問題背景
目前呼叫中心（Call
Center）廣泛應用于電信、金融、政府機構、電力、郵政等各行各業，隨著CTI（計算機電話集成）技術的發展，尤其是IVR（自動語音應答系統）的引入，呼叫中心發展迅速，從業規模日益增長，經營業務越來越復雜，隨之而來呼叫中心管理方面面臨更多的挑戰。
業務量增大，話務量不均衡，IVR分流作用不明顯，客戶滿意度低，……
如何在成本一定的情況下，準確預測話務到達率，做好CSR和IVR評價和優化，有效進行人員多技能排班，提高客戶滿意度是當前呼叫中心面臨的挑戰。

我們凌鼎呼叫中心建模團隊通過多年研究和實踐，構建了一套包括(1)話務預測、(2)客服需求計算、(3)班次優化、(4)客服排班、(5)班次調整、(6)IVR菜單優化等面向呼叫中心管理決策的模型體系，為高效運營呼叫中心，提高經濟效率及客戶滿意度提供了一套強力工具。
解決方案
·如何更準確地預測來話量?
·怎樣更快速地計算客服需求?
·如何更合理地設計班次?
·如何更科學地進行客服排班?
·如果更方便地進行班次調整?
·如何更有效地調整IVR菜單?
1、如何更準確地預測來話量?

目前國內外的話務預測模型大多考慮了話務的周期性和連續性，并兼顧節假日等事件因素的影響，可以滿足一定預測精度的要求，但一個好的話務預測模型必須考慮以下方面：
a、長期預測必須做到更小的誤差擴散。
目前話務預測模型普遍存在的現象是對于超過一個星期的預測，誤差擴散非常大，這給人力需求計算和排班帶來很大不便。
我們通過多年的統計分析，根據話務數據的局部累積特性，提出了積分混合預測模型，從而使預測的準確度大大提高，并且很好控制了長時段預測的誤差擴散。
b、話務預測必須滿足不同預測粒度的要求。
為了方便計算人力需求，排班人員需要知道每天不同時段的話務量，以便從時間維度計算人力需求，從時段維度考慮班次設計。
積分混合預測模型，可以準確預測一天，一個小時，半個小時，甚至一刻鐘的話務量，完全滿足了排班人員的需求。
c、必須考慮多技能預測間的相互影響。

不同呼叫中心的技能數量各不相同，各個技能間并不是相互獨立的，有一定的相關性和遲滯相關性，為了做到更高的預測精度，必須對話務進行分技能預測并考慮技能間的影響。
積分混合預測模型支持面板數據，可以同時對多個技能進行話務預測，并支持內聯優化，對多技能的預測有極大優勢，走在了同類模型的前列。
d、支持更準確的特殊事件定義。

一般預測模型只是考慮節假日事件的定義，稍微完善的模型考慮了促銷、新產品發布、政策變更等事件的定義，但對事件帶來的影響并沒有做到準確的刻畫，一般就通過一個自由度進行度量。

多年來，我們充分利用統計和數據挖掘的優勢，對各類數據中事件產生影響的最佳分布匹配得到了快速準確的計算方法，為事件的定義提供了準確客觀的信息，提高了預測的準確性和靈活性。
2、怎樣更快速地計算客服需求?
過去一般通過人力負載來計算客服需求，隨著呼叫中心績效指標完善，大部分公司以服務水平來計算客服需求。
服務水平是指在N秒內的接通率，一般N取20秒到30秒，實際操作中，不同的呼叫中心各不相同，同一呼叫中心不同技能要求也不盡一樣。
常見的單技能計算方法是Erlang C/B/X, 但大部分呼叫中心都是多技能的，多技能一般通過仿真或者近似排隊系統來計算。
仿真方法對于有著極大的靈活性優勢，可以計算任意路由設置，任意技能劃分的服務水平，但其計算速度一般較慢，對多余5個技能的呼叫中心，求解壓力很大。
近似排隊系統通過阻塞概率的方法計算服務水平，速度很快，但由于誤差擴散較難控制，精度很低。
如何更準確更快速的計算客服需求？很多呼叫中心通過仿真對照表來插值計算，但計算繁瑣，且對照表需要經常更新。
我們通過對數據和業務深入分析，提出了通過排隊網絡狀態轉移方程的方法來計算多技能客服需求，進行狀態轉移分析后，就能夠以極快的速度得到高精確的結果。
3、如何更合理地設計班次?
班次優化是呼叫中心的一個盲點，一般呼叫中心在班次設置確定后，就很少調整班次安排，沒有意識到班次調整的價值所在。
通過我們實際數據分析，發現大部分呼叫中心通過班次調整可以降低5-10%的人力需求。

呼叫中心需求幾個班次？班次什么時候開始？班次什么時候結束？就餐時間如何安排？不同技能班次有何區別？不同時段是否班次不同？通過班次優化模型計算，可以給出最優的答案。
有了最佳的班次設置，人力安排起來就更加方便有效。
4、如何更科學地進行客服排班?
目前客服排班的難點在于問題的復雜性，問題規模越大，越明顯。
基本的整數規劃模型求解效率太低，而常見的遺傳算法，禁忌搜索，貪婪算法得到的結果又不太讓人滿意。加上不同算法，求解方式不同，經常出現無解決方案的情況。

通過我們多年的排班經驗，設計出基于啟發式的遺傳算法＋多級混合整數規劃模型，對不同規模的排班問題都有非常好的效果，尤其對于多技能，多級能組，千人以上客服，效果更加明顯。
模型中考慮了硬約束，軟約束，順序約束，不相容約束，工作量約束等近百種規則，并對提供了多個目標供優化選擇。
5、如果更方便地進行班次調整?
排班結果經常需要根據客服的實際需求進行調整，有時候又會針對突發事件進行調整。

客服的需求是多樣的，請假，結婚，培訓，班次偏好……，實現在排班中考慮不同客服個性化的要求，可以極大提高客服的工作效率，提高呼叫中心的服務水平和客戶的滿意度。
通過我們多年來的積累，設計了200多種調整規則，對具體的排班結果進行更加個性化的調整，滿足客服的工作要求，進而提高整體服務水平。
為了解決規則的沖突，我們在模型中提供了優先級別的設置，讓排班管理人員總能得到解決方案，并提供了人工干預的方法。
6、如何更有效地調整IVR菜單?
對于IVR，我們一直希望在下列方面做的更好：
·降低轉向人工熱線服務的可能性
·降低用戶的使用復雜性
·降低用戶的菜單訪問放棄率
·降低用戶菜單系統的重復訪問率
·提高客戶對IVR系統滿意度
·提高IVR系統運營效率及分流作用
為此我們需要對IVR系統進行全面的評價，并找的優化的工具。
通過多年研究和實踐，我們提出了包括復雜度，路徑長度，直達率，沖浪率等50多個關鍵指標，從各個角度對IVR進行評價。
有了IVR評價指標，我們設計了IVR菜單優化模型，可以快速得到不同技能不同適合最優的菜單結構，為菜單調整和IVR優化決策提供幫助。

常見的菜單優化算法包括貪婪算法，模擬退火，整數規劃，遺傳算法等，根據實際業務情況，我們得到針對菜單優化的更好方法－概率優先混合算法，不僅可以提高菜單求解速度，而且滿意度也優于其他模型。
用戶收益
正確選擇和使用凌鼎排班解決方案，將給呼叫中心帶來如下的好處：
·降低客服空閑等待時間
·改善服務水平
·提高客服工作效率
·提高用戶滿意度
·改善IVR效率

不同呼叫中心業務情況和復雜度各不相同，與凌鼎數據分析團隊結合，可以給出最適合該呼叫中心的解決方案，從歷史數據中發掘價值，通過優化模型優化班次、菜單、排班……，為高效運營呼叫中心，提高經濟效率及客戶滿意度提供強有力的支持。