Время оператора – самая дорогая и чувствительная валюта контакт‑центра. Слишком мало людей на линии — и растёт очередь, падает CSAT, компания платит штрафы по SLA. Слишком много — и зарплата «съедает» маржу, а агенты скучают, выгорают и уходят. Традиционное планирование смен («берём статистику прошлого месяца + 10% на рост») похоже на вождение в тумане по карте прошлого года. Сценарий AI‑WFM (Workforce Management) использует машинное обучение, чтобы предсказывать входящий трафик с точностью до 15‑минутного интервала и распределять смены так, чтобы каждый звонок брал «свой» оператор, а ни одной оплаченной минуты не терялось.
Как это работает
- Сбор многофакторных данных. Алгоритм поглощает историю обращений за 12–24 месяца: входящие и исходящие звонки, чаты, email‑тикеты, сезонность, маркетинговые кампании, акции, погоду, праздники, выход зарплаты, ТВ‑рекламу, новостные события. Каждое событие превращается в фичу.
- Прогноз нагрузки. Модель Prophet + LightGBM ансамблируется с LSTM‑сеткой, выдавая поканальный прогноз (voice, chat, social, back‑office) в 96‑слотном разрезе на 24 ч. MAE обычно <4% против 10‑15% у классических методов.
- Оптимизатор смен. На вход поступают: прогноз трафика, скиллы операторов, контракты (полная/частичная занятость), ограничения Трудового кодекса, пожелания смен, коэффициенты ночных часов, планируемые отпуска и больничные. Алгоритм решает задачу Integer Linear Programming (ILP) с многокритериальной функцией: минимизировать суммарные часы сверх допущения SLA и минимизировать переработки.
- What‑if‑симулятор. Руководитель меняет параметры («запуск акции 11.11», «прирост трафика +20%»), и система за секунды предлагает, сколько агентов и с какими навыками потребуется, а также показывает переработки и бюджет.
- Автоматическое расписание. Сформированный график выгружается базу данных и облачную АТС: операторы видят смены в мобильном приложении, могут запрашивать обмен дежурствами, а система балансирует график автоматически.
- Real‑time adherence (RTA). Во время смены алгоритм сравнивает фактическую нагрузку и присутствие операторов с планом. Если очередь растёт, а кто‑то из сотрудников задерживается на обеде, ИИ предлагает супервайзеру вызвать резервиста или выпустить push «возврат к посту».
- Feedback‑loop. Ошибки прогноза попадают обратно в Data Lake, веса моделей обновляются раз в неделю, точность растёт.
Бизнес‑выгоды
- –8–15% фонда оплаты труда без ухудшения SLA за счёт точного покрытия пиков и провалов.
- Снижение overtime на 60% – операторы реже сидят после смены, текучесть падает.
- Рост CSAT/NPS 4–7 п.п. – очередь короче, клиент получает ответ быстрее.
- Прозрачное бюджетирование – точный forecast FTE попадает в финансовый план, CFO не закладывает «подушку» 20%.
Сравнение с традиционным процессом
Было: Excel со сводной за прошлый месяц, «ручная» перестановка смен, хаотичные переработки, звонки «выйди, пожалуйста».
Стало: ML‑прогноз + ILP‑расписание → shift‑bid в приложении → RTA‑контроль; оператор знает график на месяц вперёд, компания экономит миллионы.
Частые возражения и ответы
«У нас мало данных» – достаточно 3‑6 месяцев истории; экзогенные факторы (праздники, погода) повышают точность.
«Сложно учесть пожелания людей» – операторы ставят предпочтения в приложении; оптимизатор выдаёт график с весами soft‑constraints.
«Изменится прогноз – всё рухнет?» – RTA закрывает отклонение: если реальный трафик > плана, система активирует резервистов.
Параметры сценария
Гипотеза — ML‑прогноз + ILP‑график снизит затраты на 10% при сохранении SLA ≥95%.
Цель внедрения — Оптимизировать штат и графики, снизить расходы и улучшить CX.
KPI и метрики — Payroll/Contact, SLA 80/20, Average Speed of Answer, Overtime hours, Forecast MAE.
Технологический стек — Prophet, LightGBM, Keras‑LSTM, Google OR‑Tools, Python FastAPI, PostgreSQL, Grafana, Mobile React‑Native.
Шаги внедрения
- Экспорт истории.
- POC прогноза.
- Конфигурация ограничений.
- Пилот 50 агентов;
- Roll‑out.
Влияние на бизнес заказчика — Экономия ФОТ 8–15%, снижение текучести 5 п.п., рост CSAT 5 п.п.
Влияние на CX — Меньше очередей, предсказуемое время ответа, мотивированные операторы.
Доп. идеи улучшения — Предсказание выгорания по графику, гибрид «дом‑офис», динамический shift‑swap с геймификацией.
Вывод
Контакт‑центр – это фабрика, где сырьё (обращения) поступает хаотично, а станки (операторы) работают по расписанию. Задача WFM – синхронизировать их так, чтобы не простаивал ни клиент, ни сотрудник. AI‑WFM делает это с точностью промышленного робота: анализируя сотни факторов, он знает, когда будет пик звонков, и заранее выставляет нужное число «станков».
Финансовый эффект прямой: каждые 5% «сверх» ФОТ у колл‑центра в 500 агентов – это 25‑30 млн ₽ в год. AI‑WFM забирает эти деньги из потерь и возвращает их в прибыль. Психологический эффект не менее важен: предсказуемый график снижает стресс, повышает приверженность и снижает текучесть, что экономит сотни часов на обучение новичков.
Технология зрелая: open‑source OR‑Tools решает ILP‑задачи быстрее, чем Excel открывает файл, а Prophet с LSTM «учится» любым сезонным паттернам. Внедрение занимает 8‑10 недель и не требует менять АТС или CRM: нужен лишь экспорт статистики и подключение к HR‑системе.
Команда 4GIC обеспечивает полный цикл: анализ данных, построение моделей, интеграция, мобильное приложение, обучение супервайзеров. Мы работаем по SLA «экономия ≥8%».
Пока конкуренты увеличивают штат, чтобы «подстелить соломку» на случай пика, вы можете выйти на точность авиадиспетчера: ни одного лишнего часа, ни одной пропущенной секунды SLA.
