用户名*
邮箱*
密码*
确认密码*
验证码* 点击图片更换验证码
找回密码
忘记密码了？输入你的注册邮箱，并点击重置，稍后，你将会收到一封密码重置邮件。
如题，客服中心如何通过数据分析制定排班表？
这个问题有点大，不知道是基本策略还是具体方法。只能随意聊聊了。
呼叫中心排班而言，基于数据分析有两个维度的测算很重要。
业务量预估 与 人力预估。
业务量预估：
基于呼叫中心性质的不同，这个数据的评测方式也多种多样。
例如1：
根据历史数据量与同比环比的增长率，测算某一个时间维度下可能的业务量。
同时，这一业务量所受常规市场活动与特殊市场活动影响所带来的变量。以银行为例，那么常规市场活动所指结算日，积分清零期等，这些变量依据现有数据可以推算而来。
特殊市场活动指某新产品上线，政策变更等突发事件对于业务量的影响，多数情况下是可预见的。
也有一些难以预见的例如系统故障等，需要在计算变量时留有一定的浮动空间，这与操作者的谨慎程度有关。
例如2：
当历史数据不足以支撑计算呼叫中心业务量时，我们通常使用产品本身的数据特性以及相对应的发生率去预测可能带来的业务量。
例如我们发行了1000张服务卡，这其中基于服务卡所附带的使用说明友好程度，其中会产生咨询的比例会达到5%，而有17%的用户会选择使用我们的服务，单次服务需要至少3次交互，而基于我们的产品及服务水平，可能产生客诉的比例在0.05%。我们需要对用户进行100%覆盖的回访，回访成功率需要达到50%以上….基于以上，我们同样可以得到一些答案。
例如3：
对于一些以OB业主的呼叫中心，并不在本次讨论范围之中。
基于以上，我们可获得以时、日、周、月及年等单位的呼叫量，基于业务体系本身的不同，这其中有可能涉及服务转化率问题，请自行补足。
业务量的准确预测所需条件较多，本次不展开详述。据以上我们可知晓在测算周期内的基础业务量以及可能产生的分布规律及变量或峰值量，那么继续！
人力预估：
了解以上因素后，我们可以根据基础业务量进行人力测算，在一般呼叫中心，以每小时为单位计算人力，可以得到较为准确的数值。同样举例说明：
1. 了解业务量在计算周期的分布情况，例如高峰时段 8:00-18:00 75%，反之为低谷。
2. 了解单通业务所需的AHT即平均处理时长，它可由ATT ART ACW *AHT等数据影响。需要注意，不同业务间的AHT如差异较大，需要分开计算并了解他们分别的发生率；
3. 了解人力使用相关数据，例如以每小时为单位时，每位坐席人员的可用时长，它的影响因素为员工利用率、员工负荷率、员工生产率及员工出勤率等，一般达到80%即为良性。
4. 通过以上数据相除，我们可以获取无限制情况下，单位时间的人力数量；
5. 考虑班制对人员数量的影响，以7*24为例，那么8小时的班制是需要在以上结果中进一步体现的；
6. 将这个制度放大到周、月、甚至年，我们会发现无论是5/7，还是各种公休及病产丧婚都是需要考虑的因素，这其中还有基于员工的信用指数。全年可用时间高于67%即为良性；
7. 在人力计算中容易被忽略的技巧系数，例如较大的人员调整或新的项目，在员工熟练指数上，我们通常需要1.3-2的时间加成；
排班：
这个就更为复杂了。知悉以上两方面内容之后，我们需要根据业务变量基于每个排班周期的变化，及排班周期所需要的通用人数，以及我们的运营成本、场地情况、行业特殊性、班制规则、男女比例、法律法规等现实情况，进行逐步的微调。
班次通常为两个维度，即一般用人数量及峰值用人数量。
人员维度则是熟练坐席、普通坐席、及新人坐席；
其他岗位维度；例如管理岗Sr、TL、QA、TR甚至更多；
根据以上因素，我们可以建立相应的排班依据模型，这个比较复杂，暂时不展开，如有需要再说；
之后就是对于以上策略的跟进与调整；
通常情况下，绝对没有完美的排班策略，需要根据实际情况，实时进行管控。这也就是现场管理存在的必要性之一，所以提前将可能的风险做好方案预备，是运营的必修课。
以上粗浅内容，见笑。
Erlang-C公式，网上有很全的说明，如果是销售型的呼叫中心需考虑到分时段的订单转换率问题。只要稍作修改就可以正常使用；
还有就是要分析出分时段的进线情况，如是媒体进线需作出广告排播与进线关系分析，只要提前拿到广告排播就能妥妥的安排员工上班时间。
昵称*
E-Mail*
回复内容*
回复 ( 2 )
这个问题有点大，不知道是基本策略还是具体方法。只能随意聊聊了。
呼叫中心排班而言，基于数据分析有两个维度的测算很重要。
业务量预估 与 人力预估。
业务量预估：
基于呼叫中心性质的不同，这个数据的评测方式也多种多样。
例如1：
根据历史数据量与同比环比的增长率，测算某一个时间维度下可能的业务量。
同时，这一业务量所受常规市场活动与特殊市场活动影响所带来的变量。以银行为例，那么常规市场活动所指结算日，积分清零期等，这些变量依据现有数据可以推算而来。
特殊市场活动指某新产品上线，政策变更等突发事件对于业务量的影响，多数情况下是可预见的。
也有一些难以预见的例如系统故障等，需要在计算变量时留有一定的浮动空间，这与操作者的谨慎程度有关。
例如2：
当历史数据不足以支撑计算呼叫中心业务量时，我们通常使用产品本身的数据特性以及相对应的发生率去预测可能带来的业务量。
例如我们发行了1000张服务卡，这其中基于服务卡所附带的使用说明友好程度，其中会产生咨询的比例会达到5%，而有17%的用户会选择使用我们的服务，单次服务需要至少3次交互，而基于我们的产品及服务水平，可能产生客诉的比例在0.05%。我们需要对用户进行100%覆盖的回访，回访成功率需要达到50%以上….基于以上，我们同样可以得到一些答案。
例如3：
对于一些以OB业主的呼叫中心，并不在本次讨论范围之中。
基于以上，我们可获得以时、日、周、月及年等单位的呼叫量，基于业务体系本身的不同，这其中有可能涉及服务转化率问题，请自行补足。
业务量的准确预测所需条件较多，本次不展开详述。据以上我们可知晓在测算周期内的基础业务量以及可能产生的分布规律及变量或峰值量，那么继续！
人力预估：
了解以上因素后，我们可以根据基础业务量进行人力测算，在一般呼叫中心，以每小时为单位计算人力，可以得到较为准确的数值。同样举例说明：
1. 了解业务量在计算周期的分布情况，例如高峰时段 8:00-18:00 75%，反之为低谷。
2. 了解单通业务所需的AHT即平均处理时长，它可由ATT ART ACW *AHT等数据影响。需要注意，不同业务间的AHT如差异较大，需要分开计算并了解他们分别的发生率；
3. 了解人力使用相关数据，例如以每小时为单位时，每位坐席人员的可用时长，它的影响因素为员工利用率、员工负荷率、员工生产率及员工出勤率等，一般达到80%即为良性。
4. 通过以上数据相除，我们可以获取无限制情况下，单位时间的人力数量；
5. 考虑班制对人员数量的影响，以7*24为例，那么8小时的班制是需要在以上结果中进一步体现的；
6. 将这个制度放大到周、月、甚至年，我们会发现无论是5/7，还是各种公休及病产丧婚都是需要考虑的因素，这其中还有基于员工的信用指数。全年可用时间高于67%即为良性；
7. 在人力计算中容易被忽略的技巧系数，例如较大的人员调整或新的项目，在员工熟练指数上，我们通常需要1.3-2的时间加成；
排班：
这个就更为复杂了。知悉以上两方面内容之后，我们需要根据业务变量基于每个排班周期的变化，及排班周期所需要的通用人数，以及我们的运营成本、场地情况、行业特殊性、班制规则、男女比例、法律法规等现实情况，进行逐步的微调。
班次通常为两个维度，即一般用人数量及峰值用人数量。
人员维度则是熟练坐席、普通坐席、及新人坐席；
其他岗位维度；例如管理岗Sr、TL、QA、TR甚至更多；
根据以上因素，我们可以建立相应的排班依据模型，这个比较复杂，暂时不展开，如有需要再说；
之后就是对于以上策略的跟进与调整；
通常情况下，绝对没有完美的排班策略，需要根据实际情况，实时进行管控。这也就是现场管理存在的必要性之一，所以提前将可能的风险做好方案预备，是运营的必修课。
以上粗浅内容，见笑。
Erlang-C公式，网上有很全的说明，如果是销售型的呼叫中心需考虑到分时段的订单转换率问题。只要稍作修改就可以正常使用；
还有就是要分析出分时段的进线情况，如是媒体进线需作出广告排播与进线关系分析，只要提前拿到广告排播就能妥妥的安排员工上班时间。