联络中心得益于丰富的历史数据，应该能够提供良好的预测。但实际情况往往大不相同。
本文介绍了生成联络中心预测的四种主要模型的最新想法：
- 三重指数平滑（或Holt Winters）
- ARIMA（自回归综合移动平均--Auto Regressive Integrated Moving Average）
- 神经网络
- 多时态聚合（Multiple Temporal Aggregation）
让我们来看看预测在联络中心面临的几个挑战。
当前联络中心预测的三大挑战
多季节性
联络中心有一个有趣的数据格式，因为他们有大量的数据，遵循许多季节性的模式。
联络中心数据通常以不同的模式提供
- 间隔--通常每小时、半小时或15分钟
- 每天
- 每周
- 每年
处理更高频率（每小时和每天）的数据
联络中心数据的一个问题是，每小时的数据通常被平铺成一个平均日数据。
考文垂大学（Coventry University）副教授（高级讲师）德文·巴罗（Devon Barrow）说：“一般来说，我们在工业界发现，标准方法是使用某种指数平滑法，很可能是霍尔特o温特斯（Holt Winters）法。”
“通常是在每周的资源配置和总产能水平上，然后进行分类。将每日或半小时的数据平均应用于每周的预测量，以用于调度。”
“标准方法似乎是基于非常高水平的预测。”
将特殊情况剥离
联络中心的数据往往很难预测，因为它包含一系列需要剥离的联络峰谷。
这些峰谷可以从一系列特殊因素中得出，包括
- 人脉激增--这通常是营销推广的结果。
- 需求的逐步变化--例如收购新公司或引进新产品。
- 天气因素--降雪、洪水和酷热天气会对联络中心的呼叫数量产生重大影响。
- 特别活动--如世界杯这样的活动可能会导致通话量大幅下降，但并非每年都会发生。
- 设备故障--断电、电话线被切断或设备故障无法记录呼入联系人的数量。
来自The Forum（以前称为专业规划论坛--the Professional Planning Forum）的约翰·凯西（John Casey）说：“在你使用预测方法之前，你需要能够从你的联络中心预测中剥离出一些特殊的日子，否则你的假设是每年都会有一次世界杯。”
“本质上，您需要去掉特殊日期，运行预测，然后将它们放回您的数据中以供报告之用。”
主要的四种联络中心预测模型
1、 平滑法
三重指数平滑（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，它的稳定性令人惊讶。自20世纪60年代开始使用，并广泛应用于联络中心预测，它构成了大多数劳动力管理（WFM）预测系统的主干。
“三重”一词意味着预测数据被分成3个预测组成部分--水平、趋势和季节性--以相互“隔离”每个组成部分。
如果我们以月度预测为例，那么三个组成部分是
水平--上个月的预测
趋势--与上个月相比，联系人的预期增加或减少
季节性--季节对数据的影响（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%--因为许多人在8月份休假，不太可能打电话给联络中心）。
指数平滑这一术语适用于从一个周期到下一个周期平滑（或平均）数据的方式。
使用三重指数平滑，水平、趋势和季节性趋势都是指数平滑的。艰难的工作来自于平滑系数的选择--α（代表水平）、β（代表趋势）和γ（代表季节性）。
这种方法的一个优点是，一旦你熟悉了这个方法，就很容易对它进行建模，甚至可以在Excel电子表格中进行预测。
我们开发了一个联络中心预测工具，一个免费的每月电子表格模板，你可以使用。
最大的危险是很容易“过度拟合”数据，因此，如果历史交易量出现任何异常情况，例如停机或需求高峰，这些都可能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。
2、 自回归综合移动平均
ARIMA（自回归综合移动平均--Auto Regressive Integrated Moving Average）
一种更先进（更复杂）的预测方法是ARIMA，它在过去10年中越来越流行。
ARIMA是自回归综合移动平均数的缩写。
在2007年国家统计局（Officef or National Statistics）将ARIMA作为首选算法之后，人们对ARIMA的兴趣与日俱增。
ARIMA有三个主要组成部分：
自回归--将数据与过去的模式进行比较的能力（例如12个月或52周前的时间差）
综合--比较或区别当前观察与先前观察的能力
移动平均值--平滑过去一段时间内的数据的能力。
人们常说三重指数平滑是ARIMA的一个特例。
ARIMA的一个特例看起来很有前途，是一种叫做双季节ARIMA的特殊配方，由牛津大学的泰勒开发。
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（48x7个时段或一周）来输入每半小时数据。
三重指数平滑法和ARIMA法，哪个更适合于联络中心的预测？
从理论上讲，ARIMA方法应该能够产生更好的结果。三重指数平滑只有三个参数，所以它是一个相当简单的方法。ARIMA有更多的参数，其中一些参数更直观。问题在于复杂度可能会自行下降。
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。我不认为你会找到一个明确的答案，那就是什么时候该用一个来代替另一个。”
Lancaster University副教授（高级讲师）Nikos Kourentzes说：“ARIMA和指数平滑的问题是，它们都无法获得高频数据的长期趋势。”
3、 神经网络
最近，神经网络受到了广泛的关注，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之后。
神经网络也可以用于联络中心的预测。
Lancaster University副教授（高级讲师）Nikos Kourentzes说：“神经网络用于预测已经超过20年了，但最近我们看到计算能力的巨大增长，这使得它们更加实用。”
神经网络是一种试图模拟人脑中神经元或脑细胞的网络，它由许多试图模拟人脑功能的“节点”组成。
这些网络会查看一系列输入，然后尝试调整一个“隐藏”的网络，方法是改变一些权重，直到它们接近输出匹配为止。例如，它们将扫描一系列的呼叫，并尝试将下一项数据与预测相匹配。
看来神经网络在联络中心预测方面可能有很多潜在的优势
- 当他们从所提供的数据中学习时，他们不需要编写复杂的算法
- 他们可以接受外部输入--如特殊日子、营销活动、网站页面浏览热度，以模拟不同因素。
对于神经网络来说，一些最令人兴奋的因素可能是自动从预测中剥离出特殊的日子。
但是神经网络也有很多缺点。
“神经网络得到的评价褒贬不一，部分原因是它们使用不当。其理念是，如果我遇到预测问题，我就使用神经网络，不管问题的具体挑战是什么，它都将有助于解决问题，都将会越来越准确。”考文垂大学（Coventry University）副教授（高级讲师）德文·巴罗（Devon Barrow）说。
“神经网络受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。”
神经网络是“非常看重输入”的，这意味着它们最适合处理高频间隔（通常是半小时或四分之一小时）的数据。
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，但性能要慢得多。
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。”。
“但复杂并不意味着人们所看到的复杂，在我看来，联络中心的时间序列看起来相当复杂，但从数学角度来说却不是。在大多数联络中心应用中，少量的节点就足够了。”
Nikos Kourentzes总结说：“神经网络也不太擅长做趋势，但它们非常擅长处理季节性。”
4、 多时态聚合（MTA）
联络中心预测的最新思想是多时态聚合，这是一种兼顾高频数据（每天每小时、每周）和长期趋势的方法。
举个例子，如果你把2016年的联系人总数与2015年相比，你发现它增加了8%，那么这就是你的趋势。你完全去掉了季节性因素。本质上，这就是全年的联系人和特殊事件的平均数。
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、促销或特殊活动。在高频数据（每小时、每天）中，你看到的恰恰相反。”
通过聚合系列，您可以从不同的角度查看它。您永远无法从一个单一的视角提取所有内容，但如果您从不同的聚合级别将所有聚合集合在一起，则您将拥有一个整体视图。
多时态聚合的优点是可以同时关注日内数据和长期数据。
Nikos Kourentzes说：“假设我想预测一周前的情况。你所做的一开始听起来有点奇怪，然后就有意义了。我需要预测未来一年的所有事情。”
“一年的小时数，一年的天数，一年的周数，一年的季度数，一整年的时间，所以一个是一个观测值，另一个是8760个观测值。”
“这样做的好处是，现在你已经创建了一个金字塔，在那里你可以协调价值观，一切都能正确地相加。你可以将信息从顶层传递到底层，反之亦然。”
为了帮助理解多时态聚合是如何工作的，统计建模软件包R中产生了一个软件模型，称为MAPA--多重聚合预测算法，它可以产生一些有希望的预测。还有一种叫小偷的MTA算法。
这种方法的结果看起来非常有趣。
从长远来看，哪种预测方法会占上风？
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是在问“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“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，我们可以看到一个神经网络过滤器在一个多时态聚合模型前面，或者我们也可以看到神经网络与指数平滑相结合。
德文·巴罗（Devon Barrow）说：“我认为，在采用更复杂的预测方法方面，联络中心行业已经落后了。”
“不过，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度转向决策。”
“这一转变将是将预测更好地融入决策过程，也就是说，不仅要根据准确度来选择预测，还要根据预测所支持的决策质量，比如员工排班和新座席的培训。”
你在联络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
