CTI論壇(ctiforum.com)（編譯/老秦）:我們來看看聯絡中心預測的最新思想和技術。
聯絡中心得益于豐富的歷史數據，應該能夠提供良好的預測。但實際情況往往大不相同。
本文介紹了生成聯絡中心預測的四種主要模型的最新想法：
- 三重指數平滑（或Holt Winters）
- ARIMA（自回歸綜合移動平均--Auto Regressive Integrated Moving Average）
- 神經網絡
- 多時態聚合（Multiple Temporal Aggregation）
讓我們來看看預測在聯絡中心面臨的幾個挑戰。
當前聯絡中心預測的三大挑戰
多季節性
聯絡中心有一個有趣的數據格式，因為他們有大量的數據，遵循許多季節性的模式。
聯絡中心數據通常以不同的模式提供
- 間隔--通常每小時、半小時或15分鐘
- 每天
- 每周
- 每年
處理更高頻率（每小時和每天）的數據
聯絡中心數據的一個問題是，每小時的數據通常被平鋪成一個平均日數據。
考文垂大學（Coventry University）副教授（高級講師）德文·巴羅（Devon Barrow）說：一般來說，我們在工業界發現，標準方法是使用某種指數平滑法，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能水平上，然后進行分類。將每日或半小時的數據平均應用于每周的預測量，以用于調度。
標準方法似乎是基于非常高水平的預測。
將特殊情況剝離
聯絡中心的數據往往很難預測，因為它包含一系列需要剝離的聯絡峰谷。
這些峰谷可以從一系列特殊因素中得出，包括
- 人脈激增--這通常是營銷推廣的結果。
- 需求的逐步變化--例如收購新公司或引進新產品。
- 天氣因素--降雪、洪水和酷熱天氣會對聯絡中心的呼叫數量產生重大影響。
- 特別活動--如世界杯這樣的活動可能會導致通話量大幅下降，但并非每年都會發生。
- 設備故障--斷電、電話線被切斷或設備故障無法記錄呼入聯系人的數量。
來自The Forum（以前稱為專業規劃論壇--the Professional Planning Forum）的約翰·凱西（John Casey）說：在你使用預測方法之前，你需要能夠從你的聯絡中心預測中剝離出一些特殊的日子，否則你的假設是每年都會有一次世界杯。
本質上，您需要去掉特殊日期，運行預測，然后將它們放回您的數據中以供報告之用。
主要的四種聯絡中心預測模型
1、 平滑法
三重指數平滑（也稱為Holt-Winters技術）是一種簡單的預測技術，作為一種預測方法，它的穩定性令人驚訝。自20世紀60年代開始使用，并廣泛應用于聯絡中心預測，它構成了大多數勞動力管理（WFM）預測系統的主干。
三重一詞意味著預測數據被分成3個預測組成部分--水平、趨勢和季節性--以相互隔離每個組成部分。
如果我們以月度預測為例，那么三個組成部分是
水平--上個月的預測
趨勢--與上個月相比，聯系人的預期增加或減少
季節性--季節對數據的影響（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絡中心）。
指數平滑這一術語適用于從一個周期到下一個周期平滑（或平均）數據的方式。
使用三重指數平滑，水平、趨勢和季節性趨勢都是指數平滑的。艱難的工作來自于平滑系數的選擇--α（代表水平）、β（代表趨勢）和γ（代表季節性）。
這種方法的一個優點是，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電子表格中進行預測。
我們開發了一個聯絡中心預測工具，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據，因此，如果歷史交易量出現任何異常情況，例如停機或需求高峰，這些都可能導致非常奇怪的預測。
雖然三重指數預測可以被視為一種穩健的通用預測模型，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（更復雜）的預測方法是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的縮寫。
在2007年國家統計局（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--將數據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的數據的能力。
人們常說三重指數平滑是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ARIMA的特殊配方，由牛津大學的泰勒開發。
這允許您在數據中輸入多個季節性。因此，例如，您可以通過將季節性設置為48個時段（即24小時）和336個時段（48x7個時段或一周）來輸入每半小時數據。
三重指數平滑法和ARIMA法，哪個更適合于聯絡中心的預測？
從理論上講，ARIMA方法應該能夠產生更好的結果。三重指數平滑只有三個參數，所以它是一個相當簡單的方法。ARIMA有更多的參數，其中一些參數更直觀。問題在于復雜度可能會自行下降。
根據Brian O'Donnell在Stack Exchange上的帖子，我見過有不同數據集的人比較兩種算法的結果，得到不同的結果。在某些情況下，Holt-Winters算法比ARIMA算法給出更好的結果，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和指數平滑的問題是，它們都無法獲得高頻數據的長期趨勢。
3、 神經網絡
最近，神經網絡受到了廣泛的關注，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。
神經網絡也可以用于聯絡中心的預測。
Lancaster University副教授（高級講師）Nikos Kourentzes說：神經網絡用于預測已經超過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。
神經網絡是一種試圖模擬人腦中神經元或腦細胞的網絡，它由許多試圖模擬人腦功能的節點組成。
這些網絡會查看一系列輸入，然后嘗試調整一個隱藏的網絡，方法是改變一些權重，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，并嘗試將下一項數據與預測相匹配。
看來神經網絡在聯絡中心預測方面可能有很多潛在的優勢
- 當他們從所提供的數據中學習時，他們不需要編寫復雜的算法
- 他們可以接受外部輸入--如特殊日子、營銷活動、網站頁面瀏覽熱度，以模擬不同因素。
對于神經網絡來說，一些最令人興奮的因素可能是自動從預測中剝離出特殊的日子。
但是神經網絡也有很多缺點。
神經網絡得到的評價褒貶不一，部分原因是它們使用不當。其理念是，如果我遇到預測問題，我就使用神經網絡，不管問題的具體挑戰是什么，它都將有助于解決問題，都將會越來越準確。考文垂大學（Coventry University）副教授（高級講師）德文·巴羅（Devon Barrow）說。
神經網絡受到抨擊是因為它們是所謂的黑匣子--你看不到里面發生了什么。
神經網絡是非常看重輸入的，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）的數據。
生成神經網絡的關鍵似乎在于網絡有多少節點（本質上是多少內存），理論上更多的節點應該產生更好的結果，但性能要慢得多。
Nikos Kourentzes說：如果問題是線性的，那么一個節點就足夠了，序列越復雜，需要的節點就越多。。
但復雜并不意味著人們所看到的復雜，在我看來，聯絡中心的時間序列看起來相當復雜，但從數學角度來說卻不是。在大多數聯絡中心應用中，少量的節點就足夠了。
Nikos Kourentzes總結說：神經網絡也不太擅長做趨勢，但它們非常擅長處理季節性。
4、 多時態聚合（MTA）
聯絡中心預測的最新思想是多時態聚合，這是一種兼顧高頻數據（每天每小時、每周）和長期趨勢的方法。
舉個例子，如果你把2016年的聯系人總數與2015年相比，你發現它增加了8%，那么這就是你的趨勢。你完全去掉了季節性因素。本質上，這就是全年的聯系人和特殊事件的平均數。
Nikos Kourentzes說：在年度數據中，你可以很容易地看到長期變化，但你看不到季節性、促銷或特殊活動。在高頻數據（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。
多時態聚合的優點是可以同時關注日內數據和長期數據。
Nikos Kourentzes說：假設我想預測一周前的情況。你所做的一開始聽起來有點奇怪，然后就有意義了。我需要預測未來一年的所有事情。
一年的小時數，一年的天數，一年的周數，一年的季度數，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，現在你已經創建了一個金字塔，在那里你可以協調價值觀，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聚合是如何工作的，統計建模軟件包R中產生了一個軟件模型，稱為MAPA--多重聚合預測算法，它可以產生一些有希望的預測。還有一種叫小偷的MTA算法。
這種方法的結果看起來非常有趣。
從長遠來看，哪種預測方法會占上風？
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是在問一根刺有多長的問題。
當然，神經網絡和MTA看起來都能帶來有希望的結果。
但這可能不是非此即彼的情況。
神經網絡和其他方法的結合是可能的，例如，我們可以看到一個神經網絡過濾器在一個多時態聚合模型前面，或者我們也可以看到神經網絡與指數平滑相結合。
德文·巴羅（Devon Barrow）說：我認為，在采用更復雜的預測方法方面，聯絡中心行業已經落后了。
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測準確度轉向決策。
這一轉變將是將預測更好地融入決策過程，也就是說，不僅要根據準確度來選擇預測，還要根據預測所支持的決策質量，比如員工排班和新座席的培訓。
你在聯絡中心使用哪些預測方法？他們對你有多好？
聲明:版權所有 非合作媒體謝絕轉載
原文網址：
https://www.callcentrehelper.com/the-latest-techniques-for-call-centre-forecasting-117394.htm
