Doskonale wszyscy wiemy, że call center to organizmy złożone, dynamiczne i wrażliwe na najdrobniejsze fluktuacje w ruchu telefonicznym. Nieefektywne zarządzanie ruchem może prowadzić do przeładowania linii, frustracji klientów i wypalenia agentów. W takich realiach prognozowanie liczby połączeń staje się nie tylko potrzebą, ale wręcz fundamentem profesjonalnego zarządzania. Najnowsze badania przeprowadzone w call center firmy Shatel pokazują, że sztuczna inteligencja, a konkretnie model BLSTM, może wyznaczyć nowy standard w planowaniu operacyjnym.
BLSTM - czyli jak przewidywać przyszłość, patrząc w obie strony
Model Bidirectional Long Short-Term Memory (BLSTM) to rozwinięcie klasycznego modelu LSTM, zdolne analizować sekwencje danych jednocześnie w przód i wstecz. Dla call center oznacza to możliwość wykrywania bardziej złożonych wzorców w danych historycznych. W odróżnieniu od tradycyjnych modeli, BLSTM przetwarza dane godzinowe i dzienne z obu kierunków czasowych, co pozwala lepiej uchwycić sezonowość, zmienność świąteczną i specyficzne zachowania klientów.
W badaniu zastosowano dane z czterech lat działalności call center, przy czym model uwzględniał lokalny kalendarz (w tym święta religijne i świeckie), pory dnia, dni tygodnia, a nawet lata przestępne. Dzięki temu mógł adaptować się do dowolnego roku bez potrzeby ręcznej ingerencji w dane wejściowe.
Skuteczność modelu i wpływ na operacje
W praktycznych testach wdrożeniowych model BLSTM osiągnął imponującą dokładność prognoz - 90,56%. W porównaniu z modelami LSTM (89,07%) i GRU (88,33%) różnica może wydawać się niewielka, ale w przypadku dużych wolumenów - rzędu 10 000 połączeń dziennie - oznacza nawet 150 trafnie przewidzianych połączeń więcej. To realna różnica przekładająca się na lepsze planowanie, mniejsze kolejki i bardziej równomierne obciążenie zespołu.
Autorzy przeprowadzili testowe wdrożenia, podczas których zastosowano wyliczoną liczbę agentów na każdą godzinę. W efekcie nie odnotowano ani jednej sytuacji tworzenia się kolejki połączeń, co bezpośrednio potwierdza skuteczność predykcji.
Od predykcji do alokacji - pełne wsparcie dla managera
Model nie tylko przewiduje liczbę połączeń, ale również sugeruje, ilu agentów powinno być dostępnych w danej godzinie. Bierze przy tym pod uwagę średni czas obsługi (AHT), przerwy pracowników oraz limity jednoczesnych wylogowań. Obliczenia są na tyle precyzyjne, że umożliwiają dopasowanie grafiku pracy w sposób minimalizujący koszty, a jednocześnie gwarantujący zachowanie poziomu usług (SLA).
System przewiduje także sytuacje, w których zbyt wielu agentów jest jednocześnie nieaktywnych i w czasie rzeczywistym dostarcza alerty menedżerowi operacyjnemu. To pozwala uniknąć tzw. „cichych kolejek” - momentów, gdy klienci wprawdzie nie czekają długo, ale agenci są przeciążeni i jakość rozmów spada.
Integracja z dashboardem i operacyjne zastosowanie
Z myślą o praktycznym zarządzaniu, autorzy stworzyli interaktywny dashboard, który wizualizuje prognozowaną liczbę połączeń i sugerowaną liczbę agentów. Menedżerowie mogą analizować dane godzinowe, dzienne, tygodniowe i miesięczne. Przewidziano możliwość ręcznego dostosowania parametrów - np. uwzględnienia niestandardowych wydarzeń lub zmian kalendarzowych.
Predicting the number of call center incoming calls using deep learning,
BenchCouncil Transactions on Benchmarks, Standards and Evaluations, 5 (2025) 100213
Warto zwrócić uwagę na powyższą ilustrację, która ukazuje różnicę w liczbie połączeń przed i po wdrożeniu predykcji. Widoczna jest znacząca stabilizacja wolumenów i redukcja skoków, co przekłada się na łatwiejsze zarządzanie zasobami.
Wnioski dla praktyków branży
Model BLSTM nie jest tylko teoretycznym eksperymentem. Jego wdrożenie w środowisku rzeczywistym wykazało wysoką skuteczność, realne oszczędności i poprawę satysfakcji klientów. Jest też skalowalny - można go zaadaptować do różnych kultur, kalendarzy i typów działalności.
Dla menedżerów call center oznacza to możliwość budowania przewagi operacyjnej: od planowania grafików i rekrutacji, po reagowanie na zmienne wolumeny w czasie rzeczywistym. Rozważenie implementacji takich rozwiązań staje się dziś nie kwestią innowacyjności, a koniecznością w dobie dynamicznych oczekiwań klientów i rosnącej presji na efektywność.