话务预测是客服中心现场运营中的第一个环节，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，提高人工座席的利用率，进而提高服务水平并降低人力成本。精准的话务预测可以提前对运营做出预警，为达到运营指标打好坚实的基础。

话务预测不仅对时段、日这种较小时间维度的人力排布起决定性的作用，而且可以对年度的运营起到较大的指导作用，例如客服中心新的年度人员需求、何时进行人员招聘，都需要精准的预测提供帮助。

预测方法简介

话务预测属于时间序列预测，预测方法从简至难，多种多样，但是需要根据客服中心的规模、业务、来电规律进行合理选择。否则，你即使选择最复杂的预测方法，但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。

Ø平均值预测法

平均值预测法广泛应用在业务单一、稳定的时间序列中。具体公式如下：

公式：预测值＝所有历史数据的平均值

Ø移动平均预测方法

移动平均预测方法仅对最近一段时间的数据求平均值。选择一段与目前时间段数据相关性最大的一段历史数据。

公式：预测值＝最后几段相关的历史数据的平均值。

Ø指数平滑预测方法

指数平滑预测方法是对移动平均法的改进，将不同分量权重赋予不同与目前时间段相关时间序列。

公式：预测值＝α(上期值）＋(1－α)(上上期值)

Ø趋势性指数平滑

趋势性指数平滑使用时间序列最近的数据来估计当前的趋势。

ØARIMA模型

ARIMA是自动回归积分滑动平均模型，它主要使用与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，然后用一个线性函数+白噪声的形式来拟合序列。

呼叫中心客服话务预测发展经历

客服中心成立之初，由于业务类型单一，且来电较为稳定，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。

随着客服中心的发展，业务种类繁多，客户来电会随之增长，影响预测的因素也随着增加，为预测带来不小的挑战。例如每月就有10个左右的信用卡客户群按照不同还款周期给客服中心带来相似的不同周期的来话量，如果再简单的用平均值的预测方法，很难做到预测的精准。我们建立的ARIMA的预测模型，使用SAS系统进行预测。下图是信用卡不同的两个还款周期的来话量的图示。

客服中心话务预测现状

目前的话务预测利用ARIMA预测模型，按照信用卡、综合两个不同业务类型进行分别预测。两种业务有不同的客户群、不同的来电规律。需要构建不同的预测模型。

构建预测模型可以分以下几步来进行。

• 历史数据的收集及整理

历史数据的处理是我们预测前最重要的一步，如果数据不进行处理，将直接影响预测的精准度。

对于客服中心呼入量而言，对原始呼入量产生影响的情况主要有以下几点：

1：发生系统故障

如果某一天发生系统故障，需要剔除当日发生系统故障的时段呼入量，还原原始呼入量。

2：由于某种敏感短信或舆情造成客户集中来电

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，需要剔除当日集中来电的时段呼入量，还原原始呼入量。

3：人力不足，接通率较低的日期

如果不是由于故障，而是由于人力不足，接通率较低，会导致当日重复来电较多，当日呼入量不是原始客户需求的呼入量。所以我们需要按照当日重复来电的水平，将呼入量回复原始呼入量。

• 不同业务的影响因素及影响比例

不同的业务有不同的影响因素，需要我们去挖掘历史数据，发现较大的影响因素。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。综合类业务主要涉及贷款还款日、贷款还款短信提醒等影响因素。找到影响呼入量的影响因素后，我们需要根据不同的客户群去标注不同比重的影响因素。例如图一中两个不同还款周期的客户群，需要在20日和22日分别标注还款日，明显22号还款日的客户群的影响比重更大。

至此模型已构建完成，但是随着业务、呼入量水平等不断的变化，我们需要根据实际情况调整、完善我们的预测模型。

例如：客户类型对呼入量的影响大小是不一样的，一个新客户群带来的呼入量比同量客户带来的呼入量将近增加1.5倍。所以我们在做预测时需要将新客户群带来的影响因素放大，否则将在很多程度是影响我们的预测。

任何预测模型都不是完美的，都需要我们在后期根据模型值根据经验进行手工调整。根据经验值对预测进行调整是我们做预测中很重要的一环。因为有很多小的细节的东西是模型无法完成的。

• 节假日预测

节假日期间的预测是预测师在预测中遇到的最难啃的一块骨头，相对于正常工作日来说，节假日期间的历史数据较少，放假安排总在变化，每年总体呼入量水平在变等这些因素都在我们预测时给我们带来不小的麻烦。怎么做好节假日期间的预测呢，我们需要将节假日进行简单的分类，并建立简单的预测模型。

国内目前的节假日可分为小长假、国庆长假、春节假期三类不同的假期预测。

1、春节假期

春节假期预测是这三类节假日预测最难的一个，主要是因为春节假期放假开始日期不同，且几乎不受呼入量正常影响因素影响，例如还款日、账单短信发送日等。所以我们在预测时需要利用历史数据及假期当年的来话量水平进行预测。根据历史数据我们发现，从大年三十开始至假期最后一天的呼入量和元旦当天的呼入量比例一直保持在一个平稳的水平，如下图：这样我们就可以结合近几年的历史数据，得到春节假期的预测量。

春节假期还有一个比较异常的点，14年春节和13年春节不同的是放假开始时间是大年初一，而不是大年三十。从上图我们可以看到，大年三十这一天放假与不放假呼入量水平都是一致的。这一点需要我们在做预测时特别注意。

2、国庆长假及小长假预测

国庆长假及小长假不同于春节假期有那么浓郁的中国特色，而是和呼入量的影响因素相关，性较大，需要根据历史数据确定模型中各个影响因素对呼入量影响的系数，然后利用模型进行预测，最后进行手工调整。

经验值对预测的影响

2013年年度人工呼入量预测偏差为1.08%，月度平均预测偏差保持在正负5%以内。日预测偏差基本在正负3%以内，一直保持了较精准的预测，为下一步排班打下良好的基础。目前客服中心出现了如文字客服、视频客服等一系列多媒体类客服，如何做好这一类的预测是我们正在不断摸索的方向。在原有人工客服呼入量预测的经验中，我们也可以得到很多启发，但是不能照猫画虎的一味的拿来直接使用，需要根据多媒体客服的特点及重点业务进行预测。