Будемо припускати, що відповідь "ніяк" - не для читачів цього сайту, тому сьогодні обговоримо способи оптимізації моделі прогнозування звернень в контакт-центрі за допомогою "підручних" аналітичних засобів.

Даний матеріал є логічним продовженням попереднього запису мого блогу "Ефективний аналіз данних в контакт-центрі, який доступний всім" і звичайно ж ґрунтується на реальному кейсі відомої вітчизняної компанії.

Частотна гістограма для аналізу

Виклик. Вихідні дані.

У великої телекомунікаційної компанії підрозділ аналітики в контакт-центрі постійно працює із завданням "Прогнозування кількості звернень на вхідну лінію". Для цього співробітники підрозділу застосовують і розробляють нові моделі прогнозу, вимірюють його точність (відношення надійшли дзвінків до прогнозованих) для кожного півгодинного відрізка. У той же час, у керівництва контакт-центру є гіпотеза, що модель ефективна, але працює не для всіх часових проміжків, так як загальний показник точності прогнозування часто не в допустимих межах.

Завдання:

Визначити проміжки, де модель не працює. Дати рекомендації щодо зміщення "фокуса" уваги аналітиків.

Як було раніше

Крок 1.

Використовувалася надбудова "Аналіз даних" або "вручну" будувалася частотна діаграма (згадуємо формули і сортуємо дані).

Крок 2.

Візуально аналізувалися дані. Якщо потрібно було поміняти вихідні дані (наприклад, виключити "викиди"), то доводилося повертатися до кроку 1 для нового побудови діаграм.

Крок 3.

Рекомендації щодо прийняття рішення.

В MS Excel 2016 тип діаграми Histogram Chart доданий в стандартні. Вибираємо потрібний тип діаграми і отримуємо готову динамічну картинку - просто і з допомогою всього одного кліка.

Таким чином, "Крок 1" виключається з процесу.

Дані для аналізу

• У моделі прогнозування у нас використовується 214 періодів:

- 71 (33%) випадок, коли точність в інтервалі від -8% до + 15%. Що можна вважати, як "добре"
- 70 (33%) випадків, коли ми маємо дзвінків більше ніж прогнозували на 15% і більше відсотків
- 73 (34%) випадку, коли ми маємо дзвінків менше ніж прогнозували на 8% і менше відсотків

• Практично рівний розподіл як в "мінус", так і в "плюс". Тобто необхідно додатково проаналізувати:

- 65 випадків, коли надійшло менше прогнозованого в інтервалі від -8% до 54%
- 58 випадків, коли надійшло більше прогнозованого в інтервалі від 15% до 61%
Таким чином, ми будемо мати прийнятний прогноз для 91% відсотка інтервалів, якщо виявимо причину і поміняємо модель.

• Під додатковим аналізом на увазі:

- пошук залежностей в розрізі дня
- розподіл тематик звернень протягом дня
- кількість передзвонів в розрізі дня
- правильний розрахунок KPI "точність прогнозування" - кількість періодів, де цільова точність була досягнута, за загальна кількість періодів - побудова матриці точності прогнозу: