服务预测与排班是大部分服务行业有效管理的关键环节,尤其是客服中心,对服务预测准确度要求高,对排班的舒适性和效率均衡的博弈最为繁复,以至每个客服中心都有一个老法师一般的Excel高手,或出神入化,或大道至简地进行着预测与排班。
话务预测可不是掐指一算就能算准的,其预测依据主要是客服中心的历史话务,从历史话务中寻找规律和一般趋势,再根据行业未来景气状况和企业总体发展态势设置合理的企业趋势系数。
数据清洗这名词看着就透着些许逼格,但在这里,做法挺简单,就是把一些因为各种原因导致的话务突增的历史数据给清理掉,因为这些数据往往因为一次故障或者某个促销活动,导致历史上某天的某些时段话务量大大超过正常值,而此类事件往往不会重复发生或者不确定在何时重复发生。这样的数据就要在历史数据中清理掉,否则某些时间点上偶发事件的话务量会造成预测结果的很大偏差。
我们需要在历史话务数据的每个分时值上添加一个新的属性——标准差。(标准差在数据统计和质量管理方面有极广泛的应用,具体概念及使用范围请自行搜索,在excel中有一个自带公式计算标准差:stdev)我们对历史数据中的每个分时值都按照周、月可以分别统计计算出均值和标准差,针对具体的每个历史话务分时值,也就有了与均值的差是标准差的倍数的一个关键值。
从图2中可以发现,一个数据在周和月维度上的同系列值形成周和月的平均值、标准差,并依照与平均值的差形成的标准差倍数作为这个数据是否该被清洗掉的判断依据。在图2中,这个数据在周维度上落在允许的波动范围内,而在月维度上超过了1个标准差的上限。若采用苛刻的OR规则,两个标准差中有一个超过上限,这个数据就会被清洗掉;在图2中,是采用了宽容的AND规则,则只有在两个维度上都超过标准差倍数上限,这个数据才会被清洗掉。
通过数据清洗,我们把不可信的历史数据都清洗掉了,剩下的数据就可以生成周、月维度的分时平均值,这个均值就去掉意外事件对预测的干扰。接下来,我们就要利用这两个维度的均值分别乘以权重系数再乘以月度系数生成预测值。
假设清洗后的(多个周一的上午10点30分话务量)周平均值为1210,(多个月4号的上午10点30分话务量)月平均值为1500,那要如何来确定这个周权值、月权值和月系数呢?
月度系数的产生是以2017年9、10 、11月的年度话务占比除以最近4年这三个月的年度话务占比的平均值,计算出三个值,求平均。若2017年9月的单元格是L11的话,公式是:(L11/L12+M11/M12+N11/N12)/3 算出结果1.004 。(这里需要注意,若月度是1月或2月,则需要考虑春节所在月和上几年是否一致,若不一致就不能简单用这个方式计算。需要将假日话务特殊对待,在后一节中会说到如何处理。)
希望看到这里您没晕,接下来我们要确定周权值和月权值。我们的入门教程就只讲简化版的,我们假设周权值+月权值=1。并且根据经验值设置一个值,比如周权值是0.6,月权值是0.4。接下来,我们按这个权值和月系数,计算出11月的预测话务,因为11月实际话务已经产生(一般预测在11月下旬,可以将未发生的话务以11月的预测值来作为11月的实际值),并且异常数据已经剔除,可以将两者一一对应相减求绝对值,全月的差额绝对值之和在可接受的范围内,则说明这个周、月权值设置是合理的。
但作为精益求精的排班师来说,节日话务是不得不考虑的。尤其是国庆长假和春节长假,其话务特征迥异平日。如银行信用卡中心的话务在国庆节前一到两天话务量就高企,假期中则话务量下降,到长假第七天和节后的三四天话务量也会保持在较高位。对于如此有固定特征的节日,就需要把节前2天加上节后3天,一共12天时间的话务整块挖出,单独处理。与往年的假期一一对应,构建假日分时话务模型,同时调整增长系数,生成节假日的预测量,再替换掉现有预测结果中相应的日期。
要点:节假日话务要单独处理,尤其是有固定话务特征的节假日尤其需要认真对待,这将大大影响节假日的排班,而假日排班则是排班师需要细调班务的重点。
话务预测并不是要做到毫厘不差,而是预测结果与实际偏差控制在一定区间内,在这个区间内,后续班务的人力安排能够覆盖,从而使得接通率和服务水平控制在稳定的水平内。
而在处理能力范围内,预测时能考虑到的要素越多,能正确量化、计算这些要素,则话务预测的准确度就越高,而之后的人员排班就越合理。现场的调度意料之外的突发状况就越少,就越能体现客服中心的运营水平。要达到很高的水准就不能仅仅依赖排班师的经验和粗略工具了,而是需要引入符合客服中心实际的预测与排班系统了。
上一篇:如何让呼叫中心现场运营稳定?
下一篇:客服班组长如何做好日常管理?