Previsão univariada de chamadas em um call center receptivo

• Main Author: Santos, Alisson Aragão dos [UNESP]
• Publication Date: 2024
• Format: Bachelor thesis
• Language: por
• Source: Repositório Institucional da UNESP
• Download full: https://hdl.handle.net/11449/259258
• topic: Previsão; Call Center; ARIMA; Random Forest

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.