都說呼叫中心的管理難：人多難管，數雜難理，班表難排，流程難定，質量難一致。。。。。。而這當中受個人影響最大，與每個話務員相關性相大，影響數據最多的，最受爭議的，當數班表。
班表一邊關系著話務量的擬合、人力的成本，另一方面影響著管理的方向和管理指標的落實。他會影響著大部分的KPI指標，如：接通率、服務水平、平均等候時長、平均占線率、考勤率、人員流動率、單次呼叫成本。。。。。。呼叫中心的大部分工作都跟他密不可分，串聯和影響著呼叫中心的日常管理、考勤、培訓、績效等，因此班表排得好與差直接影響著呼叫中心的整體運作。曾有一個說法是：一個好的排班師能頂上半個呼叫中心。
現時幫助我們排班的工具通常有EXCL手工排班，以及軟件系統排班。在這里我們就呼入隊列使用手工排班的過程做一個簡要的講述。
手工排班的過程總的來說可分前期分析、話務預測、排班與合理性檢驗四個部分，現就這四個部分進行簡要的闡述。
前期分析
每個呼叫中心排班前，我們都需要對其基本情況進行分析，了解你所排線路的線路走勢、話務規律、影響話務的具體因素、管理層面的要求、員工層面的實情等等。
在這些因素當中最重要，同是也最難克服的是話務自有規則，一般而言，針對服務于公眾客戶和服務于商業客戶的話務會有兩個完全不一樣的規律。商業客戶主要是呈周規律特征，周一到五呼入量相對較高，節假日呼入量低。下圖為某呼叫中心08年9月日呼入圖：
時走勢是典型的早上10：00，下午15：00兩個雙駝峰的趨勢。班次主要是以行政班次為主，對話務員的身體影響相對而言不大，排班時還需注意一下話務員的公平性及總工時的落差不能過大。時趨勢如下圖所示：
而對于服務對象為公眾客戶的話務服務而言，主要受服務提供者的商業活動影響較大。移動的動感地帶就是比較明顯的個案。他們受每月的帳期影響，月初呼入量較大，公眾休息日對其影響不大，下圖為某地動感地帶的業務日走勢圖：
時走勢方面與商業客戶的走法也有很大的區別，呼入的重點時段是每天兩個就餐時段和晚上。而這些時段正是對話務員身體規律影響較大的時段。時話務走勢圖如下：
其他的影響因素會因應各個呼叫中心的不同情況而進行相關的分析，具體可以參看《排班前期分析》。前期的分析是基礎，不單只是手工排班的時候需要，通過系統排班時也是會影響著后面參數的設定。
前期的分析工作做得如何會直接影響排班的效果的執行，一份好的班表不單是讓接通率和人員利用率達到最大化，還要看他是可行性如何？是否跟管理方法相一致？是否跟中心的關注點相吻合？對于電信業而言，中心的關注點是人員利用率，成本效應。但對于銀行業而言，他們則更關心人員的穩定性了。
話務預測
做了相關的一些前期數據的分析后，下一步，就要開始下一排班周期的話務預測，下圖為話務預測的基準線路。
1、歷史話務數據分析：
在話務數據的預測當中最主要的數據一定是呼入量、接通率和平均處理時長三個數據，其中平均處理時長是指平均通話時長加上平均事后處理時長而得，這個數據我們可以通過內部管理、流程簡化、統一處理口徑等方法來進行控制。平均處理時長的長短直接影響到人力資源的分配，如果平均處理時長的落差不大，我們可以暫時不做預測，而取平均值來進行計算，但是如果落差太大，同樣的也要進行一定相關的預測。
平均處理時長的長短在同一呼入量的情況下，直接影響著接通率，而接通率一般而言是我們的考核指標，我們是希望他能達到某一合理數值。
呼入量的預測是我們最主要的預測對象，他不受排班師或者是內部管理人員的主要控制。前文中已提到了兩個類別的走勢圖，其他線路的呼入也是跟相類似，或者是兩者兼有，如政務類的，呼入量會跟商務客戶的走勢相似，但一般而言周一的呼入量最大。銀行業務兼有商業客戶和公眾客戶的特點，他們午餐時段的呼入量很大，晚上8：30后呼入量減少比較明顯（受每個城市的消費習慣影響）。
在歷史話務數據中，我們需要對他的年業務呼入量、月呼入量、日呼入量、周呼入量和時呼入量進行相關的列表分類統計，畫出相應的曲線或柱狀圖。對我們所需排班線路的整體呼入量有個全局的了解。
2、剔除異常數據：
在已有的數據中，受各種因素的影響，如故障、系統割接、外來因素，統計口徑不統一等，數據上會有一些異常，明顯高于或低于原有話務量，這些我們都認為他是不符合話務規律的點；另外個別時間，如果接通率過低，而這個低的量明顯是由于重復呼入而造成的；在話務預測前，需要對他進行剔除，否則影響到下一周期話務預測的準確性。這個過程我們稱為高音清洗。
3、找到話務規律：
清洗了數據以后，我們可以通過EXCL圖表方式找到他的主要規律，包括年規律、月周規律、周規律、日規律和時規律。
一個成熟的呼入線路，每個業務會有比較明顯的規則，但目前國內呼叫中心相對都比較年輕，而年呼入量更多的是受中心所屬企業的政策、戰略影響，因此年規律相對而言沒有太明顯的規律，我們需要的是找到他的增長系數。
每個業務在每年的不同時期都會有淡旺季的分別，月規律圖表中，重要是的找到每個月的淡旺季，并找到相關中數、眾數與正負增長系數。
如果呼叫中心所在的城市中，大學生的比例較多而他們又是我們服務的主要群體之一，這時6、7、8、2月的呼入可能就會比較低了。
在每天的呼入中，對不同的業務，有些是周規律，有些是呈月規律。這些數據我們都可以在日報表的數據中可以直接取數分析。
對于時報表，重點就是找出哪個時段是重點時段，他對整體接通率的影響是多少？
中國大部分的業務都會受到農歷節假日的因素影響，而影響量可能是正也可能是負，不同的城市不同的業務有不同的方向及量。
在采用系統排班時，這些規律都將直接呈現，而不需要再做太多的分析工作。
4、生成下期基準量：
話務預測的方法比較多，業內用得較多的是包括：上期預測法、移動平均值法、加權移動平均值法、指數平滑法、多元向量法等。
每個業務都有自己獨特的預測方法，以及綜合兩到三種的方法而產生下一周期話務量，排班師在些之前需要仔細摸索與分析。如果114的話務中可能采用移動平均法來設定會比較好，但10086可能會采用上期預測法及指數平滑法就合適多了。
采用不同時段為基數，預測方法也因應而變。
5、附加相關因素
生成了下一階段的呼入預測基準量后，如果沒有其他影響因素這個話務預測即已完成，但對于大部分的話務都會有很多的影響因素。實際上會出現下面的情況：
這時，在話務預測中就需要加入相關的影響因素和影響系數和絕對量，這些因素包括有：營銷策略、營銷方法、系統升級、天氣、節日活動、外在因素等等，排班師需要充分考慮各個因素及歷史業務量。
6、生成下期預測量
完成以上步驟后，下期的話務預測量基本可以完成。
當然，上述步驟在排班軟件都會充分考慮，并根據其具體情況生成下一周期話務預測量。
本期我主要從操作實務的角度，分析了排班的第一、二部分——前期分析與話務預測，所謂凡事預則立、不預則廢，成功的預測為我們建立優秀的班務奠定了基礎。我將利用以后的機會，和朋友們一起分享手工排班的經驗。
高詠姿
