予測アルゴリズムとは、過去のデータに基づいて将来の結果を予測するツールです。過去の情報の中にあるパターンを分析し、今後何が起こるかを推定します。これらのツールは統計的手法や機械学習を活用して予測精度を高め、季節的な変動や全体的な傾向といった要素も考慮することで、より正確な予測を可能にします。

現在のプランを確認
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)

要約:◀▼

ワークフォースマネジメント(WFM)の予測アルゴリズムは、履歴データ、季節的なパターン、傾向を使用して将来の作業負荷を予測するのに役立ちます。各ワークストリームに最適なモデルを自動的に選択することも、手動で選択することもできます。データの限られた短期予測には単純平均を、大規模または乱雑なデータセットには機械学習モデルを使用し、時季的な傾向が強く、業務量が多く、繰り返し発生するイベントにはLSTMを使用します。

予測アルゴリズムとは、過去のデータに基づいて将来の結果を予測するツールです。過去の情報の中にあるパターンを分析し、今後何が起こるかを推定します。これらのツールは統計的手法や機械学習を活用して予測精度を高め、季節的な変動や全体的な傾向といった要素も考慮することで、より正確な予測を可能にします。

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、以下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
  • 機械学習アルゴリズムについて
  • AIアルゴリズムについて

関連記事

  • WFM予測について

統計アルゴリズムについて

8週間平均と8週間の平均(モメンタムを考慮)のどちらのアルゴリズムの場合も、予測の精度を高めるには、予測をこまめに再計算する必要があります。

8週間平均

8週間の平均予測アルゴリズムはわかりやすく、信頼性が高いため、広く支持されています。このアルゴリズムを使用して、実行平均を記述します。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。

メモ:最低2週間分の過去データが必要です。4週間分を予測したあと、残りの週にその予測を繰り返し使用します。

このアルゴリズムは、過去の週を期間ごとに調べます。次に、期間が平均化され、予測値が生成されます。

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)は過去の水曜日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(最大12週間)
  • 過去数週間に業務量の大きな上昇傾向または下降傾向は見られない場合
  • 結果が単純で予測可能

8週間平均(モメンタムを考慮)

このアルゴリズムは、8週間平均のアルゴリズムに似ていますが、過去の週の業務量の一般的な上昇傾向または下降傾向を再現し、それに合わせて予測を調整するという点で異なります。

8週間平均と同様に、このアルゴリズムは過去の週を調べ、それらの期間を平均して予測値を生成します。平均値が定義された後、Zendesk WFMは平日や時間帯ごとの業務量の分布を確認します。たとえば、特定の時間帯において、データが全体平均と比べて一貫して高い、または低い傾向を示すことがあります。こうした平均からの偏差に基づき、予測値が調整されます。

たとえば、同じ水曜日の午前9時から午前9時15分までを例として使用します。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は過去の水曜日の同じ時間帯の平均業務量を計算します。次に、この一定の間隔を水曜日の他の間隔と比較します。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(最大12週間)
  • 過去の数週間に業務量の大きな上昇傾向または下降傾向が見られる場合

機械学習アルゴリズムについて

Prophet

Prophetは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、日々の時季的な傾向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、強い季節性を持つ時系列データや、複数シーズン分の履歴データがある場合に最も効果を発揮します。欠測データやトレンド変動に対しても高い耐性があります。また、外れ値の処理にも比較的優れています。ただし、すべての予測問題が同じ手法で解決できるわけではありません。Prophetは、Metaが扱うビジネス向け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:

  • 少なくとも数か月分、できれば1年分の履歴データがあること
  • 曜日と時間といった複数の「人間社会に基づく」季節性
  • データ内に妥当な量の欠測値が含まれている、または大きな外れ値が検出されること
  • トレンドが途中で変化する履歴データであること(例:製品リリースの影響など)
  • トレンドが自然な上限に達したり飽和したりする、非線形の成長曲線であること

XGBoost

eXtreme Gradient Boost(XGBoost)は、分類や回帰など、さまざまな機械学習(ML)の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、より良い結果を達成するために、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下にある勾配ブースティングアルゴリズムの実装です。計算速度とモデルのパフォーマンスに焦点を当てています。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:

  • 少なくとも数か月分、できれば1年分の履歴データがあること
  • 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。特定のシナリオでは、この違いにより、LightGBMはXGBoostよりも高速で正確な選択肢となります。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:

  • 少なくとも数か月分、できれば1年分の履歴データがあること
  • データに複雑な非線形パターンがある場合
  • 大規模なデータ
  • パフォーマンスを重視する場合

AIアルゴリズムについて

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、現代の予測手法として広く採用されています。

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、および忘却ゲートで構成されます。セルは任意の間隔で値を記憶し、3つのゲートがセルに出入りする情報の流れを調整します。

LSTMは、年次パターンなどの長期的な季節性と、週次パターンなどの短期的な季節性の両方のパターンをキャプチャできます。これは、未解決のイベントに適しています。このようなイベントは、イベント当日だけでなく、その前後数日間の需要にも影響を与えます。LSTM内のさまざまなゲートにより、予測のために非線形リレーションシップをキャプチャする機能が強化されます。

たとえば、スポーツイベントに参加するために、宿泊施設を何日間か予約することがあります。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
  • 中規模から大規模のワークストリーム
  • インバウンド業務量がゼロの時間帯が通常ない勤務時間
  • 時季的な傾向の強い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
Powered by Zendesk