婷婷综合国产,91蜜桃婷婷狠狠久久综合9色 ,九九九九九精品,国产综合av

主頁 > 知識庫 > 客服中心話務預測模型應用實踐

客服中心話務預測模型應用實踐

熱門標簽:濟南外呼電銷機器人價格 宿州穩定外呼系統廠家 電話機器人整體實現流程 孝感ai智能電銷機器人怎么樣 河南濮陽地圖標注 贛州crm外呼系統排名 太原電銷智能語音機器人 山西高頻外呼系統 百度地圖標注員工作內容

一、課題背景

客服中心運營管理主要包括話務預測與排班、應急管理、運營現場秩序管理、監控管理等內容。可見做好話務預測,是客服中心現場運營管理中的第一環節,也是最重要的一個環節。只有準確的話務預測,才能精準地進行客服專員需求測算和排班工作,從而保證服務水平,提高人員利用率,降低人力成本。話務預測可以從小時、日、月、年等多時間維度進行預測,細化調整人力資源的分布,同時年度話務預測,對下一年度人員招聘計劃起到較大的指導作用。如客服中心年度人員缺口、特殊需求時間點等。總之,提高話務預測準確性,才能保證現場運營平穩、有序,其重要性凸顯于運營管理的各個環節。

二、影響話務的幾個因素

筆者所在的電力行業客服中心分中心服務13家省公司,服務范圍大,影響話務的因素多,主要包括天氣情況、業務特點、電力突發故障、電網建設差異、特殊日等。

(一)天氣情況

1、惡劣天氣:雷雨大風、冰雹、暴雪、強降雨等;

2、特殊季節:如在七、八、九月份的迎峰度夏、一、二月份的迎峰度冬期間,除惡劣天氣的影響外,客戶使用空調較多,用電負荷大,容易導致電壓過低,為避免電力設備超負荷運行,保護系統會自動切斷電路,導致停電。 故每天負責話務預測與排班的人員要關注次日省公司天氣情況,進行異常天氣信息預警,為客服部話務預測、現場排班提供有效數據支撐。

(二)業務特點:因一些省公司具有先用電后付費的業務特點,每月底至次月初,部分供電公司實施欠費停復電,期間客戶查電費、繳費后復電等咨詢類電話較集中。

(三)電力突發故障:電力設施作為自然體,出現故障是不可避免的,不可抗力對電力設施的破壞影響了設施的穩定運行。故障停電后,為了避免大面積停電現象的發生,供電公司需要停電消除故障。

(四)電網建設差異:國家電網公司戰略目標中提到要建設成電網堅強”的現代公司。為了提高電網運行能力,供電公司需要對電網設備進行月度、季度檢修。季度檢修在每年的春季、秋季進行,主要對電網設施的運行、維護、檢修工作,涉及變電站全站停止運行,由該變電站供電的線路同步進行檢修,故春季、秋季檢修影響范圍較廣。

(五)特殊日:節假日或非工作日,例如春節、國慶、重大政治類活動等,期間供電公司進行保電優質服務,不安排計劃停電檢修,相對話務量較低。

剖析完影響話務的因素,在結合歷史話務曲線進行預測時,對趨勢波動的原因就清晰自明了。下面詳細說明話務預測過程。三、話務預測數據清洗

(一)基礎數據選擇

1、時間周期選擇。筆者所在的電力客服中心在2014年底實現了全網全業務統一集中運營,所以2014年前數據不夠完善,本次進行話務預測分析時選用2015年度數據作為數據源。在年度、月度、周等維度選擇中,因年度和月度的基礎數據較少,本次預測使用周”維度進行預測。

2、地域選擇。因各省存在天氣情況和業務特點的差異,故話務預測以單個省”為單位進行,所有服務區域省預測量疊加即可得到分中心預測總量。本次選擇的某省份是2014年6月實現了全業務集中,經過半年的磨合和沉淀,2015年的數據趨于穩定,且該省迎峰度夏話務數據特征明顯,有代表性。

(二)數據清洗

話務預測的目的是為人員排班提供支撐,故數據源應為人工服務請求量,不包含自助話務量。

圖一為某省2015年度周人工請求量(原始數據),圖中出現了幾個話務量的峰值點(如第32周左右),這些峰值點被考慮為離群值,根據影響話務的因素,經核實,第32周左右為7月底8月初,是迎峰度夏的高峰期,造成話務量突增,從圖中也可以看出數據具有明顯的月周期性。

圖一:某省2015年度周人工請求量

數據清洗是對數據進行重新審查和校驗的過程,目的在于糾正存在的錯誤,并提供數據一致性。這里需要注意幾個細節問題:

1、清洗規則。因話務量受季節性因素影響較大,所以在年度數據清洗時,先計算出每月話務量均值,高于均值50%(這個比例不是絕對的)的數值利用條件格式進行篩選清洗,由其前后數據均值進行替換,進而求出每周話務量和。這樣做可避免舍棄月份差異導致話務量波動的參考數據,符合話務特點。

2、統一口徑。在日期轉換為周時,利用weeknum函數時,這里把周一作為每周的第1天,故選定第二參數為2”。2015年1月1日至4日為第1周(如表1:年度首周天數),2015年12月28日至12月31日為第53周,均為4天。這里折算時讓該階段的話務量除以實際天數4再乘以7,實現數據的統一口徑,如下表1:統一口徑數據清洗。


四、話務預測數據模型應用實踐

本次使用三種預測模型,分別為最小二乘法、移動平均法和指數平滑法。下面分別從原理、公式和不同參數試算驗證準確性進行闡述。

(一)最小二乘法

原理:尋求與給定點(i=0,1,…,m)的距離平方和為最小的曲線,通過最小化誤差的平方和尋找數據的最佳函數匹配,采用殘差平方和最小的準則。

公式:y=a+bx

參數關系:最小二乘法是從清洗后的數據中尋求變量之間的依賴關系,由得到折線圖和散點圖計算出預測值與實際值產生的偏差,稱之為殘差,用R表示,當然偏差越小越好,但由于其可正可負,因此總偏差不能很好地反映了變量之間的關系,因為此時每個偏差的絕對值可能很大,為了改進這一缺陷,就考慮用殘差的平方R²來代替。但是由于絕對值不易作解析運算,因此,進一步用來度量總偏差,因偏差的平方和最小可以保證每個偏差都不會很大,于是問題歸結為確定其中的常數和使殘差平方為最小。

利用LINEST函數計算出直線的斜率a和截距b,添加趨勢線,見圖二,得出

y=242.79x+41614,R²=0.1357。


圖二:最小二乘法趨勢線

通過數據分析-回歸得出擬合圖和殘差圖

圖三:散點擬合圖


圖四:殘差圖

從圖三中可以看出這些點大致散落在某直線近旁,可以認為變量之間的關系為線性一元函數。但話務量月度變化趨勢較明顯,比如第31至33周即7月27日至8月10日之間,迎峰度夏的高峰期,殘差較大,如圖四。經計算得預測準確率在±15%范圍的數值占比為69.23%。

(二)移動平均法

定義:根據時間序列逐項推移,依次計算包含一定項數的平均,以此進行預測的方法。

1、一次移動平均法

公式:Ft=(At-1+At-2+At-3+…+At-n)/n

式中,Ft–對下一期的預測值;

n—跨越期數;

At-1—前期實際值;

At-2、At-3和At-n分別表示前兩期、前三期直至前n期的實際值。

可見:各元素的權重都相等。

分別取n=3、n=5、n=8計算出預測值、預測準確率、誤差平方,預測準確率按照(實際值-預測值)/實際值”計算得出三條預測準確率曲線(見圖五),經計算,預測準確率在±15%范圍的個數占比分別為66.00%、62.50%、46.67%,準確率都較低(見圖五)。


圖五:一次移動平均法話務預測準確率


圖六:一次移動平均法話務預測準確率占比圖

2、二次移動平均法

原理:一次移動平均計算完畢后,形成一個新的時間序列,對它再求二次移動平均值,做出一次移動平均數和二次移動平均數的差值,將差值加到移動平均數上,并考慮趨勢變動值。特點:考慮趨勢變動值,突破一次移動平均法的局限性,加大了預測范圍。

公式:Ft+T=at+btT,

at=Mt+(Mt’-Mt’‘)=2MtMt’‘

bt=(MtMt’‘

Ft+T—t+T的預測值,

t—本期

T—本期到預測值的間隔數

Mt—一次移動平均數

Mt’‘—二次移動平均數

圖七為n=3、n=4時運用二次移動平均法的計算結果,經計算,預測準確率在±15%范圍的個數占比分別為61.70%、60.00%,準確率較低。


圖七:二次移動平均法話務預測準確率

3、移動平均法小結

由一次移動平均法和二次移動平均法得出的預測準確率對比圖,可見,在項數n的選擇上,n越大對預測的平滑影響越大,滯后于實際數據的偏差也越大,n太小不能有效消除偶然因素的影響。移動平均法預測在該次數據試算中預測準確率表現不佳。

(三)指數平滑法

原理:因時間序列的態勢具有穩定性或規則性,所以可被合理地順勢推延。最近的過去態勢,在某種程度上會在未來持續,所以將較大的權數放在最近的資料上。

特點:指數平滑法兼容了移動平均所長,不舍棄過去的數據,其包含的信息量是全部的歷史數據,但是僅給予逐漸減弱的影響程度,即隨著數據的遠離,賦予逐漸收斂為零的權數。

1、一次指數平滑法

原理:任一期的指數平滑值都是上期實際值與當期指數平滑值的加權平均。

公式:St+1=αXt+(1-α)St

a–平滑常數,其取值范圍為[0,1];

下圖為α=0.3、α=0.5、α=0.8時運用一次指數平滑法的試算,見圖十。其中S1用X1代替,故序號1中α取任意值,該點的預測準確率均為0.00%,不計入試算點的占比中。由圖可見,α取不同值時,預測準確率差異不大,計算得預測準確率在±15%范圍的個數占比分別為66.67%、70.59%、76.47%,準確率相對前兩種方法有改善。


圖八:一次指數平滑法話務預測準確率

2、二次指數平滑法

公式:Ft+T=at+btT,

at=Mt+(Mt’-Mt’‘)=2MtMt’‘

bt=(MtMt’‘

運用二次指數平滑法,分別取α=0.3、α=0.5、α=0.8時計算,結果見圖十一。其中S1仍用X1代替,該點的預測準確率均為0.00%,不計入試算點的占比中。由圖可見,相對一次指數平滑法,α取不同值時,二次指數平滑法預測準確率三者差異較大,經計算,預測準確率在±15%范圍的數值占比分別為61.54%、78.85%、88.46%,準確率整體較高。

圖九:二次指數平滑法話務預測準確率

五、結論三種預測公式在不同參數情況下的預測準確率對比,如表3。

表3:一次指數平滑法話務預測準確率

由表3可見,三個話務預測模型在本次數據試算中,相對來說指數平滑法的預測準確率較高,對比一次和二次指數平滑法,二次指數平滑法預測率更高一些,在α=0.8時,預測準確率在±15%范圍的數值占比能達到88.46%的較好水平,擬合度較高,見圖十。

圖十:指數平滑法預測準確率對比

需要特別說明的是,不同行業適用不同的預測模型,根據預測維度的不同預測模型的準確率也可能有不同,每種模型式有它的適用范圍,不能一概而論地認定某種預測模型好用或者更準確,各種公式需要我們不停地去試算、驗證、分析,才能更深層次地挖掘出各種公式的精髓,找出適合自己現場運營特點的最優預測公式。在此感謝周逸松老師的指導,為筆者對話務預測進一步研究奠定了基礎,同時希望更多現場運營人員對話務預測這塊敲門磚”傾力研究和探討。

標簽:福建 玉林 阿克蘇 防城港 佳木斯 黃石 德宏 淘寶好評回訪

巨人網絡通訊聲明:本文標題《客服中心話務預測模型應用實踐》,本文關鍵詞  客服中心,話務,預測,模型,;如發現本文內容存在版權問題,煩請提供相關信息告之我們,我們將及時溝通與處理。本站內容系統采集于網絡,涉及言論、版權與本站無關。
  • 相關文章
  • 下面列出與本文章《客服中心話務預測模型應用實踐》相關的同類信息!
  • 本頁收集關于客服中心話務預測模型應用實踐的相關信息資訊供網民參考!
  • 推薦文章
    主站蜘蛛池模板: 逊克县| 太保市| 阜宁县| 林口县| 巩义市| 健康| 湘潭县| 东乌珠穆沁旗| 灵寿县| 和硕县| 奉新县| 独山县| 惠州市| 中阳县| 安新县| 谢通门县| 无为县| 外汇| 个旧市| 修文县| 临朐县| 马山县| 梓潼县| 巴南区| 荔浦县| 定西市| 宁阳县| 丘北县| 寿阳县| 合山市| 西乡县| 石嘴山市| 腾冲县| 新津县| 班戈县| 英超| 淳安县| 东港市| 孙吴县| 景东| 祁阳县|