发布时间:2022-05-05 08:50:30 人气:2070 来源:天云祥客服外包
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