呼叫中心优化

呼叫中心

一、简介
　　目前呼叫中心（Call Center）广泛应用于电信、金融、政府机构、电力、邮政等各行各业，随着CTI（计算机电话集成）技术的发展，尤其是IVR（自动语音应答系统）的引入，呼叫中心发展迅速，从业规模日益增长，经营业务越来越复杂，随之而来呼叫中心管理方面面临更多的挑战。
　　业务量增大，话务量不均衡，IVR分流作用不明显，客户满意度低，……
　　如何在成本一定的情况下，准确预测话务到达率，做好CSR和IVR评价和优化，有效进行人员多技能排班，提高客户满意度是当前呼叫中心面临的挑战。
　　我们凌鼎呼叫中心建模团队通过多年研究和实践，构建了一套包括(1)话务预测、(2)客服需求计算、(3)班次优化、(4)客服排班、(5)班次调整、(6)IVR菜单优化等面向呼叫中心管理决策的模型体系，为高效运营呼叫中心，提高经济效率及客户满意度提供了一套强力工具。

二、主要功能

如何更准确地预测来话量?  怎样更快速地计算客服需求?  如何更合理地设计班次?  如何更科学地进行客服排班?  如果更方便地进行班次调整?  如何更有效地调整IVR菜单?

1、如何更准确地预测来话量?

目前国内外的话务预测模型大多考虑了话务的周期性和连续性，并兼顾节假日等事件因素的影响，可以满足一定预测精度的要求，但一个好的话务预测模型必须考虑以下方面：

a、长期预测必须做到更小的误差扩散。

目前话务预测模型普遍存在的现象是对于超过一个星期的预测，误差扩散非常大，这给人力需求计算和排班带来很大不便。

我们通过多年的统计分析，根据话务数据的局部累积特性，提出了积分混合预测模型，从而使预测的准确度大大提高，并且很好控制了长时段预测的误差扩散。

b、话务预测必须满足不同预测粒度的要求。

为了方便计算人力需求，排班人员需要知道每天不同时段的话务量，以便从时间维度计算人力需求，从时段维度考虑班次设计。

积分混合预测模型，可以准确预测一天，一个小时，半个小时，甚至一刻钟的话务量，完全满足了排班人员的需求。

c、必须考虑多技能预测间的相互影响。

不同呼叫中心的技能数量各不相同，各个技能间并不是相互独立的，有一定的相关性和迟滞相关性，为了做到更高的预测精度，必须对话务进行分技能预测并考虑技能间的影响。

积分混合预测模型支持面板数据，可以同时对多个技能进行话务预测，并支持内联优化，对多技能的预测有极大优势，走在了同类模型的前列。

d、支持更准确的特殊事件定义。

一般预测模型只是考虑节假日事件的定义，稍微完善的模型考虑了促销、新产品发布、政策变更等事件的定义，但对事件带来的影响并没有做到准确的刻画，一般就通过一个自由度进行度量。

多年来，我们充分利用统计和数据挖掘的优势，对各类数据中事件产生影响的最佳分布匹配得到了快速准确的计算方法，为事件的定义提供了准确客观的信息，提高了预测的准确性和灵活性。

2、怎样更快速地计算客服需求?

过去一般通过人力负载来计算客服需求，随着呼叫中心绩效指标完善，大部分公司以服务水平来计算客服需求。

服务水平是指在N秒内的接通率，一般N取20秒到30秒，实际操作中，不同的呼叫中心各不相同，同一呼叫中心不同技能要求也不尽一样。

常见的单技能计算方法是Erlang C/B/X, 但大部分呼叫中心都是多技能的，多技能一般通过仿真或者近似排队系统来计算。

仿真方法对于有着极大的灵活性优势，可以计算任意路由设置，任意技能划分的服务水平，但其计算速度一般较慢，对多余5个技能的呼叫中心，求解压力很大。

近似排队系统通过阻塞概率的方法计算服务水平，速度很快，但由于误差扩散较难控制，精度很低。

如何更准确更快速的计算客服需求？很多呼叫中心通过仿真对照表来插值计算，但计算繁琐，且对照表需要经常更新。

我们通过对数据和业务深入分析，提出了通过排队网络状态转移方程的方法来计算多技能客服需求，进行状态转移分析后，就能够以极快的速度得到高精确的结果。

 1/2    1 2 下一页 尾页