因為拙作《數據的魔力——基于數據分析的呼叫中心流程改善》一書發布，從七月底開始在各大城市召開讀書會，讀書會的主題圍繞著新書的內容——基于數據分析的呼叫中心流程改善而展開。對于我這樣一個說好叫低調”、說不好聽就是羞怯”的人來說要這樣密集地拋頭露面，我還是有幾分不適應，但這是市場的需要，況且我也不能確信自己寫的內容真的會酒香不怕巷子深”，于是頂著炎炎烈日，開始了我的讀書會之旅。七個城市下來，雖然有點累，慶幸沒有出現身體上的狀況，倒也收獲頗豐，粉絲數漲了不少，名片也收集了一大摞，當然還有在讀書會過程中大家拋出的一些引發我思考的問題，讓我這個專職培訓講師找到了下一步學習的方向。

圖1 服務水平趨勢圖

這個呼叫中心在2月的28天里只有5天的服務水平指標是在目標要求內，而另外23天都在目標帶外，雖然平均值表現很好（79.9%），然而這樣的服務水平對于顧客感受而言是非常不一致的，所以需要改善。但是改善應該從哪里入手呢？這個時候有人會說先把那些差異大的日期進行更深入分析，解決這個問題。但是我會跟聽眾講，先別著急去找細化數據，我們來思考幾個問題：

1、你需要解決的是什么問題？

2、這個問題與哪些流程有關？

3、這些流程的指標有哪些？

4、從哪些維度來組織數據，這些數據能得出充分的結論嗎？

為什么要去這樣思考？這就好比一條河流，如果它的上游受到了污染，這個時候我們再如何努力去治理下游的污染、減少排放物都解決不了問題，還必須從源頭去了解這個污染產生的原因。這就是根源解決法，而我們數據分析的邏輯也是建立在根源分析的基礎上，所以上述的這四個問題就是幫助我們去探究源頭的方法。

我們先來回答前兩個問題：

要解決什么問題？

服務水平波動

這個指標與哪些過程相關？

預測量是否準確

人員安排是否匹配

現場是否按計劃執行

接下來我們就可以根據這些過程來找到對應的指標進行分析。

圖2 關聯數據分析

先看第一個影響因素，每日預測準確率，我們將實際呼入量與預測呼叫量做個對比分析：

圖3 每日預測準確率

從上面兩張圖中可以看出，每日預測準確率的偏差很大，低的時候超過-40%，而高的時候則接近30%，下一步我們需要了解排班的人員又是根據什么樣的計算結果進行人員安排的，所以要找的下一組數據是預測人員數量與實際安排數量的對比，如下圖：

圖4 預測人員需求與實際安排人數

通過與預測話量的比對，可以觀察出預測人員需求是按照預測話量擬合的，但實際安排時做了簡化處理，每周一至周日是按照同一規律進行人員安排的。如果預測話量是準確的話，這個人員安排問題不是很大；但是因為預測偏離太大，這種人員安排就會帶來現場調控上的難度，因此通過上面幾組數據的分析可以得出如下的過程結果。

初步結論：

預測排班流程的問題比較大，每日預測準確率在正負40%左右波動，需要先解決預測精度問題

實際人員安排與預測人員數基本持平，但是人力需求數據不完全是按預測業務量擬合，而是進行了調整。

現場數據暫時無法采集到，在此可以先不進行分析。

下一步的行動：

先解決預測排班模型問題，重新擬合預測公式，提升每日預測準確率，短期目標為正負15%，長期目標為正負10%。

根據預測量進行人員需求測算，并進行排班，排班周期縮短為兩周。

現場數據的收集。

根據以上的分析思路可以總結出這個分析過程涉及的流程包括：話量預測流程、人員安排流程、人員招聘流程（出現實際安排人員不足時必須進行人員招聘的分析）和現場管理流程。從數據分析的過程中可以得出結論，是預測流程的問題比較大，所以先解決預測話量問題，在預測精度滿足要求后根據預測需求進行人員安排，同時增加現場數據監控（在線人數與計劃人數的對比），通過這些改善方案后，這個指標在4月份變成了下面這個結果。

圖5 4月服務水平趨勢

4月的30天在目標帶內的服務水平天數從5天增加到了18天，而未達到目標值的那12天，其服務水平的波動也明顯小于2月。當然，從流程改善的定義來說這是個循環過程，還需要持續改善。

這篇專稿由于篇幅的原因，有些分析思路沒有敘述的很完整，如果各位讀者想了解的更多，可以讀我的書，將你的想法與我分享。