准确预测呼叫中心业务量

在以上的历史数据中，我们不难发现有几处异常情况。第一处异常出现在本月的第一个周末，自本月的第一个周四起呼叫量就开始下降，周五下降的幅度更大，到了第一个周六（即 7 月 4 日――美国国庆日）甚至降为 0 ，第一个周日也没有大幅的上升。对于这种异常情况，我们应当做些什么呢？

原因是美国国庆日造成了呼叫量大幅下降。因此，当我们预测下一个年度七月份呼叫量时，我们就需要将这一因素考虑进去。但是，鉴于每年的 7 月 4 日美国国庆活动是不尽相同的，故每年此日的呼叫量模型也会有所区别。如果碰到 7 月 4 日这一天恰巧在周一的话，我们可能会预测周二也会有呼叫量大幅下降的情况，而周四和周五就不会有那么大的影响了。这就是我们所说的预测需要点“艺术”了，也就是在进行预测的过程中，使用一些我们的直觉和主观判断。

另外一个异常情况发生在 7 月的第三个周三。我们不难发现，当日的呼叫量比其他周的周三少 30 ％。对于这种差异，可能有几种解释：一种可能是由于断电， ACD 未能记录下全部的呼叫量；另一种可能是由于当天下午发生了引入注目的事件，而使呼叫量大幅减少。但无论发生了什么，我们都需要在使用数据进行预测计算前，使这样的数据“正常化”。

另一方面，可能在每个月的第三个周三都会发生引起呼叫量下降的事件。假设这一数据具有一定代表性，在每个月的第三个周三都会进行 2 个小时的公司例会。这样的话，呼叫量报告中就会考虑这一因素，并准确反映当日呼叫量。同时，这样的数据也可用于对未来呼叫量的预测。

处理异常数据的关键在于首先需要确定造成异常的原因是什么。然后，假如发生了突发或一次性事件，或者未来不可预见是否再次发生的事件（类似自然灾害），我们就需要对这样的数据进行“正常化”的调整，以使其能真正反映实际的呼叫量。另一方面，如果类似事件的发生形成了一定规律，并可以预测，这样的数据就需要保留在预测数据当中，以使预测出来的数据能够正确反映未来事件对工作量造成的影响。（提示：重点强调的是，需要搞清每个数据异常的真正原因，并在对未来业务量进行预测时铭记在心。）

当我们对历史业务量数据进行了分析与调整后，我们就准备好进行下一步了。

第二步：预测月呼叫量

接下来，我们将依靠未加工的数据来预测未来整月的呼叫量。在这个步骤里，我们总结出来了一些预测方法如下：

点对点预测法 － 这是最简单的一种呼叫量预测方法，即假设未来各时间点呼叫量与过去相应时间点呼叫量是相近的。（例如：下一年度 4 月份第一个周一的呼叫量与今年 8 月份第一个周一的呼叫量相同）这种方法存在明显的不足，即没有将呼叫量的走势考虑进去。一旦采用的原始数据或历史数据不具代表性的话，所预测出来的呼叫量数据与实际呼叫量的差距有可能会非常大，这是非常危险的。

平均值预测法 － 利用取平均值进行预测也有许多种方法，从对历史数据进行简单的平均，到移动平均数的方法等。最为精准的取平均值方法就是加权平均方法，即越近的数据权重越高。如果过去三年中 4 月份的第一个周一的呼叫量分别为 2400 、 2500 和 2600 ：简单平均值为 2500 ，移动平均值为 2550 （忽略最早数据）。在加权平均方法中，可能会分配 80 ％的权重给最近的数据，另外两个早期数据各占 10 ％，这样得到的平均值为 2570 。但是，尽管使用加权平均法所预测出来的数据最接近我们实际的预测，但这种方法仍然忽视了一点，即数据上升的走势，这一点仅仅靠使用平均值方法是计算不出来的。

时间序列预测法 － 该方法是呼叫中心进行业务量预测的最佳方法。由于该方法需要按照各个不同时间序列进行业务量走势的分析，因而取名时间序列预测法。依据呼叫中心业务量历史数据，来解析不同时段业务量变化趋势影响与规律，包括季度、月度业务量的差异。这种方法被大多数呼叫中心所采用，同时也是自动化劳动力资源管理软件业务量预测模块中遵循的一个基本原理。该方法基于一个基础性的假设，即随着时间变化，业务量受诸多因素的影响，而每个因素都可以被解析出来，用以预测未来业务量。

时间序列预测法的第一步就是要解析业务量走势。这种走势主要就是指业务量变化率，有时是上升的走势，有时是下降的走势。在许多呼叫中心里，走势仅仅代表业务增长率。因此，确定一个呼叫中心年度业务量走势，以及每月业务量变化走势是非常重要的。

一旦确定了业务量基本走势，下一个需要解析的就是季节性或月度之间的业务量变化规律。但是，这个步骤的确比较难处理，因为我们仅靠近 12 个月的历史数据，是不能真正准确掌握月度或季度业务量变化规律（曲线）的。请见以下月度业务量数据中的第一栏，我们发现 12 月与 5 月相比可以说比较忙，或者说 12 月业务量较高是因为该呼叫中心经历了本年度最大的业务上升走势。

要确定季节性对业务量的影响，重要的是针对近 12 个月的业务量数据进行“趋势分离或去势”，换句话说，就是选择一个月的实际业务量除以当月季节性曲线系数，从而转化为没有季节性影响的逻辑业务量。“去势”完成以后，我们就可以逐月地进行对比，进行正态分步或线性分析，由此来确定真正繁忙或清闲的月份。例如上述数据中，基于业务量走势分析模型，我们会发现 5 月实际上要比 12 月忙，而 3 月和 4 月实际上是一年当中业务量高峰月份。

利用时间序列分析法识别出业务量趋势系数和业务量季节性模型，然后就可以确定具体的未来月度业务量预测。时间序列预测法是一种被推荐用于业务量预测的方法，如果能正确掌握这种方法，我们就到达 95 ％甚至更高的业务量预测准确率。

第三步：创建日和以半小时为间隔的业务量到达模型

当我们预测出来月度的业务量后，下一步就是将月度业务量预测分解为每日业务量预测，然后再进一步分解为按时段（一般为每小时或每半小时）的业务量预测。

要做到准确预测日业务量，我们就必须计算出一周中每日的变量。许多呼叫中心在周一时都比其他时候繁忙。因此，掌握一周当中，每日业务量占整周业务量的比重是非常重要的。

我们值得庆幸的是，确定每日预测变量无须返回到两年的庞大历史业务量数据中进行研究和分析。只需依据近期几周内具有代表性的业务量数据来确定日业务量模型就足够了。我们可以选取几周“清晰明朗的”业务量数据（即没有特殊日期或节假日的正常工作周，因为有些特殊日期或节假日会歪曲正常工作日的预测变量），把周一的业务量之和与各周业务量之和做比较，然后按照这样的方法计算出其他工作日的业务量比重。这样，每日的业务量比重就代表当日业务量模型。

当日业务量预测数据出来以后，我们就可以重复上述步骤来预测一天当中，各个时段的业务量模型。如果业务量在一天当中均匀地分配的话，我们就很容易进行人员的安排了，但这是不现实的。因此，我们就需要掌握一天当中的高峰时段和低谷时段，以及均匀时段。我们再次选取几周“清晰的”业务量数据，以每半小时来统计周一业务量，并与日业务总量相比较，以创建周一以半小时为时段的业务量模型。重复以上步骤，来预测其他工作日基于时段的业务量模型。其结果就是以每小时或每半小时为时间间隔，来反映业务量到达的比率。这样，我们就建立了从周一到周日，每日不同的业务量达到模型。

我们已经通过分解历史业务量数据和分析历史业务量走势，创建了月度、每日、每时段的业务量预测模型。但我们需要记住的是，我们不但需要预测业务量而且还需要预测处理时长。因为，要想计算出工作量、所需员工数量及制定人员排班计划，我们就必须掌握总体业务量的情况，即业务量乘以平均处理时长得出的处理业务的总时长。由于业务处理时长与很多因素有关，如业务类型，客户行为习惯等，所以我们要确保业务处理时长的预测能准确地反映出一年当中的工作时长、一周当中的每日工作时长，以及每日的工作时长。

第四步：根据其他影响因素进行预测调整

给预测出的业务量进行调整是业务量预测的最后一步，也是非常重要的一步。因为，有许多因素都会影响呼叫中心的业务量。聪明的业务量预测或负责排班的人员都会充分考虑所有可能对预测结果造成影响的因素。

首先要考虑企业内部各个部门对呼叫中心业务量所造成的影响。最明显的一个部门就是市场营销部，由于该部门策划和实施的市场推广或促销活动，而使呼叫中心的工作量产生变化。因此，如果呼叫中心能定期与这样的部门进行沟通，充分了解市场营销计划或对呼叫中心业务量产生影响的市场活动，这样就可建立起相应的预测假设，使预测更加精准。

同时，我们还必须确保对其他潜在因素给予充分的关注。例如，新格式的帐单是否造成客户大量的来电？企业销售预测情况分析，是否会造成新客户的激增进而引起呼叫中心的工作量攀升？以及物流环节发生变化是否会使呼叫量升高或降低等等。因此，呼叫中心的管理人员应与可能影响呼叫中心业务量的部门进行定期沟通，并对预测数据进行相应的微调或校正，这样才能保证最终预测的准确性。

来源：CCCS客服标准网