AI呼量予測|エネルギー系企業4千万コールの分析

当社では、 AI (人工知能) の業務への活用を進めています。
今回は、 その取り組みの1つである 【 AI によるコールセンター呼量 (コール数) の予測 】 について、 ご紹介します。

AI

● 呼量予測の重要性

コールセンターの運営において、 「顧客満足度」 や 「ビジネスの損益」 に直結するリソース (人員等) 割り当ての成否は、 最重要課題です。
そのような適切なリソースの割り当てを実現するには、正確な呼量予測が必須です。

当社では、高精度の呼量予測を実現するために、 「機械学習を活用した呼量予測モデル構築」 を進めています。

● AIによる呼量予測の流れ

1.データ前処理

  エネルギー系企業提供のデータである 約4000万レコードより、 条件に合致する特定レコードを抽出。


2.呼量予測モデル構築と、テスト予測

  今回の取組では、 2種類のアルゴリズムを利用し、 約5年半の呼量データを学習データとして複数のセンター単位で予測モデルを構築。


【 今回利用したアルゴリズム 】
1. Facebook Prophet : Facebook社が開発した時系列データの未来予測のためのオープンソースソフトウェア。 RまたはPythonで利用可能。 トレンド (傾向) と周期性 (年間・週間・日間など) の加法モデル (乗法と組み合わせることも可能) 。

2. ランダムフォレスト : 決定木をベースにしたアンサンブル学習のアルゴリズム 。

AI
Aセンターの1日単位予測と実測との比較事例

3.補正係数の作成

 予測した呼量を運用する際は、 リダイヤル呼を除いた 「ユニーク呼量」 を学習させて予測された 「予測ユニーク呼量」 に対して、 センターの目標応答率に応じた 「補正係数」 を掛けて、 予測着信呼量を算出。

AI

4.補正係数を使った着信呼量予測

 構築した呼量予測モデルで予測した 「ユニーク呼量」 をコールセンターでの運用時に使用する際は、 「ユニーク呼量」 に対して、 「目標応答率に応じた補正係数」 による呼量補正を行い、 当該日時における予測着信呼量を算出して使用する。


● 今後の取組み

今後、 当社では、 呼量予測モデルの精度をさらに高めるため、 以下の事柄に取り組む予定です。

・ 対象データの抽出方法の見直し
・ モデル検証・データ分析・特徴量抽出の繰り返し実施
・ LSTM (時系列解析が可能なディープラーニングのアルゴリズム) 等の他アルゴリズムでのモデル構築、 及びモデルのアンサンブル実施
・ さまざまな企業からコールデータをご提供いただき、 呼量予測サービス提供のための基本モデルを複数パターンで構築


当社のAIへの取組みにご興味がございましたら、お気軽にお問い合わせください。