我们将介绍联系中心预测的最新思路和技术。

联络中心受益于丰富的历史数据，应该能够提供良好的预测。但现实往往大不相同。

这篇文章介绍了关于生成联系中心预测的4种主要模型的最新想法：

三指数平滑（或Holt Winters）ARIMA（自回归综合移动平均）神经网络多重时间聚合让我们看看联系中心预测面临的几个挑战。

联系中心预测的三大挑战如今，多个季节的联系中心有一种有趣的数据格式，因为它们有大量遵循许多季节模式的数据。

呼叫中心数据通常以一系列不同的模式

间隔提供——通常是每小时、半小时或15分钟一次，每周一次，每年处理更高频率（每小时和每天）的数据联系中心数据的一个问题是，每小时的数据通常被压缩为平均每天的数据。考文垂大学副教授（讲师）德文·巴罗（Devon Barrow）说：“一般来说，我们在业界发现，标准方法是使用某种指数平滑，最有可能是霍尔特·温特斯（Holt Winters）。”。

“通常是在每周级别上完成资源分配和一般容量，然后进行分类。对于每日或半小时数据，则将平均每日和每小时配置文件应用于每周预测量，以用于调度。

“标准方法似乎基于非常别的预测。”

从预测的联络中心数据中分离特殊天数通常更难预测，因为它包含一系列需要从预测中分离出来的联络高峰和低谷。

这些可以从一系列特殊因素中提取，包括联系人中的

峰值——这通常是营销推广的结果。逐步改变需求——例如收购一家新公司或引进新产品。天气因素——雪、洪水和酷热天气会对呼叫中心的呼叫数量产生很大影响。特别活动——世界杯等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——停电、电话线被切断或设备故障，无法记录传入联系人的数量。该论坛（以前称为专业规划论坛）的约翰·凯西（John Casey）表示：“在使用预测方法之前，你需要能够从联络中心的预测中分离出特殊的日子。否则，假设每年都会有一次世界杯。”“本质上，你需要取出特殊的日子，运行预测，然后将它们放回你的数据中以供报告之用。”

主要有四种呼叫中心预测模型1。三指数平滑

三指数平滑（也称为霍尔特-温特斯技术）是一种简单的预测技术，作为一种预测方法，它具有惊人的鲁棒性。它自20世纪60年代开始使用，并广泛用于呼叫中心预测——它构成了大多数劳动力管理（WFM）预测系统的主干。

有关更多信息，请参阅《劳动力管理软件初学者指南》。

术语三重含义是将预测数据分为三个预测组件——水平、趋势和季节性，以“隔离”每个组件。

如果我们以月度预测为例，那么这三个组成部分是

级别–上月的预测

趋势–上个月

季节性联系人的预期增加或减少–季节对数据的影响（例如，3月可能是一年平均月份的120%，8月可能是8月）平均每月的5%——因为许多人在8月休假，不太可能打电话给联络中心）。

术语指数平滑适用于从一个周期到下一个周期对数据进行平滑（或平均）的方式。

具有三重指数平滑功能，水平、趋势和季节趋势均以指数平滑。在平滑系数的选择上需要付出艰苦的努力——Alpha（表示水平）、Beta（表示趋势）和Gamma（表示季节性）。

这种方法的优点之一是，一旦你了解了这个方法，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。我们开发了一个呼叫中心预测工具，一个免费的每月电子表格模板，你可以使用。

更大的危险是，数据很容易“过拟合”，因此，如果历史数据量出现任何异常情况，例如停机或需求高峰，可能会导致非常奇怪的预测。

虽然三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：

https://forecasters.org/pdfs/foresight/free/Issue19_goodwin.pdf https://www.otexts.org/fpp/7/5

也可以使用双指数平滑和一系列其他变量。

[该论文——巴罗，D.K.（2016）。使用季节移动平均法预测日内电话到达量。商业研究杂志，69（12），6088-6096。DOI:10.1016/j.jbusres.2016.06.016]

2。ARIMA（自回归综合移动平均）

是一种更先进（更复杂）的预测方法，在过去10年中更受欢迎。

ARIMA是代表自回归综合移动平均线的首字母缩写。2007年，美国统计局（Office for National Statistics）将ARIMA作为算法采用后，

和对ARIMA的兴趣与日俱增。

ARIMA有三个主要组成部分：

自回归–将数据与过去模式（例如，12个月或52周前的时间间隔）进行比较的能力）

集成–将当前观察值与之前观察值

移动平均值进行比较或差异的能力–在过去数个时期平滑数据的能力。

人们常说，三指数平滑是ARIMA的一个特例。

ARIMA的一个特例看起来很有前途，是一种特殊的ARIMA配方，称为双季节ARIMA，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。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（48 x 7个时段或一周）来输入半小时数据。

有关双季节ARIMA的更多信息，请访问：

http://users.ox.ac.uk/~mast0315/TripleSeasonalEJOR。pdf

哪一个更适合联系中心预测——三指数平滑还是ARIMA？理论上，ARIMA方法应该能够产生更好的结果。三指数平滑有三个参数，所以它是一种相当简单的方法。ARIMA有更多的参数，其中一些更直观。问题在于，这种复杂性本身可能会导致崩溃。

根据Brian O'Donnell在Stack Exchange上发布的帖子，“我见过使用不同数据集的人比较这两种算法的结果，得到不同的结果。在某些情况下，霍尔特·温特斯算法比ARIMA算法给出更好的结果，而在其他情况下，情况正好相反。我不认为你会找到一个明确的答案，告诉你什么时候使用一种算法而不是另一种。”

“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，”兰开斯特大学副教授（讲师）尼科斯·库伦茨说。

是不同的回归-本次网络研讨会讨论了基于数据的预测技术：如何设计更好的预测电子表格。

有关ARIMA和指数平滑如何在呼叫中心预测中进行比较的详细信息：

http://arno.uvt.nl/show.cgi?fid=107802

3。神经网络神经网络最近备受关注，尤其是自从谷歌开始将其用于人工智能——语音识别和搜索算法以来。

神经网络也可用于联络中心预测。兰开斯特大学的尼科斯·库伦茨副教授（讲师）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，这使它们更加实用。”。

神经网络是一种试图对人脑中的神经元或脑细胞进行建模的网络。它由许多试图模拟人脑功能的“节点”组成。

网络查看一系列输入，然后尝试调整“隐藏”网络，方法是更改一些权重，直到它们接近匹配输出。例如，他们将扫描一系列电话，并尝试将下一项数据与预测相匹配。

神经网络在联系中心预测方面似乎有很多潜在优势

它们不需要复杂的算法，因为它们可以从提供的数据中学习外部输入，例如特殊日子、营销活动、网站页面温度视图，以模拟不同的因素。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分离出特殊的日子。

但神经网络有许多缺点。

“Devon Barrow”

“神经网络得到的评价好坏参半，部分原因是它们被错误地使用。其想法是，如果我有预测问题，我使用神经网络，无论问题的具体挑战如何，它都将帮助解决问题。不知何故，我会提高准确性，”Devon Barrow说，考文垂大学副教授（讲师）。

“神经网络会受到攻击，因为它们是所谓的黑匣子——你看不到里面发生了什么。”

和神经网络也具有“非常重的输入”，这意味着它们最适合处理高频间隔（通常为半小时或四分之一小时）数据。

如果您没有多年的可用数据，请查看我们关于如何使用最少数据进行预测的文章。

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。”。

“但复杂并不意味着看起来很复杂。在我看来，联络中心时间序列相当复杂，但在数学方面并不复杂。在大多数联络中心应用中，少量节点就足够了。

“神经网络也不太擅长预测趋势，但它们非常擅长处理季节性，”尼科斯总结道库伦茨。

有关神经网络如何工作的更多信息，我建议阅读史蒂文·米勒关于“如何构建神经网络”的文章。这将带您了解该逻辑的工作原理，以及一个简单的工作示例：

https://stevenmiller888.github.io/mind-how-to-build-a-neural-network/

4。多时态聚合（MTA）呼叫中心预测的最新思路是多时态聚合。这是一种结合高频数据（每天每小时、每周）和长期趋势的方法。“kd