In Zendesk Workforce Management (WFM), l’algoritmo di previsione migliore per ogni stream di lavoro viene selezionato automaticamente analizzando i dati cronologici e testando tutti gli algoritmi. Questo serve per determinare quale funzionerà meglio per lo stream di lavoro specifico.
Tuttavia, puoi sovrascrivere la selezione automatica dell’algoritmo e scegliere qualsiasi algoritmo offerto da Zendesk WFM.
Questo articolo include i seguenti argomenti:
Algoritmi statistici
Media su 8 settimane
L’algoritmo di previsione basato sulla media su 8 settimane è semplice, affidabile e ampiamente utilizzato. Usa questo algoritmo per descrivere le medie mobili. Questo algoritmo prende le medie delle ultime otto settimane (o meno, se otto settimane non sono disponibili) per generare previsioni per le 12 settimane successive.
L’algoritmo esamina le 8 settimane precedenti, periodo per periodo. Quindi calcola la media dei periodi per generare un valore previsto.
Ad esempio, per prevedere il volume per un periodo di tempo specifico, ad esempio mercoledì dalle 9:00 alle 9:15, Zendesk WFM calcola il volume medio degli stessi periodi di tempo degli 8 mercoledì precedenti per produrre il valore previsto.
Quando usarlo:
- Si dispone di un numero limitato di dati storici
- Previsioni a breve termine (fino a 12 settimane)
- Nelle ultime settimane non è stata riscontrata alcuna tendenza significativa al rialzo o al ribasso del volume
- Semplicità e prevedibilità dei risultati
Media su 8 settimane con momentum
Questo algoritmo è simile all’algoritmo della media su 8 settimane. ma a differenza di quest’ultimo, replica le tendenze generali al rialzo o al ribasso del volume nelle 8 settimane precedenti e adatta la previsione di conseguenza.
In modo analogo alla media su 8 settimane, questo algoritmo esamina le 8 settimane precedenti e calcola la media dei periodi presi in considerazione per generare il valore previsto. Dopo aver definito il valore medio, Zendesk WFM esamina la distribuzione del volume nei giorni feriali e nelle ore del giorno. verificando, ad esempio, se di solito, in un dato momento della giornata, tale volume è superiore o inferiore alla media. Quindi, sulla base della deviazione predefinita dalla media, il valore previsto viene corretto.
Prendiamo come esempio lo stesso periodo di tempo dell’esempio precedente, mercoledì dalle 9:00 alle 9:15. Usando l’algoritmo della media di 8 settimane con momentum, Zendesk WFM calcola il volume medio dello stesso periodo di tempo negli 8 mercoledì precedenti. Quindi confronta questo intervallo specifico con altri intervalli di tempo negli stessi giorni. Se in genere ha un volume inferiore del 10% rispetto ad altri intervalli, Zendesk WFM riduce del 10% il volume medio dei periodi dalle 9:00 alle 9:15 del mercoledì per modificare il valore previsto.
Quando usarlo
- Si dispone di un numero limitato di dati storici
- Previsioni a breve termine (fino a 12 settimane)
- Nelle ultime otto settimane sono state riscontrate tendenze significative al rialzo o al ribasso del volume
Nel caso di entrambi gli algoritmi basati sulla media su 8 settimane, è necessario eseguire frequentemente il ricalcolo per ottenere una previsione accurata.
Algoritmi di apprendimento automatico
Modelli giornalieri e storici di Prophet
Prophet è un algoritmo open source sviluppato da Facebook (Meta). È stato creato per prevedere i dati delle serie temporali sulla base di un modello additivo in cui le tendenze non lineari rispecchiano una cadenza annuale, settimanale e giornaliera.
Come funziona
Funziona al meglio serie temporali caratterizzate da una forte stagionalità e da diverse stagioni di dati storici. Prophet è affidabile in caso di dati mancanti e cambiamenti di tendenza e in genere gestisce bene le anomalie. Non tutti i problemi di previsione possono essere risolti con la stessa procedura. Prophet è ottimizzato per i problemi di previsione in ambito aziendale riscontrati su Facebook (Meta).
Zendesk WFM usa Prophet per prevedere i valori giornalieri, quindi usa le medie storiche delle ultime 4 settimane per distribuire i valori giornalieri previsti e generare una previsione infragiornaliera.
Quando usarlo:
- Almeno alcuni mesi di dati storici, preferibilmente un anno
- Elevata stagionalità multipla “a misura d’uomo”: giorno della settimana e periodo dell’anno
- Nei dati è stato riscontrato un discreto numero di osservazioni mancanti o di grandi anomalie
- Cambiamenti nella tendenza storica dovuti, ad esempio, al lancio di nuovi prodotti
- Tendenze con curve di crescita non lineari, in cui una tendenza raggiunge un limite naturale o si esaurisce
XGBoost
eXtreme Gradient Boost (XGBoost) è un algoritmo di gradient boosting che può essere usato per risolvere diversi problemi di apprendimento automatico, come classificazione e regressione. È uno degli algoritmi di machine learning più usati per le previsioni.
Come funziona
Un algoritmo di potenziamento è un algoritmo di ensemble learning basato su alberi decisionali che aumenta la complessità dei modelli caratterizzati da un'elevata distorsione. Ciò significa che è composto da molteplici algoritmi di apprendimento che consentono di ottenere risultati migliori. XGBoost è un’implementazione dell’algoritmo di Gradient Boosting nella libreria software open source. È progettato per offrire un’elevata velocità di calcolo e migliorare le prestazioni del modello. Questa libreria è in grado di ottimizzare la formazione dei modelli per generare risultati più rapidi e accurati.
Quando usarlo
- Almeno qualche mese (preferibilmente un anno) di dati storici
- Se i dati a disposizione sono pochi (nessun dato per la maggior parte del periodo storico)
- Se i dati contengono molte anomalie, come eventi speciali o picchi inaspettati, in quanto il modello è affidabile e meno sensibile alle anomalie
LightGBM
Light Gradient-Boosting Machine (LightGBM) è un framework di gradient boosting sviluppato da Microsoft che può essere usato per risolvere diversi problemi di apprendimento automatico, come ranking, classificazione e regressione.
Come funziona
LightGBM è un algoritmo di potenziamento e funziona in modo simile a XGBoost. I due algoritmi differiscono per la modalità di "crescita degli alberi": XGBoost usa la crescita orizzontale, mentre LightGBM usa la crescita verticale. A causa di questa differenza, in alcune situazioni LightGBM offre risultati più rapidi e accurati rispetto a XGBoost. Tuttavia, dipende da un caso d'uso specifico.
Quando usarlo
- Almeno qualche mese (preferibilmente un anno) di dati storici
- Se i dati presentano modelli non lineari complessi
- Dati su larga scala
- Se le prestazioni sono più importanti
Algoritmi AI
Modelli giornalieri e storici di NeuralProphet
NeuralProphet colma il divario tra modelli basati su serie temporali tradizionali e metodi di deep learning. È open source, basato su PyTorche si basa sull’eredità di Facebook (Meta) Prophet. L’upgrade più importante rispetto a Prophet è la possibilità di implementare estensioni, quali nuove funzionalità, nuovi algoritmi, ecc.
NeuralProphet usa una combinazione di componenti tradizionali e reti neurali per generare previsioni estremamente accurate:
- Offre la selezione automatica degli iperparametri
- Tutti i moduli vengono addestrati mediante la discesa del gradiente stocastico (SGD) in mini-batch
- Include tutti i componenti del modello Prophet originale (tendenza, stagionalità, eventi ricorrenti e regressori)
NeuralProphet è più rapido nell’elaborazione delle previsioni rispetto a Prophet di Facebook (Meta) originale e offre maggiori funzionalità. Zendesk WFM usa un approccio simile; Prophet: prevede i valori giornalieri con NeuralProphet e usa i modelli storici per le previsioni infragiornaliere.
Quando usarlo:
- Almeno alcuni mesi di dati storici, preferibilmente un anno
- Elevata stagionalità multipla “a misura d’uomo”: giorno della settimana e periodo dell’anno
- Festività (o stagionalità) importanti che cadono a intervalli irregolari noti in anticipo (ad esempio, il Super Bowl)
- Discreto numero di osservazioni mancanti o grandi anomalie
- Cambiamenti nella tendenza storica dovuti, ad esempio, al lancio di nuovi prodotti
- Tendenze con curve di crescita non lineari, in cui una tendenza raggiunge un limite naturale o si esaurisce
Rete neurale con memoria a lungo e breve termine (Long Short-Term Memory - LSTM)
La rete neurale con memoria a lungo e breve termine (Long Short-Term Memory - LSTM) è uno dei modelli più avanzati per la previsione delle serie temporali. Grazie alla capacità di apprendere sequenze di osservazioni a lungo termine, è diventato un approccio di tendenza per le previsioni moderne.
Si tratta di una rete neurale ricorrente (RNN) artificiale usata nel campo del deep learning. Un’unità LSTM comune è composta da una cella, una porta di ingresso, una porta di uscita e una porta di memoria. La cella ricorda i valori su intervalli di tempo arbitrari e le tre porte regolano il flusso di informazioni in entrata e in uscita dalla cella.
La rete LSTM è in grado di acquisire sia modelli a lungo termine, ad esempio annuali, sia modelli a breve termine, ad settimanali. Funziona bene con gli eventi eccezionali. Tali eventi hanno un impatto sulla domanda nel giorno in cui si verificano, oltre che nei giorni precedenti e successivi. Le porte migliorano la capacità dell’unità LSTM di acquisire relazioni non lineari per le previsioni.
Ad esempio, qualcuno può prenotare un alloggio per più giorni per assistere a un evento sportivo. L’unità LSTM è in grado di valutare i modelli di impatto per le diverse categorie di eventi.
Zendesk WFM ha diversi modelli LSTM addestrati su diverse frequenze dei dati:
- 15 min: dati grezzi usati per l’addestramento, che consentono di generare immediatamente previsioni infragiornaliere
- Oraria: i dati aggregati a livello orario vengono usati per l’addestramento del modello, il quale successivamente genera una previsione a livello orario
- Giornaliera: i dati aggregati a livello giornaliero vengono usati per l’addestramento del modello. Il modello genera quindi una previsione giornaliera e applica i modelli storici per ottenere una previsione infragiornaliera.
Quando usarlo:
- Un buon numero di dati storici, preferibilmente relativi a un periodo superiore a un anno
- Stream di lavoro con volume medio-alto
- Orario di lavoro che solitamente non presenta periodi senza volumi in ingresso
- È necessario tenere conto di modelli fortemente stagionali e di alcuni eventi eccezionali ripetuti
Articoli correlati
Avvertenza sulla traduzione: questo articolo è stato tradotto usando un software di traduzione automatizzata per fornire una comprensione di base del contenuto. È stato fatto tutto il possibile per fornire una traduzione accurata, tuttavia Zendesk non garantisce l'accuratezza della traduzione.
Per qualsiasi dubbio sull'accuratezza delle informazioni contenute nell'articolo tradotto, fai riferimento alla versione inglese dell'articolo come versione ufficiale.