基于神經(jīng)網(wǎng)絡(luò)的話務(wù)量預(yù)測(cè)模型

文/秦美翠 周家銘 楊華，國(guó)家電網(wǎng)有限公司客戶服務(wù)中心北方分中心

1 相關(guān)背景

激烈的市場(chǎng)競(jìng)爭(zhēng)下，服務(wù)質(zhì)量是呼叫中心的生存之本，運(yùn)營(yíng)管理則是企業(yè)發(fā)展的源泉。客服中心企業(yè)的形象窗口，是企業(yè)與客戶之間的橋梁，需要首先保證優(yōu)質(zhì)的客戶服務(wù)，以贏得客戶的滿意和忠誠(chéng)度，并保持和提高其長(zhǎng)期貢獻(xiàn)。同時(shí)，客服中心需不斷的提升運(yùn)營(yíng)管理水平，有效控制人工成本。準(zhǔn)確的話務(wù)量預(yù)測(cè)是客服中心在長(zhǎng)期用工計(jì)劃與短期運(yùn)營(yíng)管理方面有效減低成本的基礎(chǔ)。現(xiàn)有的話務(wù)量預(yù)測(cè)大多采用二次擬合和回歸預(yù)測(cè)等簡(jiǎn)單方法來預(yù)測(cè)話務(wù)發(fā)展?fàn)顩r。預(yù)測(cè)方法相對(duì)簡(jiǎn)單，模型變量單一、預(yù)測(cè)誤差大，難以滿足話務(wù)量的復(fù)雜變化，不能有效支撐客服中心及時(shí)調(diào)整人力資源配置，實(shí)現(xiàn)運(yùn)營(yíng)管理水平的提升，精準(zhǔn)控制成本。

針對(duì)現(xiàn)有預(yù)測(cè)模型，在營(yíng)銷周期影響程度發(fā)生變化、突發(fā)惡劣天氣引起劇烈波動(dòng)等情況下，預(yù)測(cè)精度降低，提出了一種基于神經(jīng)網(wǎng)絡(luò)的智能預(yù)測(cè)方法和事件樣本庫，該方法采用了人工神經(jīng)網(wǎng)絡(luò)技術(shù)，并對(duì)其進(jìn)行了分析。該方法可以根據(jù)預(yù)測(cè)誤差和調(diào)整參數(shù)自動(dòng)更新事件樣本，對(duì)話務(wù)趨勢(shì)和事件影響水平的變化以及新事件的發(fā)生具有持續(xù)的自適應(yīng)能力。仿真結(jié)果表明，該預(yù)測(cè)方法能有效地提高預(yù)測(cè)精度，有效地減少了預(yù)測(cè)誤差。

2 基于神經(jīng)網(wǎng)絡(luò)的話務(wù)量預(yù)測(cè)方法描述

話務(wù)量預(yù)測(cè)值主要分為常態(tài)話務(wù)量和特殊因子話務(wù)量?jī)刹糠帧３B(tài)話務(wù)量采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模塊進(jìn)行預(yù)測(cè)，特殊因子話務(wù)量利用事件話務(wù)量樣本庫和用戶數(shù)計(jì)算預(yù)測(cè)值，兩部分預(yù)測(cè)值的疊加即為最終的預(yù)測(cè)結(jié)果。在確定的模型框架下，預(yù)測(cè)模型的建模工作主要包括常態(tài)話務(wù)量的提取及事件話務(wù)量樣本化、常態(tài)話務(wù)量預(yù)測(cè)模型及其自適應(yīng)調(diào)整方法的制定、事件話務(wù)量樣本庫更新和完善方法。采用粒子群優(yōu)化算法對(duì)影響話務(wù)預(yù)測(cè)的事件話務(wù)量進(jìn)行量化，成功地將常態(tài)話務(wù)量與特殊因子話務(wù)量分離開來，得到并使用影響話務(wù)預(yù)測(cè)模式的事件話務(wù)樣本數(shù)據(jù)。話務(wù)量預(yù)測(cè)模型使用的RBF 神經(jīng)網(wǎng)絡(luò)為三輸入單輸出形式，隸屬函數(shù)節(jié)點(diǎn)為24 個(gè)。模型共有3 組輸入，模型輸入數(shù)據(jù)均為處理過的無特殊因子話務(wù)量，輸入數(shù)據(jù)的處理過程如下:1)處理后的歷史數(shù)據(jù)(無特殊因子話務(wù)量)作為輸入X 1;2)歷史數(shù)據(jù)與數(shù)據(jù)均值的差值作為輸入X2，將對(duì)應(yīng)月份歷史數(shù)據(jù)求平均得到數(shù)據(jù)均值，再將對(duì)應(yīng)月份的歷史數(shù)據(jù)與該均值做差得到相應(yīng)輸入數(shù)據(jù);3)歷史數(shù)據(jù)均值之間的差值作為輸入X3，為了充分考慮話務(wù)量的月增長(zhǎng)情況，將月平均值逐月做差，各差值作為相應(yīng)的輸入數(shù)據(jù)。話務(wù)量預(yù)測(cè)模型通過學(xué)習(xí)過程可以根據(jù)誤差函數(shù)不斷地對(duì)正常話務(wù)量預(yù)測(cè)值進(jìn)行調(diào)整，以使預(yù)測(cè)模型能學(xué)習(xí)適應(yīng)正常話務(wù)量的變化趨勢(shì)，提高模型的預(yù)測(cè)精度。為了更加準(zhǔn)確地預(yù)測(cè)特殊事件對(duì)話務(wù)量的影響，必須依據(jù)實(shí)際情況的變化更新和完善事件話務(wù)量樣本庫。首先通過輸入上月的實(shí)際話務(wù)量數(shù)據(jù)、事件和記錄的預(yù)測(cè)數(shù)據(jù)，將實(shí)際話務(wù)量劃分為已知事件的實(shí)際話務(wù)量、未知事件的實(shí)際話務(wù)量、常態(tài)的正常話務(wù)量。提取的常態(tài)話務(wù)量輸入神經(jīng)網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)的預(yù)測(cè)精度;將提取的已知事件實(shí)際話務(wù)量和未知事件實(shí)際話務(wù)量為下一步修正事件樣本庫記錄做準(zhǔn)備。然后根據(jù)提取的已知事件實(shí)際話務(wù)量和未知事件實(shí)際話務(wù)量對(duì)事件樣本庫記錄進(jìn)行修正。若發(fā)生事件為未知事件，則根據(jù)其類型和實(shí)際持續(xù)期內(nèi)平均突發(fā)話務(wù)量信息添加樣本庫中的記錄;若為已知事件，計(jì)算該月的平均突發(fā)話務(wù)量，并修改樣本庫中對(duì)應(yīng)月份的突發(fā)量記錄。若事件為持續(xù)事件，還需判斷事件持續(xù)期是否達(dá)到12 個(gè)月，若達(dá)到1 2 個(gè)月，則更新事件記錄，當(dāng)月影響用戶數(shù)按原事件的最后一個(gè)月用戶數(shù)設(shè)定。如此不斷更新完善事件樣本庫使事件樣本庫中的各種突發(fā)話務(wù)量與實(shí)際話務(wù)量保持相近，從而相對(duì)準(zhǔn)確地反映突發(fā)事件對(duì)話務(wù)量的影響。

3 仿真分析

為了驗(yàn)證提出的基于神經(jīng)網(wǎng)絡(luò)和事件樣本庫的智能預(yù)測(cè)方法對(duì)話務(wù)量預(yù)測(cè)的效果，采用時(shí)間序列法等常用方法與本文中智能預(yù)測(cè)方法進(jìn)行話務(wù)量預(yù)測(cè)的仿真對(duì)比分析。通過對(duì)話務(wù)穩(wěn)定期、迎峰度夏等特殊時(shí)期話務(wù)預(yù)測(cè)的仿真結(jié)果可以看出，在話務(wù)量走勢(shì)較平穩(wěn)、未出現(xiàn)異常的情況下，現(xiàn)有運(yùn)營(yíng)商常用預(yù)測(cè)方法的預(yù)測(cè)趨勢(shì)與實(shí)際較吻合，但誤差較大，月平均誤差為8.85%;但當(dāng)話務(wù)量出現(xiàn)異常時(shí)，如8，9 月迎峰度夏、11 月、12 月迎峰度冬階段，現(xiàn)有預(yù)測(cè)方法未能很好地預(yù)測(cè)出話務(wù)量的變化，且誤差非常大，月平均誤差為14.9%。而筆者提出的基于神經(jīng)網(wǎng)絡(luò)的智能預(yù)測(cè)方法不僅很好地預(yù)測(cè)出了話務(wù)量的變化趨勢(shì)，預(yù)測(cè)誤差也相對(duì)較小，月平均誤差為4.8%。筆者提出的基于神經(jīng)網(wǎng)絡(luò)和事件樣本庫的智能預(yù)測(cè)方法可以自適應(yīng)調(diào)整各項(xiàng)參數(shù)，首次將各種對(duì)話務(wù)量產(chǎn)生影響的因素納入考慮之列。通過仿真分析可以看出，該智能預(yù)測(cè)方法能有效降低預(yù)測(cè)誤差，月平均誤差僅為4.8%，相對(duì)于現(xiàn)有預(yù)測(cè)方法，其預(yù)測(cè)精度提高了6.57%。

4 結(jié)束語

神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練數(shù)據(jù)調(diào)整系統(tǒng)以解決問題，具有初步的自適應(yīng)與自組織能力，在學(xué)習(xí)或訓(xùn)練過程中改變突觸權(quán)重值，以適應(yīng)周圍環(huán)境的要求。本文分析了基于神經(jīng)網(wǎng)絡(luò)的話務(wù)預(yù)測(cè)方法，對(duì)客服中心的運(yùn)營(yíng)管理有非常有效的促進(jìn)作用。