Planowanie zatrudnienia agentów w call center od lat opiera się na klasycznych modelach kolejkowych. Najczęściej wykorzystywanym narzędziem jest model Erlanga C, który w środowiskach o przewidywalnym ruchu i prostych strukturach organizacyjnych spełnia swoje zadanie. Jednak wraz z rosnącą złożonością obsługi klienta oraz pojawieniem się wyspecjalizowanych form contact center – takich jak relay call centers – rośnie zapotrzebowanie na bardziej elastyczne i dokładne podejścia do planowania. Jedną z najbardziej obiecujących metod staje się dziś wykorzystanie modeli opartych na uczeniu maszynowym.
Więcej informacji znajdziesz w artykule S. Alsamadi, C. Martinez, C. Pehlivan i inni, pt. "Machine learning-based agent staffing under uncertainty: The case of a relay call center", Expert Systems with Applications, Volume 281, 1 July 2025, 127385, https://doi.org/10.1016/j.eswa.2025.127385
Relay call center: wyzwania nietypowych struktur operacyjnych
Relay call centers to centra obsługujące osoby niesłyszące w kontakcie z instytucjami publicznymi - charakteryzują się szczególną specyfiką operacyjną. Obsługa rozmowy nie dotyczy jedynie połączenia klient–agent. Wymaga obecności trzech stron: klienta (osoby niesłyszącej), tłumacza języka migowego oraz docelowego rozmówcy po stronie instytucji. Taki przebieg rozmowy pociąga za sobą dłuższy i bardziej zmienny czas obsługi, wyższe obciążenie poznawcze agentów oraz dodatkowe kolejki oczekiwania. Tradycyjne modele planowania okazują się w takich warunkach niewystarczające - nie uwzględniają zmienności zachowań klientów, przerw w pracy agentów ani porzucania połączeń przez oczekujących.
Klasyczne modele kontra rzeczywistość
Model Erlanga C, mimo swojej popularności, zakłada m.in. stałe rozkłady przychodzących połączeń i brak rezygnacji klientów. W relay call center takie założenia są zwyczajnie nierealistyczne. W badanym przypadku centrum ANGUS, stosowanie Erlanga C prowadziło do rażących błędów w planowaniu, skutkujących niedostatecznym pokryciem zapotrzebowania lub nieoptymalnym wykorzystaniem zasobów. Nawet symulacje, które pozwalają na dokładniejszą ocenę jakości obsługi, mogą okazać się niepraktyczne w planowaniu operacyjnym ze względu na długi czas obliczeń i skomplikowaną implementację.
Sztuczna inteligencja w służbie planowania
Z pomocą przychodzi uczenie maszynowe. Zespół badaczy zaprojektował i przetestował model oparty na sztucznej sieci neuronowej (Artificial Neural Network, ANN), który został wytrenowany na danych historycznych pochodzących z rzeczywistego działania call center. Model ten, dzięki nauce na podstawie tysięcy przypadków, potrafi dokładnie prognozować jakość obsługi (QoS) w zależności od przydzielonej liczby agentów, przewidywanego wolumenu połączeń i czasu ich obsługi. Co kluczowe, ANN nie wymaga przyjmowania uproszczonych założeń – operuje bezpośrednio na danych i uczy się specyfiki badanego centrum.
Wyniki: lepsze prognozy, trafniejsze decyzje
W serii testów porównano skuteczność planowania opartego na modelach ANN, XGBoost, regresji liniowej oraz Erlang C. Najlepsze wyniki – zarówno pod względem trafności prognoz QoS, jak i efektywności wykorzystania zasobów – osiągnięto przy użyciu modelu ANN. W warunkach idealnych (bez błędów prognoz) model ten osiągał założony poziom jakości obsługi (90%) przy niższej liczbie godzin pracy agentów niż pozostałe metody. Również w warunkach rzeczywistej niepewności model ANN, dzięki zastosowaniu propagacji niepewności metodą Monte Carlo, potrafił wskazać zakres przewidywanych wyników QoS, co umożliwiało podejmowanie świadomych decyzji planistycznych.
Planowanie hybrydowe: człowiek + algorytm
Autorzy podkreślają, że wdrożenie ML nie oznacza wyeliminowania roli planisty. Wręcz przeciwnie – planowanie zatrudnienia agentów staje się procesem wspieranym przez inteligentne narzędzie, w którym człowiek pozostaje ogniwem decydującym. Modele ML dostarczają precyzyjnych propozycji i prognoz, ale to doświadczony manager decyduje, jak je dostosować do realiów: sezonowości, absencji, sytuacji awaryjnych. Taki model „human-in-the-loop” staje się fundamentem nowoczesnych systemów wspierających decyzje (DSS) w zarządzaniu contact center.
Wnioski dla praktyki
W kontekście rosnącej złożoności środowisk obsługi klienta, coraz bardziej nieregularnych wzorców ruchu i presji na efektywność kosztową – rozwiązania oparte na uczeniu maszynowym stają się realną alternatywą dla klasycznych metod planowania. Ich wdrożenie wymaga odpowiednio dużego zbioru danych historycznych, kompetencji w zakresie ML oraz zmiany paradygmatu pracy działów planowania – z prognozowania opartego na uproszczeniach, na predykcję opartą na danych. Dla centrów kontaktowych, które nie mieszczą się w „klasycznym” modelu operacyjnym, to może być klucz do zapewnienia jakości usług przy optymalnym wykorzystaniu zasobów.