总结客服中心工作量预测项目前期

工作量预测项目是由数据部通过自主创新研究数据化运营创新项目，旨在通过数据分析、预测技术，挖掘话务量随时间、特殊的波动模式，帮助中心排班部门实现话务量的提前预测从而对可能造成话务量异常波动的进行提早准备，安排此创新项目于2014年12月份以部门项目创新方案的形式提出并与宿迁中心MOD部门相关同事进行了沟通获得业务方的高度肯定和关注之后数据部立即安排人员，15年战略工作的重点发生了调整，以向客户提供主动服务中心工作量预测的是的进线话务量预测界已有大批专家、分析、以及多种较为负责的模型。通过对10余篇国际顶级学术 Inter-WeekTrendSeasonalWhiteNoiseTrend01的类似白噪声的特性。Inter-Week的预测数据。N15分钟时间段后的timeintervalSV，其物理意义分别为：D矩阵中的第一列代表话务量的平AverageFluctation（EnergyAverage随机波动（RandomFluctuationDEnergyEnergyInter-Week的时间预测。Inter-DayInter-WeekIntra-Day，Inter-Day测，可以将的辅助信息带入模型，比如前一天的波动情况，当天是否有市场活动、是否Inter-Day仍然可以使用基于SVD~周日分别建模， +Intra-Day实现建模。120124182015seasonal13进线数据按照15分钟时间段进行切分，每个时间段的预测越精准，则排班的安排越合表 日志，该字段为纯Title,ware_id,sku户商品的关键线Ct_url,referer_url,sku_id,kwd如果能结合WEB端首页焦点活URL 请求id作为主键与请求关 Apply_id, Id,cus_no,理想情况下，底层数据标注每一个是否与某市场活动相关，从而可以准确提取由于Inter-DayR15分钟时间段切分时刻，因此需要做行列转Rdata_1_t<-数据SVDSV（D96*96对角阵，V96*96方阵。U阵中的第一列（u1）捕捉了话务量平均波动情况，第二列（u2）捕捉了每一天在平均情况的基础上的小范围额外波动，V阵中的第一368u1、u2作图，我们可以看到比较明显的离群异常点，选择黑色矩形以得到，因此务必要在SVD之前进行此步骤。63T+1u1u1(t-1)u1(t)之间的数学R-1.1301*u1(current_day)+0.7512*u1(current_day)–0.9412*u1(current_day)–1.1018*u1(current_day)–0.8171*u1(current_day)–0.7407*u1(current_day)–0.6860*u1(current_day)–对于37个完整周（周一至周日均没有被掉）进行建模，用30周数据进行训练u1作为唯一预测变量，因此总体预测性能符合预期。Inter-Week层的基础数据“预测由于相对于Inter-Day模型，Inter-Week无法带入的信息，20124201412月的每一天，制作一张日历表。表值WN码FactorInt类型两种数据类型来进行描述，ARIMA一阶的建模尝试。这是由于观ACF图形，可以看出明显的时间相关性使用上述方法的原因主要是由于ARIMA对未来几天的预测模型必须不断引入的数据，forecastinsomedaysinthefuture，因此需要不断训练模型。Inter-Day在准确性上差别显著。信息，对某个到底对应于某次市场活动的某种商品进行数据分析，这需要根据用户，以此衡量在京东主站上有多少对此类促销活动感的人，而且可以以商品类别来对于“券”等促销活动，则可以关注经常领用券的用户群，得到基本的统计信比如“大屏“4核”等描述信息，找到每次活动前对于此类、此品类商品感兴Intra-Day究的。基于底层实时数据的准确获取，可以逐步展开Intra-Day的数据更新建模。《ONTHEMODELINGANDFORECASTINGOFCALLCENTERARRIVALS《BayesianForecastingofanInhomogeneousPoissonProcesswithApplicationstoCallCenterData》《FORECASTINGTIMESERIESOFINHOMOGENEOUSPOISSONPROCESSESWITHAPPLICATIONTOCALLCENTERWORK 《Modeling ysisofCallCenterArrivalData:ABayesianApproach《StatisticalysisofaephoneCallCenter:AQueueing-ScienceYZINGCUSTOMERPATIENCE