Optimale Echtzeit-Personaleinsatzplanung für Inbound Call Center durch Approximation von Warteschlangenkennzahlen mit Künstlichen Neuronalen Netzen
Buch in deiner Nähe kaufen
Beschreibung
In dieser Dissertation wird gezeigt, dass künstliche neuronale Netze sehr gut in der Lage sind für verschiedene Inbound Call Center Probleme, Kennzahlen für Warteschlangenprobleme zu approximieren. Dazu werden zunächst Vergleiche mit analytischen Lösungen z. B. für die mittlere Wartezeit angestellt. Diese Untersuchungen bilden die Grundlage für den nächsten Schritt: Künstliche neuronale Netze können ebenfalls bei grundlegenden Warteschlangenproblemen eingesetzt werden, für die keine exakten Lösungen berechnet werden können. In der Praxis werden alle Warteschlangenprobleme entweder mit komplexen, diskreten Simulationen gelöst oder die Probleme werden soweit vereinfacht, dass sie analytisch lösbar werden. Im Gegensatz dazu wird hier die Problemstruktur für das Training der neuronalen Netze nicht vereinfacht und es werden auch nur wenige Simulationspunkte im Vergleich zu Standardsimulationen generiert. Das unvermeidliche Rauschen in den Simulationsdaten wird durch die kontinuierliche, approximierte Lösung geglättet, d. h. die Kennzahlen sind wesentlich schneller und auch genauer verfügbar. So kann z. B. die Anzahl der Call Center Agenten in Echtzeit optimiert werden, welches anhand eines Praxisbeispiels gezeigt wird.
Autor*in
Frank Köller
Themen in »Optimale Echtzeit-Personaleinsatzplanung für Inbound Call Center durch Approximation von Warteschlangenkennzahlen mit Künstlichen Neuronalen Netzen«
Artificial Intelligence Call Center Künstliche Intelligenz Queuing Theory Warteschlangentheorie