Previsão univariada de chamadas em um call center receptivo

Abstract

A experiência em operações de call center e atendimento revelou uma oportunidade promissora para a aplicação de um modelo capaz de prever o volume de ligações, utilizando conceitos de séries temporais. Este trabalho tem como objetivo investigar e desenvolver um método para a previsão de chamadas, buscando aprimorar a eficiência operacional e o planejamento estratégico no setor de um call center receptivo, por meio de estudos e aplicação prática de abordagens de modelagem estatística clássica e aprendizado de máquina. Para essa finalidade, foi realizada uma análise comparativa entre os modelos ARIMA e Random Forest, utilizando um conjunto de dados reais de um call center localizado em Cincinnati, Ohio, EUA. A base inicial de dados compreendia todos os registros de chamadas de 2014 a 2023, sendo transformada em uma tabela de volumetrias mensais para as previsões. Para o desenvolvimento das modelagens, foi utilizada a linguagem de programação Python, juntamente com bibliotecas de análise de dados, como statsmodels e sklearn. O fluxo de trabalho seguiu três etapas principais: transformação e análise exploratória dos dados, previsão com o modelo ARIMA e previsão com o modelo Random Forest. Os resultados obtidos indicaram que ambos os modelos apresentaram ajustes satisfatórios. Diferentemente do observado na literatura, nesta base de dados específica, o modelo ARIMA superou o Random Forest em métricas de acurácia. No entanto, observou-se visualmente que o Random Forest conseguiu capturar padrões nos dados que o modelo clássico não conseguiu. As conclusões destacam a importância de analisar o trade-off entre a complexidade do modelo e a precisão das previsões, o que depende do cenário de aplicação. Além disso, foi identificada a oportunidade de aprimoramento em ambas as abordagens, que podem ser fortalecidas com a inclusão de outras variáveis nos modelos para melhorar os ajustes aos dados.

Experience in call center and customer service operations revealed a promising opportunity for applying a model capable of predicting the volume of calls, using time series concepts. This work aims to investigate and develop methods for call forecasting, seeking to improve operational efficiency and strategic planning in the inbound call center sector, through studies and practical application of classical statistical estimation and machine learning approaches. For this purpose, a comparative analysis between the ARIMA and Random Forest models was performed, using a real dataset from a call center located in Cincinnati, Ohio, USA. The initial database comprised all call records from 2014 to 2023, which were transformed into a monthly volume table for forecasting. To develop the models, it was used the Python programming language, with use of data analysis libraries, such as statsmodels and sklearn. The workflow followed three main steps: transformation and exploratory analysis of the data, forecasting with the ARIMA model, and forecasting with the Random Forest model. The results obtained indicated that both models presented satisfactory adjustments. Unlike what was observed in the literature, in this specific database, the ARIMA model outperformed the Random Forest model in accuracy metrics. However, it was visually observed that Random Forest was able to capture patterns in the data that the classical model could not. The conclusions highlight the importance of analyzing the trade-off between model complexity and forecast accuracy, which depends on the application scenario. In addition, opportunities for improvement were identified in both approaches, which can be improved through addition of the other variables in the models to the more accurate adjustments to the data.