客服中心智能排班系统方案设计

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 (3)

二、排班管理系统流程图 (4)

三、排班管理系统框架图 (5)

四、需求规格描述 (6)

4.1历史话务统计 (6)

4.2异动与规律 (8)

4.3话务与人员预测 (9)

4.4人员与班次 (11)

4.5自动排班 (11)

4.6绩效与报表 (12)

五、业务量与人员预测 (13)

5.1日常数据的收集和统计 (13)

5.2话务量清洗方法 (13)

5.3预测基本原理和方法 (15)

5.4业务量预测的最佳实践 (20)

5.5人员需求预测方法 (21)

六、自动排班介绍 (23)

6.1排班要求 (23)

6.2自动排班方案 (23)

6.3班组排班方案 (27)

6.4机动班方案 (29)

6.5遵时度方案 (30)

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，合理安排人员数量与班次，实现人员数量与业务量的最佳匹配。

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异动与规律

模块子功能功能项描述

异动与规律

类别管理异动与规律类别管理

类别管理定义异动话务与规律模

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话务与人员预测

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

结果与调整。

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人员与班次

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。

班组划分与管理

班组划分与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

个性排班需求添加与管理，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，设定与修改

排班算法与参数。

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

4.6绩效与报表

模块子功能功能项描述

绩

效

与

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。

绩效与考核绩效与考核指标

根据值班统计报表，计算人员工

作质量与服务水平，设定绩效与

考核指标，进行绩效考核。

图4.9：每日时段报表

成的排班表保存相应的排班

数据依据快照信息。

五、业务量与人员预测

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，得到清洗的数据围，原始数据处于正常数据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去除月指数与周指数的影响，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加回周指数与月指数的影响，，

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。

w

n

系数表

n w

n n w

n

n w

n

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：

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

整年的量，短期预测以小时为单位来预测近期的量。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。

? 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W 1~W 7，计算周Y 的指数：

V Y =，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) ? 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)

? O=P’c-1?K 1 + P’c-2?K 2 + P’c-3?(1-K 1-K 2)，

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(K 1 ,K 2初始化为0.6, 0.3)。

? 若只有最近两年数据，则：

O=P’c-1?K 1 + P’c-2?(1-K 1)，其中K 1初始化为0.6。

? 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。

1324657981012

1112345678910111213141516171819202122232425262728293031

123456464748

月份

日期时段

历史话务数据均值表结构示意图

(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O v，

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Q R；(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:

?年度增长系数Q R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：

Q R=Q R-1?K1 + Q R-2?K2 + Q R-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：S t = a?y t + (1-a)S t-1 ,

其中S t为时间t的平滑值，y t为时间t的实际值，S t– 1为时间t-1的平滑值，a 为平滑常数，其取值围为[0,1]。

预测计算年度增长系数Q’R：

Q’R=a?Q R(c-1) +(1-a) Q’R(c-1) , 其中Q R(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。

?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，包括年度增长系数与各月份的月份比率，以完成年度话务量预测。

例：年度话务量预测

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Q M；(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O v；

?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:

?月份增长系数Q M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：

Q M=Q M(c-1)?K1 + Q M(c-2)?K2 + Q M(c-3)? K3 + Q M(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?Q M(c-1) +(1-a) Q’M(c-1) , 其中Q M(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。

?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0.0

5 0.2

1

0.1

7

0.1

6

0.1

6

0.1

5

0.1

指数0.3

5 1.4

7

1.1

9

1.1

2

1.1

2

1.0

5

0.7

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. 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与操作的是同比增长。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：

?均值增长系数=；

?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