一、課題背景
客服中心運營管理主要包括話務預測與排班、應急管理、運營現場秩序管理、監控管理等內容。可見做好話務預測，是客服中心現場運營管理中的第一環節，也是最重要的一個環節。只有準確的話務預測，才能精準地進行客服專員需求測算和排班工作，從而保證服務水平，提高人員利用率，降低人力成本。話務預測可以從小時、日、月、年等多時間維度進行預測，細化調整人力資源的分布，同時年度話務預測，對下一年度人員招聘計劃起到較大的指導作用。如客服中心年度人員缺口、特殊需求時間點等。總之，提高話務預測準確性，才能保證現場運營平穩、有序，其重要性凸顯于運營管理的各個環節。
二、影響話務的幾個因素
筆者所在的電力行業客服中心分中心服務13家省公司，服務范圍大，影響話務的因素多，主要包括天氣情況、業務特點、電力突發故障、電網建設差異、特殊日等。
（一）天氣情況
1、惡劣天氣：雷雨大風、冰雹、暴雪、強降雨等；
2、特殊季節：如在七、八、九月份的迎峰度夏、一、二月份的迎峰度冬期間，除惡劣天氣的影響外，客戶使用空調較多,用電負荷大，容易導致電壓過低，為避免電力設備超負荷運行，保護系統會自動切斷電路，導致停電。 故每天負責話務預測與排班的人員要關注次日省公司天氣情況，進行異常天氣信息預警，為客服部話務預測、現場排班提供有效數據支撐。
（二）業務特點:因一些省公司具有先用電后付費的業務特點，每月底至次月初，部分供電公司實施欠費停復電，期間客戶查電費、繳費后復電等咨詢類電話較集中。
（三）電力突發故障：電力設施作為自然體，出現故障是不可避免的，不可抗力對電力設施的破壞影響了設施的穩定運行。故障停電后，為了避免大面積停電現象的發生，供電公司需要停電消除故障。
（四）電網建設差異：國家電網公司戰略目標中提到要建設成電網堅強”的現代公司。為了提高電網運行能力，供電公司需要對電網設備進行月度、季度檢修。季度檢修在每年的春季、秋季進行，主要對電網設施的運行、維護、檢修工作，涉及變電站全站停止運行，由該變電站供電的線路同步進行檢修，故春季、秋季檢修影響范圍較廣。
（五）特殊日：節假日或非工作日，例如春節、國慶、重大政治類活動等，期間供電公司進行保電優質服務，不安排計劃停電檢修，相對話務量較低。
剖析完影響話務的因素，在結合歷史話務曲線進行預測時，對趨勢波動的原因就清晰自明了。下面詳細說明話務預測過程。三、話務預測數據清洗
（一）基礎數據選擇
1、時間周期選擇。筆者所在的電力客服中心在2014年底實現了全網全業務統一集中運營，所以2014年前數據不夠完善，本次進行話務預測分析時選用2015年度數據作為數據源。在年度、月度、周等維度選擇中，因年度和月度的基礎數據較少，本次預測使用周”維度進行預測。
2、地域選擇。因各省存在天氣情況和業務特點的差異，故話務預測以單個省”為單位進行，所有服務區域省預測量疊加即可得到分中心預測總量。本次選擇的某省份是2014年6月實現了全業務集中，經過半年的磨合和沉淀，2015年的數據趨于穩定，且該省迎峰度夏話務數據特征明顯，有代表性。
（二）數據清洗
話務預測的目的是為人員排班提供支撐，故數據源應為人工服務請求量，不包含自助話務量。
圖一為某省2015年度周人工請求量（原始數據），圖中出現了幾個話務量的峰值點（如第32周左右），這些峰值點被考慮為離群值，根據影響話務的因素，經核實，第32周左右為7月底8月初，是迎峰度夏的高峰期，造成話務量突增，從圖中也可以看出數據具有明顯的月周期性。
圖一：某省2015年度周人工請求量
數據清洗是對數據進行重新審查和校驗的過程，目的在于糾正存在的錯誤，并提供數據一致性。這里需要注意幾個細節問題：
1、清洗規則。因話務量受季節性因素影響較大，所以在年度數據清洗時，先計算出每月話務量均值，高于均值50%（這個比例不是絕對的）的數值利用條件格式進行篩選清洗，由其前后數據均值進行替換，進而求出每周話務量和。這樣做可避免舍棄月份差異導致話務量波動的參考數據，符合話務特點。
2、統一口徑。在日期轉換為周時，利用weeknum函數時，這里把周一作為每周的第1天，故選定第二參數為2”。2015年1月1日至4日為第1周（如表1：年度首周天數），2015年12月28日至12月31日為第53周，均為4天。這里折算時讓該階段的話務量除以實際天數4再乘以7，實現數據的統一口徑，如下表1：統一口徑數據清洗。
四、話務預測數據模型應用實踐
本次使用三種預測模型，分別為最小二乘法、移動平均法和指數平滑法。下面分別從原理、公式和不同參數試算驗證準確性進行闡述。
（一）最小二乘法
原理：尋求與給定點(i=0,1,…,m)的距離平方和為最小的曲線，通過最小化誤差的平方和尋找數據的最佳函數匹配，采用殘差平方和最小的準則。
公式：y=a+bx
參數關系：最小二乘法是從清洗后的數據中尋求變量之間的依賴關系，由得到折線圖和散點圖計算出預測值與實際值產生的偏差，稱之為殘差，用R表示，當然偏差越小越好,但由于其可正可負,因此總偏差不能很好地反映了變量之間的關系,因為此時每個偏差的絕對值可能很大，為了改進這一缺陷,就考慮用殘差的平方R²來代替。但是由于絕對值不易作解析運算,因此,進一步用來度量總偏差，因偏差的平方和最小可以保證每個偏差都不會很大，于是問題歸結為確定其中的常數和使殘差平方為最小。
利用LINEST函數計算出直線的斜率a和截距b，添加趨勢線，見圖二，得出
y=242.79x+41614，R²=0.1357。
圖二：最小二乘法趨勢線
通過數據分析-回歸得出擬合圖和殘差圖
圖三：散點擬合圖
圖四：殘差圖
從圖三中可以看出這些點大致散落在某直線近旁,可以認為變量之間的關系為線性一元函數。但話務量月度變化趨勢較明顯，比如第31至33周即7月27日至8月10日之間，迎峰度夏的高峰期，殘差較大，如圖四。經計算得預測準確率在±15%范圍的數值占比為69.23%。
（二）移動平均法
定義:根據時間序列逐項推移，依次計算包含一定項數的平均，以此進行預測的方法。
1、一次移動平均法
公式：Ft=(At-1+At-2+At-3+…+At-n)/n
式中，Ft–對下一期的預測值；
n—跨越期數；
At-1—前期實際值；
At-2、At-3和At-n分別表示前兩期、前三期直至前n期的實際值。
可見：各元素的權重都相等。
分別取n=3、n=5、n=8計算出預測值、預測準確率、誤差平方，預測準確率按照（實際值-預測值）/實際值”計算得出三條預測準確率曲線（見圖五），經計算，預測準確率在±15%范圍的個數占比分別為66.00%、62.50%、46.67%，準確率都較低(見圖五)。
圖五：一次移動平均法話務預測準確率
圖六：一次移動平均法話務預測準確率占比圖
2、二次移動平均法
原理：一次移動平均計算完畢后，形成一個新的時間序列，對它再求二次移動平均值，做出一次移動平均數和二次移動平均數的差值，將差值加到移動平均數上，并考慮趨勢變動值。特點：考慮趨勢變動值，突破一次移動平均法的局限性，加大了預測范圍。
公式：Ft+T=at+btT，
at=Mt’+（Mt’-Mt’‘）=2Mt’–Mt’‘
bt=（Mt’–Mt’‘）
Ft+T—t+T的預測值，
t—本期
T—本期到預測值的間隔數
Mt’—一次移動平均數
Mt’‘—二次移動平均數
圖七為n=3、n=4時運用二次移動平均法的計算結果，經計算，預測準確率在±15%范圍的個數占比分別為61.70%、60.00%，準確率較低。
圖七：二次移動平均法話務預測準確率
3、移動平均法小結
由一次移動平均法和二次移動平均法得出的預測準確率對比圖，可見，在項數n的選擇上，n越大對預測的平滑影響越大，滯后于實際數據的偏差也越大，n太小不能有效消除偶然因素的影響。移動平均法預測在該次數據試算中預測準確率表現不佳。
（三）指數平滑法
原理：因時間序列的態勢具有穩定性或規則性，所以可被合理地順勢推延。最近的過去態勢，在某種程度上會在未來持續，所以將較大的權數放在最近的資料上。
特點：指數平滑法兼容了移動平均所長，不舍棄過去的數據，其包含的信息量是全部的歷史數據，但是僅給予逐漸減弱的影響程度，即隨著數據的遠離，賦予逐漸收斂為零的權數。
1、一次指數平滑法
原理：任一期的指數平滑值都是上期實際值與當期指數平滑值的加權平均。
公式：St+1=αXt+（1-α）St
a–平滑常數，其取值范圍為[0,1]；
下圖為α=0.3、α=0.5、α=0.8時運用一次指數平滑法的試算，見圖十。其中S1用X1代替，故序號1中α取任意值，該點的預測準確率均為0.00%，不計入試算點的占比中。由圖可見，α取不同值時，預測準確率差異不大，計算得預測準確率在±15%范圍的個數占比分別為66.67%、70.59%、76.47%，準確率相對前兩種方法有改善。
圖八：一次指數平滑法話務預測準確率
2、二次指數平滑法
公式：Ft+T=at+btT，
at=Mt’+（Mt’-Mt’‘）=2Mt’–Mt’‘
bt=（Mt’–Mt’‘）
運用二次指數平滑法，分別取α=0.3、α=0.5、α=0.8時計算，結果見圖十一。其中S1仍用X1代替，該點的預測準確率均為0.00%，不計入試算點的占比中。由圖可見，相對一次指數平滑法，α取不同值時，二次指數平滑法預測準確率三者差異較大，經計算，預測準確率在±15%范圍的數值占比分別為61.54%、78.85%、88.46%，準確率整體較高。
圖九：二次指數平滑法話務預測準確率
五、結論三種預測公式在不同參數情況下的預測準確率對比，如表3。
表3：一次指數平滑法話務預測準確率
由表3可見，三個話務預測模型在本次數據試算中，相對來說指數平滑法的預測準確率較高，對比一次和二次指數平滑法，二次指數平滑法預測率更高一些，在α=0.8時，預測準確率在±15%范圍的數值占比能達到88.46%的較好水平，擬合度較高，見圖十。
圖十：指數平滑法預測準確率對比
需要特別說明的是，不同行業適用不同的預測模型，根據預測維度的不同預測模型的準確率也可能有不同，每種模型式有它的適用范圍，不能一概而論地認定某種預測模型好用或者更準確，各種公式需要我們不停地去試算、驗證、分析，才能更深層次地挖掘出各種公式的精髓，找出適合自己現場運營特點的最優預測公式。在此感謝周逸松老師的指導，為筆者對話務預測進一步研究奠定了基礎，同時希望更多現場運營人員對話務預測這塊敲門磚”傾力研究和探討。
