在交流劳动力资源管理（WFM）的过程中，用户常常会问到类似的问题。其实，这里有一个误区，预测准确性并不能完全由软件工具决定，WFM工具能够辅助使用者更好的对历史数据进行管理、分析，减轻使用者手工处理的繁琐劳动，而要做到精准的预测，使用者的业务经验同样有着非常关键的影响。

笔者认为，无论是手工预测，还是采用WFM工具，要想做好预测，一定要从以下几方面综合入手；

选取合适的历史数据

在预测基础上参考业务经验进行必要的修正

在运营过程中对话务异动的分析及处理
历史数据的选取

历史数据是话务预测的基石，但历史数据并非越多越好。在进行预测时，一定要选取具有较大相关性的历史数据，数据的相关性越强，对预测准确性的帮助就越大。所谓相关性，是指历史数据所依存的业务环境与现有环境具有较大的相似性。如果由于客服中心业务变化，例：技能路由策略调整，各技能间话务占比变化，增加了新的技能队列等，都会造成之前的历史数据相关性变差，以之作为预测基础，则会带来较大的不确定性。因此，在预测之前，一定要明确历史数据的相关性，尽量选取相关性强的数据作为预测基准。

但是，在选取预测基准数据时，往往没有足够的相关性数据。这其中很重要的一个原因是：直接从ACD获得的数据往往存在着各种异常因素。如：系统故障等原因引起的数据缺失，促销活动、公共假日、异常天气等引起的话务量异动等。这些数据与实际业务环境差异很大，也就是相关性差。为了解决相关性数据缺乏的问题，通常，需要对历史数据进行清洗，如剔除缺失数据，修正异常数据等，这个过程其实就是要提高数据的相关性，使之更能反映业务现状的特点。

数据相关性修正中，最小颗粒度（可修正的最小单元）非常关键。如果是手工预测，通常会预测到每天的话务量，因此，对历史数据的修正最小单元也要以天为单位，粒度过大则不能完全消除异常话务的影响；如采用WFM软件，预测可以精确到天、甚至时段（每15分钟、每30分钟），则在修正时，不仅要考虑基于天的修正，同时，还要考虑时段话务量分布的修正。

相关性修正能够保证历史数据符合当前业务特性，能够反映话务变化的特点。但在实际预测时，针对不同的排班应用场景，还需要有针对性的进行选择：

手工周预测：前几周、上月对应周、历年对应周等都可以作为基准数据的选择对象，但需要考虑话务月分布特性的影响；

手工月预测：前几个月、历年对应月都可以考虑作为基准数据，同时，也需要考虑周分布特性的影响；

系统预测：不同的WFM工具，其预测算法及模型不同，基准数据的选取方式也不同。但无论如何，数据相关性、月分布特性、周分布特性都是取得准确预测比不可少的考虑因素。

精细化修正

呼叫中心的话务量受到多方面的影响，因此，在选取相关性数据，完成基础预测后，还必须综合各方面可预见的影响因素进行精细化修正。

首先，要考虑业务整体趋势的影响。如公司产品部门发布新的产品，销售部门销售业绩的增加等都会带来客户量的增长，同时带来呼叫量的增加。而这种客户增长有可能是平滑的稳定增长，也可能是跳跃式的突增，因此，必须根据业务量增长的趋势及特点有针对性的对话务量进行修正。

其次，还要考虑外部环境的影响。客服中心话务量同时还会受到外部环境的影响，如公共假日、大型活动、异常天气等。对于不同业务类型的客服中心，其影响的方式、幅度、作用时间范围都不相同。在预测时，要尽可能的考虑其影响并适当的修正预测结果。

此外，还需要考虑临时扰动因素的影响。临时扰动因素指的是可以预见但不存在特定规律的事件，比较典型的是市场部门不定期的促销活动。如果能够预见到类似事件，则一定要预估其作用时间及幅度，并相应的修正话务量。

从话务修正环节，我们可以看到，客服中心话务量受到企业其他各部门的影响，因此，建立良好的内部流程，提前获知影响话务量的事件不容忽视。

异动的处理

客服中心的目标是服务客户，因此，话务预测是实现客户服务目标的手段，而非目的。而影响话务的因素很多是无法提前预知的，在现场运行中，如何对话务异常波动进行分析、处理是达成这一目标的关键，也是后续预测更加准确的保证。

发现话务异动，首先要做的是分析话务异动的原因，找到异动原因后，要进一步分析其影响幅度及时间范围，进而采取必要的排班调整措施。异动产生的原因不同，其处理方式也会有所不同。通常，话务异动可能由以下因素导致：

预测中关键因素的缺失：发现话务异动，首先需要考虑是否在预测过程中考虑了所有可能的影响因素。如：选取的历史数据是否相关？是否考虑了业务的增长趋势？是否针对业务的月分布、周分布等特性进行了相关的校验？是否考虑了可预知的外部环境变化、临时扰动事件的影响？

一旦确定是上述原因，则需要进行以下几方面的调整：

当天人力安排的调整：如果话务量突然变大，则要根据实际情况安排必要的后台人员上线，员工临时加班，调整员工吃饭、休息时间，通知候补班组上班等操作；如话务量变小，则可以适当的安排部分临时培训，员工提早下班等；

后续班表的调整：按照分析结果对预测值进行修正，并重新调整后续班表；

预测方法的改进：总结预测关键因素缺失的原因，注意在今后的预测中充分考虑所有可预知因素。

天气、系统故障等突发事件的影响： 这类事件对话务的影响是突发的，事先很难去预估，但这类事件影响往往是短期的，因此，调整措施主要包括：

当天人力安排调整；

后续班表调整：如果影响事件较长，则同时要进行后续班表的调整。

事先未得到其他部门的通知： 其他部门的临时活动有时不能及时通知到客服中心。发现异动后，如果排除了上述预测、突发事件的影响，则要考虑是否是临时活动引起的异动。遇到这方面的异动，一方面要进行当天、后续班表的调整，同时更重要的是与其他相关部门进行沟通，建立起信息传递的流程，在以后预测中尽可能预先考虑类似事件的影响。

事件的影响程度考虑不足：还有一种比较特殊的情形，所有影响话务量的因素都考虑到了，但预测话务量与实际值仍有一定的偏差。遇到这种情况，则需要考虑该事件的影响幅度、客户对该事件的反应模型（拨打机率、呼叫量衰减）等因素并参考历史数据中该事件的影响，逐步形成较为完善的事件影响模型。

在实际生产环境中，情况要复杂的多，有时，多种因素会叠加作用，很难清晰的判断是哪种事件造成的影响。在此，仅仅是结合笔者的经验给出了处理话务异动问题的思路，具体处理还需要数据预测人员结合呼叫中心的实际情况综合分析，这也就是我们常说的‘预测、排班的艺术性’所在。但一定要建立起对异动进行分析、响应、总结的工作习惯，从而实现预测流程的逐步优化及预测准确率的持续稳定。

关于Teleopti(北京瑞捷讯科技有限公司)

Teleopti是全球主要的劳动力资源与绩效管理方案供应商(排班管理软件方案)之一，它为客服中心提供战略劳动力管理以及控制成本解决方案，以及质量监控和通信费用与设备管理方案和服务。目前，在全球拥有500多家客户，覆盖了60多个国家和地区，产品支持二十多种语言。

Teleopti 于1992年创建于瑞典的斯德哥尔摩，在奥斯陆、赫尔辛基、伦敦、法兰克福、莫斯科、马德里、伊斯坦布尔、迪拜、德里等有分支机构，并在北京设立了办公室。

Teleopti CCC 起源于欧洲联盟市场，那里有最严格的员工合同和工作条件。灵活性是Teleopti CCC 的重要优点之一。我们的解决方案完全可以支持世界各地的工作时间与合同条件，我们支持完全自动化的和优化的排班方案，支持任何时间范围的预测与排班 -- 从几天到数个月。Teleopti CCC是一种人性化的劳动力管理方案，为各级机构提供实时监管，假日规划和适用于你的机构各级管理工具。