例如我们所运营的交通服务类的业务，服务需求的发生主要受人群、假日、活动、季节、天气、政策等等因素的影响，在进行服务量预测时候便需要借助大量数据分析技术，对人群——所服务城市的服务量占比、人员规模占比、人员的季节性流程趋势及周期性流动趋势进行跟踪预测：
有了精准的预测之后，下一步就是人员需求要求及排班的流程，人员需求要求简单来说就是人力的计算以及人员属性的配置。
目前呼叫中心当中主流的人力计算方法主要有线性计算方式及基于ErlangC公式的人力计算方式，两种方式目前基本可以满足各企业对于服务指标保障的需求，但是随着人员管理精细化要求的提升，特别是在面向大型、多元化、多座席组别，多路由策略的呼叫中心来说，这两种预测方式已渐渐脱离企业对于预测准确度的要求。
所以目前很多大型呼叫中心已开始使用基于计算机技术的计算机模拟法进行计算，所谓计算机模拟法就是将预测的颗粒细化到手工无法支撑更小时段，结合实际路由，座席员属性，中继线组合，预测弃呼参数，耗损参数等数据通过计算运算中心模拟呼叫中心实际话务参数、队列状态、座席员状态等情况。
类似于我们接触比较多的天气预报，就是结合实时的云层动态和历史情况来预测天气一样，通过不断地案例收集，精度会不断的提高。同时计算机模拟法还能模拟特殊事故发生下的业务参数情况，来寻求更精确的人力计算结果。
排班所追求的是座席员对于班表满意度的反馈，目前手工班表面临的压力一是员工班次偏好收集和预测，再一个便是手工班表的产出效率。
目前，在面对几百号座席员的班表安排时，排班管理者无法对每一个的员工的喜好进行良好的评估，因此当下的呼叫中心排班基本上都是在班时平衡上煞费苦心，想通过班次的平衡来提升排班满意度，于此同时为了迎合座席员的个性化需求，部分呼叫中心会在排班周期前调研员工需求，班表下发后开设简单快捷的换班途径，来提升排班满意度。
对于班表的产出效率，排班管理者在接收到业务场景变更或者需求变更的问题后，从新预测的调整到新班表的下达，所需要的排班周期一般都得几个小时的处理时间，而且随着运营规模的大小和复杂程度还要增加。而呼叫中心话务趋势本身会受很多像天气的突发因素的影响，是一个动态的变化过程，需要排班管理者及时作出回应及修订，在此过程无论对于排班管理者来说还是对于业务需求来说都是一个比较大的挑战。
记忆存储能力和运算能力是智能计算机的优势，面临此类问题我们不妨考虑交给人工智能来处理，通过对每个座席员属性、历史班次记录，出勤情况等参数进行分析，做出每个呼叫中心座席员的自画像，定义每个员工的偏好班时，在进行班表排布时，在设定的平衡规则内，由每个座席员的偏好属性安排相应的偏好班次。
实时管理为排班管理流程当中的最后一步，主要作用便是对于排班结果的跟踪及执行的监控。
新技术的发展给我们带来挑战的同时，更多的还是给了我们新的问题处理方法，例如实时监控中的问题，通过大数据技术及计算技术的结合，可以实时的监控业务服务量的波动，并且给出新的预测结果和建议解决方案。同样对于座席员执行水平的监控，利用智能识别技术可以保障座席员按时准确的出勤，而且可以对座席员的工作水平进行跟踪，保障座席员解答的准确性。
当下有很多公司引人了健康管理系统，员工每天上班后的健康状态、情绪水平都会被准确的纳入监控管理，在体现企业的人性化管理，增加员工归属感的同时，保障企业人员有一个良好的工作状态和效率。
总之，随着科技技术的成熟与发展，呼叫中心行业在不久的将来就会迎来新一轮的技术变革。这种高新技术的变革，对我们当前相对传统的管理方式来说是一种挑战，更是一种机遇。挑战是逼迫我们从机械简单的工作当中总结经验，优化工作流程，提升工作效率及产能。机遇是原本很多因为操作流程复杂或者搭建成本过高的细致化管理理念和方法都将有机会被付诸实践。
我相信，随着科技技术的加入，未来的呼叫中心排班管理当中人员舒适水平和话务趋势需求的症结将会变得更加顺畅，我们一直所摸索的效率和满意度的平衡点将更加清晰。
下一篇：跳出排班本圈看预期
