Colección de citas famosas - Colección de máximas - ¿Cuáles son los factores que afectan el pronóstico del tráfico del centro de llamadas?

¿Cuáles son los factores que afectan el pronóstico del tráfico del centro de llamadas?

1. Se aplican diferentes métodos de predicción del volumen de llamadas a los centros de llamadas en diferentes etapas.

La previsión del tráfico de llamadas pertenece a la categoría de previsión de series de tiempo. Los métodos de previsión varían de simples a difíciles, pero deben basarse en el negocio principal, la escala, el patrón de tráfico entrante y el nivel de servicio del centro de servicio al cliente. objetivos, etc. Tome decisiones razonables. De lo contrario, incluso si elige el método de predicción más complejo, si no es adecuado para su entorno de predicción, sólo le traerá más problemas y los resultados serán similares. Los siguientes son varios métodos de predicción comunes:

1. Método de predicción promedio

El método de predicción promedio se usa ampliamente en centros de servicio al cliente con un solo negocio y un volumen de llamadas estable.

La fórmula específica es: valor previsto = el promedio de todos los datos históricos.

2. Método de predicción de media móvil

El método de predicción de media móvil solo promedia los n datos históricos con la mayor correlación con los datos dentro del tiempo de predicción.

La fórmula específica es: valor previsto = el promedio de n datos históricos altamente correlacionados.

3. Método de predicción de suavizado exponencial

El método de predicción de suavizado exponencial es una mejora del método de media móvil, que otorga diferentes pesos a n datos históricos relacionados con el período de tiempo actual.

La fórmula específica es: valor previsto = n1 (datos históricos 1) N2 (datos históricos 2)... (datos históricos n).

4. Modelo ARIMA

ARIMA es un modelo de media móvil integrado de regresión automática, utilizado principalmente para el análisis y predicción de series temporales con tendencias a largo plazo y fluctuaciones estacionales. La idea de ARIMA es sencilla. Primero, las fluctuaciones estacionales se eliminan por diferencia, luego se elimina la tendencia a largo plazo, luego se suaviza la serie y, finalmente, se utiliza una función lineal para ajustar la serie con ruido blanco.

2. Métodos y procedimientos para la predicción de llamadas

(1) Recopilación y disposición de datos históricos

El procesamiento de datos históricos es el paso más importante antes de la predicción. . Si los datos no se procesan limpiamente, afectará directamente la precisión de la predicción. En cuanto al volumen de llamadas del centro de atención al cliente, los principales factores que impactan en el volumen de llamadas original se resumen a continuación:

1. Si ocurre una falla del sistema en un día determinado, el volumen de llamadas relacionado con la falla del sistema ese día debe eliminarse según la dimensión temporal de la falla, y el volumen de llamadas se puede restaurar al volumen de llamadas entrantes original.

2. Las llamadas concentradas de los clientes son causadas por algunos mensajes de texto sensibles u opiniones públicas.

3. Si en un día determinado se envía un mensaje de texto sensible o se produce un incidente de opinión pública que resulte en una concentración de llamadas de clientes, se deberá eliminar el tráfico correspondiente en función de la dimensión temporal afectada y el número de llamadas restauradas al volumen original.

4. Mano de obra insuficiente y baja tasa de conexión.

Si no es por la situación anterior, sino por falta de mano de obra y baja tasa de conexión, lo que resulta en más llamadas repetidas, los datos de llamadas del día no son la demanda de llamadas real del cliente original. Necesitamos restaurar el volumen de llamadas al volumen de llamadas entrantes original según el nivel de llamadas repetidas ese día.

(2) Establecimiento preliminar del modelo

Diferentes negocios tienen diferentes factores de influencia. Necesitamos extraer datos históricos para encontrar los factores de influencia más importantes. Por ejemplo, el negocio de las tarjetas de crédito implica principalmente factores como la fecha de pago, la fecha del recordatorio del mensaje de texto de la factura y el período de pago extendido. El negocio integral implica principalmente factores que influyen, como la fecha de pago del préstamo y la fecha del recordatorio por SMS del pago del préstamo. Después de encontrar los factores que influyen en el volumen de llamadas, debemos otorgar diferentes ponderaciones a los diferentes grupos de clientes.

En este punto, el modelo ya se construyó inicialmente, pero con los continuos cambios en el negocio, los ajustes de rutas y el volumen de clientes, necesitamos ajustar y mejorar continuamente nuestro modelo de predicción. El modelo de predicción se construye manualmente y debe haber factores que no podemos considerar, por lo que el modelo no es perfecto. El valor del modelo debe ajustarse manualmente en función de la experiencia y requiere que el pronosticador lo resuma mediante el aprendizaje y el trabajo continuos.

(3) Puntos de predicción fuera del modelo

Hay muchos períodos de tiempo que no se pueden predecir utilizando el modelo y necesitamos hacer predicciones manuales basadas en datos históricos y en la experiencia. Por ejemplo, durante el Festival de Primavera, la Semana Dorada y vacaciones cortas.