En Gestión de personal (WFM) de Zendesk, el mejor algoritmo de pronóstico para cada flujo de trabajo se selecciona automáticamente analizando los datos históricos y probando todos los algoritmos. Así se determina cuál funcionará mejor para el flujo de trabajo específico.
Sin embargo, es posible sobrescribir la selección automática del algoritmo y elegir cualquier algoritmo que ofrezca Gestión de personal de Zendesk.
En este artículo se tratan los siguientes temas:
- Comprender los algoritmos estadísticos
- Comprender los algoritmos de aprendizaje automático
- Comprender los algoritmos de IA
- Artículos relacionados
Comprender los algoritmos estadísticos
Promedio de 8 semanas
El algoritmo de pronóstico de promedio de 8 semanas es sencillo, confiable y popular. Utilícelo para describir los promedios móviles. Este algoritmo toma los promedios de las últimas ocho semanas (o menos, si no hay ocho semanas de datos) para generar pronósticos para las próximas 12 semanas.
Este algoritmo mira las ocho semanas anteriores, periodo por periodo. Luego se hace un promedio de los periodos para producir el valor pronosticado.
Por ejemplo, para hacer un pronóstico del volumen para un periodo de tiempo específico, como los miércoles de 9:00 a.m. a 9:15 a.m., Gestión de personal de Zendesk calcula el volumen promedio de los mismos periodos de tiempo de los 8 miércoles anteriores, y con ello produce el valor pronosticado.
Cuándo utilizarlo
- Si tiene una cantidad limitada de datos históricos
- Para pronósticos a corto plazo (hasta 12 semanas)
- Cuando no se observen tendencias ascendentes o descendentes en el volumen de las últimas semanas
- Cuando se busquen resultados sencillos y previsibles
Promedio de 8 semanas con impulso
Este algoritmo es similar al algoritmo de promedio de 8 semanas. Se diferencia en que replica las tendencias ascendentes y descendentes generales en el volumen durante las últimas 8 semanas y ajusta el pronóstico para que coincida.
De manera similar al promedio de 8 semanas, este algoritmo mira las 8 semanas anteriores y luego promedia esos periodos para producir el valor pronosticado. Una vez definido el valor promedio, Gestión de personal de Zendesk analiza cómo se distribuye el volumen en todos los días de la semana y las horas del día (por ejemplo, determinando si es normalmente superior o inferior que el promedio para ese periodo). Luego, basándose en la desviación definida con respecto al promedio, se ajusta el valor pronosticado.
Veamos qué ocurre al utilizar el mismo periodo de miércoles de 9:00 a.m. a 9:15 a.m. a modo de ejemplo. Usando el algoritmo de promedio de 8 semanas con impulso, Gestión de personal de Zendesk calcula el volumen promedio del mismo periodo de tiempo en los 8 miércoles anteriores. Luego compara este intervalo específico con otros intervalos de los miércoles. Si normalmente tiene un volumen un 10 % inferior que en otros intervalos, Gestión de personal de Zendesk reduce el volumen promedio de los periodos de 9:00 a.m. a 9:15 a.m. de los miércoles en un 10 % para ajustar el valor pronosticado.
Cuándo utilizarlo
- Si tiene una cantidad limitada de datos históricos
- Para pronósticos a corto plazo (hasta 12 semanas)
- Cuando se observen tendencias ascendentes o descendentes en el volumen de las últimas 8 semanas
Para los dos algoritmos de 8 semanas tendrá que recalcular con frecuencia el pronóstico para obtener la predicción más precisa.
Comprender los algoritmos de aprendizaje automático
Patrones diarios e históricos de Prophet
Prophet es un algoritmo de código abierto desarrollado por Facebook (Meta). Esta diseñado para hacer pronósticos de los datos de series temporales en función de un modelo aditivo en el que las tendencias no lineales se ajustan cada año, semana o día.
Cómo funciona
Funciona mejor con las series temporales que tienen fuertes efectos estacionales y varias temporadas de datos históricos. Prophet es robusto cuando faltan datos y turnos en la tendencia, y normalmente maneja bien los valores atípicos. No todos los problemas de pronóstico se pueden resolver con el mismo procedimiento. Prophet está optimizado para las tareas de pronóstico de negocios que se han encontrado en Facebook (Meta).
Gestión de personal de Zendesk utiliza Prophet para hacer pronósticos de los valores diarios y luego utiliza los promedios históricos de las últimas 4 semanas para distribuir los valores diarios pronosticados y generar un pronóstico intradía.
Cuándo utilizarlo
- Si hay por lo menos unos cuantos meses de datos históricos (o preferiblemente un año)
- Si hay varios tipos de estacionalidad muy marcada a “escala humana”: día de la semana y época del año
- Si se detecta que falta un número razonable de observaciones o hay valores atípicos grandes en los datos
- Cuando cambia una tendencia histórica (por ejemplo, debido a lanzamientos de productos)
- Para tendencias que son curvas de crecimiento no lineales, donde la tendencia se topa con un límite natural o se satura
XGBoost
eXtreme Gradient Boost (XGBoost) es un algoritmo de potenciación del gradiente que se puede usar para resolver distintos problemas de aprendizaje automático (ML), como la clasificación y la regresión. Es uno de los algoritmos de aprendizaje automático más usados para el pronóstico.
Cómo funciona
Un algoritmo de potenciación es un algoritmo de conjuntos de árboles de decisión que aumenta la complejidad de los modelos que tienen un alto sesgo. Eso quiere decir que está hecho de varios algoritmos de aprendizaje para lograr mejores resultados. XGBoost es una biblioteca de software de código abierto que implementa el algoritmo de potenciación del gradiente. Está enfocado en la velocidad computacional y el rendimiento del modelo. Esta biblioteca tiene la capacidad de distribuir el entrenamiento de modelos para generar resultados más rápidos y precisos.
Cuándo utilizarlo
- Si hay por lo menos unos cuantos meses de datos históricos (o preferiblemente un año)
- Si no hay muchos datos (cero datos para la mayoría del periodo histórico)
- Si los datos tienen muchos valores atípicos existentes, como eventos especiales o picos inesperados, porque este modelo es robusto y menos sensible a los valores atípicos
LightGBM
Light Gradient-Boosting Machine (LightGBM) es un framework de potenciación del gradiente desarrollado por Microsoft que puede usarse para resolver distintos problemas de aprendizaje automático (ML), como el ranking, la clasificación y la regresión.
Cómo funciona
LightGBM es un algoritmo de potenciación que funciona de manera similar a XGBoost. Estos algoritmos difieren en cómo "hacen crecer los árboles": XGBoost utiliza un crecimiento por nivel (horizontal), mientras que LightGBM usa un crecimiento por hoja (vertical). En algunos escenarios, esta diferencia hace que LightGBM sea una opción más rápida y precisa que XGBoost. Sin embargo, depende del caso de uso específico.
Cuándo utilizarlo
- Si hay por lo menos unos cuantos meses de datos históricos (o preferiblemente un año)
- Si los datos tienen patrones no lineales complejos
- Para datos de gran escala
- Si el rendimiento es más importante
Comprender los algoritmos de IA
Patrones diarios e históricos de NeuralProphet
NeuralProphet cierra la brecha entre los modelos tradicionales de series temporales y los métodos de aprendizaje profundo. Es de código abierto, se basa en PyTorch y utiliza el legado de Prophet de Facebook (Meta). La actualización más importante relacionada con Prophet es la posibilidad de tener extensiones, como funciones nuevas, algoritmos nuevos, etc.
NeuralProphet utiliza una fusión de componentes clásicos y redes neuronales para producir pronósticos muy precisos:
- Proporciona selección automática de hiperparámetros
- Todos los módulos se entrenan con un descenso de gradiente estocástico (SGD) de minilotes
- Incluye todos los componentes del modelo original de Prophet (tendencia, estacionalidad, eventos recurrentes y valores de regresión)
NeuralProphet es más rápido para computar las predicciones que el Prophet original de Facebook (Meta) y tiene una funcionalidad más amplia. Gestión de personal de Zendesk utiliza un enfoque similar (pronóstico estilo Prophet de valores diarios con NeuralProphet y uso de patrones históricos para el pronóstico intradía).
Cuándo utilizarlo
- Si hay por lo menos unos cuantos meses de datos históricos (o preferiblemente un año)
- Si hay varios tipos de estacionalidad muy marcada a “escala humana”: día de la semana y época del año
- Para feriados importantes (o eventos estacionales) que ocurren en intervalos irregulares que se conocen con antelación (por ejemplo, la Copa Mundial)
- Si falta un número razonable de observaciones o hay valores atípicos grandes
- Cuando cambia una tendencia histórica (por ejemplo, debido a lanzamientos de productos)
- Para tendencias que son curvas de crecimiento no lineales, donde la tendencia se topa con un límite natural o se satura
Red neuronal de memoria a corto plazo largo (LSTM)
La red neuronal de memoria a corto plazo largo (LSTM) es uno de los modelos más avanzados para el pronóstico de series temporales. Gracias a su capacidad de aprender secuencias de observaciones a largo plazo, se ha convertido en un enfoque muy popular para el pronóstico moderno.
Es una red neuronal recurrente (RNN) que se usa en el campo de aprendizaje profundo. Una unidad de LSTM común consta de una celda, una puerta de entrada, una puerta de salida y una puerta de olvido. La celda recuerda valores en intervalos de tiempo arbitrarios y las tres puertas regulan el flujo de información que entra y sale de la celda.
La LSTM puede capturar los patrones de las estacionalidades de largo plazo, como un patrón anual, y las de corto plazo, como los patrones semanales. Funciona bien con los eventos pendientes, que afectan la demanda tanto el día en que suceden como los días anteriores y posteriores. Las distintas puertas dentro de LSTM potencian su capacidad de capturar relaciones no lineales para el pronóstico.
Por ejemplo, la gente podría reservar más días de alojamiento para asistir a un evento deportivo. La LSTM es capaz de clasificar los patrones de impacto de distintas categorías de eventos.
Gestión de personal de Zendesk tiene varios modelos de LSTM entrenados en diferentes frecuencias de los datos:
- 15 min: los datos sin procesar se usan para el entrenamiento y, como resultado, obtienen de inmediato los datos de pronóstico intradía.
- Por hora: los datos agregados cada hora se usan para entrenar el modelo, que luego produce un pronóstico cada hora.
- Cada día: los datos agregados cada día se usan para entrenar el modelo. El modelo luego produce un pronóstico diario y aplica patrones históricos para obtener un pronóstico intradía.
Cuándo utilizarlo
- Si hay una buena cantidad de datos históricos (preferiblemente más de un año)
- Para flujos de trabajo de volumen mediano a alto
- Para horas de trabajo que normalmente no tienen periodos sin un volumen entrante
- Cuando se necesita tomar en cuenta los patrones de estacionalidad, además de algunos eventos repetidos pendientes
Artículos relacionados