總結(jié)客服中心工作量預(yù)測(cè)項(xiàng)目前期

工作量預(yù)測(cè)項(xiàng)目是由數(shù)據(jù)部通過自主創(chuàng)新研究數(shù)據(jù)化運(yùn)營(yíng)創(chuàng)新項(xiàng)目，旨在通過數(shù)據(jù)分析、預(yù)測(cè)技術(shù)，挖掘話務(wù)量隨時(shí)間、特殊的波動(dòng)模式，幫助中心排班部門實(shí)現(xiàn)話務(wù)量的提前預(yù)測(cè)從而對(duì)可能造成話務(wù)量異常波動(dòng)的進(jìn)行提早準(zhǔn)備，安排此創(chuàng)新項(xiàng)目于2014年12月份以部門項(xiàng)目創(chuàng)新方案的形式提出并與宿遷中心MOD部門相關(guān)同事進(jìn)行了溝通獲得業(yè)務(wù)方的高度肯定和關(guān)注之后數(shù)據(jù)部立即安排人員，15年戰(zhàn)略工作的重點(diǎn)發(fā)生了調(diào)整，以向客戶提供主動(dòng)服務(wù)中心工作量預(yù)測(cè)的是的進(jìn)線話務(wù)量預(yù)測(cè)界已有大批專家、分析、以及多種較為負(fù)責(zé)的模型。通過對(duì)10余篇國(guó)際頂級(jí)學(xué)術(shù) Inter-WeekTrendSeasonalWhiteNoiseTrend01的類似白噪聲的特性。Inter-Week的預(yù)測(cè)數(shù)據(jù)。N15分鐘時(shí)間段后的timeintervalSV，其物理意義分別為：D矩陣中的第一列代表話務(wù)量的平AverageFluctation（EnergyAverage隨機(jī)波動(dòng)（RandomFluctuationDEnergyEnergyInter-Week的時(shí)間預(yù)測(cè)。Inter-DayInter-WeekIntra-Day，Inter-Day測(cè)，可以將的輔助信息帶入模型，比如前一天的波動(dòng)情況，當(dāng)天是否有市場(chǎng)活動(dòng)、是否Inter-Day仍然可以使用基于SVD~周日分別建模， +Intra-Day實(shí)現(xiàn)建模。120124182015seasonal13進(jìn)線數(shù)據(jù)按照15分鐘時(shí)間段進(jìn)行切分，每個(gè)時(shí)間段的預(yù)測(cè)越精準(zhǔn)，則排班的安排越合表 日志，該字段為純Title,ware_id,sku戶商品的關(guān)鍵線Ct_url,referer_url,sku_id,kwd如果能結(jié)合WEB端首頁(yè)焦點(diǎn)活URL 請(qǐng)求id作為主鍵與請(qǐng)求關(guān) Apply_id, Id,cus_no,理想情況下，底層數(shù)據(jù)標(biāo)注每一個(gè)是否與某市場(chǎng)活動(dòng)相關(guān)，從而可以準(zhǔn)確提取由于Inter-DayR15分鐘時(shí)間段切分時(shí)刻，因此需要做行列轉(zhuǎn)Rdata_1_t<-數(shù)據(jù)SVDSV（D96*96對(duì)角陣，V96*96方陣。U陣中的第一列（u1）捕捉了話務(wù)量平均波動(dòng)情況，第二列（u2）捕捉了每一天在平均情況的基礎(chǔ)上的小范圍額外波動(dòng)，V陣中的第一368u1、u2作圖，我們可以看到比較明顯的離群異常點(diǎn)，選擇黑色矩形以得到，因此務(wù)必要在SVD之前進(jìn)行此步驟。63T+1u1u1(t-1)u1(t)之間的數(shù)學(xué)R-1.1301*u1(current_day)+0.7512*u1(current_day)–0.9412*u1(current_day)–1.1018*u1(current_day)–0.8171*u1(current_day)–0.7407*u1(current_day)–0.6860*u1(current_day)–對(duì)于37個(gè)完整周（周一至周日均沒有被掉）進(jìn)行建模，用30周數(shù)據(jù)進(jìn)行訓(xùn)練u1作為唯一預(yù)測(cè)變量，因此總體預(yù)測(cè)性能符合預(yù)期。Inter-Week層的基礎(chǔ)數(shù)據(jù)“預(yù)測(cè)由于相對(duì)于Inter-Day模型，Inter-Week無法帶入的信息，20124201412月的每一天，制作一張日歷表。表值WN碼FactorInt類型兩種數(shù)據(jù)類型來進(jìn)行描述，ARIMA一階的建模嘗試。這是由于觀ACF圖形，可以看出明顯的時(shí)間相關(guān)性使用上述方法的原因主要是由于ARIMA對(duì)未來幾天的預(yù)測(cè)模型必須不斷引入的數(shù)據(jù)，forecastinsomedaysinthefuture，因此需要不斷訓(xùn)練模型。Inter-Day在準(zhǔn)確性上差別顯著。信息，對(duì)某個(gè)到底對(duì)應(yīng)于某次市場(chǎng)活動(dòng)的某種商品進(jìn)行數(shù)據(jù)分析，這需要根據(jù)用戶，以此衡量在京東主站上有多少對(duì)此類促銷活動(dòng)感的人，而且可以以商品類別來對(duì)于“券”等促銷活動(dòng)，則可以關(guān)注經(jīng)常領(lǐng)用券的用戶群，得到基本的統(tǒng)計(jì)信比如“大屏“4核”等描述信息，找到每次活動(dòng)前對(duì)于此類、此品類商品感興Intra-Day究的?；诘讓訉?shí)時(shí)數(shù)據(jù)的準(zhǔn)確獲取，可以逐步展開Intra-Day的數(shù)據(jù)更新建模。《ONTHEMODELINGANDFORECASTINGOFCALLCENTERARRIVALS《BayesianForecastingofanInhomogeneousPoissonProcesswithApplicationstoCallCenterData》《FORECASTINGTIMESERIESOFINHOMOGENEOUSPOISSONPROCESSESWITHAPPLICATIONTOCALLCENTERWORK 《Modeling ysisofCallCenterArrivalData:ABayesianApproach《StatisticalysisofaephoneCallCenter:AQueueing-ScienceYZINGCUSTOMERPATIENCE