Zendesk Workforce Management (WFM) analysiert Ihre historischen Daten, testet alle Algorithmen und wählt für jeden Arbeitsstream automatisch den am besten geeigneten Prognosealgorithmus aus.
Sie können anstelle des automatisch ausgewählten Algorithmus aber auch jeden anderen von Zendesk WFM angebotenen Algorithmus verwenden.
In diesem Beitrag werden folgende Themen behandelt:
- Überblick über statistische Algorithmen
- Überblick über Machine-Learning-Algorithmen
- Überblick über KI-Algorithmen
- Verwandte Beiträge
Überblick über statistische Algorithmen
8-Wochen-Durchschnitt
Der 8-Wochen-Durchschnitt ist ein einfacher, zuverlässiger und beliebter Prognosealgorithmus zur Berechnung laufender Durchschnittswerte. Dieser Algorithmus verwendet die Durchschnittswerte der vergangenen acht Wochen (oder weniger, wenn nur Daten für weniger als acht Wochen verfügbar sind), um Prognosen für die nächsten 12 Wochen zu generieren.
Dieser Algorithmus betrachtet die einzelnen Zeiträume der vergangenen 8 Wochen. Anschließend errechnet er die Durchschnittswerte dieser Zeiträume, um einen Prognosewert zu bestimmen.
Beispiel: Um das Volumen für Dienstag von 9:00 bis 9:15 Uhr zu prognostizieren, errechnet Zendesk WFM den Durchschnitt der Volumen desselben Zeitraums der letzten 8 Dienstage und gibt diesen als prognostizierten Wert aus.
Wann dieser Algorithmus verwendet werden sollte
- Wenn Sie nur über begrenzte historische Daten verfügen
- Für kurzfristige Prognosen (bis zu 12 Wochen)
- Wenn das Volumen in den letzten Wochen keine großen Aufwärts- oder Abwärtstrends zeigt
- Für einfache und vorhersehbare Ergebnisse
8-Wochen-Durchschnitt mit Dynamik
Dieser Algorithmus ähnelt dem Algorithmus 8-Wochen-Durchschnitt. Der Unterschied besteht darin, dass dieser Algorithmus die allgemeinen Aufwärts- oder Abwärtstrends Ihres Volumens in den letzten 8 Wochen repliziert und die Prognose entsprechend anpasst.
Ähnlich wie der Algorithmus „8-Wochen-Durchschnitt“ betrachtet dieser Algorithmus die vergangenen 8 Wochen und errechnet den Durchschnitt der betreffenden Zeiträume, um den Prognosewert zu bestimmen. Dann prüft Zendesk WFM, wie sich das Volumen auf die Wochentage und Tageszeiten verteilt, und stellt beispielsweise fest, ob es in einem dieser Zeiträume normalerweise höher oder niedriger ist als der Durchschnitt. Anschließend wird der Prognosewert entsprechend der definierten Abweichung vom Durchschnittswert angepasst.
Nehmen wir als Beispiel denselben Zeitraum wie oben, also Dienstag von 9:00 bis 9:15 Uhr. Mit dem Algorithmus „8-Wochen-Durchschnitt mit Dynamik“ errechnet Zendesk WFM den Durchschnitt der Volumen desselben Zeitraums der letzten 8 Dienstage und vergleicht dieses Intervall dann mit anderen Intervallen an Dienstagen. Wenn das Volumen im untersuchten Intervall typischerweise 10 % niedriger ist als in anderen Intervallen, verringert Zendesk WFM das durchschnittliche Volumen der Zeiträume von 9:00 bis 9:15 Uhr an Dienstagen um 10 % und passt den prognostizierten Wert entsprechend an.
Wann dieser Algorithmus verwendet werden sollte
- Wenn Sie nur über begrenzte historische Daten verfügen
- Für kurzfristige Prognosen (bis zu 12 Wochen)
- Wenn das Volumen in den letzten 8 Wochen große Aufwärts- oder Abwärtstrends zeigt
Bei beiden 8-Wochen-Algorithmen müssen Sie die Prognose häufiger neu berechnen, damit Sie eine möglichst genaue Vorhersage erhalten.
Überblick über Machine-Learning-Algorithmen
Prophet Daily and Historical Patterns
Prophet ist ein von Facebook (Meta) entwickelter Open-Source-Algorithmus. Er ist für die Prognose von Zeitreihendaten anhand eines additiven Modells unter Berücksichtigung nichtlinearer Trends mit jährlichen, wöchentlichen und täglichen saisonbedingten Faktoren konzipiert.
Funktionsweise
Am besten funktioniert dieser Algorithmus mit Zeitreihen, die starke saisonale Effekte und historische Daten mehrerer saisonaler Perioden aufweisen. Prophet ist robust, tolerant gegenüber Datenlücken und Trendverschiebungen und kann im Allgemeinen gut mit Ausreißern umgehen. Nicht alle Prognoseprobleme können mit demselben Verfahren gelöst werden. Prophet wurde für die Erstellung von Geschäftsprognosen für Facebook (Meta) optimiert.
Zendesk WFM nutzt Prophet für die Prognose von Tageswerten und verwendet anschließend historische Durchschnittswerte der vergangenen 4 Wochen, um die prognostizierten Tageswerte zu verteilen und eine Intraday-Prognose zu erstellen.
Wann dieser Algorithmus verwendet werden sollte
- Wenn historische Daten mindestens einiger Monate (vorzugsweise eines Jahres) verfügbar sind
- Bei mehreren starken „menschlichen“ saisonbedingten Faktoren: Wochentag und Jahreszeit
- Wenn Ihre Daten relativ wenige Lücken oder größere Ausreißer aufweisen
- Wenn historische Trends erkennbar sind, die sich beispielsweise aufgrund von Produkteinführungen ändern
- Wenn ein Trend mit nichtlinearer Wachstumskurve an eine natürliche Grenze stößt oder seinen Sättigungswert erreicht
XGBoost
eXtreme Gradient Boost (XGBoost) ist ein Gradientenverstärkungsalgorithmus, der zur Lösung verschiedener ML-Probleme wie Klassifikation und Regression verwendet werden kann. Er ist einer der am häufigsten verwendeten ML-Algorithmen für Prognosen.
Funktionsweise
Ein Verstärkungsalgorithmus ist ein Ensemble-Algorithmus aus Entscheidungsbäumen, der die Komplexität von Modellen mit starken Verzerrungen erhöht. Er ist also aus mehreren Lernalgorithmen aufgebaut, um bessere Ergebnisse zu erzielen. XGBoost ist eine Implementierung des Gradient Boosting-Algorithmus aus der Open-Source-Softwarebibliothek. Er ist im Hinblick auf Rechengeschwindigkeit und Modellleistung optimiert. Diese Bibliothek ist in der Lage, das Training des Modells zu verteilen, um schnellere und genauere Ergebnisse zu erzielen.
Wann dieser Algorithmus verwendet werden sollte
- Wenn historische Daten mindestens einiger Monate (vorzugsweise eines Jahres) verfügbar sind
- Wenn nicht viele Daten vorhanden sind (keine Daten für die meisten historischen Zeiträume)
- Wenn die Daten viele Ausreißer aufweisen, z. B. besondere Ereignisse oder unerwartete Spitzenwerte, da dieses Modell robust und toleranter gegenüber Ausreißern ist
LightGBM
Light Gradient-Boosting Machine (LightGBM) ist ein von Microsoft entwickeltes Gradient-Boosting-Framework, das zur Lösung verschiedener ML-Probleme wie Ranking, Klassifizierung und Regression verwendet werden kann.
Funktionsweise
LightGBM ist ein Verstärkungsalgorithmus und funktioniert ähnlich wie XGBoost. Der Unterschied zwischen diesen Algorithmen liegt im „Wachstum“ der Entscheidungsbäume – bei XGBoost wachsen sie horizontal (Ebenenwachstum), bei LightGBM hingegen vertikal (Blattwachstum). Deshalb kann LightGBM in bestimmten Szenarien schnellere und genauere Prognosen liefern als XGBoost. Dies hängt jedoch vom jeweiligen Anwendungsfall ab.
Wann dieser Algorithmus verwendet werden sollte
- Wenn historische Daten mindestens einiger Monate (vorzugsweise eines Jahres) verfügbar sind
- Wenn Daten komplexe nichtlineare Muster aufweisen
- Bei umfangreichen Datenbeständen
- Wenn Leistung wichtiger ist
Überblick über KI-Algorithmen
NeuralProphet – tägliche Werte und historische Muster
NeuralProphet schließt die Lücke zwischen herkömmlichen Zeitreihenmodellen und Deep-Learning-Methoden. Der PyTorch-basierte Open-Source-Algorithmus baut auf Facebook (Meta) Prophet auf. Die größte Neuerung gegenüber Prophet ist die Erweiterbarkeit mit neuen Funktionen, Algorithmen usw.
NeuralProphet nutzt eine Kombination aus klassischen Komponenten und neuronalen Netzen für hochpräzise Prognosen:
- Bietet automatische Auswahl der Hyperparameter
- Alle Module werden mit Mini-Batch Stochastic Gradient Descent (SGD) trainiert
- Beinhaltet alle Komponenten des ursprünglichen Prophet-Modells (Trend, saisonbedingte Faktoren, wiederkehrende Ereignisse und Regressoren)
NeuralProphet berechnet Prognosen schneller und bietet mehr Funktionen als der ursprüngliche Facebook (Meta) Prophet-Algorithmus. Zendesk WFM verwendet einen ähnlichen Ansatz: Prophet-Prognose täglicher Werte mit NeuralProphet und historische Muster für Intraday-Prognosen.
Wann dieser Algorithmus verwendet werden sollte
- Wenn historische Daten mindestens einiger Monate (vorzugsweise eines Jahres) verfügbar sind
- Bei mehreren starken „menschlichen“ saisonbedingten Faktoren: Wochentag und Jahreszeit
- Wenn wichtige Feiertage, saisonbedingte Faktoren oder Großereignisse berücksichtigt werden müssen, die in unregelmäßigen Abständen stattfinden und im Voraus bekannt sind (z. B. der Super Bowl)
- Wenn Ihre Daten relativ wenige Lücken oder größere Ausreißer aufweisen
- Wenn historische Trendänderungen beispielsweise aufgrund von Produkteinführungen vorhanden sind
- Wenn ein Trend mit nichtlinearer Wachstumskurve an eine natürliche Grenze stößt oder seinen Sättigungswert erreicht
Long Short-Term Memory (LSTM) Neural Network
Long Short-Term Memory (LSTM) Neural Network ist eines der fortschrittlichsten Modelle für die Prognose von Zeitreihen. Aufgrund seiner Fähigkeit, aus langfristigen Beobachtungsreihen zu lernen, wird dieser Algorithmus zunehmend für moderne Prognosen eingesetzt.
Es handelt sich um ein künstliches rekurrentes neuronales Netz (RNN), das im Bereich Deep Learning verwendet wird. In der Regel besteht eine LSTM-Einheit aus einer Zelle mit einem Input-, einem Output- und einem Forget-Gatter. Die Zelle speichert Werte über willkürliche Zeitintervalle hinweg, während die drei Gatter den Informationsfluss in die und aus der Zelle regeln.
Das LSTM kann die Muster sowohl langfristiger saisonbedingter Faktoren (wie jährliche Muster) als auch kurzfristiger saisonbedingter Faktoren (wie wöchentliche Muster) erfassen. Es funktioniert gut bei bevorstehenden Ereignissen, die sich auf die Nachfrage am Tag des Ereignisses selbst sowie an den Tagen davor und danach auswirken. Dank der verschiedenen Gatter kann das LSTM nicht-lineare Beziehungen für die Prognose besonders gut erfassen.
Wenn zum Beispiel aufgrund einer Sportveranstaltung mit einem Anstieg der Übernachtungszahlen zu rechnen ist, kann das LSTM die Auswirkungsmuster aus verschiedenen Ereigniskategorien ableiten.
Zendesk WFM verfügt über mehrere LSTM-Modelle, die mit verschiedenen Datenintervallen trainiert wurden:
- 15 min – Das Modell wird mit Rohdaten trainiert und liefert somit sofortige Intraday-Prognosen.
- Stündlich – Das Modell wird mit stündlich aggregierten Daten trainiert und liefert somit stündliche Prognosen.
- Täglich – Das Modell wird mit täglich aggregierten Daten trainiert und liefert somit tägliche Prognosen. Zusätzlich werden historische Muster verwendet, um eine Intraday-Prognose zu erstellen.
Wann dieser Algorithmus verwendet werden sollte
- Wenn größere Mengen historischer Daten (vorzugsweise eines Jahres oder länger) verfügbar sind
- Für Arbeitsstreams mit mittlerem bis hohem Volumen
- Wenn die Arbeitsstunden in der Regel keine Perioden ohne eingehendes Volumen enthalten
- Wenn starke saisonale Muster und bevorstehende wiederkehrende Ereignisse zu berücksichtigen sind
Verwandte Beiträge