Kansen AI en data voor forecasting

KSF expertsessie WFM, 21 november 2019, Driebergen

Wat zijn de ontwikkelingen op het gebied van WFM? Hoe groot is de rol van AI en data nu en in de toekomst en welke kansen zijn er? En hoe pakt bol.com het WFM-proces aan? Die vragen staan centraal tijdens de KSF-expertsessie WFM.

Verschillende deelnemers zijn benieuwd hoe bol.com forecasting aanpakt en hoe AI en data nu en in de toekomst invloed hebben op WFM. Bestaan er in de toekomst nog planners? Gaat AI straks op basis van algoritmes traffic voorspellen en de planning opstellen?

Mark Elschot, vervangend voorzitter van deze expertgroep, laat in een filmpje zien hoe AI en data kunnen helpen bij de planning en het betrekken van medewerkers en collega’s. “Bestaat het vak WFM nog in 2025?”, vragen de deelnemers zich af. “WFM blijft een vak en door processen AI-technisch slim in te richten, is er meer ruimte om het WFM-proces strategisch te begeleiden. Je kunt je bezighouden met oorzaken en consequenties (proactief) i.p.v. plannen en bijsturen (reactief). Dat laatste kan een computer namelijk ook heel goed.”

We zijn met de KSF-experts WFM te gast in het koetshuis van MindShare. Planners, forecasters en andere vakgenoten zijn hier om inspiratie op te doen en te leren van elkaar. Ook zijn ze benieuwd naar de kansen die AI en data bieden voor WFM.

WFM wordt WFI: Workforce Intelligence

Mark Elschot toont het bovenstaande model: “WFM wordt steeds meer WFI.” Het gaat steeds meer over hoe je stuurinformatie (data) inzet voor keuzes voor planning en forecasting. Daarin is veel mogelijk.

Wat dan? En hoe ver gaat het voorspellen dan? In de film Minority Report, een spannende thriller, worden er op basis van algoritmes misdaden voorspeld. Wat je al weet, kun je vertalen naar de toekomst… En dat gebeurt dus al in WFM.

Experimenten data en WFM
Citibank heeft als experiment een bepaald type medewerkers ingepland op een bepaald type klanten. Uitkomst? De gesprekken waren leuk, maar het ging ten koste van de klant- en medewerkertevredenheid: wachttijden werden langer doordat gesprekken niet alleen over de contactredenen gingen, medewerkers begonnen de gesprekken eenzijdig te vinden en de klant wil ook gewoon goed geholpen wordt.

Ook SOS International experimenteerde in WFM met data: kun je op basis van het type vakantieganger de effecten op skigedrag voorspellen? En kun je op basis daarvan voorspellen welke medewerkers hen het beste kunnen helpen en hoeveel mensen er nodig zijn op de baan? Uiteindelijk bleek dit experiment te risicovol, want er was te veel gebaseerd op toevalligheden en vooringenomenheid van mensen, ook wel human bias genoemd.

Forecasting en AI voor het KCC
Na een korte pauze vertelt Stephan van de Kerkhof, data-expert en werkzaam als forecaster en machine-learningexpert bij bol.com, ons meer over de stappen die de organisatie zet met forecasting en AI. “Ik kan het hier uitgebreid hebben over het proces van forecasting, maar ik heb het liever met jullie over hoe we aan dit project zijn gestart en hoe het tot nu toe verlopen is”.

Definieer eerst wat je wilt verbeteren, waarom en met welk doel en welk gewenst resultaat. Zet daarna een multidisciplinair team op om aan de slag te gaan, zodat je verschillende mensen uit de organisatie betrokken hebt die het spel van klantcontact en data snappen. Maak daarvoor een meetbaar plan, bijvoorbeeld een businesscase. Levert het voldoende op? En dan niet alleen in euro’s: neem ook andere meetbare KPI’s mee als klant- en medewerkertevredenheid en wat het mogelijk voor andere afdelingen oplevert/bespaart.

Bol.com is actief met data voor WFM en beweegt zich op het moment naar een machine-learningbenadering voor forecasting. Historische data zijn nodig: hoeveel klanten, hoeveel contacten, hoeveel medewerkers, hoe vaak gebeld, hoe vaak via online et cetera.

“We hebben veel uitgeprobeerd en het huidige model is zeker niet het eerste en vast ook niet het laatste model”, vertelt Stephan. Bol.com is nu met data aan de slag om op dagniveau de forecasting te voorspellen voor call, chat en andere sociale kanalen.

Human en machine bias
Ook vertelt Stephan ons meer over data. Als je teveel features gebruikt en te weinig historische data, dan krijg je een overfitted model: dan wordt er teveel ruis gebruikt en forecast het model op papier heel goed en in de praktijk heel slecht. Dit legt Stephan uit a.d.h.v. human en machine bias: modellen die té vooringenomen zijn en daardoor niet voldoende luistert naar de data.

• Human: vooringenomenheid van mensen die modellen maken of die vanuit data komt waarmee het model gemaakt wordt
• Machine: heeft het model voldoende “complexiteit” om naar de verschillende historische datapunten te luisteren en er voldoende waarde uit te halen?

Meetbare data die je kunt gebruiken toont Stephan ook in zijn presentatie.

Human need not apply?
Stephan eindigt zijn presentatie met een advies. “Het is goed om je te focussen op engineering en science, maar vergeet niet je medewerkers en klanten. Zij moeten er immers mee werken en profijt hebben van keuzes die gemaakt worden.”

En ook adviseert Stephan om je analytische vertaler te vinden: een persoon die zowel de analytische kant als de operatie begrijpt en daardoor de verbinding maakt tussen technische en operationele expertise. Hier is ook een belangrijke rol voor WFM: WFM als bruggenbouwer tussen operatie en analyse, aldus Stephan.

Download hier de presentatie van Stephan.

Na een middag vol inspiratie is het tijd voor de borrel. Deelnemers praten volop met elkaar na onder het genot van een hapje en een drankje. We bedanken alle aanwezigen voor hun actieve bijdrage aan deze sessie en MindShare voor de gastvrijheid!

Doe jij met ons mee?

Hosten/spreken
Wil je ook een keer een KSF-expertsessie WFM bijwonen? Houd dan onze agenda in de gaten. Of wil je een keer een expertsessie hosten of weet je een interessant onderwerp voor een expertgroep? Meld je bij Susan Soleimani, projectmanager KSF, via susan.soleimani@klantenservicefederatie.nl.