CN104113644B - 一种客户服务中心话务负荷预测方法 - Google Patents

Abstract

本发明公开了一种客户服务中心话务负荷预测方法，包括：根据所取历史数据，计算各时间段分小时话务量M；根据平均通话时长与案头时长计算单个电话的平均处理时长N；最后确定每小时需要的话务人员数H₁；计算当年相应周期内的预测参数影响话务量X'；计算当年下1个周期平均24个点小时平均话务负荷预测量S；结合现场实际情况以及经验值，得出人均小时话务量M，计算出每小时需要的话务人员数H₂；通过计算H₁和H₂的平均值，确定最终的话务人员预测数量。本发明的排班方法针对本地域的具体情况进行有效的话务预测，结果更加准确；既能有效保证正常情况下的电话接听，又能保证客服代表的休息时间，提高工作效率，确保供电服务质量。

Description

一种客户服务中心话务负荷预测方法

技术领域

本发明属于话务预测领域，尤其涉及一种客户服务中心话务负荷预测方法。

背景技术

话务负荷预测是客户服务中心运营管理的重要一环，它关系到人力成本的投入、绩效指标的完成、员工工作满意度高低等一些列的指标，是整个呼叫平台运营管理的最基本工作。

目前普遍使用的一种话务负荷预测方法为爱尔兰话务负荷预测方法，但是该方法是针对大部分地域的普遍方法，不具有地域的针对性，在预测过程中不能充分考虑到天气情况、停电线路条数、故障抢修资源数量、特殊原因停电次数以及社区供电服务单位资源的影响，进而导致预测结果不十分准确。

发明内容

本发明的目的就是为了解决上述问题，提出了一种客户服务中心话务负荷预测方法，该方法使供电中心各时段人数配置更为合理，既能有效保证正常情况下的电话接听，又能保证客服代表的休息时间，提高了工作效率，确保了供电服务质量。

为了实现上述目的，本发明采用如下技术方案：

一种客户服务中心话务负荷预测方法，包括以下步骤：

(1)选取一定时间段内的历史话务量数据，根据所取历史数据，分业务组计算各时间段分小时话务量M1；根据平均通话时长与案头时长计算单个电话的平均处理时长N；最后确定每小时需要的话务人员数H₁；

(2)定义预测参数影响话务量X，包括：天气情况影响话务量X1、停电线路条数影响话务量X2、故障抢修资源数量影响话务量X3、特殊原因停电次数影响话务量X4、社区供电服务单位资源数量影响话务量X5；

(3)根据前一年一定周期内各个预测参数影响话务量X1、X2、X3、X4、X5的数据指标，计算当年相应周期内的各预测参数影响的话务量X1'、X2'、X 3'、X4'、X 5'；将当年相应周期内的各预测参数影响的话务量乘以各个预测参数影响话务量的权重，计算出当年相应周期内的预测参数影响话务量X'；

(4)将前一年相邻两个周期的24个点小时平均话务量进行比较，确定小时平均话务量同期增幅/降幅百分比λ的数值，分别标记为λ1-λ24；

(5)设当年当前周期内的24个点小时的平均话务量分别为A1-A24，结合当年当前周期的预测参数影响话务量X'以及前一年相应周期内小时平均话务量同期增幅/降幅百分比λ的数值，计算当年下1个周期平均24个点小时平均话务负荷预测量S；

(6)结合现场实际情况以及经验值，得出人均小时话务量M2，计算出每小时需要的话务人员数H₂；

(7)通过计算H₁和H₂的平均值，确定最终的话务人员预测数量。

所述步骤(1)中平均通话时长为客服代表接听一个电话的时间，案头时长为客服代表接听完电话后下发工单业务处理的时间，平均通话时长+案头时长＝单个业务处理时长，所有客服代表的单个业务处理时长相加后除以总人数得出平均业务处理时长N。

所述步骤(1)中每小时需要话务人员的人数H₁的计算方法如下：

H₁＝(M1*N)/(ν*δ*t)

其中，M1为根据所取历史数据分业务组计算的各时间段每小时话务量，N为单个电话平均处理时长，ν为出勤率，δ为台席利用率，t为每人每小时可提供工作时长。

所述步骤(3)中各个预测参数影响话务量X1、X2、X3、X4、X5的数据指标包括：单次预测参数影响话务量的经验值、前一年相应周期预测参数影响话务量的数量以及当年相应周期内预测参数影响话务量数量的增幅/降幅。

所述数据指标具体包括：

天气情况影响话务量X1中：单次恶劣天气影响话务量的经验值a，前一年相应周期恶劣天气的次数y1，当年相应周期恶劣天气次数的增幅/降幅ξ1；

停电线路条数影响话务量X2中：单条停电线路影响话务量的经验值b，前一年相应周期的停电线路条数y2，当年相应周期停电线路条数的增幅/降幅ξ2；

故障抢修资源数量影响话务量X3中：单个故障抢修资源影响话务量的经验值c，前一年相应周期的故障抢修资源数量y3，当年相应周期故障抢修资源数量的增幅/降幅ξ3；

特殊原因停电次数影响话务量X4中：单次特殊原因停电影响话务量的经验值d，前一年相应周期的特殊原因停电次数y4，当年相应周期特殊原因停电次数的增幅/降幅ξ4；

社区供电服务单位资源数量影响话务量X5中：单个社区供电服务单位资源影响话务量的经验值e，前一年相应周期的社区供电服务单位资源数量y5，当年相应周期社区供电服务单位资源数量的增幅/降幅ξ5。

所述步骤(3)中当年相应周期内的各预测参数影响的话务量X1'、X2'、X3'、X4'、X5'的计算方法为：

X1′＝a*y₁*ξ1；

X2′＝b*y₂*ξ2；

X3′＝c*y₃*ξ3；

X4′＝d*y₄*ξ4；

X5′＝e*y₅*ξ5。

所述步骤(5)中当年下1个周期平均24个点小时平均话务负荷预测量S的计算方法为：

S＝{[A1*(1+λ1)+A2*(1+λ2)+…A24*(1+λ24)]+24*X'}*30/31

其中，A1-A24分别为当年当前周期的24个点小时的平均话务量；λ1-λ24为前一年相应周期小时平均话务量同期增幅/降幅百分比的数值。

所述步骤(6)中计算出每小时需要的话务人员数H₂的方法为：

H₂＝S/M2

其中，S为当年下1个周期平均24个点小时平均话务负荷预测量，M2为结合现场实际情况以及经验值得出的人均小时话务量。

本发明的有益效果是：

通过采用本发明的话务负荷预测方法进行排班，在排班方案中除了正常的早班、中班、夜班外，又增加了早、晚高峰班、常白班、常白运行班，保证各时段人员充足，人员利用率明显提高，正常情况下的接通率均能达到要求的指标量。

本发明的排班方法可以针对本地域的具体情况进行有效的话务预测，预测结果更加准确；使中心各时段人数配置更为合理，既能有效保证正常情况下的电话接听，又能保证客服代表的休息时间，提高了工作效率，确保了供电服务质量。

附图说明

图1为本发明话务负荷预测方法流程图；

图2为本发明24小时话务预测曲线示意图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明：

定义以下名称含义：

(1)平均通话时长：客服代表接听一个电话的时间；

(2)案头时长：客服代表接听完电话后下发工单业务处理的时间；

(3)单个业务处理时长＝平均通话时长+案头时长；

(4)所有客服代表的单个业务处理时长相加后除以总人数得出平均业务处理时长N

(5)话务量(S)：指周期时间(年、月、周、日、时)内客户拨打95598热线电话的总数量，单位(个)。

(6)小时平均话务量(A)：以小时为基本单位，周期时间(年、月、周)内每日24小时，每小时客户拨打95598热线电话数量的平均值，单位(个)，共24个值。

(7)预测参数影响话务量(X):包括天气情况影响话务量(X1)、停电线路条数影响话务量(X2)、故障抢修资源数量影响话务量(X3)、特殊原因停电次数影响话务量(X4)、社区供电服务单位资源数量影响话务量(X5)等，单位(个)。其中：

①天气情况影响话务量(X1)

天气情况包括恶劣、正常两个参数项，1次恶劣天气影响话务量的经验值为a，去年同期恶劣天气的次数为y1，设今年同期恶劣天气次数的增幅/降幅为§1，天气情况参数权重为70％。

②停电线路条数影响话务量(X2)

1条停电线路影响话务量的经验值为b，去年同期的停电线路条数为y2，设今年同期停电线路条数的增幅/降幅为§2，停电线路条数参数权重为10％。

③故障抢修资源数量影响话务量(X3)

1个故障抢修资源影响话务量的经验值为c，去年同期的故障抢修资源数量为y3，设今年同期故障抢修资源数量的增幅/降幅为§3，故障抢修资源数量参数权重为7％。

④特殊原因停电次数影响话务量(X4)

1次特殊原因停电影响话务量的经验值为d，去年同期的特殊原因停电次数为y4，设今年同期特殊原因停电次数的增幅/降幅为§4，特殊原因停电次数参数权重为3％。

⑤社区供电服务单位资源数量影响话务量(X5)

1个社区供电服务单位资源影响话务量的经验值为e，去年同期的社区供电服务单位资源数量为y5，设今年同期社区供电服务单位资源数量的增幅/降幅为§5，社区供电服务单位资源数量参数权重为10％。

(8)小时平均话务量同期增幅/降幅(λ)

小时平均话务量同期增幅/降幅是指同期比较，相同时间的2个单位周期内24个点小时平均话务量的差值百分比，单位(％)，共24个值。

本发明方法如图1所示：

1.选取一定时间段内的历史话务量数据，根据所取历史数据，分业务组计算各时间段分小时话务量M1；根据平均通话时长与案头时长计算单个电话的平均处理时长N；最后确定每小时需要的话务人员数H₁；

H₁＝(M1*N)/(ν*δ*t)

其中，M1为根据所取历史数据分业务组计算的各时间段每小时话务量，N为单个电话平均处理时长，ν为出勤率，δ为台席利用率，t为每人每小时可提供工作时长。

2.以月为周期测算，预测下1个月的话务负荷数据。

话务负荷预测具体测算方法为：

将去年同一季度相邻2个月内24个点小时平均话务量进行比较，确定小时平均话务量同期增幅/降幅百分比(λ)的数值，共24个值，分别设为λ1-λ24。

与去年同期相对应，将当年当月的话务预测参数与去年同期的话务预测参数进行对比，得出各预测参数影响的话务量：

X1′＝a*y₁*ξ1；X2′＝b*y₂*ξ2；X3′＝c*y₃*ξ3；

X4′＝d*y₄*ξ4；X5′＝e*y₅*ξ5；

X'＝X1'*70％+X2'*10％+X3'*7％+X4'*3％+X5'*10％＝0.7a*y₁*ξ1+0.1b*y₂*ξ2+0.07c*y₃*ξ3+0.03d*y₄*ξ4+0.1e*y₅*ξ5

设当年当月的24个点小时平均话务量为A1-A24。

最终得出当年下1个月平均24个点小时平均话务负荷预测量为：

S＝{[A1*(1+λ1)+A2*(1+λ2)+…A24*(1+λ24)]+24*X'}*30/31

根据24小时平均话务量趋势，可以制作话务负荷曲线，如图2所示。

根据话务负荷曲线图可以看出话务负荷尖峰、高峰、低谷等时段的话务数据情况。

根据各时段的话务负荷数据情况，结合坐席工时利用率、工作饱和度、通话时长、案头时长、出勤率等因素影响，对人员进行合理配置。

根据现场实际情况与经验值，设人均小时话务量为M2，台席利用率为75％，出勤率(经验值)为95％，案头时长(Ta)与通话时长(Tt)根据实际情况确定不同时期的经验值，进而得出：

M2＝(3600s*75％*95％)/(Ta+Tt)

设预测人员数量为H2，即有：

H2＝S/M2

3.通过计算H₁和H₂的平均值，确定最终的话务人员预测数量。

根据新的人员测算方法，可制定相应的话务人员排班方案。

自2014年起，客户服务中心通过采用新的话务负荷预测方法进行排班，在排班方案中除了正常的早班、中班、夜班外，又增加了早、晚高峰班、常白班、常白运行班，保证各时段人员充足，人员利用率明显提高，正常情况下的接通率均能达到要求的指标量。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种客户服务中心话务负荷预测方法，其特征是，包括以下步骤：

(1)选取一定时间段内的历史话务量数据，根据所取历史数据，分业务组计算各时间段分小时话务量M1；根据平均通话时长与案头时长计算单个电话的平均处理时长N；最后确定每小时需要的话务人员数H₁；

(2)定义预测参数影响话务量X，包括：天气情况影响话务量X1、停电线路条数影响话务量X2、故障抢修资源数量影响话务量X3、特殊原因停电次数影响话务量X4、社区供电服务单位资源数量影响话务量X5；

(3)根据前一年一定周期内各个预测参数影响话务量X1、X2、X3、X4、X5的数据指标，计算当年相应周期内的各预测参数影响的话务量X1'、X2'、X3'、X4'、X5'；将当年相应周期内的各预测参数影响的话务量乘以各个预测参数影响话务量的权重，计算出当年相应周期内的预测参数影响话务量X'；

(4)将前一年相邻两个周期的24个点小时平均话务量进行比较，确定小时平均话务量同期增幅/降幅百分比λ的数值，分别标记为λ1-λ24；

(5)设当年当前周期内的24个点小时的平均话务量分别为A1-A24，结合当年当前周期的预测参数影响话务量X'以及前一年相应周期内小时平均话务量同期增幅/降幅百分比λ的数值，计算当年下1个周期平均24个点小时平均话务负荷预测量S；

(6)结合现场实际情况以及经验值，得出人均小时话务量M2，计算出每小时需要的话务人员数H₂；

(7)通过计算H₁和H₂的平均值，确定最终的话务人员预测数量。

2.如权利要求1所述的一种客户服务中心话务负荷预测方法，其特征是，所述步骤(1)中平均通话时长为客服代表接听一个电话的时间，案头时长为客服代表接听完电话后下发工单业务处理的时间，平均通话时长+案头时长＝单个业务处理时长，所有客服代表的单个业务处理时长相加后除以总人数得出平均业务处理时长N。

3.如权利要求1所述的一种客户服务中心话务负荷预测方法，其特征是，所述步骤(1)中每小时需要话务人员的人数H₁的计算方法如下：

H₁＝(M1*N)/(ν*δ*t)

其中，M1为根据所取历史数据分业务组计算的各时间段每小时话务量，N为单个电话平均处理时长，ν为出勤率，δ为台席利用率，t为每人每小时可提供工作时长。

4.如权利要求1所述的一种客户服务中心话务负荷预测方法，其特征是，所述步骤(3)中各个预测参数影响话务量X1、X2、X3、X4、X5的数据指标包括：单次预测参数影响话务量的经验值、前一年相应周期预测参数影响话务量的数量以及当年相应周期内预测参数影响话务量数量的增幅/降幅。

5.如权利要求4所述的一种客户服务中心话务负荷预测方法，其特征是，所述数据指标具体包括：

天气情况影响话务量X1中：单次恶劣天气影响话务量的经验值a，前一年相应周期恶劣天气的次数y1，当年相应周期恶劣天气次数的增幅/降幅ξ1；

停电线路条数影响话务量X2中：单条停电线路影响话务量的经验值b，前一年相应周期的停电线路条数y2，当年相应周期停电线路条数的增幅/降幅ξ2；

故障抢修资源数量影响话务量X3中：单个故障抢修资源影响话务量的经验值c，前一年相应周期的故障抢修资源数量y3，当年相应周期故障抢修资源数量的增幅/降幅ξ3；

特殊原因停电次数影响话务量X4中：单次特殊原因停电影响话务量的经验值d，前一年相应周期的特殊原因停电次数y4，当年相应周期特殊原因停电次数的增幅/降幅ξ4；

社区供电服务单位资源数量影响话务量X5中：单个社区供电服务单位资源影响话务量的经验值e，前一年相应周期的社区供电服务单位资源数量y5，当年相应周期社区供电服务单位资源数量的增幅/降幅ξ5。

6.如权利要求5所述的一种客户服务中心话务负荷预测方法，其特征是，所述步骤(3)中当年相应周期内的各预测参数影响的话务量X1'、X2'、X3'、X4'、X5'的计算方法为：

X1′＝a*y₁*ξ1；

X2′＝b*y₂*ξ2；

X3′＝c*y₃*ξ3；

X4′＝d*y₄*ξ4；

X5′＝e*y₅*ξ5。

7.如权利要求1所述的一种客户服务中心话务负荷预测方法，其特征是，所述步骤(5)中当年下1个周期平均24个点小时平均话务负荷预测量S的计算方法为：

S＝{[A1*(1+λ1)+A2*(1+λ2)+…A24*(1+λ24)]+24*X'}*30/31

其中，A1-A24分别为当年当前周期的24个点小时的平均话务量；λ1-λ24为前一年相应周期小时平均话务量同期增幅/降幅百分比的数值。

8.如权利要求1所述的一种客户服务中心话务负荷预测方法，其特征是，所述步骤(6)中计算出每小时需要的话务人员数H₂的方法为：

H₂＝S/M2

其中，S为当年下1个周期平均24个点小时平均话务负荷预测量，M2为结合现场实际情况以及经验值得出的人均小时话务量。