对于在呼叫中心从事现场管理的人来讲，指标管理对我们并不陌生，像质量方面的一次性解决率（FCR），工作效率方面的平均处理时间，占用率等都是大家所熟知的。其中接通率或者服务水平（多少秒内的接听率）是衡量呼叫中心运营管理最直观的一项重要指标。为了保证接通率或服务水平等指标的顺利达成，有效合理的排班管理必不可少。

话量预测作为排班管理中第一个环节，也是最重要的环节，它决定了后续人员的配备、指标的达成，直接影响到公司的利润程度。出于多方面的考虑，呼叫中心对于话量预测的探索一直也没有停止，本次与大家分享关于话量预测模型搭建的过程。

以历史数据作为预测的基石

预测是指在掌握现有信息的基础上，依照一定的方法和规律对未来的事情进行测算，以预先了解事情发展的过程与结果。在呼叫中心领域中，常见的预测方式也是根据历史数据对未来周期的话量进行预估测算。这就要求我们首先要收集历史的话量数据。目前常用的方式是以时间维度进行收集，比如时段、日度、周度、月度、年度等。

以周度的时间维度进行举例说明，收集年度中各周度的来话量数据，见表1。

表1：周度来话量数据统计表

当然，收集后的数据并不能直接进行分析使用，需要先剔除异常的因子，比如假日或活动期间话量增加或减少，历史数据中突发的故障、或临时性的话务切割等情况，像这种数据都是临时性的，不具有代表性，所以需要进行剔除，以免影响到最终的预测结果。

以数据分析构建预测的主体

在完成基本的数据收集之后就是数据分析环节。所谓数据分析，其实是对收集的不同时间维度的原始数据进行多方位、多角度的逻辑思考，从而得到不同的分析结果，而每一种分析结果都是作为该时间维度下的预测方式的一种选项。那么，相同时间维度下的选项越多，对比选择的空间越大，最终得到的结果更为合理，常见的分析维度如： （1）增长率；（2）契合度；（3）话量占比。

对于不同时间维度的数据来讲，考虑其时间维度的特性，在分析方向上也可以做进一步的区分，以周度数据的增长率为例，常见的分析方向有：横向（不同年同期）分析和纵向（同年不同期）分析，都是从全年的角度进行分析考虑，除此以外，作为周度数据而言，还可以从全月的角度进行分析考虑，即分析当月第一周和上月第一周的增长率情况，也可以叫环比（同年同期不同月）分析，如表2所示。

表2：增长率环比分析表

通过不同的分析维度，结合不同的分析方向，可以得到不同的分析结果，而分析的结果越多，涵盖事实的可能性越高，所以这也需要我们应尽可能涵盖更多的维度和方向，单一的分析并不利于我们做出正确的选择。

以比较的方式完善主体的构成

众多的分析结果提供了我们接近事实的可能性，但每种分析结果对应的可能性不同，这就需要我们对于每种分析出的结果进行选择甄别，这里提供下常用的选择方式作为参考：

（1）直观选择：将每种的分析结果以图表形式进行展示，通过图表直观的判断对应的趋势关系，趋势越接近，结果可能性越高；

图1：**中心月度日均话量

优点：简单，方便快捷；

缺点：人为判断，无明显的标准界限。

（2）波动选择：将每种的分析结果通过一定周期的波动系数进行计算，系数越小，相对而言越稳定，结果可能性越高，系数越大则相反；

举例：以周度的增长率分析维度进行举例说明，对比各分析方向的波动系数大小（表3）。

表3：周度的增长率波动系数大小

优点：有判断的标准界限，能保持结果的相同性；

缺点：较为繁琐，并且对于骤变的趋势难以直接呈现。

选择的方式并没有明确的规定，只要选择符合实际情况的即可，选择的目的只是为了排除不可能的选项，降低没必要的工作量，提升工作效率，并不作为预测准确与否的判断依据。

好的结果离不开反复的校准验证

预测的准确与否并不是通过方式的选择决定，而是通过实际发生的结果判断。即在排除了不可能的选项之后，剩余的选项都应该按照其对应的逻辑展示最终的预测结果。每种预测的结果都应与最终实际发生的话量进行比对，以此来确认方式的适用性。

举例：以周度的增长率分析维度进行举例说明，对比各分析方向导出的预测量与实际话量差异（表4）。

表4：周度的增长率预测量与实际话量差异

如果在增长率维度中有一种分析结果相对于其他两种更加贴合实际话量的趋势，可以选择此方式的预测结果，再依次比对其他维度，比如话量占比，契合度等维度的预测结果，就可以得到最为贴合实际话量的预测方式。

没有对比就没有鉴别，只有通过不同的预测方式结果与实际话量的比对情况，才可以判断出各预测方式的适用性，选择更为适用的方式作为预测方向才是我们的话量预测的目的。当然如果后续预测结果出现了较大的偏差，那就需要我们重新校准各维度的预测结果准确性，判断之前的预测方式是否适用，或者选择其他的预测方式。

一个好的预测可以有一个好的开端也可以产生一个好的结果。通过上述分享的话量预测模型搭建过程，希望可以为大家多提供一种思路，当然按照上述的步骤依次做下来，也就初步完成话量预测模型的搭建，还有一些细节或者经验性的东西，需要大家在后续再逐步的完善和改进。