業務量（工作量）的預測準確與否直接關系到人力排班準確與否，現場運營是否順暢，接通率/服務水平指標是否能夠順利達成等。因此，業務量預測準確率的衡量與不斷優化是預測排班工作中非常重要的一環。大規模呼叫中心的時段預測誤差應該控制在+/-3%以內，小規模呼叫中心的時段預測誤差應該控制在+/-5%以內。那么，我們應該如何衡量業務量預測準確率呢？

第一種方式是測算預測量與實際量兩者之間的相關系數與線性關系。相關系數越高，越趨向于+1，說明預測準確度越高，越低則越需要改進。假設我們有如下的48個時段的預測數據與實際發生數據，我們只需用CORREL函數把兩列數據帶入求相關系數就可以了。相關系數的結果范圍在-1到+1之間，0-1之間是正相關，0到-1之間是負相關，當然如果你的工作量預測與實際呈現負相關，就可以好好面壁去了。我們還可以直接用這兩列數據生成散點圖并擬合趨勢線，以直觀的方式查看兩者之間的線性趨勢以及R方值也是可以的。但是，這種預測方法只能反應整體的準確度情況，不能很好地反應具體時段的情況。而業務量預測應該追求的是每一個時段的預測都誤差最小化。

第二種方式則是通過預測量與實際發生量之間的差距來實現的。也就是不管是月、周還是日、時段的預測準確率都要遵循一個基本的計算公式：（預測量-實際量）/實際量*100%。

基于這個計算結果，又會衍生出幾種不同的具體衡量手段：

①時段誤差均值法：這種方法是取每個時段誤差百分比的算數平均值，但因為時段預測誤差的正負值會相互抵消，實際應用中它會美化實際的預測誤差。

②時段絕對誤差均值法（MAPE）：這種方法是先取每個時段誤差百分比的絕對值，然后再取其平均值，規避了前一種方法正負誤差相互抵消的問題，能夠更好地反應實際的差距情況。但是由于我們看到的誤差狀況仍然是平均值，還是無法具體反應具體時段的情況。

③時段比例達標法：這是個人最傾向的一種方法。假設我們的預測目標是+/-誤差3%范圍內算預測準確達標，那么一天48個時段中或一個月1440或1488個時段中，你有多少比例的時段是預測達標了的呢？其實到這一步，籠統地只看日或月總量預測差距還覺得不錯的預測準確率就原形畢露了！

最后多說一句，做過預測排班工作的人都深知這份工作的不易，畢竟有太多的因素在固定或突發地影響業務量的波動，而預測的本質則是在所有已知的基礎上去預測未知，是相對比較難的一件事情。因此，我們應該對預測排班師們多一份寬容和鼓勵！同時，把工作的重點放在不斷認知業務量影響因素上和預測模型的不斷修正上。預測偏差的結果已成過去，不必天天糾結，甚至大搞批判。做最好的預測，最壞的打算！