我正在开展一个项目，以使用历史数据预测客户服务团队所需的适当人员配备。

我是机器学习的新手，我不确定我解决这个问题的方法是否正确。首先，我将其视为多元线性回归，但我越想我想要的结果，我就越意识到回归不是解决方案。

我有一个包含这些字段的示例历史数据：

• 每小时/每天的来电数量；
• 每小时/每天的总通话时间；
• 每小时/每天的废弃电话——但我可以将其更改为废弃率；
• 每小时/每天的平均回答速度；

我的目标是构建一个 Python 或 R 模型，让我能够预测：

• 未来几周/几个月内客户服务可能接到的电话数量；和
• 处理工作量的理想人员。

例如，我希望能够看到这样的东西：

天 || 预期电话 || 员工人数

2021 年 10 月 1 日 || 200 || 10

有一些与呼叫中心相关的软件工具可以确定这一点。但是，我想知道是否有一个机器学习模型可以引导我得到我想要的东西。如果有的话，我应该采取什么方法？

我通常会搜索已经构建的模型，并尝试了解并查看它如何适用于我的案例。到目前为止，我还没有看到会产生多个预测输出的模型。正如我所说，我是机器学习的新手。那么，对于我应该使用什么样的模型来获得我想要的结果有什么想法吗？

编辑

正如我在问题中所说，我不确定我解决问题的方法是否正确。而且我认为我正在寻找的是 ErlangC 公式。我最近才发现它——似乎 python 有一个包含 ErlangC 函数的库pyworkforce 。

经过一些反馈和简要研究，解决这个问题的最佳方法是将项目分为两个阶段：（1）预测和（2）人员配备估算。

这还没有最终确定，但这是我最终可能为这个项目做的事情。

(1)首先，我将根据我获得的历史数据预测未来的呼叫次数。

(2)其次，当我得到预测时，希望我能够将结果应用到 ErlangC 公式中，并确定合适的客户服务人员数量。

我认为使用 ErlangC，我可能能够考虑所需的通话（或处理）时间、响铃时间以及每个客户服务代理的工作时间。所有这些因素都将帮助我了解最初预测的呼叫负载数量所需的座席数量。

如果需要，我会继续阅读和更新这个问题。