《客服中心智能排班系统设计方案说明》由会员分享，可在线阅读，更多相关《客服中心智能排班系统设计方案说明（31页珍藏版）》请在金锄头文库上搜索。
1、客服中心智能排班系统设计方案说明目 录一、工程概述3二、排班管理系统流程图4三、排班管理系统框架图5四、需求规格描述64.1历史话务统计64.2异动与规律84.3话务与人员预测94.4人员与班次114.5自动排班114.6绩效与报表12五、业务量与人员预测135.1日常数据的收集和统计135.2话务量清洗方法135.3预测基本原理和方法155.4业务量预测的最佳实践205.5人员需求预测方法21六、自动排班介绍236.1排班要求236.2自动排班方案236.3班组排班方案276.4机动班方案296.5遵时度方案30一、工程概述排班管理系统工程概述：1、收集并保留各种业务类型的历史业务量数据，包
2、括人工及自动语音接听量、总放弃量、平均通话时间、话后处理时间等。 2、具备科学严谨的业务量预测方法和步骤。 3、不晚于每年度12月完成对下一年度的长期预测，所预测的业务量需要精确到月。 4、不晚于每月度25日完成对下一个月度的短期预测，所预测的业务量需要精确到每日的每个小时时段。 5、在历史数据预测的基础上，应根据价格变动、临时任务、宣传活动等因素，以周为单位对短期业务量预测进行实时调整，并留存相关文档。 6、具备对短期业务量预测准确性的分析和管理机制。 7、根据短期预测数据进行人员的合理排班，并不晚于每月度25日完成对下一月度的人员排班。 8、能够根据对每一时段的业务量预测和服务水平要求，合
3、理安排人员数量与班次，实现人员数量与业务量的最佳匹配。9、员工排班符合国家相关法律法规和公司的相关规定，符合呼叫中心的业务特点及满足人员利用效率最大化的需求。二、排班管理系统流程图排班管理系统主要流程图：三、排班管理系统框架图排班管理系统整体框架图：四、需求规格描述本章分功能模块描述排班管理系统需求规格说明。4.1历史话务统计模块子功能功能项描述业务话务统计异常数据处理异常数据处理剔除异动话务数据，自动清洗异动话务数据，或人工剔除异动话务的数据。呼入量统计曲线时段呼入量统计(周报)以“周”为统计周期，每天一个曲线周期，按时段显示数据统计话务曲线，如图4.1所示。每日呼入量统计(月报)以“月”为
4、统计周期，每月一个曲线周期，按天显示每日日均数据统计话务曲线，如图4.2所示。每周呼入量统计(月报)以“月”为统计周期，每周一个曲线周期，每周按天显示每日日均数据统计话务曲线，如图4.3所示。每月呼入量统计(年报)以“年”为统计周期，每年一个曲线周期，按月显示一年之内每个月数据统计话务曲线，如图4.4所示。图4.1：以半小时为间隔的一周每日来话量模型图（2004年X月X日）图4.2：每月日均来话量模型图（2004年X月1日31日）图4.3：每周日均来话量模型图（2004年X月1日31日）图4.4：每月来话量模型图（2002年2004年）4.2异动与规律模块子功能功能项描述异动与规律类别管理异动
5、与规律类别管理类别管理定义异动话务与规律模型的类别属性，如“临时任务”、“特殊时期”等，方便对异动话务和规律模型进行分类管理以及应用。异动话务管理异动话务提示通过自动提示的异动话务，可便捷快速地将异动话务保存为规律模型，完善规律模型数据。异动标记记录“异动标记记录”记录的是从历史话务统计和话务预测中执行“标记异动话务”操作标记的异动话务，同时可将记录的异动话务转化成规律模型。数据规律模型规律模型管理对规律模型进行编辑、删除等管理操作，同时亦可手动添加规律模型。规律应用记录记录应用过的规律模型。4.3话务与人员预测模块子功能功能项描述话务与人员预测呼入量预测月份呼入量预测月度预测参数计算与设置。
6、包括有：月份业务增长预测系数，历史月份话务信息（指数，平均比率，时段比率）。并且可以对自动计算出的预测参数作修改与调整。1. 按照预测算法，得到月度业务量的预测结果图表。图例参见历史业务曲线图。2. 业务量预测结果调整，并留存相关文档，备注修改调整原因。1. 准确性分析：每月生成相应的“实际的话务量曲线图”，与“预测的话务量预测曲线图”对照，分析预测的准确性。2. 可查看全月每日的准确性对比，以及每日各时段的准确性对比，对预测值超出实际值设定偏差范围后给予提示。如图4.5和4.6所示。年度呼入量预测年度预测参数计算与设置。包括有：年度业务增长预测系数，月份比率，历史年份话务数据。并且可以对自动
7、计算出的预测参数作修改与调整。1. 按照预测算法，得到年度业务量的预测结果图表。图例参见历史业务曲线图。2. 业务量预测结果调整，并留存相关文档，备注修改调整原因。1. 准确性分析：每年生成相应的“实际的话务量曲线图”，与“预测的话务量预测曲线图”对照。2. 分析预测的准确性，对预测值超出实际值设定偏差范围后给予提示。如图4.7所示。人员需求预测月份人员需求预测月份班次参数设定(Erlang-C参数设置)，包括有：服务水平，平均处理时长。根据Erlang-C计算各班次人员需求，以及对预测结果进行修改和调整。年度人员需求预测年度人员预测参数设定(Erlang-C参数设置)，包括有：服务水平，平均
8、处理时长，座席占用率。根据Erlang-C计算各时段人员需求，以及对预测结果进行修改和调整。班次人员需求预测自动排班岗位的各班次人员预测结果与调整。图4.5：月份话务量预测准确性分析对比模型图4.6：每日话务量预测准确性分析对比模型图4.7：年度话务量预测准确性分析对比模型4.4人员与班次模块子功能功能项描述人员管理人员管理人员信息管理座席基本信息管理：增删改查。班组划分与管理班组划分与班组组员及组长的管理。岗位管理岗位信息管理岗位基本信息的管理，岗位排班设置管理。岗位班次管理各岗位对应班次的管理。4.5自动排班模块子功能功能项描述自动排班自动排班个性需求管理个性排班需求添加与管理，自定义个性
9、化排班。机动班管理设置管理机动班。排班表1. 排班因子调整，设定与修改排班算法与参数。2. 自动生成月度排班表，排班表样式如图4.8所示。调整排班结果，对自动排班结果进行调整和修改。3. 历史排班快照，对每一次生成的排班表保存相应的排班数据依据快照信息。4.6绩效与报表模块子功能功能项描述绩效与报表座席值班统计座席值班及遵时率统计座席值班统计报表。统计参数有：值班天数，休息天数，总工作时间，值各班次统计，遵时率。绩效与考核绩效与考核指标根据值班统计报表，计算人员工作质量与服务水平，设定绩效与考核指标，进行绩效考核。图4.9：每日时段报表五、业务量与人员预测5.1日常数据的收集和统计1. 相关数
10、据包括：通话时长，话后处理时长，平均处理时长，呼叫量，接听量，服务水平。2. 统计周期：时段、日、周、月、年。5.2话务量清洗方法1. 清洗粒度：以半小时话务量为最小清洗粒度。2. 清洗模型：原始话务量去除月指数影响，去除周指数影响，得到某一个时段的清洗参考基数后，再加回周指数和月指数的影响，得到清洗的数据范围，原始数据处于正常数据范围之外的为异常数据，即异动话务。3. 模型分解 (原始数据统计结果表：timespancallcounthistory, datecallcounthistory, yearcallcounthistory, week_total, year_total )(1)
11、 以年（自然年）为清洗单位，每一年计算一套清洗标准。则一年的数据总量为：112月每月总天数48个时段，按时段清洗。(2) 清洗X月份Y日（星期W）Z时段的话务数据（话务量为S）： X月指数Cm = X月话务总量/全年月份话务总量均值； Y日周指数Cw = X月星期W话务量均值/X月中星期一至日话务量均值的均值；清洗步骤： 去除月指数与周指数的影响，清洗参考值 ， 对于112月，每月Y日的清洗参考值都计算出来：A1A12， 对A1A12使用肖维勒准则（见附录）剔除异常的数据， 计算剔除了异常数据的A1A12的均值A， 加回周指数与月指数的影响， 设R为清洗度（可配置），则若 ，则为正常数据，否则
12、若为异常数据，需进一步修正， 对的数据，用参考值A替换S，修正数据，清洗完毕。备注：清洗度的确定跟呼叫中心的话务水平稳定程度有关，稳定程度高时，可设置更小的清洗度，稳定程度低时，应设置更大的清洗度。附录： 肖维勒准则，若满足其残余偏差：则属于异常数据，其中为样本期望，为样本标准差，为系数（查表）。 剔除异常数据之后，对剩余数据重新使用肖维勒准则剔除异常数据，循环判断直至不再有异常数据。wn系数表nwnnwnnwn31.38112252.3341.54122.03302.3951.65132.07402.4961.73142.1502.5871.8152.131002.881.86162.159
13、1.92182.2101.96202.24(当前月份清洗参照表：wfm_current_reference，清洗后结果表：timespan_remove_tran)4. 模型补充(1) 数据量不足一个清洗周期（自然年）时，采用移动周期的方法补足一个清洗周期的数据，以求得清洗参考值。例：假若系统初始安装时为2010年5月15日，原始的话务数据从2009年1月1日开始采集。那么清洗2009年的数据时，可用正常的清洗方法完成。而2010年的数据则需移动周期补充完整。具体方法如下表：时间1月1日4月30日5月1日12月31日2009每月话务总量M1M4M5M122010每月话务总量N1N4N5N12(
14、未知)计算平均月增长系数K（Nn/Mn的均值，即每个月增长的均值），每完成一个自然月时，更新KM5M12相应放大K倍，得到N5N12特殊地： 运行之后每年的1月份，清洗1月份数据时，增长系数K为该年的年度增长系数，1月份完成后再使用月增长计算系数K； 初始安装时为1月份，清洗1月份数据时，此时并未指定年度增长系数，则需手工指定年度增长系数。(2) 所有原始话务数据，不足一年时，相应缩小清洗参考值的计算来源范围。例：假若系统初始安装是为2010年5月15日，原始的话务数据从2010年1月1日开始采集，那么，此时清洗参考值A不足12个，使用已经完成了的自然月14月数据计算清洗参考值。以后每完成一个自然月重新计算一次。特殊地，若只有一个月的原始数据，不能完成清洗计算，提示至少需要一个完整月份的原始历史数据。5.3预测基本原理和方法1. 通过对历史数据的分析或假设可以反映未来趋势的系列预测，长期预测以月为单位预测
