挖掘历史数据 捕捉未来信息 把握运营趋势.docVIP

PAGE  PAGE 7 挖掘历史数据 捕捉未来信息 把握运营趋势 　　客服中心行业的很多管理者已经清晰意识到预测在平稳运营保障和KPI管理过程中具有举足轻重的地位，也有很多人一一尤其是客服中心运营管理系统开发团队或专门的WFM（劳动力管理）系统厂商对于创新预测工作做了很多的尝试和开发，包括从数据选取、指标选取、方法选取到预测工具选取……但从前期交流的情况来看，这些工作的开展最终都会不约而同地聚焦于模型建立和工具实现，而对于预测的定义、预测的流程以及预测的关注要素等，探讨并不深入，这也导致了很多产品在上线测试预测效果时总不能尽如人意，普遍受到客户较强烈的不解、担心甚至质疑。 　　本文根据作者多年来进行金融行业客服中心运营数据分析和预测的经验，试图从运营排班预测的角度与大家交流对预测工作的定义理解，重点介绍预测流程的实践，同时简要介绍所使用的预测模型理论，希望能抛砖引玉。 　　一、预测定义思考 　　预测：数据信息之综合分析。客服中心囊括了人力资源、运营管理、客户信息、外部因素、业务知识、技术系统等诸多方面的丰富数据信息，这些数据信息综合体现了客服中心运营的整体状况和过程细节，要做好预测工作就必须对客服中心的发展历程和发展现状深入熟悉，因此要做好预测也就要综合分析好各个层面的数据。 　　二、预测流程实践 　　预测流程：“挖掘历史数据，捕捉未来信息，把握运营趋势。”这句话是作者在多年数据分析和预测工作中历经无数次成功与失败之后总结得出的，在做预测时应该严格遵照这个流程，力求保持“众人皆醉我独醒”的工作状态。 　　1、挖掘历史数据：预测的思想是将与时间推移紧密相关的数据看成一个随机序列，从序列历史值和当前值的规律中合理外推未来的值，并用一定的数学模型来近似描述这种序列，因此建立合理的预测模型也就成为挖掘历史数据的核心任务，这也是诸多产品在预测工作上的聚焦点，其重点工作就是对历史数据进行因素分析、模式识别、参数估计、假设检验、未来预测。 　　对于序列预测模型，目前业界常用的方法有简单平均法、加权平均法、移动平均法、逐级分解法，另外高等计量经济学对于时间序列的预测有回归模型、ARIMA模型、灰色预测、神经网络、组合模型预测等。不管是哪种预测模型，其核心思想均是通过刻画历史数据的长期趋势因子、周期变动性因子、季节变动性因子和不规则扰动性因子来演绎未来趋势（如图1）。这些模型的差异也就表现在对这些因子刻画能力的强弱，其中高等计量经济学的相关模型能更为出色地描述序列的长期趋势因子、周期变动性因子、季节变动性因子。 　　而对于不规则趋势，因为其更多地受到随机因素或偶然因素影响，不能单纯从历史数据中得到很好的刻画，在建模型时往往用一个扰动项综合描述，恰恰也是这个扰动项成为各种预测模型的“软肋”之所在。从统计建模的角度来看，这种“软肋”在模型中又是不可避免的：如果要使模型能精确地拟合历史数据则会导致“过拟合”的现象，使模型未来趋势的整体预测能力下降；如果增加模型扰动项中所含的信息，则会使模型对某些特殊日期预测效果下降。要解决这一矛盾、减少“软肋”的风险，需要重视以业务背景和影响因素驱动的数据分析和客户行为挖掘。 　　在我们的预测工作中有十二大类、41个子类的特殊或随机因素需要经常关注和分析，十二大类包括短信影响、客户量增长、交易量增长、运营政策调整、还款日、节休日、业务或系统优化、系统未预期性故障、关键特殊日重叠、宏观经济政策、同业关联影响、自然环境影响、时令冷暖变迁。这些因素是致使图2序列大起大落的主要原因。 　　以短信影响为例来说明业务数据分析对于保证预测准确性的重要作用。一般情况下，符合如下情形之一的短信都会致使客户密集来电：额度调整、风险提示、费用收取、信息核实、账户变动、高概率中奖、目标客户群精准、利益提示。银行与客户的沟通过程中会有许多短信：提示类短信、通知类短信、营销类短信、关怀类短信。不同短信发出去后，客户的反应程度是完全不同的。账单短信属于涉及客户切身利益的费用收取或利益提示短信，其对运营影响较大。通过大量数据分析和对比得知，账单短信发送出去后有如下稳定规律：（1）30分钟左右进入密集回呼阶段；（2）60～90分钟内进入回呼高峰期；（3）发送后4个小时左右影响基本消退。其属于逐步消退型，客户回呼行为较为稳定。根据这些数据特征，在预测时就能清晰地考虑其影响大小和时段：首先对于日预测只需要把握住短信发送量就可准确测算出其影响大小；其次对于时段预测，可以根据短信发送的时间和数量准确推算出其回呼的高峰时段和回呼量（如图3）。 　　另外，综合考虑实际排班规划与呼入量之间的拟合情况，我们对账单短信的发送时间和频次进行了调整，将原来的“时段均匀发送”调整为“时段歧视发送”，这样能较好地满足三种情况：（1）短信回呼高峰能适当错开，