呼入式客服中心話務預測

　　話務預測是客服中心現(xiàn)場運營管理中的第一個環(huán)節(jié)，也是最重要的一個環(huán)節(jié)。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。精準的話務預測也可以提前對未來運營做出預警，為提高服務水平奠定基礎。話務預測不僅對時段、日、月這種較小時間維度內的人力排布起決定性作用，而且可以對年度運營起到較大的指導作用。例如客服中心年度人員需求、何時需要進行人員招聘等客服中心運營管理中的各個環(huán)節(jié)。

光大銀行客戶滿意中心已走過十五個年頭，最初業(yè)務類型單一、規(guī)模小、來電較為穩(wěn)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。隨著光大銀行業(yè)務增加、客戶群體擴張、客戶黏度增加，來電逐年增長。影響話務的因素也隨之增加，為預測帶來不小的挑戰(zhàn)。例如目前光大銀行信用卡就有10個以上的客戶群按照不同的還款周期帶來相似規(guī)律的話務量，如果再使用平均值的預測方法進行預測，很難再做到預測的精準。我們現(xiàn)在SAS系統(tǒng)中使用ARIMA時間序列預測模型進行預測。附圖為信用卡兩個不同的還款周期的來話量圖示（如圖1）。

                        圖1：不同還款周期的來話量

      一、不同話務預測方法適用不同階段的呼叫中心

話務預測屬時間序列預測范疇，預測方法從簡至難，多種多樣，但是需要根據(jù)客服中心的主要業(yè)務、規(guī)模、話務來電規(guī)律及需達到的服務水平目標進行合理選擇。否則，你即使選擇最復雜的預測方法，但如果不適合自己的預測環(huán)境，那只能給你帶來較多的麻煩，而結果相差無幾。下面是幾種常見的預測方法：

1、平均值預測法

平均值預測法廣泛應用在業(yè)務單一、話務較穩(wěn)定的客服中心。

具體公式為：預測值＝所有歷史數(shù)據(jù)的平均值。

2、移動平均預測法

移動平均預測法僅對與預測時間內數(shù)據(jù)相關性最大的N個歷史數(shù)據(jù)求平均值。

具體公式為：預測值＝N個相關性較大的歷史數(shù)據(jù)的平均值。

3、指數(shù)平滑預測法

指數(shù)平滑預測方法是對移動平均法的改進，是將不同大小權重賦予與目前時間段相關的N個歷史數(shù)據(jù)。

具體公式為：預測值＝n1（歷史數(shù)據(jù)1）＋n2（歷史數(shù)據(jù)2）+…+（1－nn）（ 歷史數(shù)據(jù)n） 。

4、ARIMA模型

ARIMA是自動回歸積分滑動平均模型，它主要使用在有長期趨勢與季節(jié)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(jié)性波動，然后去掉長期趨勢，然后平滑序列，最后用一個線性函數(shù)+白噪聲的形式來擬合序列。

二、呼入電話預測方法及程序

光大銀行目前的話務預測利用ARIMA預測模型進行預測。業(yè)務類型主要分為信用卡及綜合業(yè)務兩類。兩種業(yè)務有不同的客戶群、不同的話務來電規(guī)律，需要構建不同的預測模型。

下面主要對構建預測模型進行詳細介紹。

    （一）歷史數(shù)據(jù)的收集及整理

歷史數(shù)據(jù)的處理是預測前最重要的一步，如果數(shù)據(jù)不處理干凈，將直接影響預測的精準度。對于客服中心的話務情況而言，對原始話務來電量產(chǎn)生影響的情況主要歸納總結了以下幾點：

1、系統(tǒng)故障。如果某一天發(fā)生系統(tǒng)故障，需要按照發(fā)生故障的時間維度剔除當日發(fā)生系統(tǒng)故障的話務量，還原為原始呼入量。

2、由于某種敏感短信或輿情造成客戶的集中致電。

3、如果某一天發(fā)送了某種敏感短信或者發(fā)生輿情，導致客戶集中來電的情況，需要按照所影響時間維度剔除相應的話務量，還原為原始呼入量。

4、人力不足，接通率較低的情況。

如果不是由于以上情況，而是由于人力不足造成接通率較低，導致重復來電較多，當日呼入量數(shù)據(jù)不是原始客戶需求的真實呼入量。我們需要按照當日重復來電的水平，將呼入量還原為原始呼入量。

    （二）模型的初步建立

不同的業(yè)務有不同的影響因素，需要我們挖掘歷史數(shù)據(jù)去發(fā)現(xiàn)較重要的影響因素。例如信用卡業(yè)務主要涉及還款日、賬單短信提醒日、延期還款期等影響因素。綜合類業(yè)務主要涉及貸款還款日、貸款還款短信提醒日等影響因素。找到影響呼入量的影響因素后，需要將不同的權重賦予不同的客戶群。例如圖1中兩個不同還款周期的客戶群，我們需要在20日和22日分別標注還款日，并將較大的權重賦予22日還款日的那部分客戶。

至此模型已初步構建完成，但是隨著業(yè)務、路由調整及客戶量等的不斷變化，需要不斷調整、完善我們的預測模型。預測模型是人工構建的，必有我們考慮不到的因素，所以模型不是完美的，需要我們根據(jù)經(jīng)驗對模型值進行手工調整，經(jīng)驗則需要預測師在不斷的學習中、工作中進行總結。

    （三）模型之外的預測點

有很多時間段內的預測是無法利用模型進行預測的，需要我們根據(jù)歷史數(shù)據(jù)、經(jīng)驗去手工進行預測。例如春節(jié)期間、黃金周及小長假等的預測。

　 （四）預測成果

2013年度光大客服中心人工呼入量預測偏差率為1.08%，月度平均預測偏差保持在正負2%以內，日預測偏差基本在正負3%以內。精準的預測為我們的節(jié)約了人力，降低了人員成本。

三、探索多媒體話務量預測

光大客服中心相繼推出了文字客服、視頻客服等一系列多媒體類客服服務。如何做好多媒體話務預測，是我們正在不斷探索的另一方向。在原有人工電話客服呼入量預測的經(jīng)驗中我們也可以得到很多啟發(fā)，但是不能照貓畫虎拿來直接使用，需要根據(jù)多媒體客服的特點及重點業(yè)務來重新構建新的預測模型。