呼叫中心排班三步走之预测篇,话务预测,是科学，更是艺术-巨人网络通讯

主页 > 知识库 > 呼叫中心排班三步走之预测篇,话务预测,是科学，更是艺术

呼叫中心排班三步走之预测篇,话务预测,是科学，更是艺术

　　随着呼叫中心规模的日益扩大和服务水平、运营管理的要求不断提高，如何在现有人力条件下达到服务水平目标、合理安排人力、优化现场管理成为排班师面临的巨大挑战。呼叫中心劳动力管理（WFM），也就是常说的排班包含了话务预测、人力安排、现场管理三个基本步骤。在本文中，针对这三个步骤，把笔者近年来参与排班项目的一些体会与大家分享。

为什么要做话务预测

　　作为受理用户电话呼叫的窗口部门，衡量呼叫中心最直观的指标就是服务水平。按照Erlang法则，服务水平受到话务量、平均处理时长和座席数目的影响。准确的预测话务量是进行人力安排的依据，也是达到期望服务水平的根本。

历史数据，话务预测的基石

选取具有相关性的历史数据
历史数据并非越多越好，最长不宜超过两年

　　进行话务预测，首先要收集大量的历史数据，但历史数据并非越多越好。首先，历史数据太多会加大工作量，无论是手工计算还是采用排班系统都会增加处理负担；其次，过多的数据量有可能对预测准确度产生负面影响。举例来说，某银行去年曾搞过一次信用卡销售促销活动，活动效果不错，信用卡客户激增15％，由于客户激增，活动之前的话务量数据就没什么参考价值了，仅仅选择活动之后的历史数据进行预测更贴近实际。　　

历史数据统计间隔一般选择15分钟

　　历史数据统计间隔以多长时间为宜呢，是15分钟？还是30分钟？统计间隔越小，越能反映实际话务量变动，如果统计间隔较大，由于平均值计算的削峰平谷特性，导致不能反映出统计间隔内的实际话务变动。但统计间隔也不能无限度的小，统计间隔至少要大于1个平均通话时长，根据经验，通常选3－4个通话时长，因此，一般我们推荐15分钟，只有在平均通话时长很长（如超过10分钟）的情况下考虑加大统计间隔到30分钟。

AHT是历史数据必不可少的组成部分

　　收集历史数据，不仅要收集话务量，平均通话时长（AHT）也是一个必须收集的参数。众所周知，影响服务水平的因素有话务量、座席数，还包括平均通话时长。平均通话时长与服务水平成反比，在座席数相同的情况下，平均通话时长越长，服务水平越低；反之，要维持恒定的服务水平，AHT越长，则需要安排的座席人员越多。而每个座席由于熟练度的不同，AHT不一致；即使同一个座席，在班次开始时，AHT一般较短，但临近下班时，AHT会变长。由此可见，AHT并不完全取决与座席熟练度，还与时段、座席心情等多种因素相关，因此，收集历史AHT对人力安排有很重要的意义。

话务预测模型如何构建

　　利用历史数据来进行预测，有几方面的因素需要考虑：

历史数据是不是全部相关，不相关数据如何处理
从历史数据分析话务变化趋势，同时要根据自身话务特点考虑时段因素

　　前面已经说过，历史数据并非越多越好，缺乏相关性的数据不仅不会给预测带来帮助，还会产生负面影响，影响预测的准确性。那么，什么是相关呢？回到我们收集历史数据的初衷，收集历史数据是希望数据能准确的反映出话务的变化趋势，年增长率是多少，月增长率是多少；此外，还要能够反映时段对话务的影响，如某月、某天是不是有鲜明的话务特征。因此，如果客观环境发生了重大变化，比如客户量突然增大，或由于突发事件使话务量出现异动，那么，之前的数据就是不相关的。反之，在与现有环境基本吻合的情况下收集的数据就是相关的。

　　对不相关数据的处理办法一般有两种，剔除或修正。还看上面银行的例子，由于在促销活动后对呼叫量的影响很容易衡量，即客户量增长15％。对之前的数据进行修正，增加15％，则可以认为基本环境和现有环境吻合，这些不相关数据就变成了相关数据，可以用来做预测了。但现实情况比这复杂的多，能够有确定影响的例子少之又少，仅仅靠算法就远远不够了，排班员必须在预测模型的基础上作些艺术性的加工。

　　假定我们对历史数据进行了剔除、修正，所有数据都是相关的，OK，来看看我们的预测模型，这里面，不仅要考虑变化趋势，同时要考虑月、日、星期等对话务的影响。

　　这里，举一个移动公司神州行业务预测模型的例子。移动公司话务具有典型的以月为周期的特点，在结帐日附近，话务量明显占比较大；此外，星期中的每天话务量分布特点也很明显，周一、周二、周三略多，其他时候略少。按照其特点，其预测模型如下： 

收集神州行业务过去2-3年的数据；
对数据进行处理，按照同期增长率计算出平均月增长率，考虑各月的异常事件修正系数，从而按照去年数据及增长率计算出本年各月呼叫量；
从历史数据中计算月中每天数据占比，及星期中每天修正系数，计算出每天的话务量，日话务量＝月话务量×日数据占比×星期中天修正系数；
按照每天中话务时段分布计算出各时段（每半小时）的话务量，时段话务量＝日话务量×时段占比。
这个模型即考虑了话务量增长、异常事件影响因子，又考虑了日、星期中某日对话务的影响，是笔者见到的考虑比较完善的预测模型。但在实际预测过程中，还存在几个问题：
异常事件影响因子很难确定，在预测时很少利用该因子进行调整；
月同期增长率随机性非常大，采用月平均增长率实际上效果并不好；
该模型没有考虑AHT；
对特殊时期话务（如取消长假后的第一个五一）不能进行预测。

　　由此可见，即使是比较好的模型，在实际环境中也会存在各种各样的问题，排班师对预测结果进行修正是必不可少的。

排班师的艺术

　　建立预测模型，利用历史数据，可以很快得到预测数据，但遗憾的是，这些数据经常是不准确的。为什么会这样呢？呼叫中心系统是一个随机系统，呼叫量虽然有些规律性的分布，但建立在精确科学基础上的数学模型难以适应现场情况的千变万化。一方面，模型需要不断的调优，甚至针对不同时段，需要多个预测模型；另外，在模型预测的基础上，还需要排班师进行干预，利用排班师经验对预测结果进行调整。在传统手工排班的情况下，排班师忙于应付繁琐的数据操作，很少能够对模型进行分析、修正。

　　可喜的是，随着排班系统的逐步采用，排班师从繁琐的重复性工作中解脱出来，可以更专注于模型的优化，充分发挥预测过程中艺术性的一面。

针对不同时段制定不同的预测模型

　　遇到五一、十一、春节等特殊时段，呼叫中心话务量会与平时呈现出极大的差异。业务类别不同，影响也不同。以春节为例，如果是电信类业务，通常呼叫量比平时低大约10％；而如果是信用卡业务，由于刷卡消费增多，相应的呼叫量则比平时要高。针对这种情况，排班员就需要建立正常日、不同假日的预测模型。

历史数据灵活选择，相对时间模型、绝对时间模型并用

　　平日模型：以移动公司为例，话务呈现鲜明的以月为周期的特点，选取历史数据则以相对时间模型为宜，如可以选取前三月相应时段、去年本月相应时段的数据作为参考；而对于银行信用卡类业务，则基本呈现以周为周期的特点，这时，可以选取最具有代表意义的几周的数据作为参考，建立绝对时间模型。

　　绝对时间模型：模型建立在固定时间段的历史数据基础上，举例来说，以固定周的历史数据做为基础进行预测；

　　相对时间模型：模型建立在与预测时间段设定间隔的历史数据基础之上，举例来说，以话务预测目标周的前三周历史数据为基础进行预测。

　　假日模型：假日模型历史数据一般选类似假日时间段的数据作为预测的基础。如，预测春节话务量一般选去年、前年春节话务量作为基础；而十一则以去年、前年十一话务量作为基础；对于更为特殊的一些时段，则需要另案考虑，比如今年的五一，由于取消了七天长假，以前五一的数据已经不具有相关性，这种情况下，可以考虑采用正常日数据作为基础。

历史数据不够怎么办

　　现实往往不能那么随人所愿，很多情况下，我们没有足够的相关数据可用，就像上面说的今年五一，还有呼叫中心刚建立等情形。这种情况下，相关数据很少，就需要排班师分析预测时段的特点，从历史数据中选择最接近的数据进行预测。反过来说，这对排班软件也提出了要求，即预测模型可以由排班员指定历史数据时段，能够同时支持相对时间模型、绝对时间模型。

预测结果出来了，预测工作还远未结束

　　在前面我们也谈到过，预测绝不仅仅是数学模型。公共假期的变化、突发事件、促销活动等等因素都会对话务量带来模型无法理解的异动。要反映这些异动，必须由排班员对预测结果进行调整，这些都是排班工作的艺术性体现，也是预测过程比不可少的一个步骤。

　　整体调整：如由于客户量上升20％，则话务量需要在预测结果基础上整体调高20％；

　　局部调整：如采取了校园促销活动，那么在学校下课后，话务量将可能上升10％，则仅将下午4点后的话务量调高10％；

　　AHT的调整：如近期呼叫中心有大量的新座席人员加盟，则需要加大AHT值。如新座席集中在某时段上班，则调整该时段AHT即可。

　　总之，预测决不仅仅是一门科学，不能期望通过建设排班系统、建立数学模型一劳永逸。排班系统也不仅仅是减轻排班员工作强度，而是提供了一个平台，让排班员更加艺术性的工作。

　　杨彦阳上海宝东信息技术有限公司高级咨询顾问 yyy5000@sohu.com

标签：辛集四平汉中黔东阿拉善盟四平阜新保定

巨人网络通讯声明：本文标题《呼叫中心排班三步走之预测篇,话务预测,是科学，更是艺术》，本文关键词呼叫中心,排班,三步,走之,；如发现本文内容存在版权问题，烦请提供相关信息告之我们，我们将及时沟通与处理。本站内容系统采集于网络，涉及言论、版权与本站无关。