話務預測是客服中心現場運營中的第一個環節，也是最重要的一個環節。只有精準的話務預測才可以進行準確的人力排布，提高人工座席的利用率，進而提高服務水平并降低人力成本。精準的話務預測可以提前對運營做出預警，為達到運營指標打好堅實的基礎。

話務預測不僅對時段、日這種較小時間維度的人力排布起決定性的作用，而且可以對年度的運營起到較大的指導作用，例如客服中心新的年度人員需求、何時進行人員招聘，都需要精準的預測提供幫助。

預測方法簡介

話務預測屬于時間序列預測，預測方法從簡至難，多種多樣，但是需要根據客服中心的規模、業務、來電規律進行合理選擇。否則，你即使選擇最復雜的預測方法，但不適合自己的預測環境，那只能給你帶來較多的麻煩，而結果相差無幾。

Ø 平均值預測法

平均值預測法廣泛應用在業務單一、穩定的時間序列中。具體公式如下：

公式：預測值＝所有歷史數據的平均值

Ø 移動平均預測方法

移動平均預測方法僅對最近一段時間的數據求平均值。選擇一段與目前時間段數據相關性最大的一段歷史數據。

公式：預測值＝最后幾段相關的歷史數據的平均值。

Ø 指數平滑預測方法

指數平滑預測方法是對移動平均法的改進，將不同分量權重賦予不同與目前時間段相關時間序列。

公式：預測值＝α(上期值）＋(1－α)(上上期值)

Ø 趨勢性指數平滑

趨勢性指數平滑使用時間序列最近的數據來估計當前的趨勢。

Ø ARIMA模型

ARIMA是自動回歸積分滑動平均模型，它主要使用與有長期趨勢與季節性波動的時間序列的分析預測中。

ARIMA的思路很簡單，首先用差分去掉季節性波動，然后去掉長期趨勢，然后平滑序列，然后用一個線性函數+白噪聲的形式來擬合序列。

呼叫中心客服話務 預測發展經歷

客服中心成立之初，由于業務類型單一，且來電較為穩定，預測基本采用的是平均值預測法及移動平均預測法行預測。

隨著客服中心的發展，業務種類繁多，客戶來電會隨之增長，影響預測的因素也隨著增加，為預測帶來不小的挑戰。例如每月就有10個左右的信用卡客戶群按照不同還款周期給客服中心帶來相似的不同周期的來話量，如果再簡單的用平均值的預測方法，很難做到預測的精準。我們建立的ARIMA的預測模型，使用SAS系統進行預測。下圖是信用卡不同的兩個還款周期的來話量的圖示。

客服中心話務預測現狀

目前的話務預測利用ARIMA預測模型，按照信用卡、綜合兩個不同業務類型進行分別預測。兩種業務有不同的客戶群、不同的來電規律。需要構建不同的預測模型。

構建預測模型可以分以下幾步來進行。

• 歷史數據的收集及整理

歷史數據的處理是我們預測前最重要的一步，如果數據不進行處理，將直接影響預測的精準度。

對于客服中心呼入量而言，對原始呼入量產生影響的情況主要有以下幾點：

1：發生系統故障

如果某一天發生系統故障，需要剔除當日發生系統故障的時段呼入量，還原原始呼入量。

2：由于某種敏感短信或輿情造成客戶集中來電

如果某一天發送了某種敏感短信或者發生輿情，導致客戶集中來電的情況，需要剔除當日集中來電的時段呼入量，還原原始呼入量。

3：人力不足，接通率較低的日期

如果不是由于故障，而是由于人力不足，接通率較低，會導致當日重復來電較多，當日呼入量不是原始客戶需求的呼入量。所以我們需要按照當日重復來電的水平，將呼入量回復原始呼入量。

• 不同業務的影響因素及影響比例

不同的業務有不同的影響因素，需要我們去挖掘歷史數據，發現較大的影響因素。例如：信用卡業務主要涉及還款日、賬單短信提醒日、延期還款期等。綜合類業務主要涉及貸款還款日、貸款還款短信提醒等影響因素。找到影響呼入量的影響因素后，我們需要根據不同的客戶群去標注不同比重的影響因素。例如圖一中兩個不同還款周期的客戶群，需要在20日和22日分別標注還款日，明顯22號還款日的客戶群的影響比重更大。

至此模型已構建完成，但是隨著業務、呼入量水平等不斷的變化，我們需要根據實際情況調整、完善我們的預測模型。

例如：客戶類型對呼入量的影響大小是不一樣的，一個新客戶群帶來的呼入量比同量客戶帶來的呼入量將近增加1.5倍。所以我們在做預測時需要將新客戶群帶來的影響因素放大，否則將在很多程度是影響我們的預測。

任何預測模型都不是完美的，都需要我們在后期根據模型值根據經驗進行手工調整。根據經驗值對預測進行調整是我們做預測中很重要的一環。因為有很多小的細節的東西是模型無法完成的。

• 節假日預測

節假日期間的預測是預測師在預測中遇到的最難啃的一塊骨頭，相對于正常工作日來說，節假日期間的歷史數據較少，放假安排總在變化，每年總體呼入量水平在變等這些因素都在我們預測時給我們帶來不小的麻煩。怎么做好節假日期間的預測呢，我們需要將節假日進行簡單的分類，并建立簡單的預測模型。

國內目前的節假日可分為小長假、國慶長假、春節假期三類不同的假期預測。

1、春節假期

春節假期預測是這三類節假日預測最難的一個，主要是因為春節假期放假開始日期不同，且幾乎不受呼入量正常影響因素影響，例如還款日、賬單短信發送日等。所以我們在預測時需要利用歷史數據及假期當年的來話量水平進行預測。根據歷史數據我們發現，從大年三十開始至假期最后一天的呼入量和元旦當天的呼入量比例一直保持在一個平穩的水平，如下圖：這樣我們就可以結合近幾年的歷史數據，得到春節假期的預測量。

春節假期還有一個比較異常的點，14年春節和13年春節不同的是放假開始時間是大年初一，而不是大年三十。從上圖我們可以看到，大年三十這一天放假與不放假呼入量水平都是一致的。這一點需要我們在做預測時特別注意。

2、國慶長假及小長假預測

國慶長假及小長假不同于春節假期有那么濃郁的中國特色，而是和呼入量的影響因素相關，性較大，需要根據歷史數據確定模型中各個影響因素對呼入量影響的系數，然后利用模型進行預測，最后進行手工調整。

經驗值對預測的影響

2013年年度人工呼入量預測偏差為1.08%，月度平均預測偏差保持在正負5%以內。日預測偏差基本在正負3%以內，一直保持了較精準的預測，為下一步排班打下良好的基礎。目前客服中心出現了如文字客服、視頻客服等一系列多媒體類客服，如何做好這一類的預測是我們正在不斷摸索的方向。在原有人工客服呼入量預測的經驗中，我們也可以得到很多啟發，但是不能照貓畫虎的一味的拿來直接使用，需要根據多媒體客服的特點及重點業務進行預測。

標簽：烏海 滁州 運城 綿陽 鄂爾多斯