客服中心智能排班系统设计方案说明.docx

客服中心智能排班系统设计方案说明.docx

《客服中心智能排班系统设计方案说明.docx》由会员分享，可在线阅读，更多相关《客服中心智能排班系统设计方案说明.docx（33页珍藏版）》请在冰点文库上搜索。

客服中心智能排班系统设计方案说明

客服中心智能排班系统设计方案说明

一、工程概述

排班管理系统工程概述：

1、收集并保留各种业务类型的历史业务量数据，包括人工及自动语音接听量、总放弃量、平均通话时间、话后处理时间等。

2、具备科学严谨的业务量预测方法和步骤。

3、不晚于每年度12月完成对下一年度的长期预测，所预测的业务量需要精确到月。

4、不晚于每月度25日完成对下一个月度的短期预测，所预测的业务量需要精确到每日的每个小时时段。

5、在历史数据预测的基础上，应根据价格变动、临时任务、宣传活动等因素，以周为单位对短期业务量预测进行实时调整，并留存相关文档。

6、具备对短期业务量预测准确性的分析和管理机制。

7、根据短期预测数据进行人员的合理排班，并不晚于每月度25日完成对下一月度的人员排班。

8、能够根据对每一时段的业务量预测和服务水平要求，合理安排人员数量及班次，实现人员数量及业务量的最佳匹配。

9、员工排班符合国家相关法律法规和公司的相关规定，符合呼叫中心的业务特点及满足人员利用效率最大化的需求。

二、排班管理系统流程图

排班管理系统主要流程图：

三、排班管理系统框架图

排班管理系统整体框架图：

四、需求规格描述

本章分功能模块描述排班管理系统需求规格说明。

4.1历史话务统计

模块

子功能

功能项

描述

业务话务统计

异常数据处理

异常数据处理

剔除异动话务数据，自动清洗异动话务数据，或人工剔除异动话务的数据。

呼入量统计曲线

时段呼入量统计（周报）

以“周”为统计周期，每天一个曲线周期，按时段显示数据统计话务曲线，如图4.1所示。

每日呼入量统计（月报）

以“月”为统计周期，每月一个曲线周期，按天显示每日日均数据统计话务曲线，如图4.2所示。

每周呼入量统计（月报）

以“月”为统计周期，每周一个曲线周期，每周按天显示每日日均数据统计话务曲线，如图4.3所示。

每月呼入量统计（年报）

以“年”为统计周期，每年一个曲线周期，按月显示一年之内每个月数据统计话务曲线，如图4.4所示。

图4.1：

以半小时为间隔的一周每日来话量模型图（2004年X月X日）

图4.2：

每月日均来话量模型图（2004年X月1日－31日）

图4.3：

每周日均来话量模型图（2004年X月1日－31日）

图4.4：

每月来话量模型图（2002年－2004年）

4.2异动及规律

模块

子功能

功能项

描述

异动及规律

类别管理

异动及规律类别管理

类别管理定义异动话务及规律模型的类别属性，如“临时任务”、“特殊时期”等，方便对异动话务和规律模型进行分类管理以及应用。

异动话务管理

异动话务提示

通过自动提示的异动话务，可便捷快速地将异动话务保存为规律模型，完善规律模型数据。

异动标记记录

“异动标记记录”记录的是从历史话务统计和话务预测中执行“标记异动话务”操作标记的异动话务，同时可将记录的异动话务转化成规律模型。

数据规律模型

规律模型管理

对规律模型进行编辑、删除等管理操作，同时亦可手动添加规律模型。

规律应用记录

记录应用过的规律模型。

4.3话务及人员预测

模块

子功能

功能项

描述

话务及人员预测

呼入量预测

月份呼入量预测

月度预测参数计算及设置。

包括有：

月份业务增长预测系数，历史月份话务信息（指数，平均比率，时段比率）。

并且可以对自动计算出的预测参数作修改及调整。

1.按照预测算法，得到月度业务量的预测结果图表。

图例参见历史业务曲线图。

2.业务量预测结果调整，并留存相关文档，备注修改调整原因。

1.准确性分析：

每月生成相应的“实际的话务量曲线图”，及“预测的话务量预测曲线图”对照，分析预测的准确性。

2.可查看全月每日的准确性对比，以及每日各时段的准确性对比，对预测值超出实际值设定偏差范围后给予提示。

如图4.5和4.6所示。

年度呼入量预测

年度预测参数计算及设置。

包括有：

年度业务增长预测系数，月份比率，历史年份话务数据。

并且可以对自动计算出的预测参数作修改及调整。

1.按照预测算法，得到年度业务量的预测结果图表。

图例参见历史业务曲线图。

2.业务量预测结果调整，并留存相关文档，备注修改调整原因。

1.准确性分析：

每年生成相应的“实际的话务量曲线图”，及“预测的话务量预测曲线图”对照。

2.分析预测的准确性，对预测值超出实际值设定偏差范围后给予提示。

如图4.7所示。

人员需求预测

月份人员需求预测

月份班次参数设定（Erlang-C参数设置），包括有：

服务水平，平均处理时长。

根据Erlang-C计算各班次人员需求，以及对预测结果进行修改和调整。

年度人员需求预测

年度人员预测参数设定（Erlang-C参数设置），包括有：

服务水平，平均处理时长，座席占用率。

根据Erlang-C计算各时段人员需求，以及对预测结果进行修改和调整。

班次人员需求预测

自动排班岗位的各班次人员预测结果及调整。

图4.5：

月份话务量预测准确性分析对比模型

图4.6：

每日话务量预测准确性分析对比模型

图4.7：

年度话务量预测准确性分析对比模型

4.4人员及班次

模块

子功能

功能项

描述

人员管理

人员管理

人员信息管理

座席基本信息管理：

增删改查。

班组划分及管理

班组划分及班组组员及组长的管理。

岗位管理

岗位信息管理

岗位基本信息的管理，岗位排班设置管理。

岗位班次管理

各岗位对应班次的管理。

4.5自动排班

模块

子功能

功能项

描述

自动排班

自动排班

个性需求管理

个性排班需求添加及管理，自定义个性化排班。

机动班管理

设置管理机动班。

排班表

1.排班因子调整，设定及修改排班算法及参数。

2.自动生成月度排班表，排班表样式如图4.8所示。

调整排班结果，对自动排班结果进行调整和修改。

3.历史排班快照，对每一次生成的排班表保存相应的排班数据依据快照信息。

4.6绩效及报表

模块

子功能

功能项

描述

绩效及报表

座席值班统计

座席值班及遵时率统计

座席值班统计报表。

统计参数有：

值班天数，休息天数，总工作时间，值各班次统计，遵时率。

绩效及考核

绩效及考核指标

根据值班统计报表，计算人员工作质量及服务水平，设定绩效及考核指标，进行绩效考核。

图4.9：

每日时段报表

五、业务量及人员预测

5.1日常数据的收集和统计

1.相关数据包括：

通话时长，话后处理时长，平均处理时长，呼叫量，接听量，服务水平。

2.统计周期：

时段、日、周、月、年。

5.2话务量清洗方法

1.清洗粒度：

以半小时话务量为最小清洗粒度。

2.清洗模型：

原始话务量去除月指数影响，去除周指数影响，得到某一个时段的清洗参考基数后，再加回周指数和月指数的影响，得到清洗的数据范围，原始数据处于正常数据范围之外的为异常数据，即异动话务。

3.模型分解

（原始数据统计结果表：

timespancallcounthistory,datecallcounthistory,yearcallcounthistory,week_total,year_total）

（1）以年（自然年）为清洗单位，每一年计算一套清洗标准。

则一年的数据总量为：

1~12月

每月总天数

48个时段，按时段清洗。

（2）清洗X月份Y日（星期W）Z时段的话务数据（话务量为S）：

✧X月指数Cm=X月话务总量/全年月份话务总量均值；

✧Y日周指数Cw=X月星期W话务量均值/X月中星期一至日话务量均值的均值；

清洗步骤：

1去除月指数及周指数的影响，清洗参考值

，

2对于1~12月，每月Y日的清洗参考值都计算出来：

A1~A12，

3对A1~A12使用肖维勒准则（见附录）剔除异常的数据，

4计算剔除了异常数据的A1~A12的均值A’，

5加回周指数及月指数的影响，

，

6设R为清洗度（可配置），则若

，则为正常数据，否则若

为异常数据，需进一步修正，

7对

的数据，用参考值A替换S，修正数据，清洗完毕。

备注：

清洗度的确定跟呼叫中心的话务水平稳定程度有关，稳定程度高时，可设置更小的清洗度，稳定程度低时，应设置更大的清洗度。

附录：

1肖维勒准则，若

满足其残余偏差：

则

属于异常数据，其中

为样本期望，

为样本标准差，

为系数（查表）。

2剔除异常数据之后，对剩余数据重新使用肖维勒准则剔除异常数据，循环判断直至不再有异常数据。

wn系数表

n

wn

n

wn

n

wn

3

1.38

11

2

25

2.33

4

1.54

12

2.03

30

2.39

5

1.65

13

2.07

40

2.49

6

1.73

14

2.1

50

2.58

7

1.8

15

2.13

100

2.8

8

1.86

16

2.15

9

1.92

18

2.2

10

1.96

20

2.24

（当前月份清洗参照表：

wfm_current_reference，清洗后结果表：

timespan_remove_tran）

4.模型补充

（1）数据量不足一个清洗周期（自然年）时，采用移动周期的方法补足一个清洗周期的数据，以求得清洗参考值。

例：

假若系统初始安装时为2010年5月15日，原始的话务数据从2009年1月1日开始采集。

那么清洗2009年的数据时，可用正常的清洗方法完成。

而2010年的数据则需移动周期补充完整。

具体方法如下表：

时间

1月1日～4月30日

5月1日～12月31日

2009每月话务总量

M1~M4

M5~M12

2010每月话务总量

N1~N4

N5~N12（未知）

计算平均月增长系数K（Nn/Mn的均值，即每个月增长的均值），每完成一个自然月时，更新K

M5~M12相应放大K倍，得到N5~N12

特殊地：

1运行之后每年的1月份，清洗1月份数据时，增长系数K为该年的年度增长系数，1月份完成后再使用月增长计算系数K；

2初始安装时为1月份，清洗1月份数据时，此时并未指定年度增长系数，则需手工指定年度增长系数。

（2）所有原始话务数据，不足一年时，相应缩小清洗参考值的计算来源范围。

例：

假若系统初始安装是为2010年5月15日，原始的话务数据从2010年1月1日开始采集，那么，此时清洗参考值A不足12个，使用已经完成了的自然月1~4月数据计算清洗参考值。

以后每完成一个自然月重新计算一次。

特殊地，若只有一个月的原始数据，不能完成清洗计算，提示至少需要一个完整月份的原始历史数据。

5.3预测基本原理和方法

1.通过对历史数据的分析或假设可以反映未来趋势的系列预测，长期预测以月为单位预测整年的电话量，短期预测以小时为单位来预测近期的电话量。

通过长期预测规划下一个年度的人员及系统配备，通过短期预测调整日常排班，合理安排员工工作。

2.历史业务数据准备

（1）剔除异动话务数据，使用话务量清洗方法剔除异动话务数据，得到不受异动话务影响的话务数据P。

之后所有计算的数据依据均采用不受异动话务影响的话务数据P。

（2）对所有不受异动话务影响的话务数据P，按其所属周几统计计算周指数，周指数每年按月份划分，每年每一个月一套周指数。

Ø计算C年X（X为”1~12”）月份周Y（Y为”一～日”）指数的方法：

统计计算P中C年X月份里周一～周日的话务量均值W1~W7，计算周Y的指数：

VY=，其中Y,n=1,2,3,…,7。

（3）计算历史数据集P经过去除周指数影响的数据集P’：

（wfm_timespan_remove_effect,wfm_date_remove_effect,wfm_month_remove_effect,wfm_history_exponent）

Ø去除周指数影响的数据集P’=，周指数V为每一年相应月份的周指数。

（4）将去除周指数影响的数据集P’取最近三年数据，用加权平均得到一个包含一年时间的历史话务数据均值表O：

（wfm_timespan_average,wfm_date_average,wfm_month_average,wfm_exponent_average）

ØO=P’c-1∙K1+P’c-2∙K2+P’c-3∙（1-K1-K2），

其中c表示预测年份，c-1表示预测年份前一年，其他类推；K表示权重（K1,K2初始化为0.6,0.3）。

Ø若只有最近两年数据，则：

O=P’c-1∙K1+P’c-2∙（1-K1），其中K1初始化为0.6。

Ø若只有最近一年数据，则：

O=P’。

历史话务数据均值表O按照一年12个月份划分，并以每半小时为粒度保存话务数据。

（5）取最近三年的周指数V，用类似求均值表O的方法计算出一个预测周指数均值表Ov，一共对应1~12个月份，每个月份一套周指数。

3.业务量预测

（1）预测思路：

预测值=历史均值

增长系数

周指数+规律模型变化值。

（年度话务量预测相关表：

yearcallcountforecast,wfm_year_forecast_modify,year_total,wfm_month_rate）

（2）年度话务量预测方法（预测粒度到每月话务总量）：

✧年度话务总量R=年度历史均值总量E（由O计算）*年度增长系数QR；（注1）

✧每月话务总量=年度话务总量R*月份比率（由O计算）。

注1:

Ø年度增长系数QR计算：

（1）移动平均法：

预测年份之前每年相对于当时年总话务量均值的增长率的均值：

QR=QR-1∙K1+QR-2∙K2+QR-3∙（1-K1-K2），

其中c表示预测年份，c-1表示预测年份前一年，其他类推；K表示权重（K1,K2初始化为0.6,0.3）。

（2）指数平滑法：

指数平滑法基本公式：

St=a∙yt+（1-a）St-1,

其中St为时间t的平滑值，yt为时间t的实际值，St–1为时间t-1的平滑值，a为平滑常数，其取值范围为[0,1]。

预测计算年度增长系数Q’R：

Q’R=a∙QR（c-1）+（1-a）Q’R（c-1）,其中QR（c-1）为实际增长参数，Q’R（c-1）为预测值，平滑常数a初始化为0.6。

使用指数平滑法计算年度增长系数。

Ø年度话务量预测数据不足的说明：

如果历史话务数据不足，不能应用正常的预测模型，则需初始化年度预测相关系数，包括年度增长系数及各月份的月份比率，以完成年度话务量预测。

例：

年度话务量预测

720000

年度历史均值来话量总量

x1.12

年度增长系数

806400

预测年份的来话量

x0.071

X月份比率

57254

X月份的来话量总量

注：

比率是根据历史数据得出的实际比率，例如月份比率=当月来话量/全年来话量

（3）月份话务量预测方法（预测粒度到每半小时话务量）：

（月份话务量预测相关表：

wfm_month_forecast_source,wfm_month_forecast_modify,monthcallcountforecast,month_forecast_date,wfm_month_timespan_rate,wfm_month_day_rate,wfm_week_exponent）

✧月份话务总量M=月份历史均值总量（由O计算）*月份增长系数QM；（注2）

✧每日话务总量D=月话务总量M*日期比率（由O计算）；

✧每日话务总量周指数修正值D’=每日话务总量D*周指数Ov；

✧时段话务量H=每日话务总量周指数修正值D’*时段比率（由O计算）；

✧最终预测值F=时段话务量H+规律模型变化值。

注2:

Ø月份增长系数QM的计算：

（1）移动平均法：

由O中离预测月份最近的四个月份实际增长加权平均计算，因为预测周期为月，所以预测月份之前月份的实际增长系数已经可以得到：

QM=QM（c-1）∙K1+QM（c-2）∙K2+QM（c-3）∙K3+QM（c-4）∙（1-K1-K2-K3），

其中c表示预测月份，c-1表示预测月份前一月，其他类推；K表示权重（K1,K2,K3初始化为0.4,0.3,0.2）。

（2）指数平滑法：

预测计算月份增长系数Q’M：

Q’M=a∙QM（c-1）+（1-a）Q’M（c-1）,其中QM（c-1）为实际增长参数，Q’M（c-1）为预测值，平滑常数a初始化为0.6。

使用指数平滑法计算月份增长系数。

Ø月份话务量预测数据不足的说明：

若历史数据未够一个周期，则O不能完全由一年的时间构成，将已有数据的月份以每半小时统计计算得到历史数据均值O’，O’按照号数得到均值，组成一个月份1～31日的历史数据均值；若数月份数据不足31天，则缺失的天数据采用已有日数据的均值。

将由O计算的数据从O’计算。

例：

月份话务量预测

65000

月份历史均值总量

月份预测

XXXX年X月

S

M

T

W

T

F

S

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

比率

0.05

0.21

0.17

0.16

0.16

0.15

0.10

指数

0.35

1.47

1.19

1.12

1.12

1.05

0.70

x1.05

M月份增长系数

68250

M月份预测话务总量

x0.04

D日日期来话量比率

2730

D日来话量

x1.47

D日周指数

4013

D日来话量修正值

x0.055

时段H的比率

221

预测出时段H的来话量

+30

时段H规律模型变化值

251

时段H最终预测来话量

注：

比率是根据历史数据得出的实际比率，例如日期比率=当日来话量/全月来话量

平均比率=1/实际工作天数，即1/7=0.143

指数=比率/平均比率，即0.21/0.143=1.469

（4）增长系数的说明：

以上公式中的增长系数是指相对于历史均值的增长（均值增长系数），而不是相对于前期的同比增长（同比增长系数），而实际上用户需获取及操作的是同比增长。

所以最后需计算出同比增长系数，用户操作的仍是实际意义上的同比增长系数：

Ø均值增长系数=；

Ø同比增长系数===。

5.4业务量预测的最佳实践

在呼叫中心业务量预测方面的最佳实践有以下几个方面：

1.具备和使用适合的业务量预测工具，能保证预测的准确性；

2.能正确理解和完全掌握各种时段的来话量规律模型；

3.有专门的人员负责，并能够完全胜任业务量预测的工作，该人员能熟悉并完全掌握系统的预测方法以及进行实际的手工计算预测，并可熟练使用相应的预测工具，完成准确预测任务。

5.5人员需求预测方法

人员需求预测计算公式：

Erlang-C（爱尔兰C）公式，利用这个公式来计算满足服务水平目标所需要的人员数量以及中继线数量，即通常所说的根据每小时电话量要求20秒达到80%的接通率需要多少人。

ØErlang-C（爱尔兰C）公式：

公式的介绍：

假设呼叫中心每半个小时进线量360通、平均处理时长4分钟、一共有55个座席人员、服务水平目标为15秒（服务水平是指在N秒内的接通率）。

1.来电频率/密度λ

2.平均每通电话时长Ts

3.座席数m

4.话务强度u

5.座席占用率p

6.代入Erlang-C公式

7.呼叫等待的概率Prob

8.平均均等待时长Tw

9.服务水平目标t

（爱尔兰C公式参数保存：

wfm_erlangc）

（相应人员需求预测表：

wfm_month_timespan_agent,wfm_year_agent）

六、自动排班介绍

6.1排班要求

人员排班要求：

1.尽量以传统工作时间为主要排班班次。

2.排班班次之间以合适的时间间隔相交错排列，以满足高峰时段业务的需求。

3.对小休、午餐、例会和下线培训时段的人员排班班次应进行相应调整。

4.根据短期预测，对常规的、非在线业务进行合理的规划。

5.建立内部应急机制，应对突发话务量。

6.对于临时调整班次建议采取员工选择或事先征求员工意见。

7.确保座席员理解班次时间安排，并且能够严格按照排班执行考勤。

6.2自动排班方案

自动排班过程如下：

1.时段业务量预测表

由预测算法可得出时段业务量预测表（月份业务量预测）。

2.各时段座席人员需求

由Erlang-C公式可以计算出月份预测表中各时段所需座席人数。

3.进行班次划分

（1）排班人员可依据时段业务量预测表及呼叫中心特点要求进行班次的手动划分。

划分参考：

1　班次长度：

6.0小时≤上班时间≤8.5小时；

2　班段个数：

1段≤班段个数≤3段；

3　班段长度：

2小时≤班段长度≤5小时。

（2）尽量以传统工作时间为主要排班班次。

（3）划分班次时应根据时段业务量预测表尽量将业务量集中且数据趋势平缓的时间段作为一个班次。

（4）保证话务高峰时段及需要保证接通率的重点时段的服务水平。

4.各班次座席人员需求

（班次人员需求表：

wfm_frequency_staff，班次相关表：

wfm_frequency,wfm_frequency_time）

（1）使用Erlang-C公式在班次的整个大时段内计算整个班次时间内所需要的座席人数。

如班次之间有重叠交叉时段，则按照不同的情况进行计算。

（2）规则：

从非通宵班的最早班次开始。

如图示，分解一个完整的划分模型：

1　共划分了一、二、三、四、五共五个班次。

班次之间出现时间段重叠交叉，将全天时间划分成了1、2、3、4、5、6、7、8共八个没有重叠或交叉的时间段；

2　用B1~B5表示班次一至五各分配人数，使用Erlang-C计算1~8时间段各需要人数为X1~X8（假若：

X8=X2

将这8个时段按照需求人数的升序、包含班次数目的降序排列这8个时段，得到的序列如下：

3　从排序后的时段序列第一个时段开始，该时段包括班次五，因此B5=X8；

4　有序序列2包括班次一、三，此独立时段内都是新的未安排人员的班次，因此，B1=B3=X2/2；

5　有序序列3包括班次一、二，班次一已安排人员，那么B2=X1-B1=X1-X2/2；

6　有序序列4包括班次一、二、三，班次一、二、三均已安排有人员，那么将该时段需求人数将已安排在班次一、二、三的人数得到T=X3-B1-B2-B3，将剩余人数T按班次一、二、三人数比例分配到班次一、二、三中，即：

B1=B1+T*（B1/（B1+B2+B3），B2=B2+T*（B2/（B1+B2+B3）），B3=B3+T*（B3/（B1+B2+B3））；

7　按照以上步骤，遍历完有序序列之后，可以得到班次人数B1~B5。

（3）调整由Erlang-C及上述计算公式得出的班次人员需求预测结果，调整参考：

1　根据班次内各时段