Современные техники прогнозирования в колл-центре (часть 2)
В прошлой части данной статьи были рассмотрены самые простые методы прогнозирования в колл-центре. Далее мы перейдем к оценке эффективности каждого из рассмотренных подходов, а также познакомимся с более современными подходами, такими как нейронные сети и множественная временная агрегация.
Какой метод лучше использовать для прогнозирования – тройное экспоненциальное сглаживание или ARIMA?
Теоретически прогнозирование с помощью ARIMA должно давать лучшие результаты. В данной модели больше параметров, чем в тройном экспоненциальном сглаживании, однако сам метод достаточно сложный для использования.
К сожалению, согласно статистике, эти две модели могут давать совершенно разные данные, и не позволяют осуществить долгосрочное эффективное прогнозирование. Очень важно проводить тестирование на каждом массиве информации, поскольку результаты могут существенно отличаться. Только длительное использование каждого из методов на больших объемах материалов может привести к позитивным результатам.
Нейронные сети
Метод нейронный сетей широко обсуждался в СМИ в последнее время с тех пор как Гугл начал его использование для искусственного интеллекта в процессе распознавания голоса или работы поисковых систем. Такой подход можно также использовать для прогнозирования в центрах информационной поддержки.
Нейронная сеть – это сеть, которая старается смоделировать поведение нейронов в человеческом мозгу, и предсказать поведение человека в ответ на определенное воздействие внешней среды. Например, нейронная сеть может просканировать определенное количество последних звонков в службу информационной поддержки и спрогнозировать следующий звонок.
У нейронных сетей есть несколько преимуществ использования в call-центре:
- Не требует программирования, так как система сама обучается на основе текущей информации
- Может использовать дополнительные материалы при построении прогноза – маркетинговую активность, количество заявок на сайте, сезонные факторы
- Автоматически исключает пиковые значения из данных
Однако у этого способа есть и ряд недостатков, которые мешают активно использовать его при прогнозировании на данный момент:
- Часто используется некорректно
- Нет возможности контролировать процесс построения прогноза
- Необходим очень большой объем материалов для анализа
Множественная временная агрегация
Этот метод сочетает использование высокочастотных данных (каждый час, каждый день, каждую неделю) и долгосрочных трендов. Например, вы можете взять общее число звонков в 2016 году и сравнить это количество с данными 2015 года. В результате вы увидите, что произошел рост звонков на 8%, и это ваш тренд. Вы полностью исключили сезонность в данном случае.
При анализе ежегодных данных можно легко увидеть долгосрочные тенденции без учета сезонности и пиковых значений. В тоже время анализ данных по часам или дням поможет учесть сезонность. Преимуществом множественной временной агрегации является одновременное использование этих двух подходов.
Например, вам нужно спрогнозировать количество звонков на следующей неделе. Для этого в рамках множественной временной агрегации необходимо будет спрогнозировать количество вызовов на год вперед. Прогноз осуществляется по принципу пирамиды. В начале вы прогнозируете общее количество вызовов в течение следующего года, затем количество вызовов в каждом квартале, затем в каждую неделю месяца, затем в каждый день месяца и в течение каждых 30 минут в течение дня. В результате вы получите 8 760 прогнозируемых значений. Такой подход повышает точность прогноза.
Какой метод прогнозирования будет наиболее эффективен в будущем?
Ответ на данный вопрос не будет однозначным. На данный момент нейронные сети и множественная временная агрегация дают самые лучшие результаты. Однако такая тенденция необязательно сохранится в будущем. Наука не стоит на месте. Происходят постоянные эксперименты с использованием комбинации нескольких методов прогнозирования. В частности есть вероятность, что в ближайшем будущем будут разработаны алгоритмы, в которых нейронные сети будут использоваться в сочетании с множественной временной регрессией либо экспоненциальным сглаживанием.
Подготовлено на основании статьи Callcenter Helper The Latest Techniques for Call Centre Forecasting (Современные техники прогнозирования в колл-центре)