Введение 3
Глава 1. Описание процессов 5
1.1. Система массового обслуживания 5
1.2. WFM как управление СМО 6
1.3. Facebook Prophet 9
1.4. Генетический алгоритм 9
1.5. Apache Airflow 11
Глава 2. Задача прогнозирования входящего потока обращений ... 14
2.1. Постановка задачи 14
2.2. Выбор модели 14
2.3. Описание модели 15
2.4. Результаты 17
Глава 3. Задача расчета оптимального количества сотрудников и их графиков работы 18
3.1. Постановка задачи 18
3.2. Выбор моделей 18
3.3. Описание моделей 19
3.4. Результаты 24
Глава 3. ETL-процесс 26
4.1. Постановка задачи 26
4.2. Описание метода 26
4.3. Результаты 27
Заключение 28
Список литературы 29
Современные технические средства позволяют разработать и автоматизировать процесс оптимального [1] планирования штата сотрудников компании с помощью методов и алгоритмов искусственного интеллекта. Для реализации необходимо формализовать процесс работы сотрудников, требования и цели.
Данная работа посвящена решению задач для центра модерации и поддержки компании Avito. На рынке уже существуют готовые WFM-решения [2] для управления СМО [3] с ожиданием, в которых имеется накопитель бесконечной емкости, но ввиду их стоимости и ограниченного функционала, было решено имплементировать собственное решение, которое можно модернизировать самостоятельно. Готовые решения зачастую не имеют открытого кода, поэтому добавление новой логики или модернизация старой производится только компанией- разработчиком.
Первая задача — прогнозирование потока обращений. Она необходима для решения второй задачи, поскольку ее решение будет являться обязательным входным параметром для обучения модели. Решить ее дает возможность библиотека fbprophet [4][5][6] от компании Facebook.
Вторая задача — расчет оптимального количества сотрудников для обработки обращений пользователей. Кроме того, необходимо оптимизировать их рабочие смены так, чтобы держать ключевые метрики и не нарушать Трудовой Кодекс РФ. Решение данной задачи возможно реализовать с помощью эвристики [7], а именно генетического алгоритма [8] с несколькими фитнес-функциями в два этапа. Первый этап — расчет необходимого количества рабочих смен для каждого дня недели. Второй этап — расчет необходимого количества сотрудников, которые могут оптимально покрыть количество рабочих смен, рассчитанное на первом этапе.
Третья задача — имплементация ETL-процесса [9] с помощью технологии Airflow [10]. Код программ, реализованный при решении первой и второй задач необходимо запускать еженедельно. Кроме того, код для каждого канала обращений должен исполняться параллельно, чтобы сократить общее время работы. Выходные данные должны записываться в хранилище в соответствующие таблицы.
Для компании Avito был реализован WFM процесс, с помощью которого наиболее оптимально планируются рабочие графики для большого штата сотрудников.
На языке Python были имплементированы генетические алгоритмы. Для решения первой задачи, прогнозирования входящего потока обращений, использавалась библиотека prophet от Facebook. Решение второй задачи, поиска оптимальных рабочих смен были написаны генетические алгоритмы с несколькими фитнес-функциями. Реализована возможность изменения этих функций и их приоритетов.
Для реализации параллельного ETL-процесса был использован Apache Airflow. Для своевременного и параметризованного запуска алгоритмов на языках Python и SQL были написаны сенсор, операторы и направленный ацикличный граф.
Для визуализации результатов использовалась BI система Tableau. Возможность просматривать и обновлять этот отчет заинтересованными сотрудниками предоставляет Tableau Server.
