聯(lián)絡(luò)中心得益于豐富的歷史數(shù)據(jù)，應(yīng)該能夠提供良好的預(yù)測。但實際情況往往大不相同。

　　本文介紹了生成聯(lián)絡(luò)中心預(yù)測的四種主要模型的最新想法：

　　讓我們來看看預(yù)測在聯(lián)絡(luò)中心面臨的幾個挑戰(zhàn)。

　　當前聯(lián)絡(luò)中心預(yù)測的三大挑戰(zhàn)

　　多季節(jié)性

　　聯(lián)絡(luò)中心有一個有趣的數(shù)據(jù)格式，因為他們有大量的數(shù)據(jù)，遵循許多季節(jié)性的模式。

　　聯(lián)絡(luò)中心數(shù)據(jù)通常以不同的模式提供

　　處理更高頻率（每小時和每天）的數(shù)據(jù)

　　聯(lián)絡(luò)中心數(shù)據(jù)的一個問題是，每小時的數(shù)據(jù)通常被平鋪成一個平均日數(shù)據(jù)。

　　考文垂大學(xué)（Coventry University）副教授（高級講師）德文·巴羅（Devon Barrow）說：一般來說，我們在工業(yè)界發(fā)現(xiàn)，標準方法是使用某種指數(shù)平滑法，很可能是霍爾特o溫特斯（Holt Winters）法。

　　通常是在每周的資源配置和總產(chǎn)能水平上，然后進行分類。將每日或半小時的數(shù)據(jù)平均應(yīng)用于每周的預(yù)測量，以用于調(diào)度。

　　標準方法似乎是基于非常高水平的預(yù)測。

　　將特殊情況剝離

　　聯(lián)絡(luò)中心的數(shù)據(jù)往往很難預(yù)測，因為它包含一系列需要剝離的聯(lián)絡(luò)峰谷。

　　這些峰谷可以從一系列特殊因素中得出，包括

　　來自The Forum（以前稱為專業(yè)規(guī)劃論壇--the Professional Planning Forum）的約翰·凱西（John Casey）說：在你使用預(yù)測方法之前，你需要能夠從你的聯(lián)絡(luò)中心預(yù)測中剝離出一些特殊的日子，否則你的假設(shè)是每年都會有一次世界杯。

　　本質(zhì)上，您需要去掉特殊日期，運行預(yù)測，然后將它們放回您的數(shù)據(jù)中以供報告之用。

　　主要的四種聯(lián)絡(luò)中心預(yù)測模型

　　1、 平滑法

　　三重指數(shù)平滑（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，它的穩(wěn)定性令人驚訝。自20世紀60年代開始使用，并廣泛應(yīng)用于聯(lián)絡(luò)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。

　　三重一詞意味著預(yù)測數(shù)據(jù)被分成3個預(yù)測組成部分--水平、趨勢和季節(jié)性--以相互隔離每個組成部分。

　　如果我們以月度預(yù)測為例，那么三個組成部分是

　　水平--上個月的預(yù)測

　　趨勢--與上個月相比，聯(lián)系人的預(yù)期增加或減少

　　季節(jié)性--季節(jié)對數(shù)據(jù)的影響（例如，3月份可能是一年中平均月份的120%，8月份可能是平均月份的85%--因為許多人在8月份休假，不太可能打電話給聯(lián)絡(luò)中心）。

　　指數(shù)平滑這一術(shù)語適用于從一個周期到下一個周期平滑（或平均）數(shù)據(jù)的方式。

　　使用三重指數(shù)平滑，水平、趨勢和季節(jié)性趨勢都是指數(shù)平滑的。艱難的工作來自于平滑系數(shù)的選擇--α（代表水平）、β（代表趨勢）和γ（代表季節(jié)性）。

　　這種方法的一個優(yōu)點是，一旦你熟悉了這個方法，就很容易對它進行建模，甚至可以在Excel電子表格中進行預(yù)測。

　　我們開發(fā)了一個聯(lián)絡(luò)中心預(yù)測工具，一個免費的每月電子表格模板，你可以使用。

　　最大的危險是很容易過度擬合數(shù)據(jù)，因此，如果歷史交易量出現(xiàn)任何異常情況，例如停機或需求高峰，這些都可能導(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。

　　2、 自回歸綜合移動平均

　　ARIMA（自回歸綜合移動平均--Auto Regressive Integrated Moving Average）

　　一種更先進（更復(fù)雜）的預(yù)測方法是ARIMA，它在過去10年中越來越流行。

　　ARIMA是自回歸綜合移動平均數(shù)的縮寫。

　　在2007年國家統(tǒng)計局（Officef or National Statistics）將ARIMA作為首選算法之后，人們對ARIMA的興趣與日俱增。

　　ARIMA有三個主要組成部分：

　　自回歸--將數(shù)據(jù)與過去的模式進行比較的能力（例如12個月或52周前的時間差）

　　綜合--比較或區(qū)別當前觀察與先前觀察的能力

　　移動平均值--平滑過去一段時間內(nèi)的數(shù)據(jù)的能力。

　　人們常說三重指數(shù)平滑是ARIMA的一個特例。

　　ARIMA的一個特例看起來很有前途，是一種叫做雙季節(jié)ARIMA的特殊配方，由牛津大學(xué)的泰勒開發(fā)。

　　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（48x7個時段或一周）來輸入每半小時數(shù)據(jù)。

　　三重指數(shù)平滑法和ARIMA法，哪個更適合于聯(lián)絡(luò)中心的預(yù)測？

　　從理論上講，ARIMA方法應(yīng)該能夠產(chǎn)生更好的結(jié)果。三重指數(shù)平滑只有三個參數(shù)，所以它是一個相當簡單的方法。ARIMA有更多的參數(shù)，其中一些參數(shù)更直觀。問題在于復(fù)雜度可能會自行下降。

　　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。我不認為你會找到一個明確的答案，那就是什么時候該用一個來代替另一個。

　　Lancaster University副教授（高級講師）Nikos Kourentzes說：ARIMA和指數(shù)平滑的問題是，它們都無法獲得高頻數(shù)據(jù)的長期趨勢。

　　3、 神經(jīng)網(wǎng)絡(luò)

　　最近，神經(jīng)網(wǎng)絡(luò)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之后。

　　神經(jīng)網(wǎng)絡(luò)也可以用于聯(lián)絡(luò)中心的預(yù)測。

　　Lancaster University副教授（高級講師）Nikos Kourentzes說：神經(jīng)網(wǎng)絡(luò)用于預(yù)測已經(jīng)超過20年了，但最近我們看到計算能力的巨大增長，這使得它們更加實用。

　　神經(jīng)網(wǎng)絡(luò)是一種試圖模擬人腦中神經(jīng)元或腦細胞的網(wǎng)絡(luò)，它由許多試圖模擬人腦功能的節(jié)點組成。

　　這些網(wǎng)絡(luò)會查看一系列輸入，然后嘗試調(diào)整一個隱藏的網(wǎng)絡(luò)，方法是改變一些權(quán)重，直到它們接近輸出匹配為止。例如，它們將掃描一系列的呼叫，并嘗試將下一項數(shù)據(jù)與預(yù)測相匹配。

　　看來神經(jīng)網(wǎng)絡(luò)在聯(lián)絡(luò)中心預(yù)測方面可能有很多潛在的優(yōu)勢

　　對于神經(jīng)網(wǎng)絡(luò)來說，一些最令人興奮的因素可能是自動從預(yù)測中剝離出特殊的日子。

　　但是神經(jīng)網(wǎng)絡(luò)也有很多缺點。

　　神經(jīng)網(wǎng)絡(luò)得到的評價褒貶不一，部分原因是它們使用不當。其理念是，如果我遇到預(yù)測問題，我就使用神經(jīng)網(wǎng)絡(luò)，不管問題的具體挑戰(zhàn)是什么，它都將有助于解決問題，都將會越來越準確。考文垂大學(xué)（Coventry University）副教授（高級講師）德文·巴羅（Devon Barrow）說。

　　神經(jīng)網(wǎng)絡(luò)受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)是非?？粗剌斎氲?，這意味著它們最適合處理高頻間隔（通常是半小時或四分之一小時）的數(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，但性能要慢得多。

　　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)雜并不意味著人們所看到的復(fù)雜，在我看來，聯(lián)絡(luò)中心的時間序列看起來相當復(fù)雜，但從數(shù)學(xué)角度來說卻不是。在大多數(shù)聯(lián)絡(luò)中心應(yīng)用中，少量的節(jié)點就足夠了。

　　Nikos Kourentzes總結(jié)說：神經(jīng)網(wǎng)絡(luò)也不太擅長做趨勢，但它們非常擅長處理季節(jié)性。

　　4、 多時態(tài)聚合（MTA）

　　聯(lián)絡(luò)中心預(yù)測的最新思想是多時態(tài)聚合，這是一種兼顧高頻數(shù)據(jù)（每天每小時、每周）和長期趨勢的方法。

　　舉個例子，如果你把2016年的聯(lián)系人總數(shù)與2015年相比，你發(fā)現(xiàn)它增加了8%，那么這就是你的趨勢。你完全去掉了季節(jié)性因素。本質(zhì)上，這就是全年的聯(lián)系人和特殊事件的平均數(shù)。

　　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、促銷或特殊活動。在高頻數(shù)據(jù)（每小時、每天）中，你看到的恰恰相反。

　　通過聚合系列，您可以從不同的角度查看它。您永遠無法從一個單一的視角提取所有內(nèi)容，但如果您從不同的聚合級別將所有聚合集合在一起，則您將擁有一個整體視圖。

　　多時態(tài)聚合的優(yōu)點是可以同時關(guān)注日內(nèi)數(shù)據(jù)和長期數(shù)據(jù)。

　　Nikos Kourentzes說：假設(shè)我想預(yù)測一周前的情況。你所做的一開始聽起來有點奇怪，然后就有意義了。我需要預(yù)測未來一年的所有事情。

　　一年的小時數(shù)，一年的天數(shù)，一年的周數(shù)，一年的季度數(shù)，一整年的時間，所以一個是一個觀測值，另一個是8760個觀測值。

　　這樣做的好處是，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，一切都能正確地相加。你可以將信息從頂層傳遞到底層，反之亦然。

　　為了幫助理解多時態(tài)聚合是如何工作的，統(tǒng)計建模軟件包R中產(chǎn)生了一個軟件模型，稱為MAPA--多重聚合預(yù)測算法，它可以產(chǎn)生一些有希望的預(yù)測。還有一種叫小偷的MTA算法。

　　這種方法的結(jié)果看起來非常有趣。

　　從長遠來看，哪種預(yù)測方法會占上風(fēng)？

　　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)的問題似乎有點像是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，我們可以看到一個神經(jīng)網(wǎng)絡(luò)過濾器在一個多時態(tài)聚合模型前面，或者我們也可以看到神經(jīng)網(wǎng)絡(luò)與指數(shù)平滑相結(jié)合。

　　德文·巴羅（Devon Barrow）說：我認為，在采用更復(fù)雜的預(yù)測方法方面，聯(lián)絡(luò)中心行業(yè)已經(jīng)落后了。

　　不過，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)測準確度轉(zhuǎn)向決策。

　　這一轉(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)準確度來選擇預(yù)測，還要根據(jù)預(yù)測所支持的決策質(zhì)量，比如員工排班和新座席的培訓(xùn)。

　　你在聯(lián)絡(luò)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