| Add-on | Workforce Management (WFM) or Workforce Engagement Management (WEM) |
在 Zendesk 劳动力管理（劳动力管理）中，系统会通过分析历史数据并测试所有算法，自动为每个工作流选择最佳预测算法。这是为了确定哪个最适合特定工作流。
但是，您可以覆盖自动算法选择，并选取Zendesk 劳动力管理提供的算法。
本文章包含以下主题：
了解统计算法
8 周平均值
8 周平均值预测算法简单、可靠、受欢迎，用于描述移动平均。 此算法取过去 8 周（如果不足 8 周，则取更少的时间）的平均值，以生成未来 12 周的预测。
此算法按时段查看最近 8 周，然后对各时段进行平均，以生成预测值。
例如，要预测特定时段（例如周三上午 9:00 到 9:15）的工作量， Zendesk 劳动力管理会计算前 8 个周三相同时段的平均工作量，以生成预测值。
应用场景：
- 历史数据有限
- 短期预测（最多 12 周）
- 在过去几周中，未观察到工作量有大幅上升或下降趋势
- 结果简单、可预测
8 周平均值（动量）
此算法与 8 周平均算法类似，区别在于它可复制过去 8 周工作量的总体上升或下降趋势，并调整预测以进行匹配。
与 8 周平均算法类似，此算法会查看前 8 周，然后对这些时段进行平均，以生成预测值。定义平均值后， Zendesk 劳动力管理会审查工作量在工作日和一天中各时段的分布情况。例如，如果工作量在一天中特定时段通常高于或低于平均值，则根据与平均值的定义偏差调整预测值。
同样以周三上午 9:00 到 9:15 这一时段为例。Zendesk 劳动力管理使用 8 周平均值动量算法可计算前 8 个周三同一时段的平均工作量。然后，它将此特定时间间隔与周三其他时间间隔进行比较。如果工作量比其他时间间隔低 10%， Zendesk 劳动力管理会将周三上午 9:00 到 9:15 时段的平均工作量降低 10%，以调整预测值。
应用场景
- 历史数据有限
- 短期预测（最多 12 周）
- 在过去 8 周中，可观察到工作量有大幅上升或下降趋势
这两种 8 周算法都需要经常重新计算预测，确保预测准确性。
了解机器学习算法
Prophet 每日和历史模式
Prophet 是由 Facebook (Meta) 开发的开源算法。旨在预测基于加法模型的时间序列数据。在该模型中，非线性趋势与每年、每周和每日的季节性相匹配。
工作方式
Prophet 最适用于具有强烈季节效应的时间序列和多个季节的历史数据。它对于缺失数据和趋势变化有较好的鲁棒性，通常可以很好地处理异常值。并非所有预测问题都可以通过相同方法解决。Prophet 已针对 Facebook (Meta) 遇到的业务预测任务进行了优化。
Zendesk 劳动力管理使用 Prophet 预测每日价值，然后使用最近 4 周的历史平均值来分配预测的每日价值，并生成当天预测。
应用场景：
- 至少几个月（最好一年）的历史数据
- 强大的多个“人为”季节性：一周中某一天和一年中某个时间
- 在数据中检测到合理数量的缺失观测值或较大异常值
- 历史趋势发生变化，例如由于产品发布
- 非线性增长曲线的趋势，其中趋势达到自然极限或饱和
XGBoost
eXtreme Gradient Boost (XGBoost) 是一种梯度提升算法，可用于解决各种机器学习 (ML) 问题，例如分类和回归。它是常用于预测的 ML 算法之一。
工作方式
提升算法是一种决策树的集合算法，可增加高偏差模型的复杂性。它由多种学习算法构成，以实现更好的结果。XGBoost 是开源软件库中梯度提升算法的实现，侧重于计算速度和模型性能。该软件库可分发模型训练，从而更快、更准确地生成结果。
应用场景
- 至少几个月（最好一年）的历史数据
- 没有太多数据（大部分历史时段数据为零）
- 数据存在大量异常值，例如特殊事件或意外峰值，而此模型鲁棒性较强，对异常值不太敏感
LightGBM
Light Gradient-Boosting Machine (LightGBM) 是由 Microsoft 开发的梯度提升框架，可用于解决各种机器学习 (ML) 问题，例如排名、分类和回归。
工作方式
LightGBM 是一种提升算法，其工作方式与 XGBoost类似。这些算法的区别在于“树增长”方式不同：XGBoost 使用逐层（水平）增长，而 LightGBM 使用逐叶（垂直）增长。因此，在某些场景中，与 XGBoost 相比，LightGBM 也就成了更快、更准确的选择，但这取决于特定用例。
应用场景
- 至少几个月（最好一年）的历史记录
- 数据具有复杂的非线性模式
- 大规模数据
- 绩效更重要
了解人工智能算法
NeuralProphet 每日和历史模式
NeuralProphet 弥补了传统时间序列模型和深度学习方法之间的差距。它是基于 PyTorch和旧版 Facebook (Meta) Prophet构建的开源模型。与 Prophet 相比，其最大改进在于可以进行新功能、新算法等扩展。
NeuralProphet 结合使用经典组件和神经网络来生成高度准确的预测：
- 提供自动超参数选择
- 所有模块都使用小批量随机梯度下降 (SGD) 法进行训练
- 包含原始 Prophet 模型的所有组件（趋势、季节性、重复事件和回归量）
与原始 Facebook (Meta) Prophet 相比，NeuralProphet 预测计算速度更快，同时功能也更多。Zendesk 劳动力管理使用了类似的方法； Prophet——使用 NeuralProphet 预测每日价值，并使用历史模式进行当天预测。
应用场景：
- 至少几个月（最好一年）的历史数据
- 强大的多个“人为”季节性：一周中某一天和一年中某个时间
- 事先知道的不定期发生的重要节假日（或季节性）（例如超级碗）
- 合理数量的缺失观测值或较大异常值
- 历史趋势发生变化，例如由于产品发布
- 非线性增长曲线的趋势，其中趋势达到自然极限或饱和
长短期记忆 (LSTM) 神经网络
长短期记忆 (LSTM) 神经网络是最先进的时间序列预测模型之一，因其学习长期观察序列的能力而成为现代预测的热门方法。
它是用于深度学习领域的人工循环神经网络 (RNN)。常见的 LSTM 单元由单元、输入门、输出门和遗忘门组成。其中，单元可记住任意时间间隔内的值，而三个门可控制进出单元的信息流。
LSTM 能够捕获长期季节性模式（例如每年模式）和短期季节性模式（例如每周模式）。它适用于重大事件，此类事件会影响其发生当天和前后几天的需求。LSTM 内部的不同门提高了其捕获非线性关系进行预测的能力。
例如，人们可能会预订更多天数的住宿，以便参加体育赛事。LSTM 能够对不同事件类别的影响模式进行分类。
Zendesk 劳动力管理有多个 LSTM 模型，这些模型已针对不同频率的数据进行了相关训练：
- 15 分钟——使用原始数据训练模型，然后通过模型立即获得当天预测
- 每小时——使用每小时汇总的数据训练模型，然后通过模型生成每小时预测
- 每日——使用每天汇总的数据训练模型，然后通过模型生成每日预测，并应用历史模式以获得当天预测。
应用场景：
- 大量历史数据，最好一年以上
- 中等到高工作量的工作流
- 通常没有无入站量时段的工作时间
- 需要考虑强烈的季节性模式，以及一些重大重复事件
相关文章
翻译免责声明：本文章使用自动翻译软件翻译，以便您了解基本内容。 我们已采取合理措施提供准确翻译，但不保证翻译准确性
如对翻译准确性有任何疑问，请以文章的英语版本为准。
0 条评论
登录再写评论。