如何实现智能排班？Udesk沃丰科技WFO客服工作量预测算法告诉你

商业领域经常会涉及时间序列数据分析需求，例如：餐馆在一年中不同季节的销售情况预测，市场里生鲜商品的供应变化，或者企业售后服务随着节日大促到来的高峰需求变化等等。这些数据，都呈现着非常明显的随时间发生的周期性、季节性变化。

通过对历史数据的分析，预测未来一段时间的变化情况，是时间序列分析中比较常见的一种场景。沃丰科技 [Udesk] WFO（劳动力优化管理）系统中对客服工作量的预估（智能预测客服坐席工作量，预估下一时段空闲客服数量等），使用了GaussMind基于时间序列的预测算法，相对于以往的时间序列算法（如ARIMA算法），这种算法更加复杂、高效，允许数据分析人员设置参数进行人工修正，以AI技术支撑专业准确、灵活便捷的智能排班管理。

01算法简介

沃丰科技GaussMind时序算法是基于时间序列分解和机器学习的拟合来做的，在预测的序列上，叠加了周期性的变化趋势和突发性的突变点，能够在较快的时间内得到需要预测的结果；同时预留了接口，可以由统计人员、运营人员通过调整趋势变化强弱来调整算法输出效果。

由于传统计算方法准确度不高，基于AI、大数据的沃丰科技GaussMind时序算法在Udesk系统客服工作量计算领域取得了满意的效果。算法基于业务系统订单量的变化情况，同时叠加天气、假期等外部因素对话务量的影响，尽可能多的增加影响话务量的变量，通过使用深度学习或机器学习算法，Udesk智能预测呼入呼出电话数量，进一步进行优化排班。

02算法原理

一、采集多个领域的文本数据

收集某个客服组历史上的时序数据：通话数量、通话时间、呼损率等三个指标数据，时隙为半个小时（即历史数据中，每半个小时记录一次