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。
聯絡中心得益於豐富的歷史數據，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：
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
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，然後進行分類。將每日或半小時的數據平均應用於每周的預測量，以用於調度。」
「標準方法似乎是基於非常高水平的預測。」
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
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盃。」
「本質上，您需要去掉特殊日期，運行預測，然後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，並廣泛應用於聯絡中心預測，它構成了大多數勞動力管理（WFM）預測系統的主幹。
「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，那麼三個組成部分是
水平--上個月的預測
趨勢--與上個月相比，聯繫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於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。艱難的工作來自於平滑係數的選擇--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，但它更適合於長期預測，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（更複雜）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作為首選算法之後，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，哪個更適合於聯絡中心的預測？
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。問題在於複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，那就是什麼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於人工智慧--語音識別和搜索算法之後。
神經網絡也可以用於聯絡中心的預測。
Lancaster University副教授（高級講師）Nikos Kourentzes說：「神經網絡用於預測已經超過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，然後嘗試調整一個「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，並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
對於神經網絡來說，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麼，它都將有助於解決問題，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--你看不到裡面發生了什麼。」
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於網絡有多少節點（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，那麼一個節點就足夠了，序列越複雜，需要的節點就越多。」。
「但複雜並不意味著人們所看到的複雜，在我看來，聯絡中心的時間序列看起來相當複雜，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年的聯繫人總數與2015年相比，你發現它增加了8%，那麼這就是你的趨勢。你完全去掉了季節性因素。本質上，這就是全年的聯繫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，然後就有意義了。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，在那裡你可以協調價值觀，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，統計建模軟體包R中產生了一個軟體模型，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，哪種預測方法會佔上風？
對於一群花時間預測未來的人來說，哪種預測方法會佔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，在採用更複雜的預測方法方面，聯絡中心行業已經落後了。」
「不過，我認為問題不在於準確性。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