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：

　　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

　　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

　　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

　　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