Prévision des volumes
Transformer l’historique, la saisonnalité et les événements connus en prévisions exploitables par intervalle.
Prévoir les volumes de contacts
La prévision commence par une série historique propre, puis ajoute les effets connus: jour de semaine, saison, campagne, incident, facturation ou lancement. L’objectif n’est pas une précision parfaite, mais une base explicable et mesurable.
Saisonnalité et profils par jour de semaine
Lundi, fin de mois ou période de renouvellement peuvent avoir des profils très différents. Mélanger ces jours dans une moyenne unique peut masquer une structure stable.
Répartir un volume journalier par intervalle
Une prévision quotidienne doit souvent être distribuée en intervalles pour devenir planifiable. On peut utiliser des profils historiques de pourcentage du volume total, puis les ajuster pour les événements connus.
MAE, MAPE et WAPE pour la prévision
Les métriques d’erreur répondent à des questions différentes. MAE exprime un écart moyen en unités, MAPE un écart relatif moyen mais devient problématique avec des valeurs nulles ou faibles, et WAPE pondère l’erreur absolue par le volume total réel.
Biais de prévision : surprévoir ou sous-prévoir
Une erreur absolue peut être faible tout en cachant une tendance répétée à surprévoir ou sous-prévoir. Le biais indique la direction des écarts et complète les métriques d’amplitude.
Événements, anomalies et données historiques
Incidents, fermetures, campagnes, changements de tarif ou pannes peuvent rendre certains historiques non représentatifs. Ils ne doivent pas être supprimés automatiquement: il faut d’abord les étiqueter et comprendre leur cause.
Prévoir le temps moyen de traitement
Le volume n’est qu’une moitié du problème. Si le TMT augmente pendant une période complexe, la charge peut monter même avec moins d’interactions. Prévoir TMT et volume séparément rend le besoin de capacité plus explicable.