AI-система автоматического планирования смен операторов контакт-центра

Разработка AI-системы автоматического планирования смен операторов

Операторы контакт-центра работают в три смены, а нагрузка скачет каждые 15 минут. Вручную составить расписание на неделю — мука: 8–16 часов уходит на почасовую подгонку, и всё равно остаются переработки или недогруз. Мы, команда AI-инженеров с 10+ летним опытом в MLOps и оркестрации расписаний, разработали более 50 систем для контакт-центров. Наши AI-планировщики решают задачу за 5–15 минут, учитывая SLA, трудовой кодекс, навыки, предпочтения и бюджет. В одном из проектов для сети из 400 операторов overtime снизился на 28%, а удовлетворённость предпочтениями достигла 72%. Закажите предварительный анализ вашего проекта — мы оценим его за 2 дня.

Как AI-система собирает данные?

Планировщик использует прогноз нагрузки по 15–30-минутным интервалам, данные HR-системы (контракты, отпуска, навыки, предпочтения) и ограничения трудового кодекса со SLA. Все данные импортируются из WFM-систем.

Методы оптимизации

Применяем комбинацию Integer Linear Programming (ILP) с солверами CBC, Gurobi для фиксированных горизонтов, Constraint Programming (CP-SAT) для сложных жёстких ограничений и Reinforcement Learning для адаптивных корректировок. CP-SAT от OR-Tools превосходит ILP в задачах с логическими условиями — например, «если ночная смена, то следующая дневная через 24 часа» — без линеаризации. В наших проектах CP-SAT на 5–10% снижает стоимость расписания при тех же ограничениях.

Почему CP-SAT лучше ILP?

Constraint Programming SAT позволяет выражать логические условия без линеаризации, что упрощает модель и ускоряет расчёт. Кроме того, CP-SAT встроен в OR-Tools, что даёт удобный API для комбинаторных задач. Для fairness используем метрику Джини распределения нежелательных смен — CP-SAT поддерживает такие ограничения нативно.

Как система учитывает предпочтения операторов?

Техническое решение справедливого расписания включает:

• Равномерное распределение: каждый оператор получает ±5% ночных, выходных и праздничных смен
• Удовлетворённость предпочтениями: целевой показатель > 70%
• Bidding system: операторы ставят на смены, планировщик максимизирует сумму удовлетворения при сохранении SLA

Preference satisfaction vs. cost minimization — многокритериальная задача. Дашборд показывает Pareto-фронт с разными компромиссами. Bidding system реализован на основе алгоритма максимального паросочетания с весами, что гарантирует оптимум по Парето.

Процесс составления расписания

Горизонт: 1–4 недели.

Pipeline:

1. Импорт прогноза нагрузки из WFM
2. Загрузка HR-данных
3. Генерация множества возможных смен
4. CP-SAT оптимизация
5. Post-processing: проверка fairness
6. Публикация расписания

Интрадей корректировки: При неожиданном отсутствии оператора RL-агент, обученный на исторических данных замен, находит замену за секунды. Это позволяет реагировать на sick leaves, опоздания и другие экстренные ситуации.

Мобильное приложение для операторов

Операторы видят расписание, запрашивают обмен сменами и отгулы через приложение. Супервизоры тратят на 60–70% меньше времени на организационные вопросы. Система отправляет push-уведомления о предстоящих сменах и изменениях.

Метрики

• Время построения: < 10 мин для 200 операторов
• SLA coverage: > 98% интервалов в пределах ±10% от целевого
• Overtime: снижение на 15–25%
• Preference satisfaction: > 65%
• Стабильность: < 15% изменений за 48 часов
• Fairness: коэффициент Джини по нежелательным сменам < 0.2

Что входит в работу?

• Анализ текущего планирования и сбор требований
• Разработка математической модели (ILP/CP-SAT/RL)
• Интеграция с WFM, HR и мобильными приложениями
• Тестирование на исторических данных и A/B-пилот
• Документация, обучение, гарантийная поддержка 1 месяц

Получите детальный расчёт экономии для вашего контакт-центра. Свяжитесь с нами для консультации — оценим ваш проект за 2 дня. Узнайте, как AI-планировщик сократит ваши операционные расходы.

Сроки: базовый планировщик с ILP/CP-SAT — 6–8 недель. Полная система с мобильным приложением и интрадей-корректировками — 4–5 месяцев.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.