問題背景
目前呼叫中心（Call
Center）廣泛應(yīng)用于電信、金融、政府機構(gòu)、電力、郵政等各行各業(yè)，隨著CTI（計算機電話集成）技術(shù)的發(fā)展，尤其是IVR（自動語音應(yīng)答系統(tǒng)）的引入，呼叫中心發(fā)展迅速，從業(yè)規(guī)模日益增長，經(jīng)營業(yè)務(wù)越來越復雜，隨之而來呼叫中心管理方面面臨更多的挑戰(zhàn)。
業(yè)務(wù)量增大，話務(wù)量不均衡，IVR分流作用不明顯，客戶滿意度低，……
如何在成本一定的情況下，準確預測話務(wù)到達率，做好CSR和IVR評價和優(yōu)化，有效進行人員多技能排班，提高客戶滿意度是當前呼叫中心面臨的挑戰(zhàn)。

我們凌鼎呼叫中心建模團隊通過多年研究和實踐，構(gòu)建了一套包括(1)話務(wù)預測、(2)客服需求計算、(3)班次優(yōu)化、(4)客服排班、(5)班次調(diào)整、(6)IVR菜單優(yōu)化等面向呼叫中心管理決策的模型體系，為高效運營呼叫中心，提高經(jīng)濟效率及客戶滿意度提供了一套強力工具。
解決方案
·如何更準確地預測來話量?
·怎樣更快速地計算客服需求?
·如何更合理地設(shè)計班次?
·如何更科學地進行客服排班?
·如果更方便地進行班次調(diào)整?
·如何更有效地調(diào)整IVR菜單?
1、如何更準確地預測來話量?

目前國內(nèi)外的話務(wù)預測模型大多考慮了話務(wù)的周期性和連續(xù)性，并兼顧節(jié)假日等事件因素的影響，可以滿足一定預測精度的要求，但一個好的話務(wù)預測模型必須考慮以下方面：
a、長期預測必須做到更小的誤差擴散。
目前話務(wù)預測模型普遍存在的現(xiàn)象是對于超過一個星期的預測，誤差擴散非常大，這給人力需求計算和排班帶來很大不便。
我們通過多年的統(tǒng)計分析，根據(jù)話務(wù)數(shù)據(jù)的局部累積特性，提出了積分混合預測模型，從而使預測的準確度大大提高，并且很好控制了長時段預測的誤差擴散。
b、話務(wù)預測必須滿足不同預測粒度的要求。
為了方便計算人力需求，排班人員需要知道每天不同時段的話務(wù)量，以便從時間維度計算人力需求，從時段維度考慮班次設(shè)計。
積分混合預測模型，可以準確預測一天，一個小時，半個小時，甚至一刻鐘的話務(wù)量，完全滿足了排班人員的需求。
c、必須考慮多技能預測間的相互影響。

不同呼叫中心的技能數(shù)量各不相同，各個技能間并不是相互獨立的，有一定的相關(guān)性和遲滯相關(guān)性，為了做到更高的預測精度，必須對話務(wù)進行分技能預測并考慮技能間的影響。
積分混合預測模型支持面板數(shù)據(jù)，可以同時對多個技能進行話務(wù)預測，并支持內(nèi)聯(lián)優(yōu)化，對多技能的預測有極大優(yōu)勢，走在了同類模型的前列。
d、支持更準確的特殊事件定義。

一般預測模型只是考慮節(jié)假日事件的定義，稍微完善的模型考慮了促銷、新產(chǎn)品發(fā)布、政策變更等事件的定義，但對事件帶來的影響并沒有做到準確的刻畫，一般就通過一個自由度進行度量。

多年來，我們充分利用統(tǒng)計和數(shù)據(jù)挖掘的優(yōu)勢，對各類數(shù)據(jù)中事件產(chǎn)生影響的最佳分布匹配得到了快速準確的計算方法，為事件的定義提供了準確客觀的信息，提高了預測的準確性和靈活性。
2、怎樣更快速地計算客服需求?
過去一般通過人力負載來計算客服需求，隨著呼叫中心績效指標完善，大部分公司以服務(wù)水平來計算客服需求。
服務(wù)水平是指在N秒內(nèi)的接通率，一般N取20秒到30秒，實際操作中，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盡一樣。
常見的單技能計算方法是Erlang C/B/X, 但大部分呼叫中心都是多技能的，多技能一般通過仿真或者近似排隊系統(tǒng)來計算。
仿真方法對于有著極大的靈活性優(yōu)勢，可以計算任意路由設(shè)置，任意技能劃分的服務(wù)水平，但其計算速度一般較慢，對多余5個技能的呼叫中心，求解壓力很大。
近似排隊系統(tǒng)通過阻塞概率的方法計算服務(wù)水平，速度很快，但由于誤差擴散較難控制，精度很低。
如何更準確更快速的計算客服需求？很多呼叫中心通過仿真對照表來插值計算，但計算繁瑣，且對照表需要經(jīng)常更新。
我們通過對數(shù)據(jù)和業(yè)務(wù)深入分析，提出了通過排隊網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)移方程的方法來計算多技能客服需求，進行狀態(tài)轉(zhuǎn)移分析后，就能夠以極快的速度得到高精確的結(jié)果。
3、如何更合理地設(shè)計班次?
班次優(yōu)化是呼叫中心的一個盲點，一般呼叫中心在班次設(shè)置確定后，就很少調(diào)整班次安排，沒有意識到班次調(diào)整的價值所在。
通過我們實際數(shù)據(jù)分析，發(fā)現(xiàn)大部分呼叫中心通過班次調(diào)整可以降低5-10%的人力需求。

呼叫中心需求幾個班次？班次什么時候開始？班次什么時候結(jié)束？就餐時間如何安排？不同技能班次有何區(qū)別？不同時段是否班次不同？通過班次優(yōu)化模型計算，可以給出最優(yōu)的答案。
有了最佳的班次設(shè)置，人力安排起來就更加方便有效。
4、如何更科學地進行客服排班?
目前客服排班的難點在于問題的復雜性，問題規(guī)模越大，越明顯。
基本的整數(shù)規(guī)劃模型求解效率太低，而常見的遺傳算法，禁忌搜索，貪婪算法得到的結(jié)果又不太讓人滿意。加上不同算法，求解方式不同，經(jīng)常出現(xiàn)無解決方案的情況。

通過我們多年的排班經(jīng)驗，設(shè)計出基于啟發(fā)式的遺傳算法＋多級混合整數(shù)規(guī)劃模型，對不同規(guī)模的排班問題都有非常好的效果，尤其對于多技能，多級能組，千人以上客服，效果更加明顯。
模型中考慮了硬約束，軟約束，順序約束，不相容約束，工作量約束等近百種規(guī)則，并對提供了多個目標供優(yōu)化選擇。
5、如果更方便地進行班次調(diào)整?
排班結(jié)果經(jīng)常需要根據(jù)客服的實際需求進行調(diào)整，有時候又會針對突發(fā)事件進行調(diào)整。

客服的需求是多樣的，請假，結(jié)婚，培訓，班次偏好……，實現(xiàn)在排班中考慮不同客服個性化的要求，可以極大提高客服的工作效率，提高呼叫中心的服務(wù)水平和客戶的滿意度。
通過我們多年來的積累，設(shè)計了200多種調(diào)整規(guī)則，對具體的排班結(jié)果進行更加個性化的調(diào)整，滿足客服的工作要求，進而提高整體服務(wù)水平。
為了解決規(guī)則的沖突，我們在模型中提供了優(yōu)先級別的設(shè)置，讓排班管理人員總能得到解決方案，并提供了人工干預的方法。
6、如何更有效地調(diào)整IVR菜單?
對于IVR，我們一直希望在下列方面做的更好：
·降低轉(zhuǎn)向人工熱線服務(wù)的可能性
·降低用戶的使用復雜性
·降低用戶的菜單訪問放棄率
·降低用戶菜單系統(tǒng)的重復訪問率
·提高客戶對IVR系統(tǒng)滿意度
·提高IVR系統(tǒng)運營效率及分流作用
為此我們需要對IVR系統(tǒng)進行全面的評價，并找的優(yōu)化的工具。
通過多年研究和實踐，我們提出了包括復雜度，路徑長度，直達率，沖浪率等50多個關(guān)鍵指標，從各個角度對IVR進行評價。
有了IVR評價指標，我們設(shè)計了IVR菜單優(yōu)化模型，可以快速得到不同技能不同適合最優(yōu)的菜單結(jié)構(gòu)，為菜單調(diào)整和IVR優(yōu)化決策提供幫助。

常見的菜單優(yōu)化算法包括貪婪算法，模擬退火，整數(shù)規(guī)劃，遺傳算法等，根據(jù)實際業(yè)務(wù)情況，我們得到針對菜單優(yōu)化的更好方法－概率優(yōu)先混合算法，不僅可以提高菜單求解速度，而且滿意度也優(yōu)于其他模型。
用戶收益
正確選擇和使用凌鼎排班解決方案，將給呼叫中心帶來如下的好處：
·降低客服空閑等待時間
·改善服務(wù)水平
·提高客服工作效率
·提高用戶滿意度
·改善IVR效率

不同呼叫中心業(yè)務(wù)情況和復雜度各不相同，與凌鼎數(shù)據(jù)分析團隊結(jié)合，可以給出最適合該呼叫中心的解決方案，從歷史數(shù)據(jù)中發(fā)掘價值，通過優(yōu)化模型優(yōu)化班次、菜單、排班……，為高效運營呼叫中心，提高經(jīng)濟效率及客戶滿意度提供強有力的支持。