मैंने कॉल सेंटर का एक भविष्य कहनेवाला मॉडल कैसे बनाया ताकि उनकी कॉल उपयोगकर्ताओं को प्रभावित न करें

एक अनजान नंबर से आश्चर्यजनक फोन कॉल से अधिक कष्टप्रद कुछ भी नहीं है। हमारे संदेशवाहक और संचार के युग में, एक अपरिचित फोन नंबर के साथ पत्राचार जो स्मार्टफोन की स्क्रीन पर बहुत कम मात्रा में फ़्लिकर करता है, कम से कम थोड़ी उत्तेजना पैदा कर सकता है। जब कोई कॉल न केवल अचानक आती है (जैसे वे ये कॉल हैं), तो यह दोगुना कष्टप्रद है, लेकिन आपके लिए असुविधाजनक समय पर भी। उदाहरण के लिए, जब आप वास्तव में अभी तक जागने में कामयाब नहीं हुए हैं, या इसके विपरीत, आप पहले से ही एक लंबे समय के बाद इस तरह के आकर्षक बिस्तर पर पूरे जोश में हैं। कुछ व्यवसाय सप्ताहांत पर कॉल करते हैं, शाम को नौ बजे या रात में - आम तौर पर अच्छे और बुरे से परे।



वैसे, मेरे बारे में। मेरा नाम नताशा है, मैं एक वैज्ञानिक के रूप में स्काईेंग में काम करता हूं और कंपनी के विभिन्न उत्पादों के विकास में शामिल हूं। मैं अचानक कॉल की बात क्यों कर रहा हूं? उन ग्राहकों के साथ वॉयस कम्युनिकेशन जो केवल शुरू करना चाहते हैं या किसी कारण से अचानक उनके प्रशिक्षण में रुकावट आ गई है, कंपनी के कार्य मॉडल का हिस्सा है। कॉल भाषा सीखने की प्रक्रिया में लोगों को शामिल करने और वापस करने में मदद करते हैं, या सीधे यह पता लगाने के लिए कि क्या गलत हुआ। मेरे अंतिम कार्यों में से एक हमारे कॉल सेंटर के काम का विश्लेषण करना है। मैंने उन्हें रूस और सीआईएस के छात्रों के साथ संपर्क में रहने के लिए सबसे अच्छा समय चुनने में मदद की: क्योंकि कोई भी दिन के यादृच्छिक समय पर कॉल पसंद नहीं करता है, और मेरे अपने उपयोगकर्ताओं को संक्रमित करना अंतिम बात है।

इस तरह के कॉल के दौरान लोगों का मूड हमारे लिए बेहद महत्वपूर्ण है, क्योंकि यह सीधे रूपांतरण को प्रभावित करता है। तो मैं आपको इसके बारे में अधिक बताता हूं कि कैसे स्काईेंग छात्रों को बुलाता है और मैंने किस पूर्वानुमान मॉडल का निर्माण किया है ताकि हमारे ग्राहक सहज और आरामदायक हों, और हम 60-70% की रूपांतरण दर तक पहुंच सकें।

किसी व्यक्ति विशेष के लिए सुविधाजनक समय का अनुमान लगाना शारीरिक रूप से असंभव है, जब तक कि आप मानसिक नहीं हैं। प्रगति की प्रशंसा करें, इस तरह के पैटर्न की पहचान करने के लिए आंकड़े सामने आए, जिनमें से प्लस या माइनस का मॉडल उपयोगकर्ताओं के विशाल बहुमत को फिट करेगा।

हमारे सीआरएम रिकॉर्ड के विश्लेषण में, जो कॉल सेंटर की गतिविधि को रिकॉर्ड करता है, काम के घंटों के बाहर व्यापार कॉल की परिकल्पना और केवल सामान्य ज्ञान का पालन करने की आवश्यकता की पुष्टि की गई थी। इसलिए यह पता चला कि 10 से 18 घंटे (अचानक!) से सोमवार से गुरुवार तक लोगों को कॉल करना सबसे अच्छा है। यह इस समय अवधि के दौरान है कि लोग संपर्क करने की सबसे अधिक संभावना रखते हैं और कॉल 15 सेकंड से अधिक रहता है, अर्थात, हम सफल माने जाते हैं।

शुरू करने के लिए, हमने रूपांतरण पर मानव कारक के प्रभाव को निर्धारित करने का निर्णय लिया, अर्थात कॉल सेंटर ऑपरेटरों की सफलता को देखें:

आपको इस चार्ट पर दो "एंकर" देखने के लिए एक जासूस होने की आवश्यकता नहीं है। ये दोनों विसंगतियाँ किसी प्रकार की अत्यंत निम्न दक्षता वाली संचालक हैं। हम मानव डेटा में विषम डेटा, प्रकृति, जिसमें सबसे अधिक संभावना है, के साथ क्या करते हैं? मेरा मानना ​​है कि हम इस तरह के डेटा को मॉडल से पूरी तरह से बाहर निकालते हैं ताकि परिणाम की शुद्धता और सटीकता प्राप्त हो सके। मैंने वास्तव में क्या किया। खैर, वास्तव में, इन दो ऑपरेटरों, या बल्कि उनके परिणाम, कॉल सेंटर में तस्वीर से इतने बाहर हैं कि मुझे पूरा यकीन है कि मामला काम करने की प्रक्रिया नहीं है, बल्कि स्वयं कर्मचारी हैं। शायद वे नवागंतुक हैं, जो हमें उन्हें बाहर करने का एक कारण भी देता है।

लेकिन 0.5 से नीचे रूपांतरण वाले छह अन्य ऑपरेटरों का डेटा मॉडल में रहता है। मेरा मानना ​​है कि लोगों की तरह कोई आदर्श स्थिति नहीं हो सकती है, इसलिए ये छह बाकी कर्मचारियों के नमूने के खिलाफ हमारी आगे की गणना को संतुलित करेंगे।

समय क्षेत्र, क्षेत्र और सप्ताह के दिन

हम समय क्षेत्र के साथ एक कठिन स्थिति है। अब हम यह निर्धारित करने के लिए पर्याप्त जानकारी एकत्र कर रहे हैं कि छात्र कहां से है और कब उसे कॉल करना सबसे अच्छा है। लेकिन यह हमेशा से दूर था। यह पुरानी, ​​लेकिन अभी भी काम कर रही जानकारी की परतें थीं, जिसने हमारे उपयोगकर्ताओं और कॉल सेंटर ऑपरेटरों के लिए दोनों असुविधाओं का निर्माण किया। इस पुराने डेटा को संसाधित करने के लिए, मैंने अन्य अप्रत्यक्ष डेटा (फोन नंबर, क्षेत्र और हमारे आवेदन के उपयोग के बारे में जानकारी) के आधार पर उपयोगकर्ता के क्षेत्र की एक अलग गणना लिखी।

यदि आप CRM आँकड़ों में गहराई से खुदाई करना शुरू करते हैं, तब भी आप एक प्रभावी मॉडल बनाने के लिए उपयोगी जानकारी की एक पूरी परत प्राप्त कर सकते हैं। आरंभ करने के लिए, मैंने अपनी प्रारंभिक धारणा की पुष्टि करने के लिए सप्ताह के दिनों के लिए एक रूपांतरण कार्यक्रम बनाया कि शुक्रवार को छोड़कर सप्ताह के दिनों में कॉल करना बेहतर है। वास्तव में, मेरी धारणा सही थी:


मॉस्को, सेंट पीटर्सबर्ग और अन्य शहरों में इस तरह का विभाजन ठीक समय क्षेत्र निर्धारित करने के संदर्भ में संदेह के कारण किया गया था। दिन शून्य के लिए हमने क्रमशः सोमवार, छठे - रविवार को लिया है। ऊपर दिया गया ग्राफ़ स्पष्ट रूप से दिखाता है कि सप्ताहांत पर क्षेत्र द्वारा रूपांतरण कितना बदल रहा है, जो कि केंद्र ऑपरेटरों को कॉल करने वाले टाइम ज़ोन के साथ एक समस्या की परिकल्पना की पुष्टि करता है।

मॉस्को और पीटर थोड़ा बेहतर हैं। शायद इसलिए कि इन शहरों के निवासी जीवन की उच्च गति के आदी हैं। लेकिन यहां तक ​​कि नेकवा के ऊपर मस्कोवियों और शहर के निवासियों के सभी कट्टरता के साथ, आंकड़े कहते हैं कि "शुक्रवार से रविवार तक कॉल करने के लिए कुछ भी नहीं है।"

0.6 के हमारे लक्ष्य की निचली सीमा सोमवार को केवल एक बार पहुंची है - जो आश्चर्यजनक है, क्योंकि यह आम तौर पर स्वीकार किया जाता है कि यह दिन सबसे कठिन है और लोग सोमवार को किसी भी पक्ष के मुद्दों को हल करने के लिए अनिच्छुक हैं, क्योंकि वे काम कर रहे दफनता पर लौटने पर ध्यान केंद्रित करते हैं उत्पादन। नहीं, नहीं, और फिर से नहीं - संख्या झूठ नहीं है। इसके अलावा सप्ताह में हम कम या ज्यादा आसानी से चले जाते हैं, और मंदी गुरुवार से ही शुरू होती है।

इससे भी अधिक दिलचस्प तस्वीर है जब घड़ी द्वारा कॉल को विघटित करना:

क्षेत्रों के लिए बाईं ओर मजबूत पूंछ पर ध्यान दें। सबसे अधिक संभावना है, ये कॉल गलत तरीके से परिभाषित समय क्षेत्र के कारण अस्वीकार्य समय पर किए गए थे

अब सप्ताह के कुछ दिनों के रूपांतरण पर नजर डालते हैं:

यहाँ हमारे सोमवार चैंपियन दिन के लिए डेटा है। चार्ट की शुरुआत में, "क्षेत्रों" को आगे बढ़ाया जाता है। दोपहर के आसपास, स्थिति समतल है। वैसे, हमारे चार्ट के सममित आंदोलन पर लगभग 15 और 16 घंटे ध्यान दें; कि राजधानी, इस समय इस क्षेत्र को बिल्कुल एक ही आंदोलन दिखाते हैं।

लेकिन मंगलवार से स्थिति बदलने लगी है:

और गुरुवार को, क्षेत्र कॉल का जवाब देने के लिए अपनी अनिच्छा दिखाते हैं:

याद रखें कि मैंने कहा कि सप्ताहांत कॉल बुराई हैं? सामान्य तौर पर, सांख्यिकीय चित्र मेरे शब्दों की पुष्टि करता है, लेकिन एक "लेकिन" है। संक्षेप में, अपने लिए देखें:

सुबह 9-10 बजे, क्षेत्रों में रूपांतरण केवल लुढ़कता है! और पहले से ही सुबह 11 बजे - यह मुश्किल से 0.4 निशान से दूर हो जाता है, अर्थात, यह दो बार sags। मुझे नहीं पता कि यह कैसे काम करता है और ऐसा क्यों होता है, इसलिए मैं अपने सिद्धांतों को टिप्पणियों में साझा कर सकता हूं, मुझे इसे पढ़ना अच्छा लगेगा।

यदि हम सभी डेटा को सारांशित करते हैं, तो हम "सफल" कॉल के लिए निम्नलिखित नियमों को प्राप्त कर सकते हैं:

• सोमवार: 13 से 17 तक;
• मंगलवार: 12 से 18 तक;
• बुधवार: 11 से 12 तक और 15 से 17 तक;
• गुरुवार: 10 से 17 तक;
• शुक्रवार: 10 से 12 तक;
• शनिवार: 16 से 18 तक;
• रविवार: 13 से 14 और 18 से 19 तक।

दरअसल, सब कुछ सामान्य ज्ञान के ढांचे में फिट बैठता है। सोमवार से गुरुवार तक सप्ताह के दिनों में - शाम पांच से छह बजे तक और शुक्रवार दोपहर को किसी भी मुद्दे को हल करने के लिए लगभग असंभव है। सप्ताहांत में आंकड़े "थोड़ा" तैरते हैं, दोपहर पर जोर देने के साथ, ठीक है, साथ ही रविवार को सुबह 10 बजे पहले उल्लेख की गई विषम चोटी तस्वीर से बाहर हो जाती है। और इसलिए सब कुछ स्थिर है।

मैंने यह सब क्या किया और मैंने किस मॉडल का निर्माण किया

कॉल सेंटर के लिए एक मॉडल के निर्माण के लिए आगे बढ़ने से पहले, कई निष्कर्ष निकालना आवश्यक था। सबसे पहले, यह सब कॉल के समय पर निर्भर करता है। लेकिन यहां हमें समस्याएं हैं।

केवल एक चीज जो हम ट्रैक कर सकते हैं वह है फोन नंबर के पंजीकरण का क्षेत्र, और इस जानकारी से पहले से ही हम कॉल सेंटर के निर्माण से शुरू करते हैं। लेकिन बहुत बार ऐसी परिस्थितियाँ उत्पन्न होती हैं जिनमें हम यह निर्धारित नहीं कर सकते हैं कि संकेतित क्षेत्र किस क्षेत्र से है।

यह यह है, न कि क्षेत्रों के कुछ काल्पनिक आलस्य, जो इस तथ्य की ओर जाता है कि मॉस्को रिंग रोड और रिंग रोड के बाहर उपयोगकर्ता रूपांतरण के सामान्य संकेतक राजधानियों के सापेक्ष कम हो जाते हैं। इस स्थिति में हम क्या कर सकते हैं?

1. यदि हमारे पास पर्याप्त डेटा नहीं है, तो क्षेत्रों में कॉल के लिए पहचाने गए गर्म क्षेत्रों का पालन करें।
2. हमें उपयोगकर्ता के स्थान को अधिक सटीक रूप से निर्धारित करने के लिए उपकरणों की तलाश करने की आवश्यकता है, ताकि खाली कॉल के साथ उसे परेशान न करें।

दूसरा बिंदु विशेष रूप से महत्वपूर्ण है। यह ऐसी विसंगतियां हैं जो समग्र रूपांतरण दर को कम करती हैं, और अभी भी ग्राहकों को नाराज करती हैं।

लेकिन चलो मॉडल के निर्माण के लिए आगे बढ़ें। यहाँ उन लक्षणों की एक सामान्य सूची दी गई है जिन्हें मैंने प्रासंगिक के रूप में पहचाना है:

• घंटे - कॉल का घंटा (0 से 23 तक वर्गीकृत चिह्न)।
• सप्ताह का दिन - सप्ताह का दिन (0 से 6 के लिए श्रेणीबद्ध संकेत)।
• उम्र - छात्र की उम्र।
• आजीवन - कॉल के समय छात्र का जीवन काल (पाठों में)।
• app_hour_ {k} - दैनिक उपयोग की सीज़निटी। प्रत्येक घंटे के लिए, k को अनुप्रयोग में कुल कार्यों की उस घंटे (k = 0, ..., 23) पर कार्रवाई के अंश के रूप में निर्धारित किया जाता है।
• app_weekday_ {k} - आवेदन के उपयोग की साप्ताहिक मौसम। सप्ताह के प्रत्येक दिन के लिए आवेदन के कुल कार्यों की सप्ताह के उस दिन (के = 0, ..., 6) के दिन के रूप में निर्धारित किया जाता है।
• class_hour_ {k} - पाठों की दैनिक मौसमी। प्रत्येक घंटे के लिए, k को सबक की कुल संख्या के घंटे (k = 0, ..., 23) के अंश के रूप में निर्धारित किया जाता है।
• class_weekday_ {k} - आवेदन के उपयोग की साप्ताहिक ऋतु। सप्ताह के प्रत्येक दिन के लिए, कुल पाठों के सप्ताह के उस दिन (k = 0, ..., 6) के प्रतिशत के रूप में निर्धारित किया जाता है।
• is_ru - 1 यदि छात्र का देश रूस है और यदि नहीं तो 0।
• last_payment_amount - अंतिम भुगतान की राशि।
• days_last_lesson - अंतिम पाठ से दिनों की संख्या (अंतिम पाठ की अनुपस्थिति में, संख्या -100 से प्रतिस्थापित करें)।
• days_last_payment - अंतिम भुगतान से दिनों की संख्या (अंतिम भुगतान की अनुपस्थिति में, हम संख्या -100 से प्रतिस्थापित करते हैं)।

प्रारंभ में, लगभग सौ संकेत थे, लेकिन गणना और परीक्षणों से पता चला है कि उन्होंने अंतिम परिणाम को प्रभावित नहीं किया था, इसलिए उन्हें असंगत (उदाहरण के लिए, पाठों की तीव्रता, छात्र के लिंग, उनके स्तर और इतने पर) के रूप में बाहर रखा गया था। बाइनरी वर्गीकरण के मॉडल के रूप में, कैटबॉस्ट निर्णय पेड़ों पर एक ढाल बूस्टिंग लाइब्रेरी का उपयोग किया गया था।

और यहाँ मेरे मॉडल की गुणवत्ता है (नियंत्रण नमूने में):



ये परिणाम कक्षा पृथक्करण सीमा 0.5 के लिए प्राप्त किए गए, जो कि डिफ़ॉल्ट मान है। हम आरओसी घटता (रिसीवर ऑपरेटिंग विशेषता) के आधार पर इष्टतम वर्ग पृथक्करण सीमा निर्धारित करते हैं।

ऐसा करने के लिए, हम वर्गों को अलग करने वाली सीमा के विभिन्न मूल्यों के आधार पर पूर्णता और विशिष्टता के रूप में ऐसी विशेषताओं की निर्भरता का निर्माण करते हैं:



सीमा का इष्टतम मूल्य वह होगा जहां हम एक ही समय में पूर्णता और विशिष्टता के उच्चतम संभव मूल्यों को प्राप्त करते हैं (अर्थात, इस मामले में, जहां ग्राफ़ अंतरंग होते हैं)। परिणामी मॉडल के लिए, इष्टतम सीमा 0.56717 थी।

इष्टतम सीमा के साथ मॉडल की गुणवत्ता निम्नानुसार है:



हमारी स्थिति में, मॉडल की सटीकता इसकी पूर्णता की तुलना में हमारे लिए अधिक महत्वपूर्ण थी। यह बढ़ी हुई सटीकता है जो हमें झूठे-सकारात्मक पूर्वानुमानों की संख्या को कम करने की अनुमति देती है, अर्थात्, यह हमें उन स्थितियों की संख्या को कम करने की अनुमति देता है जब हम एक सफल कॉल की प्रतीक्षा कर रहे थे, लेकिन यह असफल हो गया।

यदि मॉडल के तंत्र को संक्षेप में प्रस्तुत करना है:

• प्रत्येक छात्र के लिए सप्ताह के दिन और दिन के प्रत्येक घंटे के लिए, डायल करने की संभावना की गणना इसकी विशेषताओं और इसके स्थानीय समय को ध्यान में रखते हुए की जाती है;
• आगे के भंडारण के लिए, सप्ताह के प्रत्येक दिन के लिए 9 से 20 घंटे तक का समय चुना जाता है (छात्र के समय क्षेत्र के अनुसार समय का चयन किया जाता है);
• बचत करने से पहले, समय को मॉस्को समय पर स्थानांतरित कर दिया जाता है, क्योंकि डायलिंग को मॉस्को समय क्षेत्र में किया जाएगा;
• परिणाम डेटाबेस में सहेजे जाते हैं।

इसलिए, अब कॉल सेंटर ऑपरेटरों ने प्रत्येक उपयोगकर्ता के लिए और सप्ताह के प्रत्येक घंटे और दिन के लिए डायल करने की संभावना पर डेटा की भविष्यवाणी की है। यदि कॉल अत्यावश्यक नहीं है, तो ऑपरेटर सप्ताह में सबसे इष्टतम स्लॉट चुन सकता है, और चरम मामलों में - यदि कॉल को अब और स्थगित नहीं किया जा सकता है - वर्तमान कार्य दिवस का सबसे सफल क्षण।

बेशक, मेरे मॉडल की शुरुआत के बाद, इसे रोकना आवश्यक होगा, और फिर यह सब काम फिर से करना होगा, लेकिन नए डेटा के साथ। मैं कुछ अमूर्त गणनाओं को अंतहीन रूप से कर सकता हूं, संभावनाओं की गणना कर सकता हूं और मॉडल में नए चर जोड़ सकता हूं, लेकिन जब तक जीवित आंकड़े मेरी बात की पुष्टि नहीं करते हैं, तब तक इस सवाल को बंद करना जल्दबाजी होगी।

यदि आप इसे पसंद करते हैं, तो थोड़ी देर बाद मैं अपने पूर्वानुमान मॉडल की शुरूआत के बाद प्राप्त नए डेटा के साथ वापस आ जाऊंगा।