大型呼叫中心话务量预测

呼叫中心的话量预测及人员排班

呼叫中心的话量预测及人员排班 任何呼叫中心的运营几乎都是在追求服务的速度及质量的提高，同时在降低运营成本的前提下逐步提升呼叫中心的利润及客户满意度；一个典型的呼叫中心运营费用，只有5%的成本是花在技术上，几乎全部运营费用的95%以上用于支付工资、网络成本和日常开支；人员成本则是呼叫中心运营成本的关键；因此，对于任何呼叫中心管理人员来讲，合理的人员排班是实现高效率的呼叫中心运营管理，降低整体运营成本，保证客户服务质量和服务水平，提高呼叫中心生产力的重要一环。 呼叫中心保持良好服务水准的重要前提是建立科学合理的排班方案，呼叫中心管理人员根据不同周期话务量变化的规律及发展趋势安排相应时段的座席数量，保证呼叫中心重要运营指标接通率、客户的满意度目标的实现。为了实现上述目标，管理人员必须对呼叫中心来话量的趋势进行系统地分析，同时根据呼叫中心的历史数据及相关影响因素（如促销）进行科学地预测。 话务量预测的意义： 根据来话规律提早进行班次调整与人员配备，保障呼叫中心的接通率指标的实现； 通过对历史来话规律的分析，对可预知的话量影响因素提前做出反应，以使呼叫中心提前制定出相应的解决方案； 在呼叫中心话务量承接能力将要趋于饱和时，需要进一步完善、调整、优化当前运行系统，提前做好人员与设备扩容的准备，确保呼叫中心保持正常运转； 依据来话规律及时了解市场与客户的需求，便于调整市场运作方向，提升客户满意度。 以下以电信企业为例来了解影响话务量波动的主要因素： 企业的发展战略与规划的变动； 客户量变化（如对电信公司包括新增固话以及小灵通用户、新增宽带用户、市场占有率变化等）； 公司的宣传、促销、新产品推广等市场行为； 报纸、广播、电视等媒体的宣传报道； 国家相关政策法规的变动（如：费用结算月日期的调整等）； 突发事件（如：自然灾害、意外事故、系统瘫痪等）。 特殊时段来话量（如每月出帐日；3.15国际消费者权益日；5.17国际电信日；高考、中考出分以及发榜时间；春节、国庆等公众假期等） 对于呼叫中心管理人员来讲，需要综合考虑以上这些影响来话量变化的因素及规律，不断提高话务量预测的准确性；同时呼叫中心的管理者必须根据话务量的波动来进行合理的人员配备及座席安排，通过对排班效率的评估来检测现有排班的合理性，使呼叫中心一线客户服务代表以合理的负荷率有效地降低放弃率，提高服务品质和客户满意度。

基于SVM分块回归分析的话务量预测模型

收稿日期:2008-03-24;修回日期:2008-06-10。 作者简介:陈蓉(1982-),女,山东济宁人,硕士研究生,主要研究方向:未来无线移动通信与信息系统、计算机网络;　宋俊德(1938-), 男,河北沧州人,教授,博士生导师,主要研究方向:移动通信理论、无线接入、未来通信系统(4G )与软件无线电技术。 文章编号:1001-9081(2008)09-2230-03 基于S V M 分块回归分析的话务量预测模型 陈　蓉 1,2 ,宋俊德 2 (1.电子科技大学中山学院电子工程系,广东中山528400;　2.北京邮电大学电子工程学院,北京100876) (c h e n r o n g m i s s @g m a i l .c o m ) 摘　要:针对话务量的特性,提出了一种基于支持向量机分块回归分析的话务量预测模型,将话务量按日期分为工作日话务量、周末话务量进行建模,采用不同的模型预测相应的话务量。实验结果证明了该模型的有效性,相比传 统的A R M A 模型获得了更好的预测效果。 关键词:话务量分析;预测模型;支持向量机模型;A R M A 模型 中图分类号:T P 393.07 文献标志码:A C o m m u n i c a t i o nt r a f f i c f o r e c a s t i n g m o d e l b a s e do n m u l t i p l e S V M r e g r e s s i o n f u n c t i o n s C H E NR o n g 1,2 ,S O N GJ u n -d e 2 (1.D e p a r t m e n t o f E l e c t r o n i c E n g i n e e r i n g ,U n i v e r s i t yo f E l e c t r o n i c S c i e n c e a n dT e c h n o l o g y o f C h i n aZ h o n g s h a nI n s t i t u t e , Z h o n g s h a nG u a n g d o n g ,528400,C h i n a ; 2.S c h o o l o f E l e c t r o n i c E n g i n e e r i n g ,B e i j i n gU n i v e r s i t yo f P o s t s a n d T e l e c o m m u n i c a t i o n s ,B e i j i n g 100876,C h i n a ) A b s t r a c t :A c c o r d i n g t o t h e c h a r a c t e r i s t i c s o f c o m m u n i c a t i o n t r a f f i c ,a t r a f f i c f o r e c a s t i n g m o d e l b a s e d o n m u l t i p l e S u p p o r t V e c t o r M a c h i n e s (S V M )r e g r e s s i o n f u n c t i o n s w a s p r o p o s e d .I nt h i s m o d e l ,t h e t r a f f i c d a t a w i l l b e d i v i d e di n t o t w o g r o u p s b y t h ed a t e ,w h i c h a r e t h e w o r k i n g -d a y t r a f f i c d a t a a n d t h e w e e k e n d t r a f f i c d a t a .T h e n t w o d i f f e r e n t S V Mm o d e l s a r e t r a i n e d u s i n g t h o s e d a t a .T h ee x p e r i m e n t a l r e s u l t ss h o w t h a t t h i sm o d e l i sv e r ye f f e c t i v e .M o r e o v e r ,t h ep e r f o r m a n c eo f t h i sm o d e l o u t p e r f o r m s t h a t o f t r a d i t i o n a l A R M Am o d e l . K e yw o r d s :c o m m u n i c a t i o n t r a f f i c a n a l y s i s ;f o r e c a s t i n gm o d e l ;S u p p o r t V e c t o r M a c h i n e s (S V M )m o d e l ;A R M Am o d e l 0　引言 随着通信网应用和规模的不断增加,网络管理变得越来越重要,新一代的网管系统对业务量的预测也提出了新的需求,通信话务量的预测分析已经成为其中非常重要的一部分,准确的话务量预测对网络管理、规划和设计具有重要意义。话务量预测,是指通过分析通信网话务量的历史数据统计规律或相关因素,对未来网络可能出现的话务量进行估计和预期。预测结果的准确与否直接关系到企业未来的发展,因此对话务量需求的预测日益受到移动运营商的关注[1-4]。 大部分移动公司目前采用的预测技术,仅限于简单函数的拟合预测,如惯性预测[5-6]、K a l m a n 滤波[7]等,这些模型相对简单,难于满足现阶段话务量的复杂变化方式。话务量作为一种典型的时间序列,常用的时间序列分析预测方法———A R M A 模型[8]被应用于话务量预测,并能较好地描述话务量序列,但是其前提是话务量序列是平稳的,且很难针对话务特点进行分块描述不同变化的话务量。 话务量是一种动态的、随机的时间序列,随着每天的不同时间段而变化,而且易受节假日、旅游等其他因素的影响,工作日话务量大而使其话务量高于周末,白天流量又明显高于夜间。随着话务量的变化方式趋于复杂,而话务量预测工具缺乏和准确率不高,因此对话务量预测模型进行研究和引入新的预测模型,将具有重大意义。鉴于以上模型的不足,本文针对话务量自身特点,即周末话务量与工作日话务量具有不 同特性,提出了一种基于支持向量机(S u p p o r tV e c t o r M a c h i n e s ,S V M )[9-10] 分块回归分析的预测模型,将话务量按日期分为工作日话务量、周末话务量进行建模,然后采用不同 的模型预测相应的话务量,获得了更好的预测效果。 1　预测模型设计 1.1　预测模型框架图 本文设计了一个基于S V M 分块回归分析的话务量预测模型,该模型包括两个阶段:训练阶段和预测阶段,其结构如图1所示。训练阶段过程如下:首先读入数据,对数据进行预处理,然后根据日期将训练数据分为工作日话务量数据和周末话务量数据,分别用于训练两个不同的S V M 模型———即工作日模型和周末模型,保存训练好的模型用于预测阶段使用。在预测阶段,导入训练好的模型,根据测试数据的日期(属于工作日或者周末)对数据分类,将预处理后的数据分别输入到相应的预测模型(即工作日话务量模型和周末话务量模型),然后进行预测得到预测结果,最后将预测结果整合到一起,输出预测数据。 1.2　预处理 读入数据之后,先通过预处理对原始数据进行归一化处理,归一化过程如下: P i =(X i -X )/σ(1) 其中X i 为原始数据,X 为数据均值,σ为数据方差,原始数据经过预处理后变换为均值为零的数据P i ,在预测阶段可根据第28卷第9期 2008年9月 　 计算机应用 C o m p u t e r A p p l i c a t i o n s 　 V o l .28N o .9 S e p .2008

呼叫中心分块回归话务量预测

Computer Engineering and Applications 计算机工程与应用 2016，52（12）1引言随着人们对电力服务质量的要求不断提高，国家电网已经把提供优质的供电服务提升到了发展战略的新高度。95598呼叫中心作为供电企业与用电客户的交流平台，实现了24h 不间断随时提供服务的可能。话务量是呼叫中心进行客服坐席安排的依据，针对不同的话务量安排相应的坐席，才能实现保证呼叫中心服务质量和实现人力资源最优配置的双重目标[1]。传统的排班模式，需要经验丰富的排班师对话务量进行估计，工作量较大，且包含一定的人为的主观因素，无法满足实际生产需求。因此，如何对话务量进行科学准确的预测已经成为了一个亟待解决的问题。话务量是一种随机的、动态的时间序列[2]，受天气、 季节、节假日等因素的影响，呈现复杂的变化趋势。目前，已有一些预测工具被应用于各种通信系统的话务量预测中，比如，ARIMA 模型[3]、多元线性回归[4]、Kalman 滤波[5]、BP 神经网络[6]等，并都取得了一定的成果。但ARIMA 模型要求序列是平稳序列，多元线性回归和Kalman 滤波模型相对简单，难以满足话务量的复杂变化，BP 神经网络需要利用大量样本训练模型且训练速度较慢[6]，不满足现阶段对话务量预测的要求。针对以上不足以及话务量自身的特点，提出了一种基于支持向量机（Support Vector Machine ，SVM ）和K 近邻算法（K -Nearest Neighbor ，K NN ）的分块回归预测模型（SKBR ）。呼叫中心分块回归话务量预测 张沪寅，胡瑞芸，何政 ZHANG Huyin,HU Ruiyun,HE Zheng 武汉大学计算机学院，武汉430072 Computer School,Wuhan University,Wuhan 430072,China ZHANG Huyin,HU Ruiyun,HE Zheng.Block regression traffic prediction model for call https://www.wendangku.net/doc/94770447.html,puter Engi-neering and Applications,2016,52（12）：90-94. Abstract ：In order to obtain the prospective traffic data,solve the seats arrangement problem of call center,realize the rational allocation of human resources,block regression traffic prediction model,based on support vector machine and K -nearest neighbor algorithm is proposed （SKBR ）,after analyzing the characteristics of historical traffic data.According to the date type,traffic can be divided into weekday traffic,weekend traffic and holiday traffic,and different model is used to predict the corresponding traffic.Taking the traffic of a province electric power call center for example,experiments are carried on the MATLAB platform.Results show that compared with the SVM model and improved SVM model for its method of searching parameters,SKBR model has improved the prediction accuracy. Key words ：traffic;prediction;support vector machine;nearest neighbor algorithm;prediction accuracy 摘要：为获得前瞻性话务量数据，解决呼叫中心坐席安排的问题，实现人力资源合理配置，分析历史话务量特性，提出了基于支持向量机和K 近邻算法的分块回归（SKBR ）话务量预测模型。将话务量按日期类型分为工作日话务量、周末话务量以及节假日话务量，采用不同的模型预测相应的话务量。以某省电力呼叫中心话务量为例，在Matlab 平台上进行实验。结果证明，相比SVM 模型和改进寻参方法的SVM 模型，SKBR 模型在预测准确性上有所提升。关键词：话务量；预测；支持向量机；近邻算法；预测准确性 文献标志码：A 中图分类号：TP39doi ：10.3778/j.issn.1002-8331.1501-0160 基金项目：高等学校博士学科点专项科研基金（No.20130141110022）；武汉市科学技术局（No.201302038）。 作者简介：张沪寅（1962—），男，博士研究生，教授，研究领域为数据挖掘，网络QoS ，新一代网络体系结构；胡瑞芸（1991—），女， 硕士研究生，研究领域为数据挖掘，机器学习，E-mail ：ryh_ok@https://www.wendangku.net/doc/94770447.html, ；何政（1976—），男，博士后，讲师，研究领域 为数据挖掘，机器学习，优化算法。 收稿日期：2015-01-13修回日期：2015-03-31文章编号：1002-8331（2016）12-0090-05 CNKI 网络优先出版：2015-07-03,https://www.wendangku.net/doc/94770447.html,/kcms/detail/11.2127.TP.20150703.1610.014.html 90

基于神经网络的话务量预测

文章编号:1671-1742(2008)05-0518-04 基于神经网络的话务量预测 邓　波,　李　健,　孙　涛,　张金生,　王惠东 (四川大学电子信息学院,四川成都610064) 摘要:话务量具有高度的非线性和时变特性,由于神经网络具有较强的非线性映射等特性,将其运用于非线性 的话务量短期预测是非常合适的。以青白江2005年10月的话务量作为预测对象,提出基于BP 神经网络和基于 Elman 神经网络的话务量预测模型,仿真实验表明两种模型对于话务量的短期预测均是可行有效的。经过比较, Elman 神经网络训练速度比BP 神经网络快很多,更适用于实际应用。 关　键　词:BP 神经网络;Elman 神经网络;话务量预测;预测模型 中图分类号:T P183 文献标识码:A 收稿日期:2008-06-12;修订日期:2008-07-04 1　引言 近年来移动通信在我国迅速发展,已经成为当今个人通信的主要方式。随着移动通信话务量迅速增长及网络容量的不断扩大,对话务量预测技术的需求就更加急迫,但实际当中,话务量预测技术发展并不理想,对移动通信运营商的网络建设及调整没有起到更为有效的指导作用。目前实际应用到话务预测的算法主要是回归分析、移动平均、指数平滑等一些传统算法,对话务量发展趋势的预测比较准确,但对于短期话务量的周期性变化,预测较为粗糙,对负荷的调整不能起到更好的指导作用。 话务量具有高度的非线性和时变特性,它的变化受多方面影响,一方面,话务量变化存在着由未知不确定因素引起的随机波动;另一方面,又具有周期变化的规律性,同时由于受节假日、收费政策等情况影响,又使话务量变化出现差异。而神经网络是由大量简单的基本元件———神经元相互连接,通过模拟人的大脑神经处理信息的方式,进行信息并行处理和非线性转换的复杂网络系统。其具有通过学习逼近任意非线性映射的能力,将其运用于非线性的话务量短期预测是非常合适的。 在神经网络算法中,基于BP 算法的前馈网络是至今为止应用最为广泛的神经网络,能够以任意精度逼近任何非线性函数。Elm an 神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因此二者都非常适合于话务量预测。 2　BP 神经网络、Elman 神经网络的网络模型 2.1　BP 神经网络的构造及算法 BP 网络的全称为Back -Propagation Netwo rk ,即反向传播网络,它在结构上类似于多层感知器,是一种多层前馈神经网络。它利用误差反向传播算法对网络进行训练。BP 网络是一种具有3层或3层以上神经元的神经网络,包括输入层、中间层(隐层)和输出层。上下层之间实现全连接,而每层神经元之间无连接。当一对学习样本提供给网络后,神经元的激活值从输入层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。接下来,按照减少目标输出与实际输出之间误差的方向,从输出层反向经过各中间层回到输入层,从而逐层修正各连接权值,即BP 算法。随着这种误差逆向的传播修正不断进行,网络对输入模式响应的正确率也不断上升。BP 网络的传递函数要求必须是可微的,常用的函数有Sigmoid 型对数、正切函数或线型函数。由于传递函数处处可微,所以对于BP 网络来说,一方面,所划分的区域不再是一个线性划分,而是由一个非线性超平面组成的区域,它是比较平滑的曲面,因而它的分类比线性划分更加精确,容错性也比线性划分更好;另一方面,网络可以严格采用梯度下降法进行学习,权值修正的解析式十分明确[1]。 一个具有r 个输入和一个隐含层的神经网络结构如图1所示。 第23卷第5期 2008年10月成　都　信　息　工　程　学　院　学　报JOURNAL OF CHENGDU UNIVERS ITY OF INFORM ATION TECHNOLOGY Vol .23No .5Dct .2008

话务预测与排班

呼叫中心话务量预测与排班 【课程目标】 本课程针对呼叫中心部门，为解决呼叫中心的话务预测以及排班问题。 排班操作在热线运营中的重要性不言而喻，排班的好坏，直接影响到热线人员管理、人员效率，以及员工满意度/客户满意度。 通过本课程的学习，达到如下目的： 1、熟悉排班的基本流程与基本原理。 2、掌握话务量预测的基本过程。 3、掌握话务量预测的常见方法。 4、熟悉使用排班工具。 5、了解排班质量的评估与跟踪。 【授课时间】 1天时间 【授课对象】 呼叫中心、热线团队、营业厅、业务支撑等对排班有要求的管理人员。 【学员要求】 1、每个学员自备一台便携机(必须)。 2、便携机中事先安装好Excel 2010版本及以上。 注：讲师可以提供试用版本软件及分析数据源。 实战型能落地大数据营销专家-黄俭老师简介： 滨江双创联盟荣誉理事长；上海蓝草企业管理咨询有限公司首席讲师；多家知名企业特聘高级管理顾问。 黄老师多年在企业管理、公司战略规划、市场营销、品牌建设、员工管理、绩效考核、上市公司等等方面有着丰富的实践经验；深刻理解了东西方管理精髓。进入培训教育行业，作为资深培训讲师，在企业内训课、公开课、CEO

总裁班等百余家企业和大学课堂讲授战略管理、营销管理、品牌管理等领域专业课程，结合自身的企业实践和理论研究，开发的具有知识产权的一系列新营销课程收到企业和广大学员的欢迎和热烈反馈。听黄老师上课，可以聆听他的职场经历，分享他的成绩，干货多多！课程突出实用性、故事性、新鲜性和幽默性。宽广的知识体系、丰富的管理实践、积极向上、幽默风趣构成了独特的教学培训风格，深受听众欢迎。通过一系列销售案例剖析点评，使销售管理人员掌握一些管理先进理念，分析技巧、提高解决问题的能力。 黄老师近期培训的东风汽车-商用车公司，华东医药公司的销售团队在培训后，销售业绩有了20%提升。 擅长领域：战略管理/领导力系列/ 经典营销/新营销/大数据营销 授课风格：采用情景式教学法，运用相关的角色模拟和案例分析诠释授课内容，理论与实战并举，侧重实战，结合视听教材，帮助学员在理论基础与实践应用方面全面提升。广大的学员认为授课风格为：幽默风趣、条理清晰、实战、理论联系实际。 主讲课程： 《电话营销技巧》《杰出的房地产销售》《如何做好一流的客户服务》 《电子商务与网络营销》、《销售流程与技巧》、《大客户营销》、《顾问式销售》、《如何成为成功的房产销售员》、《总经理视角下的营销管理》、《非营销人员的营销管理》、《如何塑造成功的电子商务品牌》，《精准数据营销实战》、《卓越营销的营销策划》、《打造双赢关系营销》、《卓越客户服务及实战》、《海外市场客服及实务》 【授课方式】 排班过程+方法讲解+工具应用+ Excel实践操作 采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中掌握排班。