Оптимизация операционной деятельности с помощью анализа данных

1 Star2 Stars (1 votes, average: 5,00 out of 5)
Загрузка...

Объединение различных данных и применение методов анализа временных рядов позволяет определить сильные и слабые стороны операционной деятельности компании.

В настоящее время многие компании начинают применять анализ данных, чтобы получать информацию, необходимую для принятия оперативных решений. В частности, аналитика особенно полезна в двух следующих направлениях: (1) повышение качества обслуживания клиентов и (2) повышение эффективности распределения ресурсов. Чтобы добиться хороших результатов, в процессе анализа, как правило, необходимо обработать несколько наборов данных различного размера и содержания. В сегодняшней статье мы рассмотрим простой пример того, как аналитика позволяет оптимизировать деятельность компании в двух описанных выше направлениях.

Практический пример. Оптимизация деятельности службы круглосуточной поддержки

Многие компании предоставляют клиентам постоянную поддержку в отношении своих продуктов и услуг. Для реализации такой поддержки требуется команда технических специалистов, которые круглосуточно готовы решать возникающие проблемы. Однако специфика услуг и различное географическое положения клиентов могут существенно затруднить суточное планирование деятельности персонала службы поддержки. Как результат, в течение некоторых интервалов может иметь место нехватка или избыток персонала. Чтобы справиться с подобной ситуацией, необходимы рациональные кадровые решения. Нехватка персонала может замедлить реакцию техподдержки на возникающие проблемы, что снижает качество обслуживания клиентов. С другой стороны, наличие избыточного персонала приводит к излишним затратам.

Для принятия эффективных кадровых решений, логично проанализировать некоторые показатели, характеризующие деятельность службы поддержки. Например, можно оценить базовую производительность одного сотрудника службы поддержки, то есть, сколько заявок может обработать сотрудник за определенный период времени, или проанализировать временные шаблоны, характеризующие интенсивность поступления заявок в зависимости от времени суток, дня недели или месяца. Далее мы выберем интересующие нас показатели и проанализируем их, чтобы получить информацию, позволяющую оптимизировать деятельность службы поддержки.

Оценка эффективности работы службы поддержки

Для случая круглосуточной поддержки хорошим показателем эффективности является время реакции, которое можно определить, как количество времени, прошедшее с момента поступления заявки до первого предпринятого персоналом действия. Мы предполагаем, что заявки поступают через программный интерфейс, и все сотрудники службы могут реагировать на заявки, находящиеся в очереди. В процессе анализа мы хотим выяснить, как время реакции зависит от численности персонала, эффективен ли график персонала, а также следует ли принять какие-либо решения, направленные на оптимизацию.

Подготовка данных

В случае программной системы обработки заявок данные могут храниться в виде исторического временного ряда, каждая запись которого соответствуют какому-либо событию, связанному с определенной заявкой. Если данные хранятся в реляционной базе данных, исторические записи также могут быть связаны с метаданными, характеризующими заявки. Метаданные могут содержать информацию о клиенте, подавшем заявку, и другие подробности.

Вне зависимости от сложности базы данных, как правило, существует возможность выполнить запрос и получить единую таблицу с временным рядом, в которой каждая запись содержит следующую информацию: идентификатор заявки, время возникновения события и описание события. В зависимости от специфики, могут существовать важные метаданные (например, тип заявки), которые можно использовать для сегментирования данных, но мы рассмотрим простейший случай, когда все заявки имеют один тип.

Ниже представлен фрагмент таблицы, содержащей пример описанного временного ряда.

Идентификатор заявки

Время возникновения события

Описание события

TKT101

April 4, 2016 01:03PM GMT

Поступление заявки

TKT101

April 4, 2016 01:06PM GMT

Действие сотрудника

TKT102

April 4, 2016 01:13PM GMT

Поступление заявки

TKT103

April 4, 2016 01:14PM GMT

Поступление заявки

TKT102

April 4, 2016 01:17PM GMT

Действие сотрудника

TKT104

April 4, 2016 01:17PM GMT

Поступление заявки

TKT104

April 4, 2016 01:21PM GMT

Действие сотрудника

TKT105

April 4, 2016 01:22PM GMT

Поступление заявки

TKT106

April 4, 2016 01:22PM GMT

Поступление заявки

Используя эти данных, мы можем сформировать таблицу, содержащую время реакции для каждой заявки. Эта таблица послужит основой для нашего анализа.

Идентификатор заявки

Время поступления заявки

Время реакции (мин)

TKT101

April 4, 2016 01:03PM GMT

3

TKT102

April 4, 2016 01:13PM GMT

4

TKT103

April 4, 2016 01:14PM GMT

10

TKT104

April 4, 2016 01:17PM GMT

4

TKT105

April 4, 2016 01:22PM GMT

5

TKT106

April 4, 2016 01:22PM GMT

6

Агрегация данных

Чтобы ответить на наш исходный вопрос о том, эффективен ли график персонала, мы агрегируем данные и определим среднее время реакции для каждого часа суток. Поскольку график персонала службы поддержки может изменяться периодически, как правило, в зависимости от месяца, мы рассмотрим только тот период, в течение которого график был неизменным.

Рисунок 1

Красная линия на диаграмме показывает среднее время реакции для каждого часа суток. Синяя линия показывает среднее количество поступающих заявок для каждого часа суток. Черная пунктирная линия представляет количество сотрудников службы поддержки, работающих в каждый час суток. Сразу же бросается в глаза существенное увеличение времени реакции в интервале 16.00 – 19.00. Это явление совпадает с уменьшением количества сотрудников с 3-х человек до 1-го.

Качественный визуальный анализ диаграммы подсказывает нам, что необходимо увеличить численность персонала в интервале 16.00 – 19.00. Но давайте все же более подробно проанализируем этот вопрос в количественном отношении.

Зависимость времени реакции от количества поступающих заявок

Рассмотрим, как зависит среднее время реакции от среднего количества поступающих заявок. Данная зависимость показана на диаграмме ниже зелеными точками, которые соответствуют значениям для каждого часа суток.

Черным пунктиром показана линия линейной регрессии. Красным квадратом показан выброс, соответствующий аномально большому времени реакции в интервале 18.00 – 19.00. Если исключить выброс, мы получим линию регрессии, представленную сплошной черной прямой. Сравнив среднеквадратические отклонения для двух регрессий, мы видим, что удаление выброса не обеспечило значительного улучшения (1,4 против 1,5). Кроме того, визуальный анализ говорит о том, что ни одна из регрессий не обладает существенной прогнозной способностью.

Например, руководствуясь прогнозом на основе регрессии, мы могли бы ожидать, что если в течение часа служба поддержки получает менее 4-х заявок, то время реакции не будет превышать 5-ти минут. Однако это не соответствует действительности. Мы видим пять часовых интервалов, в течение которых время реакции по факту превышает 5 минут.

Рисунок 2

Зависимость времени реакции от численности персонала

Теперь давайте проанализируем, как зависит среднее время реакции от численности персонала. На диаграмме ниже данная зависимость представлена синими точками, которые соответствуют значениям для каждого часа суток. Мы видим намного более явную тенденцию, где большая численность персонала соответствует меньшему времени реакции. Аналогичным образом мы строим две линии регрессии с учетом выброса (пунктирная черная линия) и без учета выброса (сплошная черная линия).

Рисунок 3

В данном случае удаление выброса имеет более существенное влияние, при этом обе регрессии обладают достаточно хорошей прогнозной способностью. Руководствуясь прогнозом на основе регрессии, можно сделать вывод о том, что если поддерживать минимальную численность персонала на уровне 3-х человек и более, среднее время реакции не превысит 5-ти минут. Регрессия дает ошибочный прогноз только для двух интервалов (11.00 – 12.00 и 13.00 – 14.00), при том что даже в этих интервалах среднее время реакции не превышает 6-ти минут.

Принимая во внимание эту тенденцию, аномально большое время реакции в интервале 18.00 – 19.00 уже не является таким неожиданным для нас. Чтобы лучше разобраться с эти моментом, давайте вернемся к нашей первой диаграмме. Мы видим, что резкий скачек времени реакции возник в последний час трехчасового блока, в течение которого только один сотрудник обслуживал заявки. Анализ дополнительных данных, касающихся других обязанностей персонала службы поддержки, может помочь детально объяснить природу этого выброса. В качестве исходных гипотез можно предположить следующее: либо сотрудник был переутомлен в третий час работы в одиночку, что привело к снижению общей производительности его труда; либо накопился некоторый объем работ, связанных с его дополнительными обязанностями.

Впрочем, проведенный нами анализ позволяет принять оптимизирующие кадровые решения, даже не углубляясь в исследование причин возникновения аномалии в интервале 18.00 – 19.00. Увеличение численности персонала в этом интервале до 2-х или 3-х человек позволит решить проблему. Кроме того, если целью менеджера является время реакции около 5-ти минут, тогда наш анализ дает еще одну подсказку: мы видим, что в интервале 1.00 – 8.00 имеет место избыток персонала (работают 4 или 5 человек). Перемещение части этих сотрудников на более поздние часы суток позволит уменьшить среднее время реакции в целом, и, в частности, в интервале 16.00 – 19.00.

Аналитика обеспечивает более эффективные решения

Анализ данных – это мощный инструмент, позволяющий компаниям принимать более взвешенные и эффективные решения. Объединение данных из различных источников и применение методов анализа временных рядов дает в распоряжение руководства важную информацию о различных аспектах операционной деятельности компании. На примере мы продемонстрировали, как с помощью несложного анализа можно существенно оптимизировать работу службы технической поддержки.

Автор публикации

не в сети 3 дня

Лариса Шурига

Комментарии: 16Публикации: 871Регистрация: 05-06-2014

Вам также может понравиться

Добавить комментарий

Ваш e-mail не будет опубликован.

закрыть

Поделиться

Отправить на почту
закрыть

Вход

закрыть

Регистрация

+ =
Авторизация
*
*

Login form protected by Login LockDown.


Регистрация
*
*
*
*
Генерация пароля