| アドオン | ワークフォースマネジメント（WFM）またはワークフォースエンゲージメントマネジメント（WEM） |
Zendeskワークフォースマネジメント（WFM）では、過去のデータを分析し、すべてのアルゴリズムをテストすることで、各ワークストリームに最適な予測アルゴリズムが自動的に選択されます。これは、特定のワークストリームに最適な予測アルゴリズムを決定するためです。
ただし、自動的に選択されたアルゴリズムを上書きし、Zendesk WFM（ワークフォースマネジメント）が提供するアルゴリズムを選択することもできます。
この記事では、次のトピックについて説明します。
統計アルゴリズムについて
8週間平均
8週間平均の予測アルゴリズムは簡単で、信頼性が高く、広く使用されています。実行の平均を表す場合は、このアルゴリズムを使用してください。このアルゴリズムは過去8週間（8週間が利用できない場合はそれ以下）の平均を取り、次の12週間の予測を生成します。
このアルゴリズムは過去8週間を期間ごとに調べ、それらの期間を平均して予測値を生成します。
たとえば、水曜日の午前9時から午前9時15分までの特定の時間帯の業務量を予測する場合、Zendesk WFM（ ワークフォースマネジメント）は過去8週間の同じ時間帯の業務量の平均を計算して予測値を生成します。
使用する条件：
- 過去のデータが限られている場合
- 短期予測（最長12週間）
- 過去数週間の業務量に大きな上昇や下降の傾向が見られない
- 結果が単純で予測しやすい
8週間の平均（モメンタムを考慮）
このアルゴリズムは8週平均アルゴリズムに似ています。過去8週間の業務量の全般的な上昇または下降傾向を複製し、その傾向に沿って予測を調整する点が、8週間平均アルゴリズムとは異なります。
8週間平均アルゴリズムと同様に、このアルゴリズムは過去8週間を調べ、それらの期間を平均して予測値を生成します。平均値を定義した後、Zendesk WFMは平日や時間帯における業務量の分布状況を確認します。たとえば、通常、この日のこの時間帯は平均値より多いか少ないかを確認します。そして、定義された平均からの偏差に基づいて、予測値が調整されます。
たとえば、8週間平均と同じく、水曜日の午前9時から午前9時15分までを例に挙げます。8週間の平均（モメンタムを考慮）アルゴリズムを使って、Zendesk WFMは過去8週間の水曜日の同じ時間帯の平均業務量を計算します。そして、この特定の時間帯を水曜日の他の時間帯と比較します。その時間帯の業務量が他の時間帯より通常10%少ない場合、Zendesk WFMは水曜日の午前9時から午前9時15分の平均業務量を10%減らして予測値を調整します。
使用する条件：
- 過去のデータが限られている場合
- 短期予測（最長12週間）
- 過去8週間の業務量に大きな上昇または下降の傾向が見られる
どちらの8週間アルゴリズムも、最も正確な予測を得るためには頻繁に予測を再計算する必要があります。
機械学習アルゴリズムについて
Prophetの日次および過去のパターン
ProphetはFacebook（Meta）によって開発されたオープンソースのアルゴリズムです。時系列データを予測するために開発されたProphetは、非線形トレンドが年、週、日の季節性と適合する加法モデルに基づいています。
アルゴリズムの特徴
Prophetは強い季節性の変動や傾向のある時系列や数シーズンの過去データに対して最適です。Prophetは欠損データやトレンドの遷移に対して堅牢であり、通常は外れ値をうまく処理します。ただし、1つの手順ですべての予測問題を解決できるわけではありません。ProphetはFacebook（Meta）で生じたビジネス予測タスクに最適化されています。
Zendesk WFMは、Prophetを使って日次予測を行い、過去4週間の履歴平均を使って日次予測値を配分して、イントラディ予測を生成します。
使用する条件：
- 少なくとも数か月、できれば1年分の過去データ
- 曜日や時期によって生じる、人々の日常生活や活動に密接に関連する季節性
- 妥当な数の欠測値または大きな外れ値がデータから検出される
- たとえば、製品の発売などで変化がみられる過去のトレンド
- トレンドが自然限界に達する、または飽和する、非線形の成長曲線であるトレンド
XGBoost
eXtreme Gradient Boost（XGBoost）は、分類や回帰など、機械学習（ML）のさまざまな問題を解決するために使用できる勾配ブースティングアルゴリズムです。予測に最も使われるMLアルゴリズムの1つです。
アルゴリズムの特徴
ブースティングアルゴリズムは、高いバイアスの影響に左右されるモデルの複雑さを増大させる決定木のアンサンブルアルゴリズムです。つまり、良好な結果を得るために複数の学習アルゴリズムで構成されています。XGBoostは、オープンソースソフトウェアライブラリの勾配ブースティングアルゴリズムを実装したもので、計算速度とモデルのパフォーマンスに重点を置いています。このライブラリは、モデルのトレーニングを分散させて、より速く、より正確な結果を生成する機能を持っています。
使用する条件：
- 少なくとも数か月（できれば1年）の過去データ
- データが少ない場合（過去のほとんどの期間でデータがゼロの場合）
- 特別なイベントや予期せぬ急増など、データに既存の外れ値が多い場合でも、このモデルは堅牢で外れ値の影響を受けにくいため
LightGBM
Light Gradient-Boosting Machine（LightGBM）は、マイクロソフトによって開発された勾配ブースティングフレームワークです。ランキング、分類、回帰など機械学習（ML）のさまざまな問題解決に使用できます。
アルゴリズムの特徴
LightGBMはブースティングアルゴリズムであり、XGBoostと同じ様な働きをします。両者のアルゴリズムは「木を成長させる」方法が異なります。XGBoostはレベル単位で（水平方向に）成長するのに対し、LightGBMはリーフ単位で（垂直方向に）成長します。この違いにより、特定のシナリオではLightGBMはXGBoostに比べてより速く、より正確な選択となります。しかし、それは特定のユースケース次第です。
使用する条件：
- 少なくとも数か月（できれば1年）の履歴
- データに複雑な非線形パターンがある場合
- 膨大なデータ
- パフォーマンス重視の場合
AIアルゴリズムについて
NeuralProphetの日次および過去のパターン
NeuralProphetは、従来の時系列モデルとディープラーニング手法との間のギャップを埋めます。PyTorchをベースとしたオープンソースで、Facebook（Meta）Prophetの遺産を基に開発されました。Prophetに関連する最大のアップグレードは、新機能や新アルゴリズムなどの拡張の可能性です。
NeuralProphetは古典的なコンポーネントとニューラルネットワークの融合を使い、精度の高い予測を行います。
- ハイパーパラメータの自動選択を提供
- すべてのモジュールはミニバッチの確率的勾配降下法（SGD）で学習されます。
- オリジナルのProphetモデルの全ての構成要素（トレンド、季節性、繰り返し発生するイベント、リグレッサー）を含みます。
NeuralProphetはより多くの機能を提供しながら、オリジナルのFacebook（Meta）Prophetよりも予測計算が高速です。Zendesk WFMは同様のアプローチをとっています。Prophet - NeuralProphetで日次の値を予測し、イントラディの予測には過去のパターンを使います。
使用する条件：
- 少なくとも数か月、できれば1年分の過去データ
- 曜日や時期によって生じる、人々の日常生活や活動に密接に関連する季節性
- スーパーボウルなど、不規則な間隔で発生する既知の重要な休日（または季節性）
- 妥当な数の欠測値または大きな外れ値
- 製品の発売などで変化か見られる過去のトレンド
- トレンドが自然限界に達する、または飽和する、非線形の成長曲線であるトレンド
長期短期記憶（LSTM）ニューラルネットワーク
長期短期記憶（LSTM）ニューラルネットワークは、時系列予測のための最も先進的なモデルの1つです。長期的な観測シーケンスを学習する能力により、現代の予測手法のトレンドとなっています。
ディープラーニングの分野で使われる人工的なリカレントニューラルネットワーク（RNN）です。一般的なLSTMユニットは、セル、入力ゲート、出力ゲート、忘却ゲートで構成されています。セルは任意の時間間隔で値を記憶し、3つのゲートはセルへの情報の出入りを制御します。
LSTMは、年単位のような長期的な季節性と、週単位のような短期的な季節性の両方のパターンを捉えることができます。LSTMは突出したイベントと相性が良く、そのようなイベントは、イベントが発生した当日だけでなく、その前後数日間の需要にも影響を及ぼします。LSTM内部のさまざまなゲートは、予測のための非線形関係を捉える能力を高めます。
たとえば、人々はスポーツイベントに参加する際に、複数泊の予約を行う可能性があります。LSTMは、異なるカテゴリのイベントからの影響パターンをトリアージすることができます。
Zendesk WFMには、頻度の異なるデータでトレーニングさせたLSTMモデルが用意されています。
- 15分単位 - 生データがトレーニングに使用され、その結果、イントラディの予測が即座に得られます。
- 時間単位 - 1時間単位で集計されたデータがモデルのトレーニングに使用され、1時間単位で予測を作成します。
- 日次単位 - 日次レベルで集計されたデータがモデルのトレーニングに使用されます。そのモデルで日次の予測を作成し、過去のパターンを適用してイントラディの予測を得ます。
使用する条件：
- できれば1年以上の十分な量の過去データ
- 業務量が中～高程度のワークストリーム
- 通常はインバウンド業務量のない期間がない勤務時間帯
- 強力な季節性のパターンや繰り返し発生するイベントについて考慮が必要
関連記事
0件のコメント
サインインしてコメントを残します。