কেন এটি গুরুত্বপূর্ণ

সেবা দলগুলো সবসময় কিছু একটার জন্য প্রস্তুতি নেয়। নতুন সেমিস্টারের প্রথম সপ্তাহে কত যোগাযোগ আসবে? স্টোরেজ কখন ভরবে? কোন পরিবর্তন ইনসিডেন্ট ঘটানোর সম্ভাবনা রাখে? বিক্রির সময় কতজন অন-কল থাকা উচিত? কর্মী, সক্ষমতা ও ঝুঁকির সিদ্ধান্ত নির্ভর করে ভবিষ্যৎ সম্পর্কে বিশ্বাসের ওপর, কেউ তা বলুন বা না বলুন।

ভবিষ্যদ্বাণী সেই বিশ্বাসগুলোকে স্পষ্ট ও পরীক্ষাযোগ্য করে। পরের মাসের টিকিটের পরিমাণের একটি পূর্বাভাস, পরিসরসহ, যা ঘটে তার সঙ্গে তুলনা করে উন্নত করা যায়। একটি পরিবর্তনের ঝুঁকির স্কোর দেওয়া মডেল যে পরিবর্তনগুলো ব্যর্থ হয়েছে তার বিপরীতে যাচাই করা যায়। ভালোভাবে করলে এটি আন্দাজের জায়গায় প্রমাণ বসায়। খারাপভাবে করলে আন্দাজের জায়গায় মিথ্যা আত্মবিশ্বাস বসায়: দুই দশমিক পর্যন্ত একটি একক সংখ্যা, এমন একটি মডেল তৈরি করেছে যা কেউ ব্যাখ্যা করতে পারে না, বৈজ্ঞানিক দেখায় বলে বিশ্বস্ত।

ভবিষ্যদ্বাণী ভুল হয় সাধারণ কারণে। অতীতে যে ধরন গুরুত্বপূর্ণ তা ছিল না। মডেল কোলাহলে খাপ খায়। একটি লঞ্চ, নীতি পরিবর্তন বা বিভ্রাট মডেলের শেখা সম্পর্ক ভেঙে দেয়। একটি বিরল ঘটনার পূর্বাভাস করা হয় সাধারণ ঘটনার জন্য বানানো টুল দিয়ে। এই বিষয়টি সেবা ব্যবস্থাপনায় পূর্বাভাস ও ভবিষ্যদ্বাণীর প্রধান ধরন, সহজ ভাষায় পদ্ধতি এবং তাদের সৎ রাখার অভ্যাস বর্ণনা করে। এটি বিশ্লেষণ (বিষয় 7.1 — সেবা ব্যবস্থাপনার জন্য বিশ্লেষণ) ও সক্ষমতা পরিকল্পনার (বিষয় 3.11 — প্রাপ্যতা, সক্ষমতা ও কর্মক্ষমতা) ওপর গড়া, এবং এআইঅপস (বিষয় 5.2 — এআইঅপস) ও ক্লাউডের অর্থনীতির (বিষয় 4.5 — আর্থিক ব্যবস্থাপনা ও ফিনঅপস) সঙ্গে সম্পর্কিত।

মূল ধারণা

পূর্বাভাস ও ভবিষ্যদ্বাণী। পূর্বাভাস সময়ের সঙ্গে একটি পরিমাণের ভবিষ্যৎ মান আন্দাজ করে, যেমন পরের মাসের চাহিদা। ভবিষ্যদ্বাণী আরও বিস্তৃতভাবে একটি অজানা আন্দাজ করে, যেমন একটি পরিবর্তন ব্যর্থ হবে কি না। Wikipedia পূর্বাভাস ও ভবিষ্যদ্বাণীমূলক বিশ্লেষণ বর্ণনা করে। দুটিই অতীত ডেটার ধরন ব্যবহার করে, এবং দুটিই অনিশ্চিত।

সময় ধারা। নিয়মিত বিরতিতে রেকর্ড করা ডেটা। Wikipedia সময় ধারা বিশ্লেষণ বর্ণনা করে। দৈনিক টিকিটের সংখ্যার মতো সেবার অনেক পরিমাণ একটি প্রবণতা (দীর্ঘমেয়াদি বৃদ্ধি বা হ্রাস), ঋতুভিত্তিকতা (সাপ্তাহিক বা বার্ষিকের মতো নিয়মিত চক্র) এবং কোলাহলসহ সময় ধারা। Wikipedia ঋতুভিত্তিকতা বর্ণনা করে। পূর্বাভাসকে তিনটিই হিসাবে ধরতে হয়।

ভিত্তিরেখা। কাজ করতে পারে এমন সরলতম পূর্বাভাস: "পরের সপ্তাহ এই সপ্তাহের মতো হবে", বা "এই মাস গত বছরের একই মাসের মতো, বৃদ্ধির সমন্বয়সহ"। ভিত্তিরেখাকে হারানো বিস্ময়করভাবে কঠিন। একটি পরিশীলিত পদ্ধতিকে সবসময় ভিত্তিরেখার সঙ্গে তুলনা করুন; স্পষ্টভাবে ভালো না করলে ভিত্তিরেখা ব্যবহার করুন।

ক্লাসিক্যাল পদ্ধতি। Wikipedia-য় বর্ণিত এক্সপোনেনশিয়াল স্মুদিং এবং অটোরিগ্রেসিভ ইন্টিগ্রেটেড মুভিং অ্যাভারেজ (ARIMA) মডেলের মতো কৌশল অনেক ধারার প্রবণতা ও ঋতুভিত্তিকতা সামলায় এবং প্রায়ই জটিলতর টুল দিয়ে হারানো কঠিন। এগুলো ব্যাখ্যা করাও সহজ।

মেশিন লার্নিং পদ্ধতি। রিগ্রেশন ট্রি বা নিউরাল নেটওয়ার্কের মতো যে পদ্ধতি অনেক চলক থেকে ধরন শেখে, পরিকল্পিত ঘটনার মতো বাড়তি তথ্য ব্যবহার করতে পারে। Wikipedia রিগ্রেশন বিশ্লেষণ ও সাধারণভাবে মেশিন লার্নিং বর্ণনা করে। প্রচুর প্রাসঙ্গিক ডেটা থাকলে এরা ভালো করতে পারে এবং না থাকলে ওভারফিট করতে পারে। দেখুন বিষয় 5.1 — সেবা ব্যবস্থাপনায় এআই।

ওভারফিটিং ও বৈধতা যাচাই। যে মডেল অতীতের কোলাহলসহ অতীতের সঙ্গে খুব কাছ থেকে মেলে, তা নতুন ডেটায় খারাপ করে। Wikipedia ওভারফিটিং বর্ণনা করে। প্রতিরক্ষা হলো Wikipedia যেমন বর্ণনা করে, মডেল দেখেনি এমন ডেটা আলাদা প্রশিক্ষণ, বৈধতা ও পরীক্ষার সেটে সরিয়ে রাখা, এবং মডেল বানাতে ব্যবহৃত সময়ের চেয়ে পরের সময়ে পরীক্ষা করা। সময় ধারার জন্য একে ব্যাকটেস্টিং বলা হয়; Wikipedia তা বর্ণনা করে।

ফাঁস। মডেলে এমন তথ্য ব্যবহার করা যা ভবিষ্যদ্বাণীর সময় পাওয়া যেত না, যেমন ইনসিডেন্ট সমাধানের পরে পূরণ হওয়া একটি ক্ষেত্র। Wikipedia মেশিন লার্নিংয়ে ফাঁস বর্ণনা করে। এটি চমকপ্রদ পরীক্ষার ফল এবং অকেজো পূর্বাভাস তৈরি করে।

অনিশ্চয়তা ও ব্যবধান। একটি পূর্বাভাস সম্ভাবনার বণ্টন, একটি সংখ্যা নয়। Wikipedia-য় বর্ণিত ভবিষ্যদ্বাণী ব্যবধান একটি পরিসর দেয় যাতে ফল থাকার সম্ভাবনা নির্দিষ্ট। "8,000 থেকে 9,500 যোগাযোগের মধ্যে, সবচেয়ে সম্ভাব্য 8,700"-এর মতো পরিসর জানান। Wikipedia-য় বর্ণিত মন্টি কার্লো পদ্ধতি একটি পরিসর দেখাতে অনেক সম্ভাব্য ভবিষ্যৎ সিমুলেট করে।

পরিস্থিতি। একটি লঞ্চের মতো সিদ্ধান্ত বা ঘটনার ওপর নির্ভর করা বিষয়ের জন্য Wikipedia-য় বর্ণিত পরিস্থিতি পরিকল্পনা একটি পূর্বাভাসের বদলে কয়েকটি বিশ্বাসযোগ্য গল্প বানায় এবং প্রতিটির জন্য পরিকল্পনা করে। ভবিষ্যৎ অতীত থেকে ধরনে ভিন্ন হতে পারলে পরিস্থিতি ব্যবহার করুন।

নির্ভুলতার মাপকাঠি। সাধারণ মাপকাঠি পূর্বাভাসকে ফলের সঙ্গে তুলনা করে, যেমন Wikipedia-য় বর্ণিত গড় পরম শতকরা ত্রুটি এবং নির্দিষ্ট পরিসরে পড়া ফলের অংশ। প্রতিটির দুর্বলতা আছে: মান শূন্যের কাছাকাছি হলে শতকরা ত্রুটি অস্থির হয়। ত্রুটি আপনার কত খরচ করায় তার সঙ্গে মেলে এমন মাপকাঠি বাছুন।

শ্রেণিবিন্যাস ও ঝুঁকির স্কোর। কিছু ঘটবে কি না ভবিষ্যদ্বাণী করা, যেমন একটি পরিবর্তন ব্যর্থ হবে বা একটি টিকিট লক্ষ্য লঙ্ঘন করবে, একটি স্কোর তৈরি করে। Wikipedia নির্ভুলতা ও পুনরুদ্ধার বর্ণনা করে, এমন ভবিষ্যদ্বাণী ভুল হওয়ার দুই উপায়: ভুয়া সতর্কবার্তা এবং মিস। বিরল ঘটনা এটি কঠিন করে: Wikipedia বেস রেট ভ্রান্তি বর্ণনা করে, যেখানে ঘটনা বিরল হলে একটি ভালো-দেখতে শনাক্তকারী বেশিরভাগ ভুয়া সতর্কবার্তা তোলে। সীমা বাছার আগে প্রতিটি ধরনের ত্রুটির খরচ ঠিক করুন।

ক্যালিব্রেশন। একটি ঝুঁকির স্কোর ক্যালিব্রেটেড যদি 20 শতাংশ স্কোর পাওয়া আইটেমগুলোর মধ্যে প্রায় 20 শতাংশ আসলে ঘটে। Wikipedia পরিসংখ্যানে ক্যালিব্রেশন বর্ণনা করে। যে স্কোর ভালো র‍্যাঙ্ক করে কিন্তু ক্যালিব্রেটেড নয়, তা তাদের বিভ্রান্ত করতে পারে যারা একে সম্ভাবনা হিসেবে পড়ে।

সরণ। সেবা, ব্যবহারকারী ও টুল বদলালে সম্পর্ক বদলায়। Wikipedia ধারণার সরণ বর্ণনা করে। গত বছর কাজ করা একটি মডেল নতুন পণ্য লঞ্চের পর ব্যর্থ হতে পারে। সময়ের সঙ্গে নির্ভুলতা মনিটর করুন, এবং তা নামলে পুনঃপ্রশিক্ষণ বা পুনর্নির্মাণ করুন।

বিরল ও চরম ঘটনা। সাধারণ ইতিহাসে প্রশিক্ষিত মডেল অত্যন্ত অস্বাভাবিক ঘটনায় খারাপ করে। Wikipedia কালো রাজহাঁস তত্ত্ব বর্ণনা করে, এই ধারণা যে বিরল, উচ্চ-প্রভাবের ঘটনা সাধারণ ডেটা থেকে অনুমানযোগ্য নয়। লেজের ঝুঁকির জন্য পূর্বাভাসের ওপর নির্ভর করবেন না; পরিস্থিতি, চাপ পরীক্ষা ও মহড়া ব্যবহার করুন। দেখুন বিষয় 3.12 — সার্ভিস ধারাবাহিকতা ব্যবস্থাপনা।

সারি ও সক্ষমতা। চাহিদার পূর্বাভাস সক্ষমতার সিদ্ধান্তে খাওয়ায়। সারি তত্ত্ব এবং লিটলের সূত্র, যা Wikipedia বর্ণনা করে, চাহিদা, সক্ষমতা ও অপেক্ষাকে সম্পর্কিত করে। দেখুন বিষয় 3.11 — প্রাপ্যতা, সক্ষমতা ও কর্মক্ষমতা এবং বিষয় 2.3 — প্রবাহ ও কানবান।

আগে সিদ্ধান্ত। একটি পূর্বাভাস কাজের কেবল তখনই যখন এটি একটি সিদ্ধান্ত বদলায়। একটি বানানোর আগে লিখুন এটি কোন সিদ্ধান্তকে জানায়, কাজের সীমা কী, এবং প্রতিটিতে আপনি কী করবেন। কিছুই না বদলালে পূর্বাভাস করবেন না।

মানব বিচার। মানুষ লঞ্চ, নীতি পরিবর্তন ও ঘটনা সম্পর্কে জানেন, যা কোনো মডেল দেখেনি। মডেলের আউটপুট বিচারের সঙ্গে মেলান, সমন্বয় লিখে রাখুন, এবং পরে যাচাই করুন সেগুলো সাহায্য করেছে কি না।

দৃষ্টিকোণগুলো কীভাবে খাপ খায়। ভবিষ্যদ্বাণী বিশ্লেষণের সামনে-তাকানো দিক। এজাইল অনুশীলন পূর্বাভাসকে একটি অনুমান ধরে, যা ঘন ঘন হালনাগাদ হয়। এআই কৌশল ওপরের সতর্কতাসহ ও পর্যালোচনার অধীনে কী ভবিষ্যদ্বাণী করা যায় তা বাড়ায়। অটোমেশন ভবিষ্যদ্বাণীর ওপর কাজ করতে পারে, যেমন চাহিদার আগে স্কেল করা, সীমাসহ।

সেরা অনুশীলন

  1. আগে সিদ্ধান্ত ও সীমা বলুন। পূর্বাভাসের প্রতিটি পরিসর কোন কাজ ট্রিগার করবে এবং কে সিদ্ধান্ত নেবেন লিখুন। যে পূর্বাভাস কিছুই বদলাবে না তা বাদ দিন।
  2. একটি ভিত্তিরেখা দিয়ে শুরু করুন। একটি সরল পূর্বাভাস বানান, যেমন বৃদ্ধির সমন্বয়সহ গত বছরের ধরন, এবং তার ত্রুটি মাপুন। এটিকে হারানোর মাপকাঠি করুন।
  3. ব্যাখ্যা করা যায় এমন পদ্ধতি পছন্দ করুন। সরিয়ে রাখা ডেটায় জটিলগুলো স্পষ্টভাবে ভালো না হলে ক্লাসিক্যাল পদ্ধতি বা সরল মডেল ব্যবহার করুন। সহজ ভাষায় বলতে পারুন কী পূর্বাভাস চালায়।
  4. সততার সঙ্গে বৈধতা যাচাই করুন। সাম্প্রতিকতম সময় সরিয়ে রাখুন, কয়েকটি সময়কাল জুড়ে ব্যাকটেস্ট করুন এবং ফাঁস যাচাই করুন। মডেল দেখেনি এমন ডেটায় ত্রুটি জানান।
  5. পরিসর ও পরিস্থিতি দেখান। একটি সবচেয়ে সম্ভাব্য মান ও একটি বিশ্বাসযোগ্য পরিসর দিন। যেখানে ঘটনা ধরন বদলাতে পারে সেখানে পরিস্থিতি ব্যবহার করুন। মিথ্যা নির্ভুলতা দেখাবেন না।
  6. জানা ঘটনা অন্তর্ভুক্ত করুন। যাঁরা জানেন তাঁদের কাছ থেকে লঞ্চ, সময়সীমা, ছুটি ও প্রচারণা যোগ করুন। বিচারে করা সমন্বয় লিখে রাখুন।
  7. সীমাকে ত্রুটির খরচের সঙ্গে মেলান। ঝুঁকির স্কোরের জন্য ভুয়া সতর্কবার্তা ও মিসের খরচ ঠিক করুন, সেই অনুযায়ী সীমা স্থির করুন এবং ক্যালিব্রেশন যাচাই করুন।
  8. নির্ভুলতা ও সরণ মনিটর করুন। প্রতিটি পূর্বাভাস ফলের সঙ্গে তুলনা করুন, সময়ের সঙ্গে ত্রুটি ট্র্যাক করুন এবং নির্ভুলতা নামলে পুনঃপ্রশিক্ষণ বা পুনর্নির্মাণ করুন। পূর্বাভাসের একটি লগ রাখুন, যাতে সেগুলো নিরীক্ষা করা যায়।
  9. বিরল ঘটনার ভবিষ্যদ্বাণীতে অতিরিক্ত ভরসা করবেন না। গুরুতর কিন্তু অসম্ভাব্য ঘটনার জন্য পরিস্থিতি, চাপ পরীক্ষা ও মহড়া ব্যবহার করুন।
  10. সিদ্ধান্ত দিয়ে চক্র বন্ধ করুন। নেওয়া সিদ্ধান্ত ও ফল লিখে রাখুন, এবং পূর্বাভাস ও সিদ্ধান্তের নিয়ম উন্নত করতে তা ব্যবহার করুন।

দলের সঙ্গে আলোচনার প্রশ্ন

আজ আমরা ভবিষ্যৎ নিয়ে অনুমানের ভিত্তিতে কোন সিদ্ধান্ত নিই, এবং একটি ভালো অনুমান থাকলে আমরা কী আলাদা করতাম? তালিকা করুন: কর্মী, সক্ষমতা, রিলিজের সময়। কয়েকটি আশা করুন। পরবর্তী ধাপে একটি বেছে সিদ্ধান্তের নিয়ম লিখুন।

আমাদের শেষ তিনটি পূর্বাভাস কতটা নির্ভুল ছিল, এবং আমরা কীভাবে জানলাম? সংখ্যা চান। আশা করুন কেউ যাচাই করেনি। পরবর্তী ধাপে অতীতের পূর্বাভাস প্রকৃতের সঙ্গে তুলনা করুন এবং একটি লগ রাখতে সম্মত হোন।

এর জন্য কাজ করতে পারে এমন সরলতম পূর্বাভাস কী, এবং একটি জটিল মডেলকে ন্যায্য করতে কতটা ভালো হতে হবে? ভিত্তিরেখা বানান। আশা করুন এটি সম্মানজনকভাবে কাজ করে। পরবর্তী ধাপে আরও জটিল কিছু গ্রহণের জন্য ন্যূনতম উন্নতি ঠিক করুন।

আমরা কোন ঘটনা জানি যা ইতিহাসে প্রশিক্ষিত একটি মডেল জানত না? লঞ্চ, সময়সীমা ও নীতি পরিবর্তনের তালিকা করুন। অনেক আশা করুন। পরবর্তী ধাপে ইনপুট বা সমন্বয় হিসেবে সেগুলো কীভাবে অন্তর্ভুক্ত করবেন ঠিক করুন।

পরিবর্তনের জন্য একটি ঝুঁকির স্কোর কীভাবে ব্যবহৃত হবে, এবং ভুয়া সতর্কবার্তা বনাম মিসের খরচ কত? স্পষ্ট ভাষায় আলোচনা করুন। ভিন্ন মত আশা করুন। পরবর্তী ধাপে একটি সীমা এবং প্রথম মাসের ফলের পর্যালোচনায় সম্মত হোন।

পূর্বাভাস বা ভবিষ্যদ্বাণীতে এআই কোথায় সাহায্য করতে পারে, এবং এটি ভুল ছিল আমরা কীভাবে জানব? এআই জটিল ধরন মেলাতে পারে এবং বানাতেও পারে। ভিত্তিরেখার সঙ্গে তুলনা এবং সরণ মনিটরের পরিকল্পনা চান। পরবর্তী ধাপে একটি ত্রৈমাসিক বর্তমান পদ্ধতির পাশাপাশি একটি এআই পূর্বাভাস চালান।

বাস্তবে: সেবা ব্যবস্থাপনার একটি উদাহরণ

একটি জাতীয় শিক্ষার্থী ঋণ সংস্থার একটি সহায়তা ডেস্ক বছরের বেশিরভাগ সময় শান্ত থাকে এবং বার্ষিক আবেদনের সময়সীমার আগের দুই সপ্তাহে অভিভূত হয়। এ পর্যন্ত ডেস্ক প্রধান গত বছরের অভিজ্ঞতা মনে করে একটি মার্জিন যোগ করে চূড়া সামলেছেন। দুই বছর আগে ডেস্কে কর্মী কম ছিল, আর গত বছর অস্থায়ী এজেন্টে বেশি খরচ হয়েছে।

পূর্বাভাস উন্নত করতে বলা সেবা বিশ্লেষক সিদ্ধান্ত দিয়ে শুরু করেন: ছয় সপ্তাহ আগে কত এজেন্ট বুক করবেন, পাঁচজনের ধাপে, দুই সপ্তাহ আগে একটি চূড়ান্ত সমন্বয়সহ। তিনি একটি ভিত্তিরেখা বানান: গত চার বছরের প্রতিটি দিনের জন্য সময়সীমা পর্যন্ত দিনের সাপেক্ষে যোগাযোগের সংখ্যা, এ পর্যন্ত আবেদনকারীর সংখ্যা দিয়ে স্কেল করা। আগের বছরের সরিয়ে রাখা ডেটায় চূড়ার সপ্তাহে ভিত্তিরেখার ত্রুটি 18 শতাংশ। তিনি আবহাওয়া, সামাজিক মাধ্যমের উল্লেখ ও সপ্তাহের দিন যোগ করা আরও জটিল একটি মডেল চেষ্টা করেন। একই সরিয়ে রাখা বছরে এটি ত্রুটি 15 শতাংশে উন্নত করে, কিন্তু তার আগের বছরে ভিত্তিরেখার চেয়ে খারাপ, এবং কেউ কারণ ব্যাখ্যা করতে পারে না। তিনি নতুন আবেদনকারীর সংখ্যার জন্য একটি সরল সমন্বয়সহ ভিত্তিরেখা বাছেন, এবং প্রধানকে একটি পরিসর দেখান: চূড়ার সপ্তাহে 11,000 থেকে 14,500 যোগাযোগ, সবচেয়ে সম্ভাব্য 12,500।

তিনি ব্যবসার কাছে জানা ঘটনা সম্পর্কে জিজ্ঞাসা করেন। সময়সীমার দুই সপ্তাহ আগে একটি নতুন অনলাইন ফর্ম চালু হবে, যা যোগাযোগ বাড়াতে বা কমাতে পারে। তিনি দুটি পরিস্থিতি বানান: একটিতে ফর্ম যোগাযোগ 15 শতাংশ কমায়, আরেকটিতে বিভ্রান্তির কারণে 10 শতাংশ যোগ করে। প্রধান পরিসরের মাঝামাঝির জন্য বুক করেন, ঊর্ধ্ব পরিস্থিতির জন্য এজেন্টদের একটি অন-কল পুলসহ। বিশ্লেষক পূর্বাভাস, পরিস্থিতি ও সিদ্ধান্ত লিখে রাখেন।

যা বদলায়: চূড়ার সপ্তাহে প্রকৃত যোগাযোগ 13,800, পরিসরের মধ্যে, এবং ডেস্ক বেশি খরচ ছাড়াই লক্ষ্য পূরণ করে। যা এখনো কঠিন: ফর্ম লঞ্চ সত্যিই বিভ্রান্তি যোগ করেছিল, যা কেবল ঊর্ধ্ব পরিস্থিতি অনুমান করেছিল; পূর্বাভাস আবেদনকারীদের ডেটার ওপর নির্ভর করে যা দেরিতে আসে; এবং একজন সিনিয়র ব্যবস্থাপক একটি একক সংখ্যা চেয়েছিলেন, যা বিশ্লেষক পরিসরসহ দেন। তিনি ত্রুটি, সবচেয়ে সম্ভাব্য মানের সাপেক্ষে 10 শতাংশ, লিখে রাখেন এবং এটি ভিত্তিরেখা ও পরের বছরের সঙ্গে তুলনা করার পরিকল্পনা করেন।

চারটি দৃষ্টিকোণ

পণ্য ও ডেলিভারি দল

লঞ্চ, পরিবর্তন ও প্রচারণা সম্পর্কে বিশ্লেষকদের আগেভাগে জানান, কারণ এগুলো চাহিদা ও ঝুঁকি সরায়। ভবিষ্যদ্বাণীর প্রয়োজনীয় ডেটা দিন, এবং ঝুঁকির স্কোর রায় হিসেবে নয়, প্রশ্নের ইঙ্গিত হিসেবে ব্যবহার করুন।

সেবা ও অপারেশন দল

কর্মী ও সক্ষমতা পরিকল্পনায় পূর্বাভাস ব্যবহার করুন, ঊর্ধ্ব পরিস্থিতির জন্য মার্জিনসহ। পূর্বাভাস কোথায় ও কেন ভুল ছিল জানান, যাতে পদ্ধতি উন্নত হয়।

নেতৃত্ব ও শাসন

সিদ্ধান্ত, ভিত্তিরেখা, পরিসর ও নির্ভুলতার ট্র্যাক রেকর্ড চান। অনিশ্চয়তা মেনে নিন। ডেটা এবং পূর্বাভাস যাচাইয়ের সময়ে অর্থ দিন। একক সংখ্যা দাবি করবেন না।

গ্রাহক ও ব্যবহারকারী

সরবরাহকারীরা চূড়া ও ঝুঁকির জন্য প্রস্তুত হলে আপনি উপকৃত হন। চাহিদাকে প্রভাবিত করতে পারে এমন আপনার নিজের পরিকল্পনা, যেমন প্রচারণা, সরবরাহকারীকে জানান, এবং পূর্বাভাস ভুল ছিল বলে ইঙ্গিত দেয় এমন সমস্যা জানান।

এজাইল, এআই, অটোমেশন ও বিশ্লেষণ

এজাইল

পূর্বাভাসকে অনুমান ধরুন, ঘন ঘন হালনাগাদ করুন এবং প্রতিটি সময়কালের পর যাচাই করুন। অনুমানে অংশীজনদের জড়ান। সতর্কতা: আগের পূর্বাভাস না লিখে ক্রমাগত পুনঃপূর্বাভাস করলে সেগুলো কতটা ভুল ছিল তা লুকায়।

এআই

এআই পদ্ধতি অনেক চলক ও অকাঠামোবদ্ধ সংকেত মডেল করতে এবং পূর্বাভাসের সারসংক্ষেপ খসড়া করতে পারে, পর্যালোচনার অধীনে। একজন মালিকের নাম দিন, ভিত্তিরেখার সঙ্গে তুলনা করুন এবং সরণ মনিটর করুন। সতর্কতা: পরিসর বা সরিয়ে রাখা ডেটায় পরীক্ষা ছাড়া একটি এআই পূর্বাভাস চকচকে পৃষ্ঠের একটি অনুমান। দেখুন বিষয় 5.1 — সেবা ব্যবস্থাপনায় এআই।

অটোমেশন

ডেটা সংগ্রহ, পূর্বাভাস চালানো এবং নির্ধারিত সতর্কবার্তা, এবং যেখানে নিরাপদ, প্রত্যাশিত লোডের আগে স্কেল করার মতো কাজ স্বয়ংক্রিয় করুন, সীমাসহ। সতর্কতা: ভুল পূর্বাভাসের ওপর স্বয়ংক্রিয় কাজ অর্থ নষ্ট বা ক্ষতি করতে পারে; সীমা বসান এবং পর্যালোচনা করুন। দেখুন বিষয় 6.1 — অটোমেশন কৌশল।

বিশ্লেষণ

পূর্বাভাসের ত্রুটি, ব্যবধানের আচ্ছাদন, ঝুঁকির স্কোরের ক্যালিব্রেশন এবং নেওয়া সিদ্ধান্তের মূল্য মাপুন। সতর্কতা: কম গড় ত্রুটির একটি মডেল সবচেয়ে গুরুত্বপূর্ণ চূড়ায় ব্যর্থ হতে পারে; যেখানে ত্রুটির খরচ সবচেয়ে বেশি সেখানে মূল্যায়ন করুন। দেখুন Service Management Metrics বই এবং বিষয় 7.1 — সেবা ব্যবস্থাপনার জন্য বিশ্লেষণ।

সাধারণ ব্যর্থতার ধরন

  • যে পূর্বাভাস কিছু বদলায় না। কোনো সিদ্ধান্ত তাদের ওপর নির্ভর করে না। সিদ্ধান্ত থেকে শুরু করুন।
  • জটিল মডেল, ভিত্তিরেখা নেই। এটি সরলটির চেয়ে ভালো করে না। সবসময় তুলনা করুন।
  • ওভারফিটিং ও ফাঁস। চমৎকার পরীক্ষার ফল, দুর্বল বাস্তবতা। পরের ডেটা সরিয়ে রাখুন এবং ইনপুট যাচাই করুন।
  • একক সংখ্যা। মিথ্যা নির্ভুলতা। পরিসর ও পরিস্থিতি দেখান।
  • জানা ঘটনা উপেক্ষা। একটি মডেল লঞ্চ মিস করে। মানুষ যা জানে তা যোগ করুন।
  • মনিটরিং নেই। সরণ অলক্ষ্যে থাকে। সময়ের সঙ্গে নির্ভুলতা ট্র্যাক করুন।
  • বিরল ঘটনার ভবিষ্যদ্বাণীতে ভরসা। লেজের ঝুঁকির দাম ভুল ধরা হয়। পরিস্থিতি ও মহড়া ব্যবহার করুন।

পরিপক্বতা মডেল

মাত্রা সূচনা বিকাশ মানসম্মতকরণ ব্যবস্থাপনা সমন্বয়
সিদ্ধান্ত ও ভিত্তিরেখা অনুমান কিছু পূর্বাভাস ভিত্তিরেখাসহ নামযুক্ত সিদ্ধান্তে বাঁধা পূর্বাভাস পূর্বাভাসের মূল্য পর্যালোচিত সেবা জুড়ে পরিকল্পনায় একীভূত পূর্বাভাস
পদ্ধতি ও বৈধতা যাচাই অযাচাইকৃত মৌলিক পদ্ধতি ব্যাখ্যাযোগ্য পদ্ধতি, ব্যাকটেস্টিং ও ফাঁস যাচাই পদ্ধতি তুলনা ও উন্নত একটি পোর্টফোলিও জুড়ে বাছা ও মনিটর করা পদ্ধতি
অনিশ্চয়তা একক সংখ্যা কিছু পরিসর পরিসর ও পরিস্থিতি মানক ব্যবধানের আচ্ছাদন ও ক্যালিব্রেশন মাপা সীমাসহ স্বয়ংক্রিয় সিদ্ধান্তে ব্যবহৃত অনিশ্চয়তা
মনিটরিং নেই মাঝে মাঝে পর্যালোচনা নির্ভুলতা ও সরণ ট্র্যাক করা প্রমাণ দিয়ে ট্রিগার হওয়া পুনঃপ্রশিক্ষণ ও পুনর্নির্মাণ মডেল জুড়ে ধারাবাহিক মূল্যায়ন

চেকলিস্ট

  • প্রতিটি পূর্বাভাস যে সিদ্ধান্ত ও সীমাকে জানায় তার নাম দেয়।
  • আমরা প্রতিটি মডেল একটি সরল ভিত্তিরেখার সঙ্গে তুলনা করি।
  • আমরা সরিয়ে রাখা পরের ডেটায় বৈধতা যাচাই করি এবং ফাঁস দেখি।
  • আমরা পরিসর জানাই এবং যেখানে ঘটনা ধরন বদলাতে পারে সেখানে পরিস্থিতি ব্যবহার করি।
  • ব্যবসার জানা ঘটনা অন্তর্ভুক্ত বা সমন্বয় হিসেবে লেখা।
  • ঝুঁকির স্কোরের একটি সীমা আছে যা ভুয়া সতর্কবার্তা ও মিসের খরচে ঠিক করা, এবং আমরা ক্যালিব্রেশন যাচাই করি।
  • আমরা পূর্বাভাস লগ করি, ফলের সঙ্গে তুলনা করি এবং সরণ মনিটর করি।
  • আমরা বিরল, গুরুতর ঘটনার জন্য পরিস্থিতি ও মহড়া ব্যবহার করি।

এআই প্রম্পট

ডেটা থেকে একটি ভিত্তিরেখা বানান।

Here is a monthly count of [quantity] for the last [number] years: [paste].
Describe the trend and seasonal pattern, produce a simple baseline forecast for the next [period] (state the method and show the calculation), and give an approximate range based on the spread in past years. Do not use any method that needs data I have not provided.
List what you are unsure of.

একটি পূর্বাভাসের প্রতিবেদন যাচাই করুন।

Here is a forecast report and how it was built: [paste].
List problems: no baseline comparison, no validation on held-back data, possible leakage, single numbers without ranges, missing known events, and claims that are stronger than the evidence. Quote the text for each. Do not redo the forecast.
List what you are unsure of.

পরিস্থিতি খসড়া করুন।

The decision: [describe]. The uncertain event: [describe]. What we know: [list].
Draft three scenarios (low, middle, high) with the assumption behind each, what we would see early if it were happening, and how our plan would differ. Do not assign probabilities.
List what you are unsure of.

এআই স্কিল

  • demand-forecasting: নির্দিষ্ট অনিশ্চয়তাসহ ভবিষ্যৎ চাহিদা আন্দাজ করতে ব্যবহার করুন।
  • capacity-planning: পূর্বাভাসকে সক্ষমতার সিদ্ধান্তে পরিণত করতে ব্যবহার করুন।
  • trend-analysis: প্রবণতা ও ঋতুভিত্তিকতা বিশ্লেষণ করতে ব্যবহার করুন।
  • statistical-analysis: পদ্ধতি বাছতে ও যাচাই করতে ব্যবহার করুন।
  • budget-forecasting: অনুমানসহ খরচের পূর্বাভাস করতে ব্যবহার করুন।

মূল সূত্র

  • Rob J. Hyndman and George Athanasopoulos, Forecasting: Principles and Practice (otexts.com/fpp3-এ বিনামূল্যে অনলাইনে): পূর্বাভাস পদ্ধতি নিয়ে একটি স্পষ্ট, ব্যবহারিক পাঠ্য।
  • Nate Silver, The Signal and the Noise (2012): ভবিষ্যদ্বাণী ও তার ফাঁদ নিয়ে একটি পাঠযোগ্য বিবরণ।
  • Wikipedia, "Forecasting" ও "Overfitting": ক্ষেত্র ও তার প্রধান ফাঁদের পরিচিতি।
  • Wikipedia, "Prediction interval": অনিশ্চয়তা কীভাবে প্রকাশ করবেন।

তথ্যসূত্র

  1. Forecasting — Wikipedia — https://en.wikipedia.org/wiki/Forecasting
  2. Predictive analytics — Wikipedia — https://en.wikipedia.org/wiki/Predictive_analytics
  3. Time series — Wikipedia — https://en.wikipedia.org/wiki/Time_series
  4. Seasonality — Wikipedia — https://en.wikipedia.org/wiki/Seasonality
  5. Exponential smoothing — Wikipedia — https://en.wikipedia.org/wiki/Exponential_smoothing
  6. Autoregressive integrated moving average — Wikipedia — https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average
  7. Overfitting — Wikipedia — https://en.wikipedia.org/wiki/Overfitting
  8. Backtesting — Wikipedia — https://en.wikipedia.org/wiki/Backtesting
  9. Prediction interval — Wikipedia — https://en.wikipedia.org/wiki/Prediction_interval
  10. Scenario planning — Wikipedia — https://en.wikipedia.org/wiki/Scenario_planning
  11. Concept drift — Wikipedia — https://en.wikipedia.org/wiki/Concept_drift
  12. Base rate fallacy — Wikipedia — https://en.wikipedia.org/wiki/Base_rate_fallacy

সেবা ব্যবস্থাপনা নির্দেশিকা — এজাইল, এআই, অটোমেশন ও বিশ্লেষণসহ সেবা ব্যবস্থাপনা।

উৎস ও অবদান: github.com/service-management-guide. যা দিয়ে তৈরি Lily Design System™.

প্রতিষ্ঠাতা Joel Parker Henderson.