保険会社のコールセンターで、過去の入電と曜日・発送物・請求の時期から翌月の30分ごとの入電数を見込み、必要な席数とシフトの枠の案を出す

処理の起点を決める

毎月10日の朝、サーバーのタスクスケジューラで動かします。 シフトの締め切りが前月の20日ごろなので、担当が確かめて管理者に回すまでに10日の余裕を取ります。

10日に動かすのは、契約サービス部の発送物の予定表が、そのころに翌月分まで固まるためです。早く動かしすぎると、発送の予定が入っていない見込みになります。

月の途中でも動かし直せるようにします。 発送の予定が大きく変わった、新しい手続きの案内を急に送ることになった、といったときに、担当が手で動かせば、その時点の予定で見込みを作り直します。

入力データを集める

質を決めるのは、発送物の予定です。 入電の山の多くは発送物の後に来ます。過去の発送の実績（いつ、何を、何通）も2年分そろえて、予測の学習に使います。今の予定表だけでは、過去の山と発送を結び付けられません。

入電の数は、応答した数ではなく入電した数を使います。 応答した数だけを使うと、席が足りずにつながらなかった分が消えて、山が実際より低く見えます。 放棄した呼も入電に含めます。ただし、同じ番号からの短時間のかけ直しが多い場合は、電話の仕組みで「1時間以内の同じ番号の再入電」を分けて出せるかを確かめ、出せるなら差し引きます。

事情のメモは、過去の外れの説明に使います。 去年の10月にシステムの障害で入電が跳ねたことを知らずに学習させると、今年の10月にも同じ山を見込みます。 障害の日にはメモで印を付け、学習から外すか、印の列として入れます。

データの取得方法を決める

電話の仕組みからは、30分ごとの集計の形で取り出します。 1件ずつの通話の記録は要りません。発信元の電話番号などの個人の情報を、この構成に持ち込まないためです。

発送物の予定表は、書き方をそろえてもらいます。 発送日が「10月上旬」のように幅で書かれていると、経過日数が計算できません。契約サービス部と相談し、日付と通数の列を必ず埋める形に変えてもらうのが、最初の準備作業になります。

AIへ渡す前に整形する

1. 営業時間外の枠を落とす … 9時より前と18時以降の枠は、留守番電話の件数などが混ざるので外します
2. 営業日の番号を付ける … 月の何営業日目か、月の最終営業日まで何営業日かの列を作ります
3. 祝日と連休の列を作る … 祝日、連休の長さ、連休明けの何営業日目かを列にします
4. 発送物の列を作る … 発送物の種類ごとに、発送日からの経過営業日数と通数を列にします（発送後10営業日まで）
5. 振替日の列を作る … 口座振替日と、振替の結果の通知の発送日からの経過営業日数を列にします
6. 障害などの日に印を付ける … 事情のメモにある日は、学習から外すか、印の列を立てます
7. 窓口ごとに分ける … 窓口ごとに入電の傾向が違うため、窓口ごとに別のモデルにします

4番目が、この構成でいちばん効く列です。 発送物が届くのは発送の1〜3営業日後で、電話はそこから数日続きます。「何営業日前に何通送ったか」を列にすると、モデルは発送と山の関係を過去のデータから学びます。 割り増しを何割にするかを人が決める必要がなくなります。

6番目を省くと、過去の特別な日を毎年くり返して見込みます。 障害や大規模な災害の日は、学習に入れると翌年の同じ時期の見込みを押し上げます。

AIに処理させる

させるのは、窓口ごとに、翌月の営業日の30分ごとの入電数を、中央と上下の幅で予測することです。 席数とシフトの枠は、その予測から計算式で出します。

学習と予測の流れは、窓口ごとに次のようになります。

from sklearn.ensemble import HistGradientBoostingRegressor

cols = ["曜日", "時刻枠", "営業日番号", "月末まで営業日", "祝日翌営業日",
        "連休明け営業日", "振替日からの営業日", "発送A_経過", "発送A_通数",
        "発送B_経過", "発送B_通数", "除外印"]
mid = HistGradientBoostingRegressor(loss="poisson").fit(X[cols], y)
low = HistGradientBoostingRegressor(loss="quantile", quantile=0.1).fit(X[cols], y)
high = HistGradientBoostingRegressor(loss="quantile", quantile=0.9).fit(X[cols], y)
# 翌月の営業日×30分の枠について、同じ列を作って3つの予測を並べる

3つのモデルは別々に学習するので、まれに下側が中央を上回る枠が出ます。 そのときは下側・中央・上側を小さい順に並べ直してから書き出します。並べ直した枠の数は、外れ方の一覧に出しておきます。

席数の計算は、次の手順で行います。

1. 30分の枠の入電数（中央または上側）と、平均の処理時間（通話時間＋後処理の時間）から、その枠に必要な通話の量を出します
2. 席数を1つずつ増やしながら、アーランC式で「20秒以内に応答できる割合」を計算します
3. 割合が目標の80％を初めて超えた席数を、その枠の席数とします
4. 席数に離席の割合（15％）を足して、その枠に出勤している必要がある人数にします

アーランC式は、電話が待ち行列に並ぶことを前提にした計算式です。 入電数が少ない枠では、席数を1つ増やしたときの応答の割合の変わり方が大きく、中央と上側の席数の差が数席になることがあります。 この差を一覧で見せることで、担当は「上側に合わせると何席増えるか」を枠ごとに知ることができます。

枠の割り振りは、30分ごとの必要な人数を上から覆っていく計算です。 まず9時〜18時の枠で1日を通して必要な人数の下限を埋め、残りの山を短い枠で埋めます。休憩の時間帯は、各枠の人数を半分ずつに分けてずらす前提で計算します。 最適な組み合わせを解くことはせず、担当が直しやすい素直な案を出すことを優先します。

予測の確かさは、過去のデータを時間の順に分けて測ります。 scikit-learn の TimeSeriesSplit は、訓練のデータが常にテストのデータより前になるように分け、分けるたびに訓練のデータが前のものを含んで大きくなるとされています。未来のデータで過去を当てる測り方をしないために使います。テストの期間は1か月ずつにし、直近の6か月で6回測ります。

幅の確かさは、mean_pinball_loss で測ります。 scikit-learn の文書では、この指標は分位点回帰のモデルを評価するためのもので、alpha で推定する分位点を指定するとされています。0.1と0.9のモデルを、それぞれの alpha で測ります。 あわせて、実績が幅の中に入った割合（8割前後が目安）を窓口ごとに数えます。

1行目が、この構成で一番守りたい線です。 上側の0.9に合わせれば電話はつながりやすくなりますが、人件費は増えます。どちらを取るかは経営の判断で、予測の仕事ではありません。

指示内容を固定する

この構成は生成AIを使わないため、プロンプトはありません。代わりに、予測と席数の計算に渡す設定を、運用管理の担当が読める形の設定ファイルにします。

# 予測の設定（窓口ごと）
窓口: 給付金・保険金の請求
学習に使う期間: 直近24か月
予測する期間: 翌月の営業日（9:00〜18:00、30分ごと）
中央の予測: loss=poisson
幅の予測: loss=quantile, quantile=0.1 / 0.9
学習から外す日: 事情のメモで「除外」と印を付けた日

# 席数の計算
サービスレベルの目標: 20秒以内の応答 80%
平均の処理時間: 直近3か月の同じ曜日・時間帯の通話時間＋後処理の時間
席数を合わせる予測: 中央（担当が窓口ごとに「上側」へ切り替えられる）
離席の割合: 休憩を除き 15%

# シフトの枠
枠: 9:00-18:00（休憩60分）／9:00-15:00（休憩45分）／12:00-18:00（休憩45分）
    10:00-14:00（休憩なし）

数値の目標と割合は、担当が書き換える場所です。 コードの中に埋め込むと、目標を変えるたびに開発者を呼ぶことになります。

休憩の長さは、労働基準法の休憩の規定に合わせます。 労働基準法第34条は、労働時間が6時間を超える場合は少なくとも45分、8時間を超える場合は少なくとも1時間の休憩を労働時間の途中に与えなければならないとしています。枠の長さと休憩の組み合わせは、人事部と確かめたうえで設定に書きます。 休憩を何時に取るかで30分ごとの席数が変わるため、枠の案では休憩の時間帯を分散させた前提で計算します。

出力形式を固定する

30分ごとの見込みは、次の形の表でシフトの管理表に書き出します。

前月の外れ方の一覧は、窓口ごとに次のようにまとめます。

【外れ方の一覧】10月（前月）
窓口: 給付金・保険金の請求
  実績が幅の中に入った割合: 78%（目安 80%前後）
  上に外れた枠: 10/5（月）9:30-11:00 ── 連休明け＋発送物A の到着
  下に外れた枠: 10/23（金）15:00-17:00
  中央の予測の平均の外れ: 1枠あたり 4.1件
事情のメモと照らす: 10/5 は発送物A の通数が予定より 2割多かった

表で出す理由は、担当が並べ替えて山を探せることです。 入電の上側から席数を引いた差が大きい枠を上から並べれば、どこが一番危ないかが一目で分かります。

下側・中央・上側を並べる理由は、席数を合わせる位置を担当が選べるようにするためです。 中央に合わせた場合と上側に合わせた場合の席数を並べ、その差が人件費の差になることを、管理者に説明できます。

外れ方の一覧を毎月出す理由は、幅の取り方を直すためです。 実績が幅に入る割合が8割を大きく下回る窓口は、学習の材料が足りていません。多くは、発送物の予定表に載っていない発送があるか、事情のメモが抜けています。

システムへ連携する

シフトの管理表へは、新しいシートに書き出します。 担当が作業しているシートを上書きしません。採った席数を担当が別のシートに写した時点で、それが正式な見込みになります。

電話の仕組みの設定は変えません。 呼の振り分けや窓口の構成は、この構成の外にあります。

人が確認する

運用管理の担当が、毎月10日から1週間のうちに確かめます。

1. 外れ方の一覧を先に読む … 前月にどの窓口がどちらに外れたかを見て、今月の幅の取り方を決める材料にします
2. 山の日を確かめる … 上側の入電が大きい日を並べ、発送物と振替日で説明がつくかを見ます。説明のつかない山は、予定表の誤りか、予測の誤りです
3. 事情を書き足す … 新商品、手続きの変更、システムの切り替えなど、過去のデータに無い出来事を事情のメモに書き、その日の席数を手で上乗せします
4. 合わせる位置を決める … 窓口ごとに、中央に合わせるか、上側に合わせるかを決めます。請求の窓口のように、つながらないことの影響が大きい窓口は上側に寄せます
5. 管理者に回す … 枠の案と、中央と上側の席数の差を添えて承認を求めます

3番目を省かないでください。 予測は過去のことしか知りません。来月に新しい案内を送ることを知っているのは、人だけです。

例外に対処する

5行目を決めておくことが大事です。 災害の直後は、過去のどの月とも違う入電になります。予測の数を信じて席を減らすと、一番つながってほしい時期につながらなくなります。

記録を残す

• 毎月の予測（窓口×日×30分の下側・中央・上側）と、使った設定ファイル
• 学習に使った期間と、学習から外した日
• 担当が採った席数と、合わせた位置（中央か上側か）、書き足した事情
• 翌月に入った実績と、外れ方の一覧
• モデルを作り直した日と、そのときの TimeSeriesSplit での測定の結果

3つ目の「合わせた位置」を残すのは、結果を説明するためです。 中央に合わせた月に電話がつながりにくかったなら、それは予測の外れではなく、合わせる位置の判断の結果です。 分けて残しておかないと、予測が悪かったのか判断が悪かったのかが分かりません。