个参数，因此它是一种相当简单的方法。ARIMA 有更多的参数，其中一些参数更直观。问题在于，复杂性可能是其自身的缺点。

　　根据 Brian O'Donnell 在 Stack Exchange 上的帖子，"我见过有不同数据集的人比较两种算法的结果，得到不同的结果。在某些情况下，Holt Winters 算法比 ARIMA 算法给出更好的结果，而在其他情况下则相反。我想你不会找到明确的答案来说明何时使用这两种算法。"

　　兰卡斯特大学副教授（高级讲师）Nikos Kourentzes 表示："ARIMA 和指数平滑的问题在于，它们都无法从高频数据中获得长期趋势。"

　　神经网络最近受到了广泛的关注，特别是自从谷歌开始将其用于人工智能--语音识别和搜索算法。

　　神经网络也可用于呼叫中心预测。

　　Lancaster University 的 Nikos Kourentzes 副教授（高级讲师）说："神经网络用于预测已有20多年了，但最近我们看到计算能力大幅提高，这使得它们更加实用。"

　　神经网络是试图对人脑中的神经元或脑细胞进行建模的网络。它由许多试图模拟人脑功能的"节点"组成。

　　网络查看一系列输入，然后尝试调整"隐藏"网络，方法是更改一些权重，直到它们接近输出。例如，他们将扫描一系列电话号码，并尝试将下一项数据与预测相匹配。

　　看起来神经网络在呼叫中心预测方面有很多潜在优势：

　　但神经网络有很多缺点。

　　Coventry University 副教授（高级讲师）Devon Barrow 表示："人们对神经网络的评价褒贬不一，部分原因是它们使用不当。我的想法是，如果我有预测问题，无论问题的具体挑战如何，我都会使用神经网络，这将有助于解决问题。无论如何，我将提高准确性。"

　　"神经网络之所以遭到抨击，是因为它们是所谓的黑匣子--你看不到里面发生了什么。"

　　神经网络也"输入量很大"，这意味着它们最适合处理高频间隔（通常为半小时或四分之一小时）数据。

　　生成神经网络的关键似乎在于网络有多少节点（本质上是多少内存）。理论上，更多的节点应该产生更好的结果，但性能会慢得多。

　　Nikos Kourentzes 说："如果问题是线性的，那么一个节点就足够了。序列越复杂，需要的节点就越多。"

　　"但复杂并不意味着看起来复杂。呼叫中心的时间序列在我看来相当复杂，但从数学角度来说并不复杂。在大多数呼叫中心应用程序中，少量节点就足够了。"

　　Nikos Kourentzes 总结道："神经网络也不擅长处理趋势，但它们非常擅长处理季节性。"

　　呼叫中心预测的最新思想是多时间聚合。这是一种将高频数据（每天每小时、每周）与长期趋势结合起来的方法。

　　因此，例如，如果你把 2016 年的联系总数与 2015 年相比，你看到它增加了 8%，那么这就是你的趋势。你已经完全消除了季节性。本质上，这平均了全年的联系和特别活动。

　　Nikos Kourentzes 说："在年度数据中，你可以很容易地看到长期变化，但你看不到季节性、促销或特殊事件。在高频数据中（每小时、每天），你看到的正好相反。"

　　通过聚合系列，您可以从不同的视角看到它。您永远无法从单个视角提取所有内容，但如果您将不同聚合级别的所有聚合聚合在一起，那么您就拥有了一个整体视图。

　　使用 Multiple Temporal Aggregation 的优点是，您可以同时关注日内数据和长期数据。

　　Nikos Kourentzes 说："比方说，我想提前一周进行预测。你做的事情一开始听起来有点奇怪，然后就有意义了。我需要提前一年进行预测。"

　　"以小时为单位，以天为单位，数周为单位，季度为单位，年为单位。因此，一个是一个观测值，另一端是 8760 个观测值。"

　　"优点是，现在你已经创建了一个金字塔，在那里你可以协调价值观，一切都可以正确地加起来。你可以将信息从顶层传递到底层，反之亦然。"

　　为了帮助理解多时间聚集的工作原理，在统计建模包R中生成了一个软件模型，称为 MAPA-多时间聚集预测算法，它可以生成一些有前景的预测。还有另一种 MTA 算法，称为 Thief。

　　这种方法的结果看起来很有趣。

　　对于一群花时间预测未来的人来说，哪种预测方法会占上风的问题似乎有点像在问"一根刺有多长"的问题。

　　当然，神经网络和 MTA 看起来都能带来有希望的结果。

　　但这可能不是一种"非此即彼"的情况。

　　神经网络和其他方法的结合是可能的。例如，我们可能会在多时间聚集模型前面看到一个神经网络过滤器，或者我们也可能会看到神经网络与指数平滑相结合。

　　Devon Barrow 表示："我认为，在采用更复杂的预测方法方面，呼叫中心行业落后了。"

　　"然而，我认为问题不在于准确性。如果你展望未来四五年，我认为总体上会从预测准确性转向决策。"

　　"转变将是将预测更好地融入决策过程，也就是说，不仅要根据准确性选择预测，还要根据他们所支持的决策的质量，例如人员安排和新座席的培训。"

　　您在呼叫中心使用哪些预测方法？他们对你有多好？

　　声明：版权所有 非合作媒体谢绝转载

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