Callcenter-Routing-Simulation in Python

Simulation von Routing-Strategien in Callcentern: Code und Metriken

Ein diskret-zeitliches Modell ermöglicht den Vergleich von Strategien zur Verteilung eingehender Anrufe an Agenten: Sequential (sequenzielle Abfrage), Round Robin (Round-Robin) und Longest Idle (Auswahl nach maximaler Leerlaufzeit). Die Analyse konzentriert sich auf KPIs (SLA, Wartezeit, Warteschlangenlänge) und Fairness-Metriken (Gini-Index, Variationskoeffizient).

Das Modell erzeugt einen Poisson-Anrufstrom, simuliert Agentenzustände (idle, busy, offline) und sammelt Daten zur Visualisierung der Lastverteilung. Alle Parameter sind zentral in config.py mit Typisierung via dataclass und JSON-Serialisierung für Reproduzierbarkeit.

Anwendung des Modells in Entwicklung und Test

Für Entwickler dient das Modell als Sandkasten: Das Prototyping von Strategien deckt Probleme früh auf, ohne reale Last.

Tester nutzen es für:

• Validierung von Simulationen gegen Produktionsdaten als digitaler Zwilling.
• Belastungstests: Anrufspitzen, Agentenausfälle, Engpasserkennung.

Kunden (Callcenter-Manager) führen What-if-Analysen durch:

• SLA-Bewertung bei Strategieänderungen.
• Lastprognose bei Agenteneinstellungen.
• Fairnessvergleich bei unterschiedlichen Traffic-Intensitäten.

Projektarchitektur

Modulare Struktur mit src-Layout, kompatibel mit Colab und lokalen Umgebungen. Editierbare Installation via pyproject.toml mit Auto-Paketentdeckung und pytest.

Wichtige Module:

• src/ccsim/config.py: SimulationConfig mit seed, lambda_rate, num_agents usw.
• src/ccsim/agents.py: Agent-Klasse mit Zuständen und Poisson-Ereignissen.
• src/ccsim/strategies.py: RoutingStrategy-Unterklassen für Erweiterbarkeit.
• src/ccsim/simulation.py: Diskrete Ereignisschleife und Verarbeitung.
• src/ccsim/metrics.py: Gini und CV für Anrufe und Busy-Time.
• src/ccsim/visualization.py: KDE-Verteilungen und Warteschlangendynamik.
• main.py: Orchestrierung und Speichern in runs/<timestamp>.
• tests/test_strategies.py: Überprüfung von Randfällen.

Colab-Ausführung: Aus Notebook generieren, editierbare Installation, main.py ausführen. Tests via pytest mit HTML/JUnit-Berichten.

Simulationsparameter

SimulationConfig definiert:

| Parameter | Beschreibung |

|------------------------|------------------------------|

| seed | Initialisierung des Zufallszahlengenerators |

| lambda_rate | Anrufintensität (Anrufe/Sek.) |

| num_agents | Anzahl der Agenten |

| num_calls | Gesamtzahl der Anrufe |

| min_call_duration, max_call_duration | Dauerbereich |

| agent_logout_prob, agent_login_prob | Stochastische Verfügbarkeit der Agenten |

| max_queue_size | Limit der Warteschlange |

| service_level_threshold| SLA-Schwelle (Sek.) |

| max_simulation_steps | Limit der Simulationsschritte|

Beispiel: lambda_rate [0,65, 0,75, 0,85] modelliert niedrige/Schwellen-/hohe Last. Der Variationskoeffizient hebt Fairness-Unterschiede am besten hervor.

Ergebnisse des Strategievergleichs

Bei lambda_rate=0,70 zeigt Sequential ungleichmäßige Auslastung (KDE-Plots). Round Robin und Longest Idle sind einheitlicher. Bei niedriger Last (0,65) sind Unterschiede in der Anrufverteilung maximal; bei Überlast konvergieren sie.

Plots: combined_busy_times_kde.png für Auslastungszeiten, Anrufverteilungen pro Agent.

Wichtige Punkte

• Modell vergleicht Sequential, Round Robin, Longest Idle hinsichtlich KPIs und Fairness (Gini, CV).
• Flexibles config.py mit JSON für What-if-Szenarien.
• Modular: Neue Strategien via Vererbung von RoutingStrategy.
• Visualisierung von Warteschlangendynamik und KDE-Lastverteilungen.
• Tests decken Randfälle ab: Leere Warteschlange, keine Agenten.

Erweiterungen des Modells

Ergänzen:

• Heterogene Agenten (Fähigkeitsstufen, Schichtpläne).
• Fähigkeitsbasiertes und prädiktives Routing.
• Zyklizität des Traffics, Wiederholungsanrufe.
• Roboteragenten, Ermüdungsfaktoren.

— Editorial Team