呼叫中心得益于丰富的历史数据，应该能够提供良好的预测，但实际情况往往大不相同。华云天下现在为大家梳理讲解呼叫中心的4种预测模型。

呼叫中心预测模型：三重指数平滑

三重指数平滑，是一种简单的预测技术，作为一种预测方法，它的稳定性令人惊讶。自20世纪60年代开始使用，并广泛应用于呼叫中心预测，它构成了大多数劳动力管理（WFM）预测系统的主干。

“三重”一词意味着预测数据被分成3个预测组成部分--水平、趋势和季节性--以相互“隔离”每个组成部分。

如果我们以月度预测为例，那么三个组成部分是：

水平——上个月的预测

趋势——与上个月相比，联系人的预期增加或减少

季节性——季节对数据的影响。

指数平滑这一术语适用于从一个周期到下一个周期平滑（或平均）数据的方式。

使用三重指数平滑，水平、趋势和季节性趋势都是指数平滑的。艰难的工作来自于平滑系数的选择--α（代表水平）、β（代表趋势）和γ（代表季节性）。

这种方法的一个优点是，一旦你熟悉了这个方法，就很容易对它进行建模，甚至可以在Excel电子表格中进行预测。

我们开发了一个呼叫中心预测工具，一个免费的每月电子表格模板，你可以使用。

最大的危险是很容易“过度拟合”数据，因此，如果历史交易量出现任何异常情况，例如停机或需求高峰，这些都可能导致非常奇怪的预测。

虽然三重指数预测可以被视为一种稳健的“通用”预测模型，但它更适合于长期预测，而不是短期预测。

也可以使用双重指数平滑和一系列其他变体。

呼叫中心预测模型：自回归综合移动平均

ARIMA（自回归综合移动平均--Auto Regressive Integrated Moving Average）

ARIMA是自回归综合移动平均数的缩写。

在2007年国家统计局将ARIMA作为首选算法之后，人们对ARIMA的兴趣与日俱增。

ARIMA有三个主要组成部分：

自回归--将数据与过去的模式进行比较的能力（例如12个月或52周前的时间差）

综合--比较或区别当前观察与先前观察的能力

移动平均值--平滑过去一段时间内的数据的能力。

人们常说三重指数平滑是ARIMA的一个特例。

ARIMA的一个特例看起来很有前途，是一种叫做双季节ARIMA的特殊配方，由牛津大学的泰勒开发。

这允许您在数据中输入多个季节性。因此，例如，您可以通过将季节性设置为48个时段（即24小时）和336个时段（48x7个时段或一周）来输入每半小时数据。

呼叫中心预测模型：神经网络

最近，神经网络受到了广泛的关注，特别是自从谷歌开始将其用于人工智能--语音识别和搜索算法之后。

神经网络也可以用于呼叫中心的预测。

神经网络是一种试图模拟人脑中神经元或脑细胞的网络，它由许多试图模拟人脑功能的“节点”组成。

这些网络会查看一系列输入，然后尝试调整一个“隐藏”的网络，方法是改变一些权重，直到它们接近输出匹配为止。例如，它们将扫描一系列的呼叫，并尝试将下一项数据与预测相匹配。

看来神经网络在呼叫中心预测方面可能有很多潜在的优势

当他们从所提供的数据中学习时，他们不需要编写复杂的算法

他们可以接受外部输入--如特殊日子、营销活动、网站页面浏览热度，以模拟不同因素。

对于神经网络来说，一些最令人兴奋的因素可能是自动从预测中剥离出特殊的日子。

神经网络是“非常看重输入”的，这意味着它们最适合处理高频间隔的数据。

生成神经网络的关键似乎在于网络有多少节点，理论上更多的节点应该产生更好的结果，但性能要慢得多。

呼叫中心预测模型：多时态聚合

呼叫中心预测的最新思想是多时态聚合，这是一种兼顾高频数据和长期趋势的方法。

举个例子，如果你把2016年的联系人总数与2015年相比，你发现它增加了8%，那么这就是你的趋势。你完全去掉了季节性因素。本质上，这就是全年的联系人和特殊事件的平均数。

通过聚合系列，您可以从不同的角度查看它。您永远无法从一个单一的视角提取所有内容，但如果您从不同的聚合级别将所有聚合集合在一起，则您将拥有一个整体视图。

华云天下借助大数据、AI技术和云技术能力，助力企业智能客服体系继续深化，逐步实现呼叫中心全面智能化。