Категоризация заявок и клиентов в системах массового обслуживания в онлайн-задачах и ее применение в юриспруденции.

Введение

Модель назначений применима к широкому спектру прикладных задач, которые основываются на взаимодействии нескольких типов объектов, позволяет повышать эффективность работы различных технических, экономических, административных и иных систем. В общем случае будем считать, что в данных системах одна сторона оставляет заявку (звонок, сообщение и т.д.), другая сторона будет обрабатывать запрос, то есть является исполнителем (процессором). Первая сторона формирует множество работ, вторая — множество исполнителей. В обобщенной постановке мощность этих множеств не зависит друг от друга. Требуется распределить работы между исполнителями так, чтобы были выполнены ограничения и был достигнут оптимум целевой функции Таким образом, рассматривается многопроцессорная задача назначений:

Классическая задача назначений рассматривается в рамках офлайн модели, то есть в условиях полной определённости начальных данных. Однако многие прикладные задачи предполагают изменение набора заявок в течение работы исполнителей. В связи с этим далее будут рассматриваться онлайн модели, в которых параметры каждой заявки определяются в момент ее поступления в систему. В отличие от классической модели, которая ориентирована на распределение заявок между исполнителями, онлайн задача предполагает принятие решения о взаимодействиях с заявкой в момент ее поступления или в момент освобождения одного из исполнителей. В качестве примеров могут быть рассмотрены следующие системы:

«Человек – человек». Колл-центр: на поступающие заявки (звонки или сообщения клиентов) назначаются операторы. Отделение скорой помощи: на поступающие вызовы назначаются бригады. Сотрудники в отделении банка: для каждого клиента выбирается один из экспертов. Ресторан: распределение заказов между поварами.

«Человек – машина». Автомойка машин: распределение машин между автоматами. Медицинская лаборатория: на поступающие заявки на исследования назначаются сотрудники лаборатории (или группы). В данном случае набором индивидуальных характеристик будут обладать исполнители.

При этом принятие решения о постановке задачи на процессор может основываться как на таких стандартных параметрах, как текущее время ожидание клиента, занятость процессоров, так и на более сложных: персональных характеристиках клиента, его заявки и исполнителей (процессоров). Данная работа рассматривает вопросы категоризации заявок, поступающих на процессор, сегментации клиентов, параметров сопоставления заявок и исполнителей. Аналитический обзор включает в себя различные исследования, связанные с сегментацией клиентов, категоризацией и анализом истории взаимодействия с клиентом. В разделе «Системы характеристик и категоризация заявок и клиентов» предложено обобщение идей из аналитического обзора, а также предложена к рассмотрению концепция персонализированной модели для задачи о назначениях, разработанная на их основе.

Аналитический обзор

Одним из примеров системы массового обслуживания, к которому применима онлайн задача, – банк. Наибольший интерес представляют методы, выбранные для кластеризации, и атрибуты, по которым она производится.

В исследовании [1] рассматривается кластеризация клиентов рассмотрены следующие атрибуты: баланс, дата транзакции, номер счета, идентификатор клиента, дебетовый код, код транзакции. Целью исследования было построение модели данных профиля клиентов, основанной на методах группировки с использованием методов K-средних и K-Medoids на основе оценок RFM по транзакциям клиентов. Оценка методов проводилась по индексу Дэвиса-Боулдина. Согласно результатам исследования метод K-средних превосходит метод K-Medoids. В исследовании [2] рассматривается управление взаимоотношениями с клиентами для получения представления о запросах и потребностях клиентов. В качестве основного параметра был использован средний баланс клиента. Кроме того, было проведено несколько исследований, связанных с моделью RFM, для понимания привычек клиентов. Сегментация клиентов основывалась на транзакциях и их частоте. Результаты модели RFM сгруппированы с помощью алгоритма k-средних, затем данные из каждого кластера были проанализированы ассоциативно. В исследовании [3] клиенты были разделены на одни и те же группы поведения на основе значений RFM клиента. Сегментация дала хорошее понимание потребностей клиентов и помогла выявить потенциальных клиентов компании. С другой стороны, удержание клиентов считается более важным, чем привлечение новых клиентов. Данный подход реализован путем конкретных маркетинговых стратегий для отдельных сегментов с целью удержания клиентов на основе RFM-анализа транзакционных данных с использованием традиционных алгоритмов K-средних и нечетких C-средних. Было проведено разделение клиентов на несколько сегментов по компоненту минимального и максимального баланса с целью увеличения доходов компании.

В [5] проанализировали данные с целью разработки стратегии удержания лояльных клиентов. Для сегментации также используется алгоритм K-средних с такими атрибутами, как обменные курсы, остаток на счету, количество дней после платежа или количество месяцев задолженности, а также возраст клиента. Модель сочетает в себе алгоритм K-средних и алгоритм классификации C4.5.

В [4] описан анализ определения полного потенциала клиента, который используется для обработки данных опросов пользователей интернет-банкинга на Ямайке. Данные включают в себя демографические параметры и переменные поведения. По результатам обобщения данных пользователей интернет-банкинга можно определить наиболее часто используемые услуги и схемы использования интернет-банка. Наиболее часто используемые функции клиентского счета – это запрос баланса и оплата счетов.

Системы характеристик и категоризация заявок и клиентов

Категоризация входящих заявок и выделение типов клиентов, на основе истории взаимодействия с клиентом, позволяет оптимизировать различные критерии для систем массового обслуживания. В качестве таких критериев могут быть рассмотрены:

Максимизация: скорость обработки заявок, удовлетворённость клиента, удовлетворённость операторов

Минимизация: загруженность системы, максимальное или суммарное время нахождения заявки в системе.

Следующий пример является иллюстрацией влияния учета персональных параметров заявки и клиента. В колл-центр банка в середине рабочего дня с разницей в несколько секунд поступает два звонка. Согласно данным компании: первый клиент – пожилой мужчина на пенсии, не работающий, с вопросом о его вкладе, второй – мужчина средних лет, имеющий работу, с вопросом о готовности карты. В данном случае можно спрогнозировать, что второй вопрос требует существенно меньше времени на исполнение. При этом, основываясь на времени суток, можно предположить, что второй клиент торопится, что не только говорит о потенциально меньшем времени обработки его запроса, но и о «нетерпеливости» клиента. Пусть после принятия второй заявки освобождается один оператор, при этом прогнозируемое время окончание текущих заявок остальных операторов больше, чем суммарное время обработки заявки 1 и заявки 2. Таким образом, нужно решить, в каком порядке будут обслужены клиенты.

Пусть время обработки первой заявки (условно большое число), время обработки второй заявки (условно маленькое число) и требуется максимизировать удовлетворённость клиента. Данный критерий можно формализовать как обратную функцию от среднего времени ожидания.

(2)

где: — момент поступления-ой заявки в систему;

— время обработки-ой заявки;

— момент начала обработки-ой заявки;

— количество всех заявок, поступивших в систему на момент окончания работы.

Тогда если оперировать принципом «первый пришел – первый обслужен», то В другом случае (сначала обрабатывается вторая заявка – быстрая, но пришедшая позже):

Так как – малое число, то можно произвести следующую оценку:

(3)

То есть примерно в 2 раза меньше, чем. Таким образом, с помощью учета особенностей заявок, было получено улучшение целевой функции приблизительно в 2 раза.

Основываясь на предложенных ранее исследованиях и теоретическом примере, можно выделить основные этапы модели с персонализированным подходом на основе категоризации:

Подготовительный этап: создание системы характеристик заявок, клиентов, исполнителей на основе истории взаимодействия.

Категоризация поступившей заявки или прогнозирование характеристик.

Принятие решения о назначении каждой поступившей заявки.

Обработка новых данных о клиенте и исполнителе по факту обработки заявки.

Основные параметры для категоризации заявок, клиента и исполнителя, а также общие параметры представлены в Таблице 1 с делением на типы по объектам системы. Основываясь на данных параметрах, определяется категория заявки (сложность, срочность) и принимается решение о дальнейшей обработке. Общие параметры могут оказывать влияние как на сложность заявки, так и состояние клиентов и исполнителей.

Прогнозируемое время обработки и готовность к ожиданию формируется на основе истории взаимодействии с конкретным клиентом и клиентами, в целом. Профиль клиента может включать в себя различные характеристики: возраст, пол, тип занятости и другие в зависимости от рассматриваемой системы. Профиль также может включать в себя результаты сегментации клиентов. Параметр «текущее время ожидания» отражает время нахождения в очереди. Количество обработанных заявок к текущему моменту времени формирует параметр «усталость» для исполнителя.

Таблица 1.

Классификация параметров категоризации

Тип

Характеристики

Общее

Время, дата, загруженность системы

Клиент

Готовность к ожиданию, профиль, лояльность

Заявка

Тип заявки, прогнозируемое время обработки, текущее время ожидания

Исполнитель

Набор категорий заявок, которые исполнителей способен обработать, время обработки каждого типа заявки, «усталость».

Большинство параметров являются динамическими: изменяемыми в течение времени (время, дата, возраст) или зависящими от других изменяемых параметров (готовность к ожиданию, текущее время ожидания и т. д.). Статическим параметром является тип заявки. Данный зависит от системы. Например, для банка заявки можно разделить на запросы о готовность карты, о вкладах, о кредитах и т. д.

Заключение

В работе рассмотрено влияние характеристик, поступающих в систему задач и исполнителей, и представлена концепция модели назначений на основе категоризации заявок и сегментации клиентов на основе истории взаимодействия. Статья включает в себя обзор существующих подходов к сегментации клиентов и анализу поведения клиентов, а также новую обобщенную концепцию модели, которая была разработана на основе проведенных исследований. Дальнейшие исследования будут включать в себя расширение индивидуальных характеристик, уточнение их влияния на удовлетворённость клиента, рассмотрение функций схожести характеристик клиента и исполнителя для наилучшего назначения и разработку алгоритмов для различных систем массового обслуживания.

Список литературы:

Aryuni M., Didik Madyatmadja E., Miranda E. Customer Segmentation in XYZ Bank Using K-Means and K-Medoids Clustering // 2018 International Conference on Information Management and Technology (ICIMTech). – 2018.– P. 412– 416.

Bachtiar F. A. Customer Segmentation Using Two-Step Mining Method Based on RFM Model // 2018 International Conference on Sustainable Information Engineering and Technology (SIET). – 2018.– P. 10-15.

Christy A. J., Umamakeswari A., Priyatharsini L., Neyaa A. RFM Ranking – An Effective Approach to Customer Segmentation // Journal of King Saud University - Computer and Information. – 2021. Vol. 33. № 10. P. 1251–1257.

Firdaus U., Nugeraha D. Balance as One of the Attributes in the Customer Segmentation Analysis Method: Systematic Literature Review // Advances in Science, Technology and Engineering Systems Journal. – 2020. Vol. 5. №. 3. P. 334-339.

Moedjiono S., Isak and A. Kusdaryono Y. R. Customer loyalty prediction in multimedia Service Provider Company with K-Means segmentation and C4.5 algorithm // 2016 International Conference on Informatics and Computing (ICIC). – 2016. P. 210-215.

Пожалуйста, не забудьте правильно оформить цитату:

Тарасова Е.Ю. КАТЕГOРИЗАЦИЯ ЗАЯВОК И КЛИЕНТОВ В СИСТЕМАХ МАССВОГО ОБСЛУЖИВАНИЯ ДЛЯ ОНЛАЙН ЗАДАЧИ О НАЗНАЧЕНИЯХ // Вопросы технических и физико-математических наук в свете современных исследований: сб. ст. по матер. XLVII междунар. Науч.-практ. Конф. № 1 (39). – Новосибирск: СибАК, 2022. – С. 14-20.

Источник

https://sibac.info/conf/technology/39/240352