Formation of strategic and tactical forecasts of the load of the contact center
Abstract
Importance: the activity of contact centers is becoming an integral part of modern business. Contact centers provide ample opportunities for providing services and working with clients. The efficiency of these structural divisions depends on the organization in time and space of servicing incoming calls. Purpose: to develop and justify an approach based on the methods of statistical data analysis and machine learning for studying historical data on the load of the contact center and forming strategic and tactical forecasts of the intensity of its work. Research design: the contact center can be viewed as a queuing system (QS). The formation of strategic and tactical forecasts of the load of the contact center will allow you to assess the intensity of the flow of applications, the intensity of the service process and calculate the main characteristics of the effectiveness of the functioning of the contact center as a queuing system: the average service time, the average number of requests in the queue, the average time the application stays in the queue and other QS characteristics. To analyze retrospective data, the work uses a whole range of statistical data analysis and machine learning methods: seasonal decomposition, Linear Regression, XGBoost, ARIMA, SVR. To build high-quality forecasts, it is necessary to take into account the data features associated with different workloads of the contact center at different times during the day, different traffic on different days of the week, the presence of holidays and promotions. Results: special software was created.
Downloads
References
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.
