1、客服中心智能排班系统与设计及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 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 64.1历史话务统计 64.2异动与规律 84.3话务与人员预测 94.4人员与班次 114.5自动排班 114.6绩效与报表 12五、 业务量与人员预测 135.1日常数据的收集和统计 135.2话务量清洗方法 135.3预测基本原理和方法 155.4业务量预测的最佳实践 205.5人员需求预测方法 21六、 自动排班介绍 236.1排班要求 236.2自动排班方案 236.3班组排班方案 276.4机动班方案 296.5遵时度方案
2、 30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
3、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。班管理系统流程图排班管理系统主要流程图:采集历史 业务量数据清洗与 异常业务剔除 茅数据反馈长期业务量增长系数正常业务数据（预测依据值）短期业务量增长系数反馈长期业务量预测短期业务量预测业务需求客户需求绩效目标预测准 确性分析d长期业务 量预测结果1短期业务量预测结果预测准确性分析服务水平目标长期人员需求预测服务水平目标时段人员 需求预测1r班次划分人力资源/
4、班次人员人员信息需求预测排班班次表排班条件 与排班需求班次实际 人员分配人力资源/ 人员信息X三、排班管理系统框架图排班管理系统整体框架图：排班管理系统预测参数计算与设置月份呼入量预测月份预测结果与调整年度呼入量预测月份人员需求预测|_月份预测准确性分析预测参数计算与设置年度预测结果与调整年度预测准确性分析预测参数设定月份人员预测结果/调整四、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，
5、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）每乃汀均来iA吊權空舟:咏1 3 5 7 9 11 13 1S 17 15 21 曲 25 17 29 1
6、1图4.2 :每月日均来话量模型图（2004年X月1 日- 31 日）每覺日匀壬诗量嘎誥嚅摄图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年一2004年）-*-2002-200320044.2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
7、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，冋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话务与人员预测模块子功能功能项描述话务与人员预测呼入量预测月份呼入量预测月度预测参数计算与设置。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与调 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
8、性分析：每月生成相应的实际的话务量曲线图 ”，与 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与设置。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 作修改与调整。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 ”，与 预测的话务量预测曲
9、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 （Erla ng-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。20000180051200010000raw40)00AAAAAj
10、fz-1JFk/rJZVVJS%6%2%22%.|R%E | 跻 16%I典州?*S 晴ir1% 1!% 11%皿图4.5 :月份话务量预测准确性分析对比模型JfiA41*f71JAJ/JfMKI*/XVX/严T*/72*-Ohi_Ma&=s nizga， El aOaa0曲=pCc ffl 请a c03na aaa0cHoiki zcEXcMN1JS-AuJIKB谎淤MHAHe綁立X2*5oJCMC呷Mf，工 LK 士.11u：u*1 I-着鷲占!iAX.1:asJCa=UBh*K U_KIEr:=KEEKKEkJ =raTH込二-：A27u1= L3ii |* jig411*:*_-A-1
11、*能A0dhfti*1*1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，
12、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
13、：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： timespa ncallco un thistory, datecallco un thistory,yearcallco un thistory, 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：112月每月总天数-48个时段，按时段清洗。（2） 清洗
14、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去除月指数与周指数的影响，清洗参考值 q 一 .； 一门飞一2对于112月，每月Y日的清洗参考值都计算出来： AA12,3对A1A2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 A1A12的均值A5加回周指数与月指数的影响，二二二，.，6设R为清洗度（可配置）,则若岸忙爲机？鸞，则为正常数据,否则若層应旺纟園 为异常数据，需进一步修正，7对.：_ . 的数据，用参考值 A替换S,
15、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: 肖维勒准则，若 满足其残余偏差:则舊属于异常数据，其中为样本期望，为样本标准差，隹J为系数（查表）。 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。W1系数表nwnwnw31.38112252.3341.54122.03302.3951.65132.07402.4961.73142.1502.5871.8152.131002.881.86162.1591.92182.2101.96202.24（当前月 份
16、清洗 参照表：wfm_current_referenee ，清洗后 结果表timespa n_remove_tra n）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M1M4M5M122010每月话务总量N1N4N5N12（未 知）计算平均月增长系数 K ( M/M
17、n的均值，即每个月增长的均 值)，每完成一个自然月时，更 新KM5M12相应放大 K倍，得到N5N12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 14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
18、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.长期预测以月为单位预测通过长期预测规划下一个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,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。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
19、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”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 WW,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_timespa n_remove_effect, wfm_date_remove_effect,wfm_ mon th_remove_effect, wfm_history_exp onent)K甲，-杆p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
20、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_timespa n_average, wfm_date_average, wfm_ mon th_average,wfm_exp onen t_average)O=f-1?1?1 + P?1-K1),其中 K1 初始化为 0.6。若只有最近一年数据，则：O=Po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。历史话务数据均值表结构示意图月份1 2 3 4 5 6 7 8 9 10 11 12日期1 | 2 | 3 5 6 7 89 丨 1011 12 13 14 15 16 17 18 19 20 21 22 23丨24 25 26 27丨28丁29 30 31时段1|2卜|45|6| 丨 | | | | | | | | 门 | | | | | | | | | | | | | | | | | | | | | | | 464|48(5)取最近三年的周指数 V,用类似求均值表0的方法计算出一个预测周指数
