Método para previsão de chamadas em centrais de atendimento receptivas

• Main Author: Steinmann, Guilherme
• Other Authors: Universidade Federal de Santa Catarina
• Format: Others
• Language: Portuguese
• Published: 2013
• Subjects: Informatica; Computação; Redes bayesianas; Processamento eletronico de dados; Centrais de atendimento; Call center
• Online Access: https://repositorio.ufsc.br/handle/123456789/106989

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2013. === Made available in DSpace on 2013-12-05T22:55:16Z (GMT). No. of bitstreams: 1 319167.pdf: 2575562 bytes, checksum: e44fb321772f80bd9ae0b46533fa3c5d (MD5) Previous issue date: 2013 === Os algoritmos de previsão de chamadas em centrais de atendimento conseguem apresentar resultados aceitáveis diante de uma série de dados longa e bem comportada. Uma série de dados com essas características raramente é encontrada, o que restringe o uso dos algoritmos de previsão. Além disso, a falta de unidade das séries implica na presença de fenômenos que perturbam os dados. Esses fenômenos fazem com que o uso de métodos empíricos se multiplique dentre os membros das equipes de planejamento.O trabalho propõe um método de previsão de chamadas recebidas utilizando redes bayesianas para o tratamento desses fenômenos que perturbam de sobremaneira os dados. Com a proposta, é possível incorporar o conhecimento acerca desses fenômenos em um modelo de previsão computacionalmente eficiente.Para elaborar um método de previsão de chamadas em centrais de atendimento, algumas ferramentas precisaram ser desenvolvidas durante a elaboração do modelo. Primeiramente, foi necessário resolver a dificuldade da obtenção de dados de centrais de atendimento para o estudo do comportamento das chamadas recebidas. Foi então criado um simulador de call center onde é possível gerar dados de chamadas para serem utilizados nos modelos de previsão de chamadas. Em seguida, para o melhor entendimento dos algoritmos de previsão de dados, uma ferramenta de previsão por suavização exponencial foi criada como suplemento do Microsoft Excel. Por fim, foi proposto um método de previsão que utiliza as redes bayesianas para tratar os fatores aleatórios.As redes bayesianas se mostram uma boa alternativa para tratar a aleatoriedade presente nos fatores aleatórios. Os resultados obtidos mostram que o tratamento se faz necessário para a diminuição dos erros de previsão em centrais de atendimento. O modelo apresentado não requer grandes conhecimentos matemáticos por parte das equipes de planejamento, o que estimula o uso desse tipo de formalização. <br> === Abstract : The forecasting calls algorithms in contact centers can provide acceptable results before a long and well behaved time series dataset. However a time series with such characteristics is rarely found, which restricts the use of forecasting algorithms. Moreover, the lack of unity of these series implies the presence of some phenomena which disturb the data series. These phenomena make the use of empirical methods to multiply among the members of the planning team. This paper proposes a method of forecasting incoming calls using bayesian networks for the treatment of such phenomena which disturb the data. With this proposal, it is possible to incorporate the knowledge of these phenomena in a computationally efficient forecasting model. To develop a forecasting calls model in call centers, some tools needed to be developed during the elaboration of the forecasting model. First, to deal with the difficulty of obtaining data records from call centers to study the behavior of incoming calls. A simulated call center was developed, where it is possible to generate call data for use in forecasting models of calls. Then, for better understanding of data prediction algorithms, a forecasting tool for exponential smoothing was created as a supplement to Microsoft Excel. Finally, it was proposed a forecasting model that uses bayesian networks to deal with the random factors. Bayesian networks are shown as a good alternative for treating the randomness present in random factors. The results show that the treatment is necessary to reduce the forecasting errors in call centers. The model presented does not require great mathematical knowledge by planning teams, which encourages the use of this kind of formalization.