Optimalizace přiřazení klientů k zaměstnancům

Abstract

Bakalářská práce se zabývá optimalizací oslovení zákazníka společnosti, která nabízí srovnání dodavatelů energetických komodit. Zákazníci společnosti jsou nejdříve klasifikováni podle pravděpodobnosti, že se společností uzavřou smlouvu na základě vyplněných hodnot ve webovém formuláři. Následně se práce zabývá optimalizací přiřazení operátora callcentra ke konkrétnímu zákazníkovi. Práce popisuje byznysový problém a analyzuje možné způsoby řešení klasifikace zákazníků pomocí metody "Gradient Boosting", umělé neuronové sítě a pomocí logistické regrese. V optimalizačních metodách se práce zaměřuje na analýzu celočíselného lineárního programování, maďarského algoritmu a také hladové greedy optimalizace. Jednotlivé vybrané metody jsou mezi sebou porovnány. Konečné řešení problému, kterým se tato práce zabývá, je demonstrováno na použití Gradient Boostingu jako klasifikátoru a celočíselného lineárního programovaní pro optimalizaci přiřazení operátora k zákazníkovi. Toto zvolené řešení je porovnáno s aktuální metodou, kterou společnost v současnosti používá.

The aim of the bachelor thesis is the optimization of the assignment problem between an operator and a customer of a call-centre. The company operating call-centre offers comparison of suppliers of energy commodities like natural gas and electricity. Company's customers are first classified based on the probability that the client will sign a contract with the specific operator. The classification is based on the customer's current supplier and company's historical data. Subsequently, the thesis deals with the optimization of the assignment of the operator to a customer. The thesis describes a business problem and analyses possible ways of solving customer classifications by Gradient Boosting, Artificial Neural Networks and Logistic Regression. In the optimization methods, the thesis focuses on the analysis of Integer Linear Programming, the Hungarian Algorithm and Greedy Optimization. The selected methods are compared to each other. The final solution to the problem that this thesis deals with is demonstrated using Gradient Boosting as a classifier and Integer Linear Programming as an optimizer for the assignment problem. This solution is compared to the current method used by the company.