Verme обновила алгоритм прогнозирования трафика в WFM‑системе, внедрив нейросетевую модель трансформерной архитектуры. Точность прогноза достигает 90%, что позволяет точнее планировать смены и снижать затраты на персонал.
Прогнозирование используется при автоматическом составлении графиков: система анализирует исторические данные о трафике и нагрузке и рассчитывает необходимое число сотрудников. Ошибки прогноза приводят к снижению уровня сервиса или избыточным затратам.
Ранее применялись регрессионные модели на основе правил, учитывающих сезонность и календарные факторы. Они давали сбои при нестандартных условиях: смещении праздников, региональных различиях, неполных данных, короткой истории и аномалиях трафика.
Новая модель прогнозирует значения временных рядов на основе контекста без заданных правил, выявляя закономерности в данных.
Обучение проведено на более чем 46 тыс. временных рядов. Модель содержит 49,7 млн параметров против десятков в прежних моделях. Точность выросла на 1,6%, время расчета сократилось в тысячи раз, снизились требования к качеству и полноте данных.
«Раньше точность прогноза зависела от того, насколько подробно мы описывали в правилах различные отклонения. Но описать все возможные комбинации практически невозможно, а цена ошибки в планировании измеряется десятками тысяч рублей только за один рабочий день. Трансформерная модель учится самостоятельно и применяет накопленный опыт к нестандартным ситуациям. Построить такой алгоритм нам помогла накопленная клиентская база, ее разнообразие обеспечило нужный объем и широту данных для обучения», – отметил руководитель проектов прогнозирования Verme Никита Борисов.
