呼叫中心排班三步走之一——预测

    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。

１、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。

２、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。

３、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。

二、呼叫中心排班三步走之二——人力安排

――排班员，从体力工作者向脑力工作者的转变

前一篇我们谈了如何进行话务量的准确预测。预测完成后，排班员最具复杂性的工作才刚刚开始。人力安排一方面要达到设定的服务水平，另外，还要考虑呼叫中心运营成本，平衡座席期望；同时，在安排过程中还要考虑工时要求，环境要求、座席本身技能等因素。随着呼叫中心环境的日益复杂，手工排班越来越难以平衡服务水平与运营管理的矛盾。为什么会产生这样的状况，让我们先来看一下影响人力安排的因素。

影响人力安排的关键因素

座席数＝Agents（服务目标％，服务目标基准时长，呼叫量，平均服务时长）

根据Erlang公式，座席数与呼叫量，平均服务时长相关，同时与设定的服务目标有关。由于我们已经对话务量进行了预测，因此，按照上式就可以计算出各时段的座席需求量，进而安排人力。但是，实际情况比这复杂的多。排班过程受到环境、座席员等多种因素的限制。

首先，环境因素决定了班次设置的灵活性。假如呼叫中心台席设在市中心，交通比较方便，则可以不考虑交通的影响，根据话务曲线特性来设置班次；但假如呼叫中心地点比较偏僻，座席人员上下班需要乘坐班车，则班次设置就必须与班车时刻表结合起来，人员安排、加班的安排都要考虑班车的影响，人员安排的灵活性就受到一定的限制。再举一个例子，如果餐厅固定中午12：00－13：00开放，所有座席人员都要在此时段内就餐，假如就餐时间为半小时，则最多只能分成两组就餐，50％的座席不可用将可能对服务水平造成致命的影响；假如就餐时间相对灵活，分成4组人员就餐，显而易见，对服务水平的影响要小的多。此外，台席数目、工时要求等都可以看作是环境因素，在人力安排过程中都要充分的考虑。

其次，座席技能影响排班的准确性。考虑在呼叫量，服务目标完全一样的情形下，安排老员工可以达到服务目标，但是，安排同等数量的新人就可能达不到服务目标。为什么呢？因为他们的熟练度不同。

服务水平=SL（座席数，服务目标基准时长，通话量，服务时长）

虽然拥有同样的技能，但新人熟练度显然要差一些，也就是说，同样的电话，新人的服务时长要更长，从而影响服务水平。因此，要做到精细化排班，不仅要考虑技能，技能的熟练度也是很重要的因素。显然，如果想安排新人，适当的多排几个人是明智的选择。

此外，座席缩减也会对服务水平造成影响。缩减指的是座席实际未提供服务时间与座席付费时间的比值。

缩减（Shrinkage）=（座席付费时间- 座席提供服务时间）/座席付费时间*100%

缩减可以分为两类，一类是可预见的缩减，包括法定假日、休假、午餐、小息、培训等，这类缩减在排班之前就可以确定；还一类是不可预见的缩减，如班长进行一对一指导、座席接到临时任务、座席莫明其妙消失等所有现场突发的导致座席不能接电话的情形。座席缩减同样会对服务水平造成损害，因此，在排班之前就需要对可预见、不可预见缩减进行预估，适当多排一些座席，以消除缩减造成的影响。缩减与座席数关系如下：

排定人员数量=基准人员数量/（1-缩减）

（其中，基准人员数量是按照服务目标、呼叫量计算的座席数目）

人力安排过程中，座席喜好也是必须要考虑的因素。呼叫中心是一个人员流失率较高的行业，提高座席满意度、减少座席流失对提高客户满意度、降低运营成本都会产生积极的影响。

手工排班，排班员的梦魇

目前，绝大多数的呼叫中心还是在手工或利用Excel等计算工具来进行排班，让我们先来看一个典型的手工排班流程：

班次及规则：根据历史话务曲线特性，并结合呼叫中心环境限制，确定班次；设定排班规则（如工时，休假等）；

人力需求确定：根据前一阶段的预测结果，利用Erlang公式，计算出各时段的人力需求；

人力安排：按照人力需求，结合班次规则制作班表，在这一阶段，往往采用组排班的方式，班次活动，如午餐等，也一般按组来统一组织；

规则校验：检查班表是否违反工时、休息等班次规则，并进行微调；

班表发布：班表发布到班组、座席。

由于目前呼叫中心的规模越来越大，这个过程显示出越来越多的问题：

首先，手工排班工作量很大，排班员的精力大部分消耗在规则、人员、话务曲线的匹配、校验中。以移动公司1个月的班表为例，几个排班员要耗费少则2-3天，多则1-2周的时间进行排班，反复的校核班表是否符合规则，是否存在工时过少、过多的情况，是否有连续两头班、夜班过多的情况……拷贝、粘贴、复制、填充、计算，繁琐又容易出错的频繁操作让排班员不胜其烦。如果考虑多技能座席，更是给排班员摆了一个天大的难题。

如果仅仅是工作量大，我想排班员还能够忍受，更要命的是，排出的班表不能做到精确。要么人员太多，导致运营成本上升；要么人员不够，无法达到预期的服务目标。以呼叫中心典型的双峰曲线为例（如右图），排班所追求的是人力安排和话务曲线的尽可能吻合（也就是图中蓝色的最佳排班线），达到在满足服务水平的基础上尽可能少的安排座席资源。而在手工排班中，由于大量的采用组排班，组中成员同时上下班、同时午餐，导致人力安排的灵活性降低，不能尽可能的去拟合话务曲线。此外，参考前面谈到的影响人力安排的因素，手工排班中考虑了环境的影响，部分考虑了缩减，但座席技能因素考虑很少，基本认为所有人员的技能熟练度一致，不可预见性缩减也没有考虑进去，导致最终会对服务水平造成负面影响。因此，手工排班是一种粗放型的排班方式，随着运营要求的提高，表现出一定的不适应性。

座席期望在这个过程中也很难得到满足。排班员首先关注的是服务水平，其次是运营成本，至于座席的喜好，只能在班表排定的基础上作些微调。这种家长式的管理对座席的归属感，积极性都是一种打击，由此造成员工满意度的下降将间接影响座席的工作效率，造成服务水平降低，用户满意度降低。因此，如何在排班过程中满足座席期望是非常值得关注的一个课题。

班次排好后，是好是坏？是否能有更为合理的安排方式？能否排出多个班表进行选择？由于庞大的工作量，手工排班一般难以实现这样的比较。排一个班表就够头疼的了，排多个班表？还让不让人活了。

总之，手工排班下，排班员就是一个体力劳动者，不停的重复拷贝、粘贴、修改等繁琐的动作，根本没有时间去思考班次是否合理、如何从排班模式上进行改进。这是一个无奈的现实，随着呼叫中心规模的扩大，这种现象将更为严峻，亟需提高排班员工作效率，将他们从繁琐的计算中解脱出来。