Разработка и внедрение WFM процесса в Центр модерации и поддержки сайта Avito

Данная работа посвящена решению задач для центра модерации и поддержки компании Avito. Первая задача – прогнозирование потока обращений. Она необходима для решения второй задачи, поскольку ее решение будет являться обязательным входным параметром для обучения модели. Вторая задача – расчет оптимального количества сотрудников для обработки обращений пользователей. Кроме того, необходимо оптимизировать их рабочие смены так, чтобы выполнялись ключевые метрики. Решение данной задачи возможно реализовать с помощью эвристики, а именно генетического алгоритма с несколькими фитнес-функциями.
Третья задача – имплементация ETL-процесса с помощью технологии Airflow. Код программ, реализованный при решении первой и второй задач необходимо запускать еженедельно. Кроме того, код для каждого канала обращений должен исполняться параллельно, чтобы сократить общее время работы. Выходные данные должны записываться в хранилище в соответствующие таблицы.

Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Глава 1. Описение процессов . . . . . . . . . . . . . . . . . . . . . . . 5
1.1. Система массового обслуживания . . . . . . . . . . . . . . . . 5
1.2. WFM как управление СМО . . . . . . . . . . . . . . . . . . . . 6
1.3. Facebook Prophet . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4. Генетический алгоритм . . . . . . . . . . . . . . . . . . . . . . 9
1.5. Apache Airflow . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Глава 2. Задача прогнозирования входящего потока обращений . . . 14
2.1. Постановка задачи . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2. Выбор модели . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3. Описание модели . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4. Результаты . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Глава 3. Задача расчета оптимального количества сотрудников и их
графиков работы . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1. Постановка задачи . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2. Выбор моделей . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3. Описание моделей . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4. Результаты . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Глава 3. ETL-процесс . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1. Постановка задачи . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2. Описание метода . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3. Результаты . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Заключение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Список литературы . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Для компании Avito был реализован WFM процесс, с помо-
щью которого наиболее оптимально планируются рабочие гра-
фики для большого штата сотрудников.
На языке Python были имплементированы генетические ал-
горитмы. Для решения первой задачи, прогнозирования вхо-
дящего потока обращений, использавалась библиотека prophet
от Facebook. Решение второй задачи, поиска оптимальных ра-
бочих смен были написаны генетические алгоритмы с несколь-
кими фитнес-функциями. Реализована возможность изменения
этих функций и их приоритетов.
Для реализации параллельного ETL-процесса был использо-
ван Apache Airflow. Для своевременного и параметризованного
запуска алгоритмов на языках Python и SQL были написаны
сенсор, операторы и направленный ацикличный граф.
Для визуализации результатов использовалась BI система
Tableau. Возможность просматривать и обновлять этот от-
чет заинтересованными сотрудниками предоставляет Tableau
Server.