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

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

模子功能功能项描述

4.3话务与人员预测

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

4.5自动排班

4.6绩效与报表

块

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

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 1.3811225 2.33

4 1.5412 2.0330 2.39

5 1.6513 2.0740 2.49

6 1.7314 2.150 2.58

7 1.815 2.13100 2.8

8 1.8616 2.15

9 1.9218 2.2

10 1.9620 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