top of page

Forecasting Prophet & Cesium

⭐ Tipo

Series Temporales

Mi proyecto:

✔️Trabajar con datos de series temporales puede ser difícil o frustrante y los diversos algoritmos que generan modelos pueden ser bastante complicados de ajustar.
✔️Por lo tanto, se introdujeron dos bibliotecas de código abierto, FbProphet (desarrollada por Facebook) y Cesium, que brindan modelado de series temporales rápido, potente y accesible para analistas de datos y científicos de datos en todas partes.

✔️Facebook desarrolló Prophet, una herramienta de pronóstico disponible en Python y R. Que proporciona parámetros intuitivos que son fáciles de ajustar.
✔️Incluso alguien que carece de experiencia profunda en modelos de pronóstico de series temporales puede usarlo para generar predicciones significativas para diversos problemas en escenarios comerciales. ✔️Por otro lado, Cesium es una biblioteca de código abierto que permite a los usuarios extraer características de datos brutos de series temporales, construir modelos de aprendizaje automático a partir de estas características y generar predicciones para nuevos datos.

✔️En este proyecto, construiremos modelos utilizando las bibliotecas de código abierto FbProphet y Cesium.

✔️El forecasting es el proceso de hacer pronósticos del futuro sobre la base de datos pasados y presentes, añadiendo como complemento el análisis de tendencias.

Resumen Ejecutivo

En este proyecto, llevé a cabo un análisis de series temporales utilizando herramientas avanzadas como Facebook Prophet y Cesium para abordar los desafíos operativos en un centro de llamadas.


La historia comenzó con un centro de llamadas que enfrentaba problemas críticos, incluyendo una alta variabilidad en la demanda de llamadas, dificultades para asignar recursos de manera eficiente y costos operativos desbordados. Se requería una solución que optimizara la gestión de recursos y mejorara la calidad del servicio al cliente.


Utilicé Facebook Prophet para generar pronósticos precisos de la demanda de llamadas, lo que permitió al centro de llamadas prepararse para cambios en la carga de trabajo y optimizar la asignación de agentes.


Implementé la biblioteca Cesium para extraer características valiosas de los datos de series temporales y desarrollé modelos de aprendizaje automático para mejorar aún más la precisión de los pronósticos.


Logré con estas dos herramienta calcular predecir la demanda para los próximos 12 meses, lo que ayudará a reducir significativamente los costos operativos al evitar la asignación excesiva de recursos en momentos de baja demanda y garantizar una respuesta efectiva en momentos de alta demanda.

Trabajo Realizado



fbpROPHET

Importación de Datos


df_comp = pd.read_excel("../Input/CallCenterData.xlsx")
df_comp.head()

Calidad de Datos


df_comp.isna().sum()
df_comp.month.describe()

Transformación de Variables


df = df.rename(columns={'month': 'ds',
                        'Healthcare': 'y'})


Modelización


fb_model = Prophet(interval_width=0.95)
fb_model.fit(df)
forecast = fb_model.predict(future_dates_healthcare)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()





CESIUM

Importación de Datos


raw_csv_data = pd.read_excel("../Input/CallCenterData.xlsx")
df_comp.head()

Calidad de Datos


df_comp.isna().sum()
df_comp.describe()

Transformación de Variables


df['ts'] = df['month'].apply(lambda x: x.timestamp()).astype(int)
cesium_df = pd.DataFrame(target_data).rename(columns={0:'y',1:'ts', 2:"target"})
guo_features = {
    "mean": mean_signal,
    "std": std_signal,
    "mean2": mean_square_signal,
    "abs_diffs": abs_diffs_signal,
}

Modelización

from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.layers import Dense
from sklearn.metrics import mean_squared_error
from tensorflow.keras import optimizers
model_mlp = Sequential()
model_mlp.add(Dense(100, activation='relu', input_dim=X_train.shape[1]))
model_mlp.add(Dense(1))
model_mlp.compile(loss='mse', optimizer=adam)
model_mlp.summary()


Resultados Clave:

  • Se logró una mejora notable en la eficiencia operativa del centro de llamadas, con una reducción significativa en los costos.

  • La calidad del servicio al cliente mejoró sustancialmente al asignar recursos de manera más precisa y responder de manera efectiva a la demanda de llamadas fluctuante.

  • El proyecto sentó las bases para una gestión más inteligente y eficiente de los centros de llamadas en el futuro.



Lecciones Aprendidas:

  • La combinación de Facebook Prophet y Cesium demostró ser una estrategia efectiva para abordar problemas complejos de series temporales y optimizar operaciones en el mundo real.

  • La importancia de la adaptabilidad y la flexibilidad en la gestión de recursos en entornos con demanda variable.

bottom of page