Будем предполагать, что ответ "никак" - не для читателей этого сайта, поэтому сегодня обсудим способы оптимизации модели прогнозирования обращений в контакт-центре с помощью "подручных" аналитических средств.

Данный материал является логическим продолжением предыдущей записи моего блога "Эффективный анализ данных в контакт-центре, который доступен всем" и конечно же основывается на реальном кейсе известной отечественной компании.

Частотная гистограмма для анализа

Вызов. Исходные данные.

В крупной телекоммуникационной компании подразделение аналитики в контакт-центре постоянно работает с задачей "Прогнозирование количества обращений на входящую линию". Для этого сотрудники подразделения применяют и разрабатывают новые модели прогноза, измеряют его точность (отношение поступивших звонков к прогнозируемым) для каждого получасового отрезка. В то же время, у руководства контакт-центра есть гипотеза, что модель эффективна, но работает не для всех часовых промежутков, так как общий показатель точности прогнозирования часто не в допустимых пределах.

Задача:

Определить промежутки, где модель не работает. Дать рекомендации по смещению "фокуса" внимания аналитиков.

Как было раньше

Шаг 1.

Использовалась надстройка "Анализ данных" или "вручную" строилась частотная диаграмма (вспоминаем формулы и сортируем данные).

Шаг 2.

Визуально анализировались данные. Если нужно было поменять исходные данные (например, исключить "выбросы"), то приходилось возвращаться к шагу 1 для нового построения диаграмм.

Шаг 3.

Рекомендации по принятию решения.

Таким образом, "Шаг 1" исключается из процесса.

Данные для анализа

• В модели прогнозирования у нас используется 214 периодов:
  - 71 (33%) случай, когда точность в интервале от -8% до +15%. Что можно считать, как "хорошо"
  - 70 (33%) случаев, когда мы имеем звонков больше чем прогнозировали на 15% и более процентов
  - 73 (34%) случая, когда мы имеем звонков меньше чем прогнозировали на 8% и менее процентов
• Практически ровное распределение как в "минус", так и в "плюс". Т.е. необходимо дополнительно проанализировать:
  - 65 случаев, когда поступило меньше прогнозируемого в интервале от -8% до 54%
  - 58 случаев, когда поступило больше прогнозируемого в интервале от 15% до 61%
• Таким образом, мы будем иметь приемлемый прогноз для 91% процента интервалов, если выявим причину и поменяем модель.
• Под дополнительным анализом подразумеваем:
  - поиск зависимостей в разрезе дня
  - распределение тематик обращений в течении дня
  - количество перезвонов в разрезе дня
  - правильный расчет KPI "точность прогнозирования" - количество периодов, где целевая точность была достигнута, за общее количество периодов - построение матрицы точности прогноза: