基于运分机系统的服务器的应用.docxVIP

基于运分机系统的服务器的应用 一、 排污系统量化指标 长时间学习是为了解决日常生活中随处可见的队列等待现象而发展起来的。这是通过研究不同服务系统的概率特征，解决服务系统的最优设计和最优控制理论。由于顾客到达和服务时间的随机性, 排队论也称随机服务系统理论。我们可以利用排队论中提供的多种数学模型, 对客户服务中出现的各种排队系统进行量化分析从而寻找最优解决方案。 排队论模型中衡量一个排队系统工作状况的主要指标有: ρ——服务强度, 衡量工作繁忙程度, 若0, 表示不能在正常上班时间内完成工作;0, 表示能按时完成工作;此外, 还可衡量客户与服务员之间、服务员和管理者之间不同的反应或矛盾程度。Po——服务空闲概率, 衡量所有服务柜台空闲的概率, 结合ρ使用。Lq——客户平均队列长度, 涉及到系统需要的空间大小, 在本文实例中可用于决策合理的等待座席数量。Wq——客户平均等待时间, 衡量客户被服务前等待的时间, 在本文实例中不属于关键指标, 此处客户只在乎逗留时间的多少。Ws——客户平均逗留时间, 指客户从进入到服务完毕离去的平均逗留时间, 可结合各服务行业的承诺标准来判断服务水平是否达标, 该指标在本文实例中较为关键。 由此, 我们可以使用Lq、Wq和Ws作为排队系统服务效率的衡量指标, 使用ρ、Po作为工作人员工作强度的衡量指标。此外, 模型中还有三个必要参数:服务柜台数c、每分钟客户平均到达率λ和每分钟平均服务率μ。 二、 模型分析的应用 为了更好地阐述排队论在现实工作中的应用, 我们对某供电局营业大厅进行了现场调查, 该营业大厅使用排队叫号机系统、按业务分类、按先到先服务的规则进行有序服务。我们以其中的电费缴纳业务作为例子, 通过性态分析, 得知该交费排队系统是属于客户到达服从普阿松分布过程、服务时间服从负指数分布的多服务台单队列的排队系统, 从而引出排队论的M/M/c模型作为应用支持。 本文实例中的模型参数c可通过现场调查获得, λ和μ可通过排队叫号机系统中每个客户的到达时间、被叫时间 (开始服务时间) 、与相继服务客户的关系等相关信息的挖掘计算而得, 如果用于预测, 还要考虑从营销MIS及其他途径信息 (如天气状况、与电费电价相关的突发事件等) 中挖掘数据, 并结合经验来对参数进行修正和判断。 1. 服务时间及设备 我们从大厅的排队叫号机系统中采集数据。按一天连续工作10小时计算, 统计每分钟到达的人数n, 以及每分钟到达n人出现的次数fn, 计算得λ=∑nfn/600=1579/600=2.63 (人/分钟) 。统计每个客户服务时间 (=1…1579, 调查当天的总服务户数) , 计算μ=(人/分钟) 。现场调查得服务柜台数c=8 (台) 。把参数代入排队论的M/M/c模型中, 可得: ρ=0.9654 Po=0.0001 Lq=24.87 (人) Wq=9.45 (分钟) Ws=12.38 (分钟) 根据以上指标, 可作如下分析评价:该大厅排队系统服务强度大, 但能按时完成工作, 平均等待队长不理想, 客户平均逗留时间不达标 (供电企业优质服务承诺标准为5分钟) , 如保持现状, 则需要设置较多的坐席数 (不少于25个) 方能缓解客户对排队等待的不满。 2. 改变服务阳台数c的最佳答案 以上实例分析出该大厅排队系统的服务效率不能达标, 在客户到达率λ和平均服务率μ相对恒定的情况下, 只能通过改变服务柜台数c来寻找最佳答案 (见表1) 。 表1给出了最佳柜台数的计算分析结果, 由此可知, 服务柜台增加到9个方可达到双方期望的统一, 是该实例在满足服务标准 (客户逗留时间不超过5分钟) 的前提下, 考虑供电方成本最小的最优解。 3. 客户到达率预测的实际应用实例 在供电营业大厅交纳电费的客户到达率是以月为周期规律变化的, 这是由于按月按区抄表算费、相对恒定的月抄表计划、较为平滑变动的现金交费用户数等多种规律性因素相互作用的结果。如何根据周期变化进行预测, 做出更优的工作计划呢?本文将通过以下应用实例来说明解决办法 (实例数据见表2) 。 该实例中客户到达率的变化主要受中小客户抄表时间较为集中在中旬、交费较抄表滞后、以及各区段现金客户数量的影响, 而大客户集中在月初、月末抄表, 且通过银行交费, 所以整月的客户到达率变化呈月中高、月端低的规律。而实例中各时间段的值也是通过挖掘以上相关信息修正而得。 此处c是既定的λ和μ值下的最佳柜台数。 通过实例分析可得, 月中工作繁忙时期需要安排的服务人员较多 (多达11个柜台) 月初空闲时段只要安排5个柜台既可满足要求。 4. 在评估中的应用 以上介绍的排队交费只是电力客户服务体系中的一个典型例子, 其中运用的理论和提出的方法还可应用到电力故障抢修服务、呼叫中心电话受理服务等方面的评