服務預測與排班是大部分服務行業有效管理的關鍵環節，尤其是客服中心，對服務預測準確度要求高，對排班的舒適性和效率均衡的博弈最為繁復，以至每個客服中心都有一個老法師一般的Excel高手，或出神入化，或大道至簡地進行著預測與排班。
網絡上也能找到一些前輩們的預測與排班的概括指導或經驗之談，但多數文章在實際操作層面語焉不詳或點到為止，對于亟需手把手指導的排班菜鳥來說，往往看得云山霧繞。
本文試圖為菜鳥排班師提供一個淺顯的服務量預測入門，文中提供的方式是極簡甚或簡陋的，方便新排班師入門理解之用，可以通過Excel工具進行適合自己業務情況的粗略的服務預測，并在此基礎上優化、添加符合本中心特點的算法或預測因素。
需要說明的是，如今在很多客服中心，非語音服務占比已經超過了語音服務量，非語音服務的預測原理和語音服務是共通的，下文中將語音服務和非語音服務統稱為話務。
1
基礎準備
話務預測的第一步工作是要搞清楚，客服中心是分成幾個組別進行接續的，一般小型客服中心會在IVR中設置不同的來電通路，如業務咨詢、投訴建議等，但進入人工服務的時候，實際上是進入到同一個隊列中。在大型客服中心，往往會對VIP提供服務質量更高的服務，或者將電話服務與在線客服分開，分別由兩撥或更多分組的人各自接續。
各自獨立且正常情況下不溢出話務的分組就需要單獨預測話務，所需的歷史話務數據，及預測結果都是按分組呈現的。
要點：明確客服中心的話務預測是否分組，分成幾個組。
2
數據獲取
話務預測可不是掐指一算就能算準的，其預測依據主要是客服中心的歷史話務，從歷史話務中尋找規律和一般趨勢，再根據行業未來景氣狀況和企業總體發展態勢設置合理的企業趨勢系數。
所以，準備工作的第一步是要獲得較長時間段的完整歷史話務，一般客服中心是按半小時作為一個時間節點來統計基礎數據，計算各類指標。一天48個數據，一年17520個數據，每個數據下文簡稱時間點話務（量）。為了讓預測依據更扎實，有條件的客服中心可以用最近四年的月匯總話務量，也就是有48個月度數據，和最近一年的分時話務量作為預測的基礎數據。現在社會發展日新月異，更早的分時數據已沒多大參考價值。
要點：我們先拿到最近4年的月匯總話務量，以及最近1年分時話務量。
3
數據維度
在這個入門指南中，將每一個分時（半小時）數據的維度拓展到月和周的維度，換句話說，一天48個半小時的時間片段中任意一個數據都帶有day和weekday兩個屬性。如圖1中，8月28日這一天是周一。我們取上午10點30分的數據為例，這個時間點，可以作為周一上午10點30分話務量平均值的來源，也可以作為每月第28天上午10點30分的話務量平均值來源。于是我們可以得出周一上午10點30分的話務量均值為1210，每月28日上午10點30分的話務量均值為1400。
[圖1：]話務量平均值計算數據來源
到這一步，大家已經了解到這種簡化預測方式的核心：平均值，我們預測結果都是從相應的維度均值乘以相應的系數得來的。大部分客服中心都有周規律特征或月規律特征，我們就從這兩個維度的規律特征入手，分別計算這兩個維度下的日分時話務量均值。
要點：每個時間點話務量，都帶有周維度（weekday）和月維度（day）。
4
數據清洗
數據清洗這名詞看著就透著些許逼格，但在這里，做法挺簡單，就是把一些因為各種原因導致的話務突增的歷史數據給清理掉，因為這些數據往往因為一次故障或者某個促銷活動，導致歷史上某天的某些時段話務量大大超過正常值，而此類事件往往不會重復發生或者不確定在何時重復發生。這樣的數據就要在歷史數據中清理掉，否則某些時間點上偶發事件的話務量會造成預測結果的很大偏差。
我們需要在歷史話務數據的每個分時值上添加一個新的屬性——標準差。（標準差在數據統計和質量管理方面有極廣泛的應用，具體概念及使用范圍請自行搜索，在excel中有一個自帶公式計算標準差：stdev）我們對歷史數據中的每個分時值都按照周、月可以分別統計計算出均值和標準差，針對具體的每個歷史話務分時值，也就有了與均值的差是標準差的倍數的一個關鍵值。
以圖1中8月周一上午10點30分的值，分別從周和月的維度上計算平均值和標準差，以及當前值與平均值的差，以及這個差值與標準差的倍數。這么說可能有的人有點暈。看下面的圖2就明白了。
[圖2：]話務量數據清洗方法
從圖2中可以發現，一個數據在周和月維度上的同系列值形成周和月的平均值、標準差，并依照與平均值的差形成的標準差倍數作為這個數據是否該被清洗掉的判斷依據。在圖2中，這個數據在周維度上落在允許的波動范圍內，而在月維度上超過了1個標準差的上限。若采用苛刻的OR規則，兩個標準差中有一個超過上限，這個數據就會被清洗掉；在圖2中，是采用了寬容的AND規則，則只有在兩個維度上都超過標準差倍數上限，這個數據才會被清洗掉。
采取OR規則還是采取AND規則，可以根據客服中心實際情況進行測試，一般來說規律性越強的傾向于采取OR規則，而波動性較大的客服中心更適用AND規則。
要點：數據清洗是在周、月維度上檢查每個歷史話務值是否可信，把歷史話務中的“噪音”清洗掉，可以得到可信賴的預測依據。
5
權重系數
通過數據清洗，我們把不可信的歷史數據都清洗掉了，剩下的數據就可以生成周、月維度的分時平均值，這個均值就去掉意外事件對預測的干擾。接下來，我們就要利用這兩個維度的均值分別乘以權重系數再乘以月度系數生成預測值。
公式可以寫成:預測值=（周平均值*周權值+月平均值*月權值）*月系數
我們以預測12月的話務量，以12月4日（周一）上午10點30分的預測量生成為例來說明這個過程。
假設清洗后的（多個周一的上午10點30分話務量）周平均值為1210，（多個月4號的上午10點30分話務量）月平均值為1500，那要如何來確定這個周權值、月權值和月系數呢？
我們先來獲得月系數，我們把之前準備好的48個月的月話務量列成表格，這里請注意，由于2017年12月的月話務是待預測的值，所以我們準備的前48個月的月話務量最早的值是2013年12月的，在這里為了方便計算，把2013年的12月話務量計入2014年，2014年12月話務量計入2015，以此類推。結果如表1。
[表1：]排列話務量數據求取預測加權系數
月度系數的產生是以2017年9、10 、11月的年度話務占比除以最近4年這三個月的年度話務占比的平均值，計算出三個值，求平均。若2017年9月的單元格是L11的話，公式是：(L11/L12+M11/M12+N11/N12)/3 算出結果1.004 。（這里需要注意，若月度是1月或2月，則需要考慮春節所在月和上幾年是否一致，若不一致就不能簡單用這個方式計算。需要將假日話務特殊對待，在后一節中會說到如何處理。）
希望看到這里您沒暈，接下來我們要確定周權值和月權值。我們的入門教程就只講簡化版的，我們假設周權值+月權值=1。并且根據經驗值設置一個值，比如周權值是0.6，月權值是0.4。接下來，我們按這個權值和月系數，計算出11月的預測話務，因為11月實際話務已經產生（一般預測在11月下旬，可以將未發生的話務以11月的預測值來作為11月的實際值），并且異常數據已經剔除，可以將兩者一一對應相減求絕對值，全月的差額絕對值之和在可接受的范圍內，則說明這個周、月權值設置是合理的。
既然Excel如此強大，完全可以在Excel中通過規劃求解的方式來獲取最優的周、月權值。（具體過程請自行搜索學習，不再贅述）
要點：通過計算月度系數、周、月權重的方式，來獲得話務預測的加權系數。
6
節日調整
在獲得了周、月均值，周、月權重和月度系數的前提下，話務量計算水到渠成。當你看到1440（30天）個話務預測結果時，成就感滿滿！
但作為精益求精的排班師來說，節日話務是不得不考慮的。尤其是國慶長假和春節長假，其話務特征迥異平日。如銀行信用卡中心的話務在國慶節前一到兩天話務量就高企，假期中則話務量下降，到長假第七天和節后的三四天話務量也會保持在較高位。對于如此有固定特征的節日，就需要把節前2天加上節后3天，一共12天時間的話務整塊挖出，單獨處理。與往年的假期一一對應，構建假日分時話務模型，同時調整增長系數，生成節假日的預測量，再替換掉現有預測結果中相應的日期。
如此，一份為期30天，1440個節點的話務預測結果就新鮮出爐了。
要點：節假日話務要單獨處理，尤其是有固定話務特征的節假日尤其需要認真對待，這將大大影響節假日的排班，而假日排班則是排班師需要細調班務的重點。
7
總結
話務預測并不是要做到毫厘不差，而是預測結果與實際偏差控制在一定區間內，在這個區間內，后續班務的人力安排能夠覆蓋，從而使得接通率和服務水平控制在穩定的水平內。
而在處理能力范圍內，預測時能考慮到的要素越多，能正確量化、計算這些要素，則話務預測的準確度就越高，而之后的人員排班就越合理。現場的調度意料之外的突發狀況就越少，就越能體現客服中心的運營水平。要達到很高的水準就不能僅僅依賴排班師的經驗和粗略工具了，而是需要引入符合客服中心實際的預測與排班系統了。
