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。
网络上也能找到一些前辈们的预测与排班的概括指导或经验之谈，但多数文章在实际操作层面语焉不详或点到为止，对于亟需手把手指导的排班菜鸟来说，往往看得云山雾绕。
本文试图为菜鸟排班师提供一个浅显的服务量预测入门，文中提供的方式是极简甚或简陋的，方便新排班师入门理解之用，可以通过Excel工具进行适合自己业务情况的粗略的服务预测，并在此基础上优化、添加符合本中心特点的算法或预测因素。
需要说明的是，如今在很多客服中心，非语音服务占比已经超过了语音服务量，非语音服务的预测原理和语音服务是共通的，下文中将语音服务和非语音服务统称为话务。
1
基础准备
话务预测的第一步工作是要搞清楚，客服中心是分成几个组别进行接续的，一般小型客服中心会在IVR中设置不同的来电通路，如业务咨询、投诉建议等，但进入人工服务的时候，实际上是进入到同一个队列中。在大型客服中心，往往会对VIP提供服务质量更高的服务，或者将电话服务与在线客服分开，分别由两拨或更多分组的人各自接续。
各自独立且正常情况下不溢出话务的分组就需要单独预测话务，所需的历史话务数据，及预测结果都是按分组呈现的。
要点：明确客服中心的话务预测是否分组，分成几个组。
2
数据获取
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。
所以，准备工作的第一步是要获得较长时间段的完整历史话务，一般客服中心是按半小时作为一个时间节点来统计基础数据，计算各类指标。一天48个数据，一年17520个数据，每个数据下文简称时间点话务（量）。为了让预测依据更扎实，有条件的客服中心可以用最近四年的月汇总话务量，也就是有48个月度数据，和最近一年的分时话务量作为预测的基础数据。现在社会发展日新月异，更早的分时数据已没多大参考价值。
要点：我们先拿到最近4年的月汇总话务量，以及最近1年分时话务量。
3
数据维度
在这个入门指南中，将每一个分时（半小时）数据的维度拓展到月和周的维度，换句话说，一天48个半小时的时间片段中任意一个数据都带有day和weekday两个属性。如图1中，8月28日这一天是周一。我们取上午10点30分的数据为例，这个时间点，可以作为周一上午10点30分话务量平均值的来源，也可以作为每月第28天上午10点30分的话务量平均值来源。于是我们可以得出周一上午10点30分的话务量均值为1210，每月28日上午10点30分的话务量均值为1400。
[图1：]话务量平均值计算数据来源
到这一步，大家已经了解到这种简化预测方式的核心：平均值，我们预测结果都是从相应的维度均值乘以相应的系数得来的。大部分客服中心都有周规律特征或月规律特征，我们就从这两个维度的规律特征入手，分别计算这两个维度下的日分时话务量均值。
要点：每个时间点话务量，都带有周维度（weekday）和月维度（day）。
4
数据清洗
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。
以图1中8月周一上午10点30分的值，分别从周和月的维度上计算平均值和标准差，以及当前值与平均值的差，以及这个差值与标准差的倍数。这么说可能有的人有点晕。看下面的图2就明白了。
[图2：]话务量数据清洗方法
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。
采取OR规则还是采取AND规则，可以根据客服中心实际情况进行测试，一般来说规律性越强的倾向于采取OR规则，而波动性较大的客服中心更适用AND规则。
要点：数据清洗是在周、月维度上检查每个历史话务值是否可信，把历史话务中的“噪音”清洗掉，可以得到可信赖的预测依据。
5
权重系数
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。
公式可以写成:预测值=（周平均值*周权值+月平均值*月权值）*月系数
我们以预测12月的话务量，以12月4日（周一）上午10点30分的预测量生成为例来说明这个过程。
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？
我们先来获得月系数，我们把之前准备好的48个月的月话务量列成表格，这里请注意，由于2017年12月的月话务是待预测的值，所以我们准备的前48个月的月话务量最早的值是2013年12月的，在这里为了方便计算，把2013年的12月话务量计入2014年，2014年12月话务量计入2015，以此类推。结果如表1。
[表1：]排列话务量数据求取预测加权系数
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。
既然Excel如此强大，完全可以在Excel中通过规划求解的方式来获取最优的周、月权值。（具体过程请自行搜索学习，不再赘述）
要点：通过计算月度系数、周、月权重的方式，来获得话务预测的加权系数。
6
节日调整
在获得了周、月均值，周、月权重和月度系数的前提下，话务量计算水到渠成。当你看到1440（30天）个话务预测结果时，成就感满满！
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。
如此，一份为期30天，1440个节点的话务预测结果就新鲜出炉了。
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。
7
总结
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。
