隨著呼叫中心規模的日益擴大和服務水平、運營管理的要求不斷提高，如何在現有人力條件下達到服務水平目標、合理安排人力、優化現場管理成為排班師面臨的巨大挑戰。呼叫中心勞動力管理（WFM），也就是常說的排班包含了話務預測、人力安排、現場管理三個基本步驟。在本文中，針對這三個步驟，把筆者近年來參與排班項目的一些體會與大家分享。
為什么要做話務預測

作為受理用戶電話呼叫的窗口部門，衡量呼叫中心最直觀的指標就是服務水平。按照Erlang法則，服務水平受到話務量、平均處理時長和座席數目的影響。準確的預測話務量是進行人力安排的依據，也是達到期望服務水平的根本。
歷史數據，話務預測的基石
選取具有相關性的歷史數據

歷史數據并非越多越好，最長不宜超過兩年　　進行話務預測，首先要收集大量的歷史數據，但歷史數據并非越多越好。首先，歷史數據太多會加大工作量，無論是手工計算還是采用排班系統都會增加處理負擔；其次，過多的數據量有可能對預測準確度產生負面影響。舉例來說，某銀行去年曾搞過一次信用卡銷售促銷活動，活動效果不錯，信用卡客戶激增15％，由于客戶激增，活動之前的話務量數據就沒什么參考價值了，僅僅選擇活動之后的歷史數據進行預測更貼近實際。
　　

歷史數據統計間隔一般選擇15分鐘　　歷史數據統計間隔以多長時間為宜呢，是15分鐘？還是30分鐘？統計間隔越小，越能反映實際話務量變動，如果統計間隔較大，由于平均值計算的削峰平谷特性，導致不能反映出統計間隔內的實際話務變動。但統計間隔也不能無限度的小，統計間隔至少要大于1個平均通話時長，根據經驗，通常選3－4個通話時長，因此，一般我們推薦15分鐘，只有在平均通話時長很長（如超過10分鐘）的情況下考慮加大統計間隔到30分鐘。

AHT是歷史數據必不可少的組成部分　　收集歷史數據，不僅要收集話務量，平均通話時長（AHT）也是一個必須收集的參數。眾所周知，影響服務水平的因素有話務量、座席數，還包括平均通話時長。平均通話時長與服務水平成反比，在座席數相同的情況下，平均通話時長越長，服務水平越低；反之，要維持恒定的服務水平，AHT越長，則需要安排的座席人員越多。而每個座席由于熟練度的不同，AHT不一致；即使同一個座席，在班次開始時，AHT一般較短，但臨近下班時，AHT會變長。由此可見，AHT并不完全取決與座席熟練度，還與時段、座席心情等多種因素相關，因此，收集歷史AHT對人力安排有很重要的意義。

話務預測模型如何構建
利用歷史數據來進行預測，有幾方面的因素需要考慮：
歷史數據是不是全部相關，不相關數據如何處理

從歷史數據分析話務變化趨勢，同時要根據自身話務特點考慮時段因素　　前面已經說過，歷史數據并非越多越好，缺乏相關性的數據不僅不會給預測帶來幫助，還會產生負面影響，影響預測的準確性。那么，什么是相關呢？回到我們收集歷史數據的初衷，收集歷史數據是希望數據能準確的反映出話務的變化趨勢，年增長率是多少，月增長率是多少；此外，還要能夠反映時段對話務的影響，如某月、某天是不是有鮮明的話務特征。因此，如果客觀環境發生了重大變化，比如客戶量突然增大，或由于突發事件使話務量出現異動，那么，之前的數據就是不相關的。反之，在與現有環境基本吻合的情況下收集的數據就是相關的。

對不相關數據的處理辦法一般有兩種，剔除或修正。還看上面銀行的例子，由于在促銷活動后對呼叫量的影響很容易衡量，即客戶量增長15％。對之前的數據進行修正，增加15％，則可以認為基本環境和現有環境吻合，這些不相關數據就變成了相關數據，可以用來做預測了。但現實情況比這復雜的多，能夠有確定影響的例子少之又少，僅僅靠算法就遠遠不夠了，排班員必須在預測模型的基礎上作些藝術性的加工。
假定我們對歷史數據進行了剔除、修正，所有數據都是相關的，OK，來看看我們的預測模型，這里面，不僅要考慮變化趨勢，同時要考慮月、日、星期等對話務的影響。

這里，舉一個移動公司神州行業務預測模型的例子。移動公司話務具有典型的以月為周期的特點，在結帳日附近，話務量明顯占比較大；此外，星期中的每天話務量分布特點也很明顯，周一、周二、周三略多，其他時候略少。按照其特點，其預測模型如下：
?
收集神州行業務過去2-3年的數據；
對數據進行處理，按照同期增長率計算出平均月增長率，考慮各月的異常事件修正系數，從而按照去年數據及增長率計算出本年各月呼叫量；
從歷史數據中計算月中每天數據占比，及星期中每天修正系數，計算出每天的話務量，日話務量＝月話務量×日數據占比×星期中天修正系數；
按照每天中話務時段分布計算出各時段（每半小時）的話務量，時段話務量＝日話務量×時段占比。

這個模型即考慮了話務量增長、異常事件影響因子，又考慮了日、星期中某日對話務的影響，是筆者見到的考慮比較完善的預測模型。但在實際預測過程中，還存在幾個問題：
異常事件影響因子很難確定，在預測時很少利用該因子進行調整；
月同期增長率隨機性非常大，采用月平均增長率實際上效果并不好；
該模型沒有考慮AHT；

對特殊時期話務（如取消長假后的第一個五一）不能進行預測。　　由此可見，即使是比較好的模型，在實際環境中也會存在各種各樣的問題，排班師對預測結果進行修正是必不可少的。

排班師的藝術

建立預測模型，利用歷史數據，可以很快得到預測數據，但遺憾的是，這些數據經常是不準確的。為什么會這樣呢？呼叫中心系統是一個隨機系統，呼叫量雖然有些規律性的分布，但建立在精確科學基礎上的數學模型難以適應現場情況的千變萬化。一方面，模型需要不斷的調優，甚至針對不同時段，需要多個預測模型；另外，在模型預測的基礎上，還需要排班師進行干預，利用排班師經驗對預測結果進行調整。在傳統手工排班的情況下，排班師忙于應付繁瑣的數據操作，很少能夠對模型進行分析、修正。
可喜的是，隨著排班系統的逐步采用，排班師從繁瑣的重復性工作中解脫出來，可以更專注于模型的優化，充分發揮預測過程中藝術性的一面。

針對不同時段制定不同的預測模型　　遇到五一、十一、春節等特殊時段，呼叫中心話務量會與平時呈現出極大的差異。業務類別不同，影響也不同。以春節為例，如果是電信類業務，通常呼叫量比平時低大約10％；而如果是信用卡業務，由于刷卡消費增多，相應的呼叫量則比平時要高。針對這種情況，排班員就需要建立正常日、不同假日的預測模型。

歷史數據靈活選擇，相對時間模型、絕對時間模型并用　　平日模型：以移動公司為例，話務呈現鮮明的以月為周期的特點，選取歷史數據則以相對時間模型為宜，如可以選取前三月相應時段、去年本月相應時段的數據作為參考；而對于銀行信用卡類業務，則基本呈現以周為周期的特點，這時，可以選取最具有代表意義的幾周的數據作為參考，建立絕對時間模型。
絕對時間模型：模型建立在固定時間段的歷史數據基礎上，舉例來說，以固定周的歷史數據做為基礎進行預測；
相對時間模型：模型建立在與預測時間段設定間隔的歷史數據基礎之上，舉例來說，以話務預測目標周的前三周歷史數據為基礎進行預測。

假日模型：假日模型歷史數據一般選類似假日時間段的數據作為預測的基礎。如，預測春節話務量一般選去年、前年春節話務量作為基礎；而十一則以去年、前年十一話務量作為基礎；對于更為特殊的一些時段，則需要另案考慮，比如今年的五一，由于取消了七天長假，以前五一的數據已經不具有相關性，這種情況下，可以考慮采用正常日數據作為基礎。

歷史數據不夠怎么辦　　現實往往不能那么隨人所愿，很多情況下，我們沒有足夠的相關數據可用，就像上面說的今年五一，還有呼叫中心剛建立等情形。這種情況下，相關數據很少，就需要排班師分析預測時段的特點，從歷史數據中選擇最接近的數據進行預測。反過來說，這對排班軟件也提出了要求，即預測模型可以由排班員指定歷史數據時段，能夠同時支持相對時間模型、絕對時間模型。

預測結果出來了，預測工作還遠未結束　　在前面我們也談到過，預測絕不僅僅是數學模型。公共假期的變化、突發事件、促銷活動等等因素都會對話務量帶來模型無法理解的異動。要反映這些異動，必須由排班員對預測結果進行調整，這些都是排班工作的藝術性體現，也是預測過程比不可少的一個步驟。
整體調整：如由于客戶量上升20％，則話務量需要在預測結果基礎上整體調高20％；
局部調整：如采取了校園促銷活動，那么在學校下課后，話務量將可能上升10％，則僅將下午4點后的話務量調高10％；
AHT的調整：如近期呼叫中心有大量的新座席人員加盟，則需要加大AHT值。如新座席集中在某時段上班，則調整該時段AHT即可。

總之，預測決不僅僅是一門科學，不能期望通過建設排班系統、建立數學模型一勞永逸。排班系統也不僅僅是減輕排班員工作強度，而是提供了一個平臺，讓排班員更加藝術性的工作。