呼入式呼叫中心

呼入式呼叫中心

光大银行客户满意中心已走过十五个年头,最初业务类型单一、规模小、来电较为稳定,预测基本采用的是平均值预测法及移动平均预测法行预测。随着光大银行业务增加、客户群体扩张、客户黏度增加,来电逐年增长。影响话务的因素也随之增加,为预测带来不小的挑战。例如目前光大银行信用卡就有10个以上的客户群按照不同的还款周期带来相似规律的话务量,如果再使用平均值的预测方法进行预测,很难再做到预测的精准。我们现在SAS系统中使用ARIMA时间序列预测模型进行预测。附图为信用卡两个不同的还款周期的来话量图示。

话务预测是客服中心现场运营管理中的第一个环节,也是最重要的一个环节。只有精准的话务预测才可以进行准确的人力排布,提高人工座席利用率,进而提高服务水平并降低人力成本。精准的话务预测也可以提前对未来运营做出预警,为提高服务水平奠定基础。话务预测不仅对时段、日、月这种较小时间维度内的人力排布起决定性作用,而且可以对年度运营起到较大的指导作用。例如客服中心年度人员需求、何时需要进行人员招聘等客服中心运营管理中的各个环节。

  一、不同话务预测方法适用不同阶段的呼叫中心

  话务预测属时间序列预测范畴,预测方法从简至难,多种多样,但是需要根据客服中心的主要业务、规模、话务来电规律及需达到的服务水平目标进行合理选择。否则,你即使选择最复杂的预测方法,但如果不适合自己的预测环境,那只能给你带来较多的麻烦,而结果相差无几。下面是几种常见的预测方法:

1、平均值预测法

  平均值预测法广泛应用在业务单一、话务较稳定的客服中心。

  具体公式为:预测值=所有历史数据的平均值。

2、移动平均预测法

  移动平均预测法仅对与预测时间内数据相关性最大的N个历史数据求平均值。

  具体公式为:预测值=N个相关性较大的历史数据的平均值。

3、指数平滑预测法

  指数平滑预测方法是对移动平均法的改进,是将不同大小权重赋予与目前时间段相关的N个历史数据。

  具体公式为:预测值=n1(历史数据1)+n2(历史数据2)+…+(1-nn)( 历史数据n) 。

4、ARIMA模型

ARIMA是自动回归积分滑动平均模型,它主要使用在有长期趋势与季节性波动的时间序列的分析预测中。ARIMA的思路很简单,首先用差分去掉季节性波动,然后去掉长期趋势,然后平滑序列,最后用一个线性函数+白噪声的形式来拟合序列。

  二、呼入电话预测方法及程序

  光大银行目前的话务预测利用ARIMA预测模型进行预测。业务类型主要分为信用卡及综合业务两类。两种业务有不同的客户群、不同的话务来电规律,需要构建不同的预测模型。

  下面主要对构建预测模型进行详细介绍。

  (一)历史数据的收集及整理

  历史数据的处理是预测前最重要的一步,如果数据不处理干净,将直接影响预测的精准度。对于客服中心的话务情况而言,对原始话务来电量产生影响的情况主要归纳总结了以下几点:

1、如果某一天发送了某种敏感短信或者发生舆情,导致客户集中来电的情况,需要按照所影响时间维度剔除相应的话务量,还原为原始呼入量。

2、由于某种敏感短信或舆情造成客户的集中致电。

3、系统故障。如果某一天发生系统故障,需要按照发生故障的时间维度剔除当日发生系统故障的话务量,还原为原始呼入量。

4、人力不足,接通率较低的情况。

  如果不是由于以上情况,而是由于人力不足造成接通率较低,导致重复来电较多,当日呼入量数据不是原始客户需求的真实呼入量。我们需要按照当日重复来电的水平,将呼入量还原为原始呼入量。

  (二)模型的初步建立

  不同的业务有不同的影响因素,需要我们挖掘历史数据去发现较重要的影响因素。例如信用卡业务主要涉及还款日、账单短信提醒日、延期还款期等影响因素。综合类业务主要涉及贷款还款日、贷款还款短信提醒日等影响因素。找到影响呼入量的影响因素后,需要将不同的权重赋予不同的客户群。例如图1中两个不同还款周期的客户群,我们需要在20日和22日分别标注还款日,并将较大的权重赋予22日还款日的那部分客户。

  至此模型已初步构建完成,但是随着业务、路由调整及客户量等的不断变化,需要不断调整、完善我们的预测模型。预测模型是人工构建的,必有我们考虑不到的因素,所以模型不是完美的,需要我们根据经验对模型值进行手工调整,经验则需要预测师在不断的学习中、工作中进行总结。

  (三)模型之外的预测点