КАТЕГOРИЗАЦИЯ ЗАЯВОК И КЛИЕНТОВ В СИСТЕМАХ МАССВОГО ОБСЛУЖИВАНИЯ ДЛЯ ОНЛАЙН ЗАДАЧИ О НАЗНАЧЕНИЯХ

CATEGORIZATION OF APPLICATIONS AND CUSTOMERS IN QUEUING SYSTEMS FOR THE ONLINE ASSIGNMENT PROBLEM

Elizaveta Tarasova

 graduate student, University ITMO,

Russia, Saint Petersburg

АННОТАЦИЯ

В работе представлена концепция модели онлайн задачи о назначениях в системах массового обслуживания на основе категоризации заявок. Целью работы было рассмотреть существующие подходы к сегментации клиентов, выбору параметру категоризации и сформировать общий принцип применения данных подходов к задаче назначений. Также был предложен теоретический пример, обосновывающий актуальность данного исследования.

ABSTRACT

The paper presents the concept of an online assignment problem model in queuing systems based on the categorization of applications. The purpose of the work was to consider existing approaches to customer segmentation, the choice of a categorization parameter, and to form a general principle for applying these approaches to the assignment problem. A theoretical example was also proposed to substantiate the relevance of this study.

Ключевые слова: онлайн модель назначений; система массового обслуживания; категоризация заявок.

Keywords: online assignment problem; queuing system; categorization of applications.

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:

1. «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.
2. «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:

1. Максимизация: скорость обработки заявок, удовлетворённость клиента, удовлетворённость операторов
2. 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:

1. Подготовительный этап: создание системы характеристик заявок, клиентов, исполнителей на основе истории взаимодействия.
2. Категоризация поступившей заявки или прогнозирование характеристик.
3. Принятие решения о назначении каждой поступившей заявки.
4. 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

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:

1. 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.
2. 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.
3. 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.
4. 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.
5. 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.