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

目录

一、工程概述2

二、排班管理系统流程图3

三、排班管理系统框架图4

四、需求规格描述5

4.1历史话务统计6

4.2异动及规律9

4.3话务及人员预测10

4.4人员及班次14

4.5自动排班15

4.6绩效及报表15

五、业务量及人员预测17

5.1日常数据的收集和统计17

5.2话务量清洗方法17

5.3预测基本原理和方法21

5.4业务量预测的最佳实践28

5.5人员需求预测方法28

六、自动排班介绍30

6.1排班要求30

6.2自动排班方案31

6.3班组排班方案38

6.4机动班方案40

6.5遵时度方案41

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

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

4.3话务及人员预测

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

4.6绩效及报表

块

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C m = X月话务总量/全年月份话务总量均值；

Y日周指数C w = 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