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客户服务水平目标,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的话务预测、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。
也许有人不禁要问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。
一、历史数据,话务预测的基石
(1)选取具有相关性的历史数据。
切记:在选取历史数据时,并非越多越好。选取的时间段最长不宜超过两年。
进行话务预测,收集大量的历史数据这是正确的。但也要指出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数据处理负担;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。我建议选择活动之后的历史数据进行预测更贴近实际。
(2)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?当然统计间隔越小,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缩小,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。
(3)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,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。
二、话务预测模型如何构建
我们要想利用历史数据来进行预测,有如下因素需要考虑:
历史数据是不是全部相关,不相关数据该如何处理。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。我们继续看上面银行的例子,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,排班师必须在预测模型的基础上作些艺术性的加工。
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,其他时段略少。按照其特点,其预测模型如下:
(1)收集神州行业务过去2-3年的数据;
(2)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;
(3)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;
(4)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:
(1)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;
(2)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;
(3)该模型没有考虑AHT;
(4)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。
三、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,排班师可以从繁琐的重复性工作中解脱出来,更专注于模型的优化,充分发挥预测过程中艺术性的一面。
(1)针对不同时段制定不同的预测模型
遇到五一、十一、春节假期等特殊时段,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。
(2)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。
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。
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。
(3)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,就像今年五一的假期缩短了,还有呼叫中心刚建立等情况。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。
(4)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,必须由排班师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,让排班师更加艺术性的工作。
【萌萌客:www.mmker.cn】提供专业的电商在线客服外包服务、电话客服及内容审核等服务,帮您简单客服难题。