Zendesk 인적 자원 관리(WFM)에서는 이전 데이터를 분석하고 모든 알고리즘을 테스트하여 각 업무 흐름에 가장 적합한 예측 알고리즘이 자동으로 선택됩니다. 이는 특정 업무 흐름에 가장 적합한 것을 결정하는 것입니다.
하지만 자동 알고리즘 선택을 무시하고 Zendesk WFM(인적 자원 관리)이 제공하는 알고리즘을 선택할 수 있습니다.
이 문서에서는 다음과 같은 주제를 다룹니다.
통계 알고리즘 이해하기
8주 평균
8주 평균 예측 알고리즘은 간단하고 신뢰할 수 있으며 널리 사용됩니다. 이 알고리즘을 사용하여 실행 평균을 설명합니다. 이 알고리즘은 지난 8주(또는 8주를 사용할 수 없는 경우 그 미만)의 평균을 구해 다음 12주에 대한 예측을 생성합니다.
이 알고리즘은 이전 8주를 기간별로 살펴봅니다. 그런 다음 기간의 평균을 내서 예측 값을 구합니다.
예를 들어 수요일 오전 9시부터 오전 9시 15분까지와 같은 특정 기간에 대한 볼륨을 예측하기 위해 Zendesk WFM(인적 자원 관리)은 이전 8번의 수요일부터 동일한 기간의 평균 볼륨을 계산하여 예측 값을 구합니다.
다음과 같은 경우에 사용
- 제한된 이전 데이터를 보유한 경우
- 단기 예측(최대 12주)
- 지난 몇 주 동안 관측될 수 있는 볼륨에 있어 큰 상승 또는 하락 추세가 없음
- 결과의 단순성과 예측 가능성
모멘텀이 있는 8주 평균
이 알고리즘은 8주 평균 알고리즘과 비슷합니다. 이전 8주 동안의 볼륨에서 일반적인 상승 또는 하락 추세를 복제한다는 점에서 해당 알고리즘과 다르며 일치하도록 예측을 조정합니다.
8주 평균 알고리즘과 마찬가지로 이 알고리즘은 이전 8주를 살펴본 다음 그러한 기간의 평균을 내어 예측 값을 구합니다. 평균 값이 정의된 후 Zendesk WFM(인적 자원 관리)이 주중과 하루 중 시간 동안 볼륨이 어떻게 분포되는지 검토합니다. 예를 들어 이날 이 기간에 보통 평균보다 더 높거나 더 낮은지 검토합니다. 그런 다음 정의된 평균 편차에 따라 예측 값이 조정됩니다.
예를 들어 동일한 수요일 오전 9시부터 오전 9시 15분까지 기간을 예로 사용합니다. Zendesk WFM(인적 자원 관리)은 모멘텀이 있는 8주 평균 알고리즘을 사용하여 이전 8번 수요일의 동일한 기간에 대한 평균 볼륨을 계산합니다. 그런 다음 이 특정 간격을 수요일의 다른 간격과 비교합니다. 보통 다른 간격보다 볼륨이 10% 낮다면 Zendesk WFM(인적 자원 관리)이 수요일 오전 9시부터 오전 9시 15분까지 기간의 평균 볼륨을 10% 줄여 예측 값을 조정합니다.
다음과 같은 경우에 사용
- 제한된 이전 데이터를 보유한 경우
- 단기 예측(최대 12주)
- 지난 8주 동안 관측될 수 있는 볼륨에 있어 큰 상승 또는 하락 추세가 있음
두 가지 8주 알고리즘 모두 가장 정확한 예측을 얻으려면 예측을 자주 다시 계산해야 합니다.
머신 러닝 알고리즘 이해하기
Prophet 일별 및 이전 패턴
Prophet은 Facebook (Meta)에서 개발한 오픈 소스 알고리즘입니다. 비선형 추세가 매년, 주별 및 일별 계절성에 맞는 가법 모델을 기반으로 시계열 데이터를 예측하기 위해 만들어졌습니다.
작동 방법
강력한 계절성 효과와 여러 시즌의 이전 데이터가 있는 시계열에 가장 적합합니다. Prophet은 추세에서 누락 데이터 및 교대에 강력하며 일반적으로 이상값을 훌륭하게 처리합니다. 모든 예측 문제가 동일한 절차로 해결될 수 있는 것은 아닙니다. Prophet은 Facebook (Meta)에서 경험한 비즈니스 예측 작업에 최적화되어 있습니다.
Zendesk WFM(인적 자원 관리)은 Prophet을 사용하여 일별 값을 예측한 후 마지막 4주에 대한 이전 평균을 사용하여 예측된 일별 값을 배포하고 당일 예측을 생성합니다.
다음과 같은 경우에 사용
- 최소한 몇 달(1년 선호) 동안의 이전 데이터가 있음
- 강력한 여러 “휴먼 스케일” 계절성: 요일 및 1년 중 시간
- 데이터에서 합당한 누락 관측 수나 많은 이상값이 감지됨
- 예를 들어 제품 출시로 인해 변하는 이전 추세
- 추세가 자연적인 한도 또는 포화 상태에 도달하는 비선형 성장 곡선인 추세
XGBoost
eXtreme Gradient Boost (XGBoost)는 분류 및 회귀와 같은 다양한 머신 러닝(ML) 문제를 해결하는 데 사용할 수 있는 그라디언트 부스팅 알고리즘입니다. 이는 예측에 가장 많이 사용되는 ML 알고리즘 중 하나입니다.
작동 방법
부스팅 알고리즘은 높은 편향으로 인해 모델의 복잡성을 증가시키는 의사결정 트리의 앙상블 알고리즘입니다. 즉, 더 나은 결과를 성취하기 위해 여러 학습 알고리즘으로 구성됩니다. XGBoost는 오픈 소스 소프트웨어 라이브러리에서 그라디언트 부스팅 알고리즘을 구현한 것입니다. 연산 속도와 모델 성능에 초점이 맞추어져 있습니다. 이 라이브러리는 모델 학습을 분산하여 더 신속하고 더 정확한 결과를 생성하는 능력을 가지고 있습니다.
다음과 같은 경우에 사용
- 최소한 몇 달(1년 선호) 동안의 이전 데이터가 있음
- 데이터가 별로 없는 경우(대부분의 기록 기간에 데이터가 전혀 없음)
- 이 모델은 강력하고 이상값에 덜 민감하므로 데이터에 특별 이벤트나 예상치 못한 급증과 같은 기존 이상값이 많음
LightGBM
Light Gradient-Boosting Machine (LightGBM)은 순위, 분류 및 회귀와 같은 다양한 머신 러닝(ML) 문제를 해결하는 데 사용할 수 있는 그라디언트 부스팅 프레임워크로 Microsoft가 개발했습니다.
작동 방법
LightGBM은 부스팅 알고리즘이며 XGBoost와 유사하게 작동합니다. 이러한 알고리즘은 "트리 성장" 방식이 다릅니다. XGBoost는 level-wise(수평) 성장을 사용하는 반면 LightGBM는 leaf-wise(수직) 성장을 사용합니다. 특정 시나리오의 이러한 차이로 인해 LightGBM은 XGBoost에 비해 더 빠르고 더 정확한 선택이 됩니다. 하지만 이는 특정 사용 사례에 따라 다릅니다.
다음과 같은 경우에 사용
- 최소한 몇 달(1년 선호) 동안의 기록이 있음
- 데이터에 복잡한 비선형 패턴이 있는 경우
- 대규모 데이터
- 성능이 더 중요한 경우
AI 알고리즘 이해하기
NeuralProphet 일별 및 이전 패턴
NeuralProphet은 전통적인 시간 시리즈 모델과 딥러닝 방법 간의 격차를 채워줍니다. 오픈 소스이고, PyTorch 기반이며, Facebook (Meta) Prophet의 레거시 위에서 구축됩니다. Prophet과 관련하여 가장 큰 업그레이드는 새 기능, 새 알고리즘 등과 같은 확장 기능의 가능성입니다.
NeuralProphet은 클래식 구성 요소 및 신경망의 융합을 통해 매우 정확한 예측을 합니다.
- 자동 하이퍼파라미터 선택 제공
- 모든 모듈이 미니 배치 SGD(stochastic gradient descent)로 학습됨
- 원래 Prophet 모델의 모든 구성 요소(추세, 계절성, 반복 이벤트 및 회귀 변수) 포함
NeuralProphet은 원래 Facebook (Meta) Prophet에 비해 컴퓨팅 예측 속도가 더 빠르며 더 많은 기능을 제공합니다. Zendesk WFM(인적 자원 관리)은 유사한 접근 방식인 Prophet을 사용합니다. NeuralProphet으로 일별 값을 예측하고 이전 패턴을 사용하여 당일 예측을 합니다.
다음과 같은 경우에 사용
- 최소한 몇 달(1년 선호) 동안의 이전 데이터가 있음
- 강력한 여러 “휴먼 스케일” 계절성: 요일 및 1년 중 시간
- 미리 알려진 불규칙 간격으로 발생하는 중요한 명절 또는 계절성(예: 슈퍼볼)
- 합당한 누락 관측 수나 많은 이상값
- 예를 들어 제품 출시로 인해 변하는 이전 추세
- 추세가 자연적인 한도 또는 포화 상태에 도달하는 비선형 성장 곡선인 추세
Long Short-Term Memory (LSTM) 신경망
Long Short-Term Memory (LSTM) 신경망은 예측 시계열의 가장 진보한 모델 중 하나입니다. 관찰의 장기 시퀀스를 학습하는 능력 덕분에 현대 예측에서 인기 접근 방식이 되었습니다.
딥러닝 분야에 사용되는 인공 순환 신경망(RNN, recurrent neural network)입니다. 일반 LSTM 단위는 세포, 입력 게이트, 출력 게이트 및 망각 게이트로 구성됩니다. 세포는 임의의 시간 간격 동안의 값을 기억하고 세 개의 게이트는 세포 안팎으로 정보의 흐름을 조절합니다.
LSTM은 연간 패턴과 같은 장기 계절성 패턴과 주별 패턴과 같은 단기 계절성 패턴을 모두 캡처할 수 있습니다. 미결 이벤트와 잘 작동합니다. 그러한 이벤트는 발생 날의 수요는 물론 이벤트 발생 전과 후 날들의 수요에 영향을 미칩니다. LSTM 내부의 다양한 게이트는 예측을 위한 비선형 관계를 캡처하는 기능을 향상시킵니다.
예를 들어 사람들이 스포츠 이벤트에 참석하기 위해 며칠간 숙소를 예약할 수 있습니다. LSTM에는 다양한 이벤트 카테고리의 효과 패턴을 분류하는 기능이 있습니다.
Zendesk WFM(인적 자원 관리)에는 다음과 같이 데이터의 다양한 빈도에 대해 훈련된 여러 LSTM 모델이 있습니다.
- 15분 - 학습에 사용되는 원시 데이터가 학습의 결과로 즉시 당일 예측을 합니다.
- 매시간 - 시간별로 집계된 데이터가 모델 훈련에 사용된 후 매시간 예측을 생성합니다.
- 일별 - 일별로 집계된 데이터가 모델 훈련에 사용됩니다. 그런 다음 모델이 일별 예측을 하고 이전 패턴을 적용하여 당일 예측을 합니다.
다음과 같은 경우에 사용
- 충분한 양(1년 이상 선호)의 이전 데이터가 있음
- 중간에서 높음 수준의 볼륨 업무 흐름
- 보통 인바운드 수가 없는 기간이 없는 작업 시간
- 강력한 계절성 패턴과 일부 미해결 반복 이벤트를 고려해야 함
관련 문서