No Gerenciamento da força de trabalho (WFM) do Zendesk, o melhor algoritmo de previsão para cada grupo de trabalho é selecionado automaticamente por meio da análise de dados históricos e do teste de todos os algoritmos. Isso é feito para determinar qual deles tem o melhor desempenho para o grupo de trabalho específico.
No entanto, você pode substituir essa seleção automática de algoritmo e escolher qualquer um dos algoritmos oferecidos pelo Zendesk WFM.
Este artigo contém os seguintes tópicos:
- Noções básicas sobre algoritmos estatísticos
- Noções básicas sobre algoritmos de machine learning
- Noções básicas sobre algoritmos de IA
- Artigos relacionados
Noções básicas sobre algoritmos estatísticos
Média de 8 semanas
O algoritmo de previsão com média de 8 semanas é direto, confiável e popular. Use esse algoritmo para descrever médias móveis. Esse algoritmo pega as médias das oito semanas anteriores (ou menos, se não houver oito semanas disponíveis) para gerar previsões para as próximas 12 semanas.
Esse algoritmo olha para as 8 semanas anteriores, período por período. É feita, então, uma média desses períodos para produzir um valor de previsão.
Por exemplo, para prever o volume em um período de tempo específico, como quarta-feira das 9h às 9h15, o Zendesk WFM calcula o volume médio dos mesmos períodos de tempo nas 8 quartas-feiras anteriores para produzir o valor previsto.
Quando usar:
- Se você tem dados históricos limitados
- Previsões a curto prazo (até 12 semanas)
- Nenhuma grande tendência para cima ou para baixo no volume que possa ser observada nas últimas semanas
- Simplicidade e previsibilidade nos resultados
Média de 8 semanas com impulso
Esse algoritmo é semelhante ao algoritmo de média de 8 semanas. A diferença é que replica as tendências gerais para cima ou para baixo no volume ao longo das 8 semanas anteriores e ajusta a previsão de maneira correspondente.
Semelhante à média de 8 semanas, esse algoritmo olha para as 8 semanas anteriores e faz a média desses períodos para produzir o valor preciso. Depois que o valor médio é definido, o Zendesk WFM revisa como o volume é distribuído ao longo dos dias da semana e as horas do dia. Por exemplo, se costuma ser mais alto ou baixo nesse período desse dia do que a média. Em seguida, com base no desvio definido a partir da média, o valor previsto é ajustado.
Pegue como exemplo o mesmo período de quarta-feira das 9h às 9h15. Usando o algoritmo de média de 8 semanas com impulso, o Zendesk WFM calcula o volume médio a partir do mesmo período de tempo nas 8 quartas-feiras anteriores. Em seguida, compara esse intervalo específico com outros intervalos nas quartas-feiras. Se costuma haver um volume 10% menor do que em outros intervalos, o Zendesk WFM reduz o volume médio nos períodos das 9h às 9h15 nas quartas-feiras em 10% para ajustar o valor previsto.
Quando usar
- Se você tem dados históricos limitados
- Previsões a curto prazo (até 12 semanas)
- Tem grandes tendências para cima ou para baixo no volume que podem ser observada nas últimas 8 semanas
Para os dois algoritmos de 8 semanas, você terá de recalcular frequentemente a previsão para uma maior precisão.
Noções básicas sobre algoritmos de machine learning
Padrões diários e históricos do Prophet
O Prophet é um algoritmo de código aberto desenvolvido pelo Facebook (Meta). É feito para prever dados de série temporal com base em um modelo aditivo em que tendências não lineares são encaixadas com sazonalidade anual, semanal e diária.
Como funciona
Funciona melhor com séries temporais com fortes efeitos sazonais e várias temporadas de dados históricos. O Prophet consegue lidar com dados ausentes e mudanças nas tendências e costuma tratar casos típicos adequadamente. Nem todos os problemas de previsão podem ser resolvidos pelo menos procedimento. O Prophet é otimizado para as tarefas de previsão de negócios que encontraram no Facebook (Meta).
O Zendesk WFM usa o Prophet para prever valores diários e, em seguida, usa médias históricas das últimas 4 semanas para distribuir valores diários previstos e gerar uma previsão intradiária.
Quando usar:
- Pelo menos alguns meses e, preferencialmente, um ano de dados históricos
- Fortes e várias sazonalidades em “escala humana”: dia da semana e época do ano
- Um número razoável de observações ausentes ou grandes casos atípicos são detectados nos dados
- Tendência histórica que muda, por exemplo, devido a lançamentos de produto
- Tendências que são curvas de crescimento não lineares, em que uma tendência atinge um limite natural ou é saturada
XGBoost
O eXtreme Gradient Boost (XGBoost) é um algoritmo de reforço de gradiente que pode ser usado para resolver diferentes problemas de machine learning (ML), como classificação e regressão. É um dos algoritmos de ML mais usados para previsão.
Como funciona
Um algoritmo de reforço é um algoritmo combinado de árvores de decisão que aumenta a complexidade de modelos que sofrem com alta tendenciosidade. Isso significa que é formado por vários algoritmos de aprendizado para alcançar os melhores resultados. O XGBoost é uma implementação do algoritmo Gradient Boosting na biblioteca de software de código aberto. Foca a velocidade computacional e o desempenho de modelo. Essa biblioteca tem a capacidade de distribuir treinamento de modelo para gerar resultados mais rápidos e precisos.
Quando usar
- Pelo menos alguns meses (preferencialmente um ano) de dados históricos
- Se não houver muitos dados (dados zerados para a maior parte do período histórico)
- Se os dados têm muitos casos atípicos existentes, como eventos especiais ou picos inesperados, porque esse modelo é robusto e menos sensível a casos atípicos
LightGBM
O Light Gradient-Boosting Machine (LightGBM) é um framework de reforço de gradiente desenvolvido pela Microsoft que pode ser usado para resolver diferentes problemas de machine learning (ML), como ordenação, classificação e regressão.
Como funciona
O LightGBM é um algoritmo de reforço e funciona de maneira semelhante ao XGBoost. Esses algoritmos são diferentes na maneira como “crescem suas árvores”: o XGBoost usa o crescimento orientado pelo solo (horizontal), enquanto o LightGBM usa o crescimento orientado pelas folhas (vertical). Em algumas situações, essa diferença torna o LightGBM mais rápido e preciso em relação ao XGBoost. No entanto, isso depende do caso de uso específico.
Quando usar
- Pelo menos alguns meses (preferencialmente um ano) de histórico
- Se os dados têm padrões não lineares complexos
- Dados em grande escala
- Se o desempenho é mais importante
Noções básicas sobre algoritmos de IA
Padrões diários e históricos do NeuralProphet
O NeuralProphet faz a ponte entre os modelos tradicionais de série temporal e os métodos de deep learning. É de código aberto, com base em PyTorch, e desenvolve o legado do Prophet do Facebook (Meta). A maior atualização em relação ao Prophet é a possibilidade de extensões como novos recursos, novos algoritmos e etc.
O NeuralProphet usa uma fusão de componentes clássicos e redes neurais para produzir previsões altamente precisas:
- Fornece seleção automática de hiperparâmetros
- Todos os módulos são treinados com gradiente descendente estocástico (SGD) em minilotes
- Inclui todos os componentes do modelo original do Prophet (tendência, sazonalidade, eventos recorrentes e regressores)
O NeuralProphet é mais rápido em previsões computacionais em relação ao Prophet original do Facebook (Meta), ao mesmo tempo em que fornece mais funcionalidades. O Zendesk WFM usa uma abordagem semelhante. O Prophet para previsão de valores diários com o NeuralProphet e uso de padrões históricos para previsão intradiária.
Quando usar:
- Pelo menos alguns meses e, preferencialmente, um ano de dados históricos
- Fortes e várias sazonalidades em “escala humana”: dia da semana e época do ano
- Feriados importantes (ou sazonalidades) que ocorrem em intervalos irregulares e são conhecidos com antecedência (por exemplo, grandes eventos esportivos, como a Copa do Mundo de Futebol)
- Um número razoável de observações ausentes ou grandes casos atípicos
- Tendência histórica que muda devido a lançamentos de produto, por exemplo
- Tendências que são curvas de crescimento não lineares, em que uma tendência atinge um limite natural ou é saturada
Rede neural Long Short-Term Memory (LSTM)
A rede neural Long Short-Term Memory (LSTM) é um dos modelos mais avançados para previsão de séries temporais. Sua capacidade de aprender sequências a longo prazo de observações fez dela uma abordagem popular para a previsão moderna.
É uma rede neural recorrente (RNN) artificial usada no campo de deep learning. Uma unidade comum de LSTM é composta por uma célula, um input gate (portão de entrada), um output gate (portão de saída) e um forget gate (portão de esquecimento). A célula lembra os valores em intervalos de tempo arbitrários e os três portões regulam o fluxo de informações que entram e saem da célula.
A LSTM é capaz de capturar padrões de sazonalidades de longo prazo, como um padrão anual, e de curto prazo, como padrões semanais. Ela funciona bem com eventos excepcionais. Esses eventos afetam a demanda no dia em que acontecem, além dos dias antes e depois do acontecimento do evento. Os diferentes portões na LSTM impulsionam sua capacidade de capturar relacionamentos não lineares para previsão.
Por exemplo, as pessoas podem reservar mais dias de acomodação para participar de um evento esportivo. A LSTM tem a capacidade de fazer a triagem do impacto de padrões de diferentes categorias de eventos.
O Zendesk WFM tem vários modelos de LSTM treinados em diferentes frequências dos dados:
- 15 minutos - novos dados que são usados para treinamento e, como resultado, têm previsões intradiárias imediatamente
- Por hora - dados agregados por hora são usados para treinar o modelo, o que produz uma previsão em nível de hora
- Por dia - dados agregados por dia são usados para treinar o modelo. Então, o modelo produz uma previsão diária e aplica padrões históricos para ter uma previsão intradiária.
Quando usar:
- Uma boa quantidade de dados históricos, preferencialmente ao longo de um ano
- Grupos de trabalho com volume médio a alto
- Horas de trabalho que não costuma ter períodos sem volume recebido
- Precisa considerar fortes padrões de sazonalidade, além de alguns eventos excepcionais repetidos
Artigos relacionados