Teleopti WFM Forecasts is a tool that can be used in order to predict future contact volumes in contact centers and staffing requirements, both in the short and the long term. This tool uses historical data of incoming contact volumes to perform a forecast on a given forecasting period. Today this tool uses a very simple algorithm which is not always very accurate. It also requires inputs from the customer in some of the steps, in order to generate the forecast. The task of this thesis is to improve this algorithm to get a more accurate forecast that can be generated automatically, without any input from the customer. Since Teleopti has more than 730 customers in more than 70 countries worldwide [3] the most challenging part of this project has been to find an algorithm that works for a lot of different historical data. Since different data contains different patterns there is not a single method that works best for all types of data. To investigate what method that is best to use for some specific data, and to perform a forecast according to this method, a step by step method was produced. A shortened version of this method is presented below. Remove irrelevant data that differs too much from the latest data. Use the autocorrelation function to find out what seasonal variations that are present in the data. Estimate and remove the trend. Split the data, with the estimated trend removed, into two parts. Use the first part of the data to _t different models. Compare the different models with the other part of the data. The one that fits the second part best in least square sense is the one that is going to be used. Estimate the chosen model again, using all the data, and remove it from the full sample of data. Forecast the trend with Holts method. Combine the estimated trend with the estimated seasonal variations to perform the forecast. There are a lot of factors that affect the accuracy of the forecast generated by using this step by step method. By analysing a lot of data and the corresponding forecasts, the following three factors seem to have most impact on the forecasting result. First of all, if the data contains a lot of randomness it is difficult to forecast it, no matter how good the forecasting methods are. Also, if there are small volumes of historical data it will affect the forecasting result in a bad way, since estimating each seasonal variation requires a certain volume of data. And finally, if the trend tends to often change direction considerably in the data it is quite difficult to forecast it, since this means that it could probably change a lot in the future as well. This step by step method has been tested on plenty of data from a lot of different contact centers in order to get it as good as possible for as many customers as possible. However, even though it has exhibited a good forecast of these data there is no guarantee that it will perform a good forecast for all possible data amongst Teleopti's customers. Hence, in the future, if this step by step method will be used by Teleopti, it will probably be updated continuously in order to satisfy as many customers as possible. / Teleopti WFM Forecast är ett verktyg som kan användas för att förutsäga framtida kontaktvolymer och personalbehov, både på kort och lång sikt. Detta görs genom att använda historisk data för inkommande kontaktvolymer för att utföra en prognos av en given prognostiseringsperiod. Idag använder sig detta program av en ganska enkel algoritm som ibland kan ge en ganska dålig prognos. Den kräver också inputs från kunden i vissa steg för att prognosen ska kunna genomföras. Huvudmålet med detta examensarbete har varit att förbättra den nuvarande algoritmen för att få mer noggranna prognoser som kan fås fram automatiskt, utan några inputs från kunden. Eftersom Teleopti har fler än 730 kunder i fler än 70 länder [3], utspridda över hela världen, så har en av de mest utmanande delarna med det här projektet varit att hitta en algoritm som fungerar för många olika sorters data. För att undersöka vilken metod som är bäst lämpad för en specifik datamängd, och för att utföra en prognos med denna metod, togs en steg-för-steg-metod fram. En förkortad variant av denna visas här nedan. Ta bort icke relevant data som skiljer sig för mycket från övrig data. Använd autokorrelationsfunktionen för att identifiera vilka säsongsvariationer som finns. Beräkna trenden och ta bort den. Dela upp historisk data med borttagen trend i två delar. Använd den första delen till att bestämma parametrarna för olika modeller. Jämför sedan de olika modellerna, med de uppmätta parametrarna, med den andra delen. Den model som skiljer sig minst från den andra delen av data är den modellen som kommer att användas. Beräkna parametrarna till den valda modellen igen, men använd nu all data. Prognostisera hur trenden kommer att fortsätta genom att använda Holts metod. Kombinera den beräknade trenden med de beräknade säsongsvariationerna för att få fram de prognostiserade värdena. Det finns många faktorer som avgör hur exakt prognosen blir genom att använda denna steg-försteg-metod. Genom att analysera mycket data och motsvarande prognos, har följande tre faktorer tagits fram som de som verkar ha mest påverkan på prognostiseringsresultatet. Till att börja med, om data innehåller en hög slumpfaktor är det svårt att utföra en bra prognos, oavsett vilka metoder som används. Om volymen data är väldigt begränsad påverkar det också prognostiseringsresultatet på ett negativt sätt, i och med att beräkningarna för de olika säsongsvariationerna kräver en viss mängd data. Och till sist, om trenden ofta ändrar riktning kraftigt i data är det ganska svårt att prognostisera trenden, i och med att detta betyder att den förmodligen kommer att ändra riktning ofta i framtiden också. Den här steg-för-steg-metoden har testats på mycket olika data, tillhörande många olika kontaktcenter, för att få den så bra som möjligt för så många kunder som möjligt. Men, även om den har uppvisat ett bra resultat på de flesta av dessa data så finns det inga garantier för att den kommer att uppvisa bra prognostiseringar hos alla Teleoptis kunder. Därför, om Teleopti väljer att använda denna steg-för-steg-metod i framtiden, så kommer den förmodligen att uppdateras kontinuerligt för att tillfredsställa så många av kunderna som möjligt.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-170343 |
| Date | January 2015 |
| Creators | Ekelius, Oskar |
| Publisher | KTH, Optimeringslära och systemteori |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-MAT-E ; 2015:47 |
Page generated in 0.0022 seconds