呼叫中心排班三步走之业务量预测.docxVIP

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