Розроблення AI-системи управління робочою силою контакт-центру
Workforce Management (WFM) у контакт-центрі — це баланс між рівнем обслуговування (SLA) та витратами на персонал. Недостатня укомплектованість призводить до черг та відтоку клієнтів. Надмірна укомплектованість — до марних витрат на ФОП. AI-прогнозування навантаження — основа ефективного розкладу.
Що потрібно спрогнозувати
WFM вимагає прогнозів на кількох рівнях:
- Стратегічний (4-13 тижнів): для набору та навчання нових операторів
- Тактичний (1-4 тижні): для складання розкладу змін
- Операційний (сьогодні/завтра): для внутрішньоденних коригувань
- Real-time (горизонт 15-30 хв): для внутрішньоденного тонкого налаштування
Кожен рівень вимагає різної точності: стратегічний ±15% є прийнятним, операційний потребує MAPE < 8%.
Модель прогнозування обсягу
Вхідні дані:
- Історичні дані ACD (Automatic Call Distributor): обсяг дзвінків, AHT, рівень відмови — по 15-хвилинних інтервалах за 2-3 роки
- Бізнес-драйвери: рекламні кампанії, акції, дати виставлення рахунків, сезонність
- Зовнішні фактори: свята, погода (для утилітарних служб), новини
Декомпозиція часового ряду: STL (Seasonal-Trend decomposition using LOESS) розбиває потік на:
- Тренд (довгострокове зростання бізнесу)
- Тижневу сезонність (понеділок vs. неділя)
- Добову сезонність (09:00 пік vs. 14:00 затишшя)
- Залишок (кампанії, аномалії)
Архітектура ансамблю:
Volume Forecast = 0.4 × Prophet + 0.35 × LightGBM + 0.25 × LSTM
LightGBM особливо ефективна з бізнес-фічами (прапори акцій, дати виставлення рахунків). LSTM захоплює нелінійні паттерни внутрішньоденної динаміки.
Розрахунок потреби в операторах
З прогнозу обсягу дзвінків + AHT (Average Handle Time) розраховується необхідна укомплектованість за формулою Erlang C:
Потрібних_агентів = Erlang_C(λ, μ, target_SLA, target_answer_time)
AI-розширення: AHT також прогнозується — нові оператори працюють повільніше, складні кампанії збільшують AHT. Це поліпшує точність розрахунку укомплектованості на 10-15%.
Мультиканальність
Сучасний контакт-центр — це не тільки телефон. Система прогнозує навантаження за каналами:
| Канал | Специфіка прогнозу |
|---|---|
| Голосові дзвінки | Erlang C, 15-хвилинні інтервали |
| Чат | Одночасні сеанси, відрізняється від голосу |
| Асинхронний, SLA 4-24 години | |
| Соціальні мережі | Event-driven піки |
| Back-office завдання | Бекліг + денна норма |
Мультиканальна модель враховує channel shift: частина клієнтів переходить з дзвінків на чат при збільшенні черги — нелінійна взаємозалежність, яку класичні WFM-інструменти ігнорують.
Real-time коригування
Протягом дня прогнози застарівають: несподіваний пік через збій сервісу, відсутність частини операторів. Real-time WFM система:
- Кожні 15 хвилин: факт vs. прогноз, перерахунок прогнозу на залишок дня
- Генерація рекомендацій: виклик додаткового персоналу, перенесення перерв, запити на переробіток
- Автоматичні тригери при відхиленні > 20%: сповіщення супервізора через WFM API
Інтеграція
- ACD-системи: Genesys Cloud, NICE CXone, Cisco UCCX, Amazon Connect — стандартні API для отримання real-time та історичних даних
- WFM-системи: NICE WFM, Verint, Calabrio — REST API для публікації прогнозів та розкладів
- HR-системи: SAP HR, Workday — для обліку відпусток, лікарняних, навичок операторів
Ключові метрики системи:
- Точність прогнозу (MAPE): < 8% для операційного рівня
- Зайнятість операторів: ціль 75-85% (occupancy)
- Service Level: > 80% дзвінків протягом 20 сек (телекомунікаційний стандарт)
- Скорочення витрат на надмірну/недостатню укомплектованість: 10-20% економії ФОП
Строки: базова модель прогнозування з історичними даними — 5-7 тижнів. Повноцінна система з real-time коригуванням та WFM-інтеграцією — 4-5 місяців.