与时俱进，智能客服多维度预测法则

相对于需求，任何资源都是稀缺的（资源稀缺是经济学建立的基础）。资源是重要的（资源是指有用的东西，如人、钱、物、政策、时间等），资源是需要有效配置的（对相对稀缺的资源在各种不同用途上加以比较而作出的选择），所谓资源管理，就是要用最少的资源耗费来获取最佳的效益。

预测是整个呼叫中心资源配置的依据，正所谓“剑锋所指，资源所向”。预测就像战场上的指挥官、音乐会上的指挥棒、黑暗中的指明灯，是整个资源管理工作坚强的后盾。俗话说“预测对则步步对，预测错则步步错”，前半句虽然有些偏颇，但后半句笔者非常赞同。预测是所有工作的源头，源头一旦错了，后面的工作将很难进行，也可能要花2—3倍的时间去抢救，比如与一线管理员沟通加班、调班、放休。预测失准也会导致资源管理其他工作条线的“迷茫”，失去了决策的依据，这时就会产生一种极其不好的解决措施——“经验化判断”。这把“双刃剑”有时可以帮助我们在缺少数据支持的时候进行快速判断，有时也会让我们重蹈覆辙，所以我们可以将预测系统化为PDCA循环管理中的PLAN、任何项目管理中的计划书、任何工作中的全景图，正因如此，如何做好预测就成了每个客服中心的必修课程。当然，要做好预测，我们同样面临很多困难，如市场、客群、生活习惯、收入、内部流程、部门政策的变动；数据量化，现有数据同口径运算；实际与计划产生偏差后的连带影响等。接下来就跟随笔者一起开启“预测密码”，探知这复杂而又神秘的领域。

一、 要做好话务预测，首先在于“模”。

笔者认为建模应该从业务理解和目标定义开始，通过数据准备、变量筛选、模型评估、应用监控、模型调整来建立一个符合现有环境的个性化模型（如图1）。

它一定要有普适性，也必须具备行业特征，它还应该属于每个公司的私人定制。要建立一个这样的模型就必须深刻了解建模的六大原则：（1）模型能预测产能，但不能提升产能；（2）模型预测的是整体，不是个体；（3）建模需要样本数据，需要先期测试积累数据；（4）建模数据环境与模型使用环境要大体一致；（5）模型不是万能的，不是每个业务都能用模型；（6）没有完美的预测，只有不断优化的预测方法。有了建模原则，当然还需要有一定的建模规则来进行约束。建模的四大警戒线：（1）后台数据不了解，影响因素考虑不完善；（2）观察数据过于片面；（3）缺乏业务知识，预测结果偏离实际；（4）一味追求使用高级分析方法，不根据各自呼叫中心的实际情况进行（如图2）。

最后，一个成功的模型还必须遵循“APE模型”：自动化、易懂、精准。A：自动化是为了增效，P：易懂是为了传承，E：精准是每个模型的目标（如图3）。

笔者所在的呼叫中心目前使用的“BDF模型”（全称Big Data Forecast）会综合考虑自然走势、短信、持卡周期、发卡渠道、账单形式、客户价值、年龄、学历、自助渠道、交易量、节气、账单周期、市场活动、发卡量、关键业务、重复来电及系统等因素的影响，运用的预测方法有移动平均值法、指数平滑法、多元回归法、上期值法、平均值法等。首先是选择合适的变量xn。我们从客户的持卡周期、发卡渠道、年龄分布、账单形式等1,000多个变量中利用数据挖掘技术筛选出12个有效变量（关联规则、因子分析），利用响应率模型获取目标客户特征（如图4）：

最终基于回归算法进行多维度月度话务预测。简单来说，就是将业务总量y拆分成y1、y2、y3，影响y1业务的因素是x11、x12、x13，则有y1=f(x11,x12,x13)；同理，影响y2业务的因素是x21、x22，则y2=f(x21,x22)；影响y3业务的因素是x31、x32 、x33、x34，则y3=f(x31,x32,x33,x34)，类似于回归树模型。笔者认为这样按业务分拆处理的好处是：（1）可以每个业务都只保留影响最主要的几个因素，避免把变量混杂在一起后相互干扰；（2）可以发现某个或某几个回归预测波动较大的业务，可以进行适当的人工调整；（3）每个业务的预测是相对独立的，可以使用不同预测方法，当发现某个业务回归预测波动较大时可以使用不同的回归方法。这种做法在实际中应用是很多的，只是可能平时没有意识到。比如一个保险公司把寿险业务和产险业务分开预测而不是混在一起预测；一个公司把普通客户来电和高端客户来电分开预测。再上升一个层面可能就更好理解了，理论上A公司和B公司的业务总量与A、B公司各自的影响因素（变量）有关，但如果想知道这个公司的业务总量，从来不会有人用一个回归公式去做，而是分别得到A、B公司的业务后再加起来。既然说了回归，顺便说一下对于异常波动数据的态度。在机器学习中有一个观点，既然噪声是无法解释的，尝试解释噪声反而会导致错误的结论，至少模型会变得异常复杂，所以试图用模型拟合噪声就是过度拟合。在回归预测中同样如此，对于一些异常的历史数据可以视而不见，或者做一些适当修正。

目前每天人工来电中约有30%为账务类来电，所以与账务相关的因素会成为首要因素，我们据此建立了账务系数模型。我们将每个账单日的客户每天的来电系数进行阶梯式累加，再通过活动系数、事件系数、短信系数、时间序列等系数进行修正（如图5）。

受益于后台数据的详细记录和强大的数据分析支持，我们会考虑细分客户的生命周期进行预测。数据显示新客户在第二个月的来电系数在整个生命周期中达到顶峰，然后稳步下降至T+6月后开始趋于平缓（如图6）：

所以我们在预测时也会将客户的生命周期按T+1…T+7+进行拆分。通过以上方法，目前我们的“BDF模型”月度的预测差异率基本控制在±4%以内（如图7）。

但这还不够，笔者所在的呼叫中心正致力于将客户划分为“变化”和“不变”两种。所谓“变化”，就是新客户；反之，“不变”则为老客户。我们假设新老客户的来电需求是一个恒定的业务类别，并加以数据论证，再将每类客户进行属性拆分，如年龄、学历、持卡周期、发卡渠道、账单形式、客户价值等，进行相关因子验证筛选，并进行局部多元回归，最终结合市场活动、短信、发卡、渠道分流等强相关因子进行调整。将业务进行拆分需要注意的是不能拆得太细，有时候分解得很细又恰巧大都同向偏差，这时还不如揉在一起匡算一个总数，这也是为什么有时候有经验的人掐指一算报个预测数字反而比预测人员用各种模型预测更准的原因。举个不太恰当的例子，每年各部门按项目、科目报预算的时候最后汇总发现数字比年实际大很多，那往往是因为每个细项大家都留了冗余，结果总额冗余很多。而实际上一定是有些项目多有些项目少，对于汇总后的总额来说这种偏差可想而知。

除了以上几点，我们也不要忘了预测完成后的数据追踪及时调整话务预测用以实时调控人力。笔者认为还有非常重要的一点，就是建立计划外事件管理机制。出于对特殊事件产生影响的考虑，因为事件因素经常是单独的，所以可能是一个参照历史数据的绝对数值。稍微复杂一些，也只是变成一个简单的“反应率”，一个常数为0的线性回归。所以预测的难点不在于预测稳定的趋势，而在如何管理计划外事件，保持数据畅通及时，获取信息后反应迅速，总结归纳经验，用于后续话务预测。

在移动互联网时代，移动APP、微信、网络等新渠道承担了越来越多与客户接触的角色，为更好地了解这些渠道的客户行为习惯，在这些渠道完成基础的业务功能的同时会记录客户的访问轨迹，这就为分析客户行为奠定了坚实的基础。服务智能化之后对客户行为的分析也在智能化发展，借助这些分析数据，业务预测才能跟上业务发展步伐，预测模型才能不断得到优化。

目前我们的预测包含T+12月、T+3月、T+1月、日预测、时段预测和话务调整。T+12月是为了年初的全年人力、成本规划，定的是大方向。T+3月是为了提前做好人员招聘，因为一个员工从入职培训到上线成为一个成熟员工基本需要3个月左右的时间，只有精准的T+3预测才能及时补充人力不足，所以在精准度上会比T+12月的要求更高。T+1月是为了决策次月实际人力如何排布，可想而知，其精准度会比T+3月的要求再进一步。日预测和时段预测则是为了排班能精准地将每个人安排到不同的日期赋予不同的班次，这是最难的，也是最重要的。目前预测的颗粒度是15分钟，想要精准预测每时段的话务，其关键因子是短信，其次是交易监控。不仅仅是预测，排班在收到不同时段的话务预测后需综合考虑员工时段产能、员工特性、员工技能、员工需求、班车情况、带教情况、新人入组时间、连休天数和班次与班次之间的衔接等因素，进行智能化统筹排班，才能确保可以产出一个满足业务需求且员工满意的“答卷”。

二、“模”建好了，其次就是“人”。

精准的话务预测=精准的话务模型+资深的预测师。笔者认为每次的话务预测量一定是以数据为基础结合经验调整后的结果。数据是信息的载体，包括书、文字、语音、图像，而我们要重视的是数据记录，特别是中间数据。笔者所在的呼叫中心拥有庞大的数据支持团队，如短信分析岗位，会将各类生产类、营销类、服务类短信分时段分T—T+3天进行话务影响预测；如云质监，可以将客户的来电沟通内容转化为文本，通过各类组合模型进行客户来电原因分析；如发卡监控：每天以日报的形式展现T-1天实际发卡数据等。作为一名资深的预测师，必须具备“DSK模型”的所有特质：通过分析数据为问题提供答案的意识；从数据中发现创新机会的独特想法，培养用数据说话的理念，减少拍脑袋；从数据中提取价值，用数据催生创新思想的专业技能；熟练掌握工具等（如图8）。

有了“技术”我们还要有“方法”。预测工作的PDCA黄金分割法显示100%精准=5%数据收集+10%数据处理+25%模型预测+15%手工调整+5%差错检查+40%分析优化（如图9）。

数据收集是指协调各部门/团队提供各类话务模型预测所需数据。数据处理是指将原数据进行整合和修正，运用之前提到的数据运用法，使其成为话务模型可用数据。模型预测是指将处理后的话务数据导入模型，通过各类数学公式进行模型预测。手工预测是指将话务模型所输出的话务量通过历史经验值进行修正，使其符合客观话务走势。差错检查是指检查每月通过话务模型及人工调整后的话务预测量是否存在话务参数变化及人为判断失误。分析优化是指通过对特殊事件、专题、日常话务的分析来优化话务模型，从而达到一周一更新、一月一优化。如此，才能成为一位资深的预测师。

在笔者所在的呼叫中心预测不仅要和数据打交道，还需要结合人力，统计不同服务水平、放弃率、人力缺口之间的相关性，最终判断重复来电的影响。这样就衍生出一个“是先有预测还是先有人力”的问题，我相信绝大多数人的观点会和笔者一样：当然是先有预测。那如何在没有人力缺口依据的情况下精准预测就成了我们需要研究的课题。我们的呼叫中心当预测在合理的偏差范围内时会通过排班和现场管理做日常调控，而当偏差较大或有突发事件时现场管理就会提高智能语音的利用比例，动态增加自助完成业务查询的业务需求；另一方面，现场管理也会通过遵时度模型、人力拟合模型等智能工具精准识别座席异常行为并通过主管协调管理来确保生产人力产能可控。所以现场管理如同“园丁”，对于规划的偏差、产品的缺陷要进行有效修正，从而拉近计划到现实的距离（如图10）。

由此可见，呼叫中心预测、排班、现场管理3个条线是一个闭环式的工作链（如图11）。

需要各个环节的相辅相成，正所谓“单丝不成线，独木不成林”，应该就是这个道理。未来的呼叫中心发展方向也会慢慢向品牌和营利迁徙，以智能为载体，一方面，识别高价值的客户，以提供精准的营销服务；另一方面，将投诉客户分配给高阶投诉技能座席，给到客户定制化的服务（如图12）。

在此笔者大胆预测，在未来，呼叫中心就是客户的体验中心，所以极有可能成为整个信用卡中心的决策引擎（最了解客户需求，直接接触客户） 。

在笔者看来，预测不仅仅是一个数字，还体现了整个呼叫中心的管理策略，因为从预测结果可以看出下个月的市场活动营销力度、自助渠道分流措施等方面的信息，并且一个呼叫中心的话务量还可以体现这个公司整体流程的完善性及其渠道的便利性。笔者坚信：“如果客户可以选择不打电话，肯定不会来找我们，一定是我们哪里做的不好。”所以如果你看透了这点，就可以从话务预测入手，以客户体验为目的，不断建设及完善各自助渠道，充分体现服务的“灵活性”和“便捷性”。未来我们也将综合考虑收入水平、生活和购买习惯、分地区气候、工作种类、内部营销、他行持卡情况、家庭组成、持卡人关系等多维参数进行预测，继续探索这复杂而又神秘的预测领域，让呼叫中心的资源管理灵活、高效、可控！

本文刊载于《客户世界》2017年5月刊；本文作者吴超，作者单位为交通银行信用卡中心。

转载请注明来源：与时俱进，智能客服多维度预测法则

本文链接地址：http://www.ccmw.net/article/111185.html