呼叫中心一路走來，就算以美國或歐洲的角度來看，都只有30年不到的歷史，是一個很短的歷程，大部分的管理理論都很不成熟，借鏡于其它產業的管理理論，卻發現這些理論不完全適用于呼叫中心。
其中一個最嚴重的管理難題就是，其它產業高度仰賴的平均值管理，到呼叫中心突然發現不靈光了。
平均值管理有什么問題？
我們先看幾個例子。
我在1990年在美國待了相當長一段時間，當時看到美國加州有一個郡的郡長發布了一個新聞稿，說他們郡的人均收入比前一年同期大幅提升了不少，新聞稿的用意很明顯，就是要表現這個郡長所做的功績。
人均收入提高，是不是一個很值得大書特書的政績？人均收入提高，聽起來這個郡的居民收入提高了，大家應該都過的更好了。
但當地報紙顯然不買帳，寫了篇文章去譏諷郡長，說郡長大人，本郡人均收入提高，是因為有一個人搬進了本郡啊，這個人就是比爾蓋茲先生。
比爾蓋茲先生搬到了這個郡，人均收入當然會大幅提升，可能還提升了幾十倍不止，但這個郡的其它居民的收入有提升嗎？這個郡的人均收入提升，跟其它居民有關系嗎？
我最近上課，常常會講一個腦筋急轉彎，有一個城市（叫做城市甲吧）人均收入是一萬，城市乙的人均收入是8千，有沒有什么辦法可以僅僅靠著把城市甲的一群人搬到城市乙，然后兩個城市的人均收入同時都會增加？
這答案很簡單，就是把收入在一萬到8千的居民，從城市甲搬到城市乙，兩個城市的人均收入都會同時提高。
是的，只要把收入在一萬到8千的居民，從城市甲搬到城市乙，兩個城市的人均收入都會同時提高，因為城市甲的人均收入是一萬，而這些收入在一萬到8千的居民，因為收入低于人均收入，所以如果搬走，人均收入自然就會提高。而城市乙的人均收入是8千，這些居民的收入高于城市乙的人均收入，這些人搬進來，城市乙的人均收入自然就會上升。
僅僅靠著把這些居民從城市甲搬到城市乙，這兩個城市的人均收入都會同步提高，但請問，這兩個城市有做了任何的努力嗎？還是說這兩個城市都只是在玩數字游戲而已？
我再舉一個更令人困惑的例子來說明平均值這個數字的矛盾性。
大家覺得有沒有可能兩個座席員，過去8、9、10三個月的質檢平均分數，座席員甲是高于座席員乙的，而11月這個月的質檢平均分數，座席員甲還是高于座席員乙的，但是如果把這四個月的分數放在一起重新統計，突然座席員乙的平均分數卻高于座席員甲？
我再說一次，有沒有可能，過去8、9、10三個月的質檢平均分數，座席員甲高于座席員乙，11月這個月的質檢平均分數，座席員甲還是高于座席員乙，但是把這四個月的分數放在一起重新統計，突然座席員乙的平均分數卻高于座席員甲？
應該不可能吧，8、9、10三個月座席員甲的平均分數都高于乙，11月甲還是高于乙，怎么可能把四個月的分數放在一起平均，乙卻高于甲呢？
萬一有這種可能，那我們過去在計算質檢平均分數的時后，不是全亂了套了嗎？
甲的平均分數一直都高于乙，怎么可能把分數放在一起統計，卻出現了大逆轉呢？
如果這有可能，那到底是甲比較好，還是乙呢？
還是我們根本無法辨認誰比較好呢？
我用下面這個例子來說明這真的是有可能的：
| | 抽聽數 | 合格數 | 合格率 |
| 8、9、10三個月 | 甲座席員 | 40 | 36 | 0.90 |
| 乙座席員 | 100 | 86 | 0.86 |
| 11月 | 甲座席員 | 20 | 13 | 0.65 |
| 乙座席員 | 8 | 5 | 0.63 |
| 四個月累計 | 甲座席員 | 60 | 49 | 0.82 |
| 乙座席員 | 108 | 91 | 0.84 |
上面這張表，把甲和乙兩位座席員過去8、9、10三個月的質檢分數列了出來，大家可以看到，座席員甲被抽聽了40通，其中合格數是36通，顯然合格率是90，而座席員乙被抽聽了100通，合格數是86，合格率是86。
過去8、9、10三個月的質檢合格率，座席員甲顯然是高于座席員乙的。
到了11月，座席員甲被抽聽了20通，合格數是13通，合格率是65，而座席員乙被抽聽了8通，合格數是5通，合格率是63，11月的的質檢合格率，座席員甲顯然又是高于座席員乙的。
但如果我們把這四個月的成績放在一起統計，我們會看到一個令人非常困惑的情況：四個月的累計，座席員甲被抽聽了60通，合格數是49，合格率是82，而座席員乙被抽聽了108通，合格數是91，合格率卻是84！
座席員乙的合格率突然高于座席員甲！
你沒有聽錯，而我沒有講錯，大家仔細的詳細看看上面這表格的計算，是的，我沒有算錯，分開來看，座席員甲都領先座席員乙，但放在一起統計，座席員甲卻輸給了座席員乙！
平均值的計算，是要非常小心的，當你抽聽的通數不一樣，而兩次的平均值差異又過大（甲原來合格率是90，11月掉到了65），這時平均值就可能會出現上面這種可笑的情況。
我常常拿下面這兩個例子來說明在呼叫中心平均值的計算，是拿來罰錢，而不是拿來管理的。管理是需要不斷的問為什么，而平均值看不到個體差異，問不出為什么這三個字。
先看第一張圖：
這是兩個呼叫中心從早上8點開始，一直到晚上6點，每隔半個小時的服務水平。可以很清楚的看到，藍色這條線，它服務水平在91到48這中間震蕩，平均服務水平是73左右，粉紅色這條線，雖然平均服務水平也是在73左右，但震蕩幅度卻小了很多，服務水平只在81到68這中間震蕩。
要請問的是，大家覺得哪一個呼叫中心的管理比較好？
你會覺得這兩個呼叫中心的管理一樣好嗎？
我們來看看另外一張圖，這是從通話利用率來看（就是座席員一天的通話時長除以該座席員一天的簽入時長）：
這是兩個座席員每天的通話利用率，橫軸是這個月從月初到月末，縱軸是通話利用率，藍色這位的平均通話利用率在70左右，粉紅色這位的平均通話利用率也是在70左右，但上下震蕩的很厲害，月初表現的很好，但從月中開始，通話利用率就一直明顯的下降。
如果是從平均數來看，這兩個座席員的通話利用率平均都是70，都是一樣。但兩個人的表現真的是一樣嗎？
呼叫中心過去主要的管理手段，我們稱為平均法，利用平均表現來進行考核。
例如某座席員這個月的通話利用率是否有達標，就是看這個月里面，每一天的通話時長進行加總，然后除以這個月這個座席員的簽入總時長。
平均法的最大問題，就是只能看到平均，而看不到差異。
通話利用率這張圖是某個呼叫中心真實的故事，它的座席員每個月有固定的接聽總通數這個指標必須達成，在月初時，座席員就拼命接電話，到了月末，接聽通數的指標達成了，大家就開始拼命的小休，通話利用率就大幅的下降，造成通話利用率是月初高，月末低的情況。
這是你要的績效管理效果嗎？
如果你只看平均數，你可以看出這個問題嗎？
追求差異的縮小，是最小方差管理法最重要的精神，而最小方差管理法用來測量差異最重要的測量工具就是：
標準差和離散系數
如何使用標準差和離散系數，我在前幾期的文章中寫得相當詳細，現在大約再說明一次。
標準差計算方法很簡單，在EXCEL里面，只要利用“STDEV”函數，選中你要計算標準差的數列，如下圖，我們要計算7月1號到30號平均處理時長的標準差，7月1號到30號平均處理時長的數據，就是B2到B31這數列，只要選中這數列，按“確定”，就會得出標準差。
如我們之前幾篇關于最小方差管理法的文章所說，平均數看不到個體差異，只知道7月1號到30號的平均處理時長是99.5秒，但這數字對管理者而言，其實是沒有辦法用來做管理的，因為管理者要做的是找出差異，管理差異，而標準差才是可以提供個體差異這重要信息的工具。
但每一次計算平均值，因為采用的天數可能不一樣，或是采用了不同的班組來檢查，平均值都可能會不一樣的，這時如果只是用標準差來做互相之間的比較，就會產生不公平的情況，所以將標準差除以平均值，得出一個系數，就稱為離散系數。
離散系數是一個最重要的控制指標，最小方差管理法大量使用離散系數來測量某一個KPI指標是否已經達標。
最小方差管理法把離散系數分成四個等級：
穩定 0.1
控制 < 0.16
失控 > 0.16
嚴重失控 > 0.8
有了這四個等級，呼叫中心的差異管理，有了明確的界定，只要你把某個KPI指標的離散系數計算出來，你就知道自己目前的差異狀況是在穩定，還是控制，或是失控中了。
這是一個非常重要的觀念，質量管理之父戴明是一位改造了日本的質量大師，他卻是一位美國人，本來在1950年到1960年，日本制就等于是劣質貨、黑心貨的代名詞，日本以廉價但質量差的產品大量傾銷美國，讓美國人非常鄙視，但到了1980年，美國最大的電視臺NBC制作了一套震撼美國人的節目，節目名稱就是[為何日本能，而美國不能！]，因為到了1980年代，美國人赫然發現日本制產品的質量，遠遠超過了美國貨，全世界都開始買日本車，買日本家電，質量盡然超過了一直在帝國大夢中的美國，而改造了日本的這位大師，就是戴明。
可惜國內目前很少戴明的書，戴明對我的影響非常的大，他的理論最重要的核心思想就是：
管理企業，首先要讓關鍵指標進入控制狀態，不然所有的管理手段都是無效的!
也就是說，必須首先測量關鍵指標是否在控制狀態，如果不是，首先要讓事情進入控制狀態，不然就算你采取再多的改善措施，都是這里失火，這里救火，那里失火，那里救火，為何這里那里會到處失火，卻沒有找出問題的源頭，只是在事情的最末端進行亡羊補牢的補救措施而已。
最小方差管理法認為差異管理最重要的，就是首先進行關鍵指標的離散系數測量，測量關鍵指標目前的控制情況。
如果指標是在失控狀態（離散系數大于0.16），最小方差管理法藉用兩個關鍵圖來找出差異的來源，這兩張圖一個是常態圖，另外一個是控制圖。
常態圖的畫法可以參考我前面一篇文章『Excel2007對呼叫中心管理產生的革命性影響』當中，有詳細介紹怎么用Excel來畫常態圖。
下面這張圖是某呼叫中心平均處理時長的常態圖，我們希望常態圖是一個高峰，這代表只有一股力量在里面，如果出現了兩個以上的高峰，就代表有兩股以上的力量在里面，差異被這兩股以上的力量給拉開了。
在下面這張圖中，我們看到大部分人的平均處理時長是5分鐘左右，但在8分鐘這里，又出現了一個小高峰，甚至在10分鐘這里，出現了第三個小小高峰。
常態圖可以幫助我們在指標失控時，看到這指標有幾股力量在里面，針對第二和第三個高峰應該要采取適當的手段來改善情況。
換句話說，看常態圖的重點，就是看有幾個高峰，我們希望看到的理想情況是一個高峰，但只要指標是失控的，通常一定會看到兩個以上的高峰。
常態圖也輕易可以看出長尾來，長尾理論最近在互聯網變成一個影響很大的理論，就是由網民共同創造的網站（例如小區網站）雖然網民力量小，但卻是真正互聯網將來的主流方向。
但在差異管理中，長尾卻是你最不想看到的，在下面這張圖中，右邊顯然出現了一條長尾。
控制圖是差異管理中最關鍵的一張圖，我在下一期在專門來談。
