Формирование стратегических и тактических прогнозов нагрузки контактного центра
Аннотация
Предмет: деятельность контактных центров становится неотъемлемой частью современного бизнеса. Контактные центры обеспечивают широкие возможности предоставления услуг и работы с клиентами. Эффективность работы данных структурных подразделений зависит от организации во времени и пространстве обслуживания поступающих звонков. Цель: разработать и обосновать базирующийся на методах статистического анализа данных и машинного обучения подход исследования ретроспективных данных по нагрузке контактного центра и формирования стратегических и тактических прогнозов интенсивности его работы. Дизайн исследования: контактный центр можно рассматривать как систему массового обслуживания (СМО). Формирование стратегических и тактических прогнозов нагрузки контактного центра позволит оценить интенсивность потока заявок, интенсивность процесса обслуживания и рассчитать основные характеристики эффективности функционирования контактного центра как системы массового обслуживания: среднее время обслуживания, среднее количество требований в очереди, среднее время пребывания заявки в очереди и другие характеристики СМО. Для анализа ретроспективных данных в работе используется целый спектр методов статистического анализа данных и машинного обучения: сезонная декомпозиция, Linear Regression, XGBoost, ARIMA, SVR. Для построения качественных прогнозов необходимо учесть особенности данных, связанные с разной загруженностью контактного центра в разный период времени в течение суток, разным трафиком в разные дни недели, наличием праздников и рекламных акций. Результаты: создано специальное программное обеспечение. Совокупность используемых методов обработки данных позволила получить достаточно качественные прогнозы.
Скачивания
Литература
Белозерчик А.С. Методы анализа данных в практических задачах исследования удовлетворенности клиентов качеством обслуживания при голосовых обращениях в контактные центры // Альманах научных работ молодых ученых Университета ИТМО: XLVII научная и учебно-методическая конференция Университета ИТМО, Санкт-Петербург, 31 января – 03 2018 года. Санкт-Петербург, ФГАОУ «Национальный исследовательский университет ИТМО», 2018, с. 165-167.
Душин В.М. Актуальные проблемы автоматизированных информационных систем прогнозирования нагрузки и планирования ресурсов в контактном центре // Устойчивое развитие науки и образования, 2021, no. 5(56), с. 41-45.
Еськов В.А., Солодухин К.С. Нечеткая модель расчета численности персонала контактного центра. Территория новых возможностей // Вестник Владивостокского государственного университета экономики и сервиса, 2022, т. 14, no. 3(56), с. 158-167.
Кизбикенов К.О. Прогнозирование и временные ряды: учебное пособие для вузов. Барнаул, АлтГПУ, 2017. 115 с.
Овакимян А.С., Саркисян С.Г. Нейросетевое прогнозирование временных рядов // Вестник Ереванского государственного университета, 2013, no. 5, с. 16-22.
Унгуряну Т.Н. Сравнение трех и более независимых групп с использованием непараметрического критерия Краскела Уоллиса в программе STATA // Экология человека, 2014, no. 6, с. 55-58.
Фадеев С.Н., Брейдер Н.А. Оценка эффективности разделения каналов в системе массового обслуживания с неограниченной очередью // Известия высших учебных заведений. Приборостроение, 2021, т. 64, no. 5, с. 351-356.
Aldor-Noiman S., Feigin P., Mandelbaum A. Workload forecasting for a call center: Methodology and a case study // The Annals of Applied Statistics. 2010, vol. 3 (4), pp. 1403-1447.
Chih-Chung Chang, Chih-Jen Lin. LIBSVM: A Library for Support Vector Machines. ACM Transactions on Intelligent Systems and Technology (Taipei, 29 ноября 2019 г.). Taiwan, National Taiwan University, 2019, рр. 1-24.
Haipeng Shen, Jianhua Z. Huang. Interday Forecasting and Intraday Updating of Call Center Arrivals // Manufacturing & Service Operations Management, 2008, no. 10(3), рр. 391-410.
Ming-Chi Tsai [и др.]. Forecasting leading industry stock prices based on a hybrid time-series forecast model // PLoS ONE (Alessandro Spelta, Italy, 31 декабря 2018 г.). Italy, Universita Cattolica del Sacro Cuore, 2018, рр. 1-24.
Nicola Baldon. Time series Forecast of Call volume in Call Centre using Statistical and Machine Learning Methods // Degree project in computer science and engineering, second cycle, 30 credits Stockholm. Sweden, 2019.
