Optimizar la experiencia del cliente con una mejor asignación de recursos suele ser un objetivo fundamental para las empresas o las agencias gubernamentales. El siguiente estudio de caso se refiere al Centro de Contacto de Servicios de Emergencia de una gran ciudad metropolitana europea. Su objetivo era predecir con precisión el volumen de llamadas entrantes para poder mejorar la lista de agentes y garantizar tiempos de respuesta óptimos para las personas que llaman con una necesidad urgente de asistencia.
La solución debía ofrecer altos umbrales de confiabilidad, ya que sería fatal si hubiera picos donde la oferta de operadores (policía, bomberos, ambulancia, etc.) no pudiera satisfacer la demanda de llamadas entrantes.
En este artículo, describiremos la solución utilizada para lograr este propósito, en base a ejemplos reales aplicados al caso de estudio. Esto nos proporcionará una visión completa de todo el flujo que siguió Clariba para producir predicciones confiables que respaldarían la asignación correcta de los recursos del servicio de emergencia.
Terminaremos con un enlace a nuestra Cápsula de datos explicativa para este caso de estudio, un breve video instructivo que recopila los puntos clave de este estudio de caso y brinda una descripción general de todo el proceso durante unos minutos de tiempo de visualización.
1. Introducción a Dataiku
Imagine un lugar donde pueda realizar todo su trabajo relacionado con los datos, como limpieza, disputa, visualización, predicción y estadísticas, y combínelo con varios tipos de opciones de automatización dentro de un entorno controlado por clics, además de agregar sus propias recetas de códigos personalizados en la parte superior.
Eso es básicamente lo que es Dataiku. Pero en lugar de tratar de discutir toda la plataforma, comencemos sumergiéndonos en la experiencia del usuario y analicemos las cosas paso a paso. En primer lugar, aquí está la pantalla de inicio de un proyecto típico:
Fig. 1 Pantalla inicial
Es un diseño ordenado y completo en el que puede editar listas de tareas, asignar etiquetas de proyectos, revisar las últimas ejecuciones exitosas o fallidas, ver quién ha trabajado en el proyecto y qué han hecho recientemente, y navegar directamente a conjuntos de datos, recetas, tableros y el caudal.
La implementación de sus datos en Dataiku se puede hacer con unos pocos clics (si tiene las credenciales adecuadas) con varias opciones de bases de datos ampliamente utilizadas, como:
Amazon Redshift
Savia HANA
Snowflake
Almacenamiento en nube Google
Amazon S3
Fig. 2 Agregando conjunto de datos
1.1. Recetas
Las recetas son un conjunto de elementos predefinidos, incluidos por defecto en la instalación de Dataiku , que permiten realizar una gran variedad de operaciones estándar para transformar datos (fórmulas, dividir, unir, agrupar, apilar (unión), filtros con múltiples condiciones, etc. .).
Gracias a la interfaz gráfica, son fácilmente configurables, lo que le evita desarrollar interminables líneas de código. Simplemente ya no es necesario implementar código complejo para pivotar datos o aplicar reglas complejas para limpiar datos. Ahora todos estos elementos se pueden controlar dentro de una única interfaz visual para agilizar el flujo de trabajo.
Además, hay espacio para la personalización y la creación de recetas avanzadas. Dataiku te permite reutilizar tu propio código (Python, R, etc.) y convertirlo en una receta personalizada, reutilizable y flexible. Esto transformará radicalmente su forma de trabajar mediante la introducción de código personalizado en el flujo de transformación e ingesta de datos.
Fig. 3 Ejemplos de recetas
1.2. Escenarios
Los escenarios le permiten automatizar toda la creación de conjuntos de datos, la verificación de escenarios, la ejecución de SQL/Python, el cálculo de métricas y trabajos relacionados para ejecutarlos siguiendo condiciones personalizadas para sus clientes y compañeros de equipo. Facilitan que todos conozcan el estado de su escenario antes o después de la ejecución.
Hay muchas posibilidades de integración: puede encadenar las opciones de informes y notificaciones para compartir información por correo electrónico o sus plataformas de comunicación favoritas (Microsoft Teams, Slack, etc.).
Fig. 4 Opciones para reportar
Fig. 5 Opciones de escenario
En nuestro caso de estudio original, antes y después de cada ejecución del proceso de pronóstico, se activaba una capa de notificación y todas las partes interesadas recibían alertas personalizadas a través de Teams, que indicaban si el nuevo pronóstico estaba listo para revisarse.
1.3. Perspectivas
Cuando nuestros datos han pasado por todos los procesos de transformación, alojamiento, enriquecimiento y los resultados están listos para mostrarse, los Insights son muy útiles. En esencia, son una colección de elementos que permiten la interacción con flujos de back-end (lanzamiento de tareas), visualización de tablas, gráficos interactivos o Notebooks, integración de aplicaciones web (Shiny, por ejemplo) y mucho más. La siguiente captura de pantalla muestra los Insights disponibles actualmente para cada proyecto de Dataiku.
Fig. 6 Opciones de perspectivas
2. Available data, forecasting process and results
Ahora que hemos presentado algunas de las principales funcionalidades de la herramienta, debemos comprender los datos de entrada que alimentarán todo el proceso predictivo. Es importante tener en cuenta que tendremos que clasificar las múltiples fuentes de información que consumirá el algoritmo, según como intervienen en el modelo. Por tanto, podemos distinguir entre:
Datos efectivos: corresponden a las observaciones que se extraen directamente del DWH, es decir, el número de llamadas que se producen para los periodos específicos a estudiar (volumen de llamadas por día, por hora, etc.). Para este caso de estudio, el rango de datos a considerar se extiende a varios años, con un nivel de granularidad diario y horario.
Festivos y fechas especiales: el modelo se enriquece con elementos que permiten modificar la predicción estándar en función de efectos conocidos por los humanos.
Regresores: información adicional para enriquecer el modelo. Esto hace posible capturar el efecto en el modelo de ciertos comportamientos, como el clima, el tráfico y otros eventos recurrentes.
Usando el área de flujo de trabajo integrado, todos estos elementos se organizan y procesan. Entonces, después de preparar los datos recopilados de llamadas y vacaciones y dividirlos en conjuntos de datos de evaluación y entrenamiento, los hemos separado en dos bloques diferentes llamados Dataiku Forecast y Custom Algorithm.
Fig. 7 Flujo de la cápsula de socios
2.1 Pronóstico con Dataiku
Dataiku facilita la consecución de un modelo de pronóstico preciso y pasos de implementación sencillos. Todo lo que tenemos que hacer es responder a las siguientes preguntas:
Which column contains our timeline?
¿Cuál es la frecuencia?
¿Qué columna contiene nuestro objetivo?
¿Con cuántos días de antelación le gustaría pronosticar?
Luego, simplemente cargue la receta del complemento de pronóstico a través de los siguientes pasos rápidos:
Elija el modelo que mejor se adapte a sus datos.
Establecer el porcentaje del intervalo de confianza para eliminar los peores resultados.
Este complemento se encargará de muchas consideraciones subyacentes y, como resultado, se producirán dos bloques que contienen los puntajes del entrenamiento y de la prueba. Estos serán útiles al evaluar el rendimiento del modelo y determinar qué tipo de ajustes serían necesarios para mejorar la confianza de las predicciones
Fig. 8 Menú de métricas logrado para algoritmo personalizado
Como veremos en breve, las capacidades estándar de Dataiku son excelentes en este ámbito, obteniendo predicciones realmente cercanas a la realidad. Sin embargo, la herramienta brinda total flexibilidad al usuario, de modo que se puede incorporar código más sofisticado o personalizado al proceso base. En la siguiente sección daremos un ejemplo de esto.
2.2. Algoritmos personalizados en Dataiku
Comentábamos en el apartado anterior la posibilidad de incluir código personalizado para mejorar las (ya buenas) predicciones. En este caso, optamos por implementar el algoritmo predictivo Prophet para hacer una comparación con los resultados originales proporcionados por Dataiku y su módulo integrado.
Prophet fue lanzado por Sean J. Taylor y Ben Letham de Facebook en 2017 para pronosticar datos con series de tiempo y su implementación está disponible tanto en Python como en R. El método utilizado aquí se llama modelado aditivo y descubre combinaciones de patrones en diferentes períodos de tiempo. (diario, estacional, anual, etc.). Cuando el código del algoritmo se hizo de código abierto, sus creadores señalaron:
“Prophet has been a key piece to improving Facebook’s ability to create a large number of trustworthy forecasts used for decision-making and even in product features.” ”
Podría pensar que tal implementación en Dataiku requeriría un esfuerzo significativo para adaptar las dependencias y otras particularidades a esta plataforma; sin embargo, nada más lejos de la realidad. Gracias al uso de recetas, podemos acomodar fácilmente el código adicional y convertirlo en un componente más del flujo de trabajo dentro de Dataiku.
Ahora podemos ejecutar la receta con clics manuales, o podemos incluir la parte de ejecución en un escenario automatizado para obtener resultados actualizados incluso después de que los datos de entrada hayan cambiado.
2.3. Comparación de resultados: complemento de pronóstico predeterminado frente a implementación personalizada
Ahora que ambos modelos se implementaron y ajustaron, es hora de seleccionar qué Insights formarán parte del tablero final, esto nos permitirá visualizar y compartir los resultados con el equipo a cargo de asignar los recursos del servicio de emergencia.
La figura 6 anterior muestra los elementos disponibles. Para este tablero haremos uso de una variada gama de elementos: una aplicación web, gráficos interactivos, indicadores clave estáticos e incluso un control para lanzar todo el proceso predictivo desde el tablero final. El resultado se muestra a continuación.
Fig. 9 Panel de control de la cápsula de socios
La disposición de los elementos en el diseño personalizado nos permite apreciar claramente las diferencias en las predicciones de los dos modelos. Vemos que ambos superan el 0,9, lo que indica que ambos han podido predecir para cada día el número de llamadas entrantes con más del 90% de precisión. Además, las capacidades gráficas de Dataiku nos permiten personalizar la salida debido a la variedad de gráficos disponibles. Aquí podemos observar una representación alternativa de los resultados obtenidos:
Fig. 10 Gráfico alternativo con resultados previstos
Como podemos ver, el modelo personalizado superó a la implementación básica en aproximadamente 3 puntos. La conclusión es clara: con unos pocos clics podemos obtener grandes resultados de esta herramienta, con predicciones sólidas (>92%). Por supuesto, si queremos ir más allá, Dataiku nos brinda la posibilidad de implementar nuestro código y mejorar, en un grado aún mayor, los resultados producidos.
Para una comprensión clara del escenario, vea nuestro video de Data Capsule a continuación, que cubre el proceso de principio a fin:
3. Resumen
Hemos presentado un caso de uso caso de estudio del mundo real que muestra cómo los algoritmos predictivos pueden agregar un valor significativo a los procesos comerciales. Gracias al despliegue de la plataforma Dataiku y al desarrollo a medida de un modelo ML, pudimos acelerar los tiempos de implementación de la solución y al mismo tiempo ofrecer altísimos niveles de confianza en las predicciones.
El tablero personalizado que creamos ahora está disponible para el equipo de operaciones, brindándoles una fuente confiable de información para evaluar correctamente la cantidad de agentes que deben estar disponibles cada día para responder a las emergencias que puedan ocurrir.
Puede descubrir otros casos de uso donde nuestros expertos en datos han implementado soluciones exitosas aquí:
Introducción a Digital Twins y su aplicabilidad en el mundo de la logística con Frit Ravich
Clariba Innovation Success Story: Automation of quality control processes at Almirall
Como socio experto de Dataiku, Clariba se complace en ofrecerle nuestra experiencia para llevar a cabo cualquier proyecto que pueda tener en el campo de la innovación y la analítica avanzada. Para discutir un proyecto, o si tiene más preguntas sobre el estudio de caso anterior, programe una reunión con uno de nuestros asesores expertos aquí.