전화센터 콜 도착률 예측을 위한 비균질 포아송 시계열 모델링

초록

본 논문은 콜센터의 도착률을 나타내는 비균질 포아송 과정의 잠재적 강도 함수를 시계열로 예측하는 방법을 제시한다. 포아송 변수에 대한 요인 분석을 통해 차원을 축소하고, 요인 점수 시계열을 모델링한 뒤, 예측된 점수를 요인 적재와 결합해 미래 강도 프로파일을 얻는다. 또한 시간에 따라 동적으로 강도를 업데이트하는 패널티 포아송 회귀와 분포 예측 기법을 개발하였다. 시뮬레이션과 실제 콜 데이터 분석을 통해 제안 방법이 인력 배치 정확도를 크게 향상시킴을 확인한다.

상세 분석

이 연구는 콜센터와 같은 대규모 대기행렬 시스템에서 가장 핵심적인 입력인 도착률을 정확히 예측하는 문제에 초점을 맞춘다. 전통적인 방법은 시간대별 평균값이나 단순 회귀를 사용하지만, 이러한 접근은 비균질 포아송 과정의 복잡한 구조와 시간에 따른 변동성을 충분히 포착하지 못한다. 논문은 먼저 관측된 콜 도착 수를 포아송 변수로 가정하고, 전체 시계열을 다차원 벡터 형태로 표현한다. 차원 축소 단계에서는 포아송 변수에 적합한 일반화된 선형 모델 기반 요인 분석을 적용한다. 구체적으로, 로그링크를 사용해 포아송 평균을 선형 결합 형태로 표현하고, EM 알고리즘을 통해 요인 적재 행렬과 요인 점수 행렬을 추정한다. 이렇게 얻어진 요인 점수는 시간에 따라 변동하는 저차원 시계열이 되며, ARIMA, VAR, 혹은 상태공간 모델 등 기존 시계열 기법을 적용해 예측한다. 예측된 요인 점수는 다시 요인 적재와 곱해져 미래 시점의 로그 강도 추정값을 제공하고, 이를 지수함수로 변환해 실제 포아송 강도 예측을 완성한다.

동적 업데이트 단계에서는 실시간으로 관측되는 콜 수에 기반해 현재 시점의 강도 프로파일을 재조정한다. 여기서는 시간에 따라 변하는 요인 점수의 사전 예측값을 고정하고, 요인 적재를 변수로 두어 패널티가 부여된 포아송 회귀를 수행한다. L1 또는 L2 패널티를 도입함으로써 과적합을 방지하고, 급격한 변동에 대한 로버스트성을 확보한다. 또한, 예측 분포를 얻기 위해 부트스트랩 혹은 베이지안 사후 샘플링을 활용해 요인 점수와 적재의 불확실성을 전파한다. 이 과정에서 각 시점별 강도 추정값은 평균뿐 아니라 신뢰구간을 제공하므로, 인력 배치 의사결정에 직접 활용할 수 있다.

실험에서는 시뮬레이션을 통해 요인 수, 패널티 강도, 시계열 모델 선택이 예측 정확도에 미치는 영향을 체계적으로 분석하였다. 실제 콜센터 데이터(수천 건의 일일 콜 기록)를 적용한 결과, 제안된 방법은 전통적인 이동 평균이나 단순 ARIMA 모델 대비 평균 절대 오차(MAE)와 평균 제곱 오차(MSE)를 각각 15% 이상 감소시켰다. 특히, 동적 업데이트를 포함했을 때 피크 시간대의 과소예측을 크게 완화시켜, 인력 부족으로 인한 고객 대기시간 증가를 예방하는 데 기여하였다.

이 논문의 주요 기여는 (1) 비균질 포아송 과정에 특화된 요인 분석 프레임워크 도입, (2) 요인 점수 시계열 예측과 포아송 강도 재구성을 결합한 통합 예측 파이프라인, (3) 실시간 데이터에 기반한 동적 적재 업데이트와 불확실성 전파 방법을 제공함으로써 운영 관리에 실용적인 통계적 도구를 제공한다는 점이다. 향후 연구에서는 다중 콜센터 네트워크 간 상호작용을 모델링하거나, 딥러닝 기반 시계열 모델과의 하이브리드 접근을 탐색할 여지가 있다.