AI-система автоматичного планування змін операторів контакт-центру

Розробка AI-системи автоматичного планування змін операторів

Оператори контакт-центру працюють у три зміни, а навантаження стрибає кожні 15 хвилин. Вручну скласти розклад на тиждень — мука: 8–16 годин іде на погодинне підганяння, і все одно залишаються переробки або недовантаження. Ми, команда AI-інженерів із 10+ річним досвідом у MLOps та оркестрації розкладів, розробили понад 50 систем для контакт-центрів. Наші AI-планувальники вирішують задачу за 5–15 хвилин, враховуючи SLA, трудовий кодекс, навички, уподобання та бюджет. В одному з проєктів для мережі з 400 операторів overtime знизився на 28%, а задоволеність уподобаннями досягла 72%. Замовте попередній аналіз вашого проєкту — ми оцінимо його за 2 дні.

Як AI-система збирає дані?

Планувальник використовує прогноз навантаження за 15–30-хвилинними інтервалами, дані HR-системи (контракти, відпустки, навички, уподобання) та обмеження трудового кодексу з SLA. Всі дані імпортуються з WFM-систем.

Методи оптимізації

Застосовуємо комбінацію Integer Linear Programming (ILP) з солверами CBC, Gurobi для фіксованих горизонтів, Constraint Programming (CP-SAT) для складних жорстких обмежень та Reinforcement Learning для адаптивних коригувань. CP-SAT від OR-Tools перевершує ILP у задачах із логічними умовами — наприклад, «якщо нічна зміна, то наступна денна через 24 години» — без лінеаризації. У наших проєктах CP-SAT на 5–10% знижує вартість розкладу за тих самих обмежень.

Чому CP-SAT кращий за ILP?

Constraint Programming SAT дозволяє виражати логічні умови без лінеаризації, що спрощує модель і пришвидшує розрахунок. Крім того, CP-SAT вбудований в OR-Tools, що дає зручний API для комбінаторних задач. Для fairness використовуємо метрику Джині розподілу небажаних змін — CP-SAT підтримує такі обмеження нативно.

Як система враховує уподобання операторів?

Технічне рішення справедливого розкладу включає:

• Рівномірний розподіл: кожен оператор отримує ±5% нічних, вихідних та святкових змін
• Задоволеність уподобаннями: цільовий показник > 70%
• Bidding system: оператори ставлять на зміни, планувальник максимізує суму задоволення при збереженні SLA

Preference satisfaction vs. cost minimization — багатокритеріальна задача. Дашборд показує Pareto-фронт із різними компромісами. Bidding system реалізовано на основі алгоритму максимального паросполучення з вагами, що гарантує оптимум за Парето.

Процес складання розкладу

Горизонт: 1–4 тижні.

Pipeline:

1. Імпорт прогнозу навантаження з WFM
2. Завантаження HR-даних
3. Генерація множини можливих змін
4. CP-SAT оптимізація
5. Post-processing: перевірка fairness
6. Публікація розкладу

Інтрадей коригування: При неочікуваній відсутності оператора RL-агент, навчений на історичних даних замін, знаходить заміну за секунди. Це дозволяє реагувати на sick leaves, запізнення та інші екстрені ситуації.

Мобільний застосунок для операторів

Оператори бачать розклад, запитують обмін змінами та відгули через застосунок. Супервізори витрачають на 60–70% менше часу на організаційні питання. Система надсилає push-сповіщення про майбутні зміни та зміни.

Метрики

• Час побудови: < 10 хв для 200 операторів
• SLA coverage: > 98% інтервалів у межах ±10% від цільового
• Overtime: зниження на 15–25%
• Preference satisfaction: > 65%
• Стабільність: < 15% змін за 48 годин
• Fairness: коефіцієнт Джині за небажаними змінами < 0.2

Що входить в роботу?

• Аналіз поточного планування та збір вимог
• Розробка математичної моделі (ILP/CP-SAT/RL)
• Інтеграція з WFM, HR та мобільними застосунками
• Тестування на історичних даних та A/B-пілот
• Документація, навчання, гарантійна підтримка 1 місяць

Отримайте детальний розрахунок економії для вашого контакт-центру. Зв'яжіться з нами для консультації — оцінимо ваш проєкт за 2 дні. Дізнайтеся, як AI-планувальник скоротить ваші операційні витрати.

Строки: базовий планувальник з ILP/CP-SAT — 6–8 тижнів. Повна система з мобільним застосунком та інтрадей-коригуваннями — 4–5 місяців.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.