基于运筹算法的排班策略量化分析
摘 要：客服排班旨在在人力资源有限的情况下，通过科学安排座席的工作时间，以最大化匹配座席资源和人力需求，从而提升服务水平。中国作为全球最大的客服业务市场，面临着复杂多变的业务需求，客服管理者因此设计出了多样化的排班策略。尽管管理者基于经验对排班策略的效果有一定的判断，但缺乏对策略效果精确量化的科学分析。客服排班问题的复杂性、庞大的工作量以及专业工具的不足，导致业界对排班策略效果的量化研究相对匮乏。近年来，运筹优化算法在排班系统中的应用显著提高了排班工作的效率和效果。本研究采用国内先进的运筹学排班算法，对短班次、两头班、小组排班、弹性做休等常见排班策略进行了量化效果分析。本文旨在为管理者提供这些策略效果的定量理解，帮助他们更准确地把握策略适用性，根据各自客服中心的具体情况，制定更为精准和有效的排班策略。
关键词：客户服务；员工排班；排班策略；小组排班；短班次；两头班
Quantitative Analysis of Staff Scheduling Policies Based on Operations Research Algorithms
Zhaoyan QIU1，Daqin WANG1,2
（1School of Management, Donghua University; 2Shanghai Aiseeding Infotech Co., Ltd.）
Abstract: Customer service scheduling aims to maximize the matching of staff resources and labor demands, thereby enhancing the level of service, through the scientific arrangement of the working hours of agents under the condition of limited human resources. As the world’s largest market for customer service operations, China faces complex and variable business demands, leading customer service managers to design a variety of scheduling policies. While managers rely on experience to judge these strategies, there is a lack of precise scientific analysis quantifying their effectiveness. The complexity of customer service scheduling issues, the huge workload, and the lack of professional tools have led to a relative scarcity of quantitative research on the effects of scheduling strategies in the industry. In recent years, the application of operational research optimization algorithms in scheduling systems has significantly improved the efficiency and effectiveness of scheduling work. This study uses advanced operational research scheduling algorithms to conduct a quantitative analysis of the effects of common scheduling policies, such as short-time shifts, team scheduling, flexible rest days, and split shifts. The purpose of this paper is to provide managers with a quantitative understanding of the effects of these strategies, helping them to more accurately grasp the applicability of the policies and to adopt more accurate and effective scheduling policies according to the specific circumstances of their own customer service centers.
Key words: customer service; staff scheduling; scheduling policies; team scheduling; short-time shifts; split shifts
1引言
在现代商业竞争中，客服中心的运营效率和服务质量是衡量企业竞争力和客户满意度的关键指标。客服排班，作为确保这两大指标的核心环节，其复杂性和挑战性一直是客服管理领域的研究重点。排班师在制定班表时必须综合考虑员工的可用性、个人工作偏好、法定工作时间以及动态的服务需求，同时还需遵守公司规章制度和劳动法规。这些多重因素的叠加，使得排班工作不仅复杂且充满不确定性。
尽管客服排班的重要性广为人知，但目前业界对不同排班因素和策略如何具体影响班表质量的量化研究仍然不足。中国作为全球最大的客服业务市场，面对着极为复杂和多变的业务需求。客服管理者们设计出多种排班策略，旨在优化座席资源与客户需求之间的匹配。然而，由于缺乏专业工具，现有有关客服排班的文章对排班策略效果的量化研究相对较少，导致管理者难以基于经验之外的方法进行深入分析和优化。
本研究旨在填补这一研究空白。我们依托自主研发的排班算法，并结合在金融、互联网等行业中领军企业的实践应用经验，对几种常用的排班策略，如短班次、两头班、小组排班、弹性做休等，进行了深入的量化分析，直观地展示了各策略的实际效果。希望这一研究不仅能为客服管理人员提供了有力的决策支持，也能为客服排班领域的学术研究提供了新的视角和方法论。
2 数据准备
2.1话务量说明
本文选取了某企业2022年6月的语音客服的实际话务量进行排班（所有数据已进行脱敏处理）。该客服中心为24小时运营。话务数据的颗粒度是30分钟，因此后续排班颗粒度也是30分钟。由于话务量数据较多，本文仅展示6月日级别的话务量以及平均各时段话务量占比作为参考。
表1 2022年6月话务量
| 日期 | 话务量 | 日期 | 话务量 | 日期 | 话务量 |
| 2022/06/01 | 4516 | 2022/06/11 | 4921 | 2022/06/21 | 3940 |
| 2022/06/02 | 4616 | 2022/06/12 | 5401 | 2022/06/22 | 4691 |
| 2022/06/03 | 4557 | 2022/06/13 | 4679 | 2022/06/23 | 5069 |
| 2022/06/04 | 4926 | 2022/06/14 | 4071 | 2022/06/24 | 5284 |
| 2022/06/05 | 4932 | 2022/06/15 | 4836 | 2022/06/25 | 3858 |
| 2022/06/06 | 4444 | 2022/06/16 | 4524 | 2022/06/26 | 3396 |
| 2022/06/07 | 3991 | 2022/06/17 | 4559 | 2022/06/27 | 3772 |
| 2022/06/08 | 4736 | 2022/06/18 | 4369 | 2022/06/28 | 4155 |
| 2022/06/09 | 4599 | 2022/06/19 | 4765 | 2022/06/29 | 4148 |
| 2022/06/10 | 4798 | 2022/06/20 | 4229 | 2022/06/30 | 4278 |
表2各时段平均话务量比例
| 时段 | 占比 | 时段 | 占比 | 时段 | 占比 |
| 00:00 | 0.344% | 08:00 | 1.990% | 16:00 | 3.764% |
| 00:30 | 0.237% | 08:30 | 2.859% | 16:30 | 3.717% |
| 01:00 | 0.153% | 09:00 | 3.870% | 17:00 | 3.673% |
| 01:30 | 0.104% | 09:30 | 4.241% | 17:30 | 3.349% |
| 02:00 | 0.080% | 10:00 | 4.428% | 18:00 | 3.407% |
| 02:30 | 0.048% | 10:30 | 4.770% | 18:30 | 3.184% |
| 03:00 | 0.033% | 11:00 | 4.414% | 19:00 | 2.906% |
| 03:30 | 0.033% | 11:30 | 4.018% | 19:30 | 2.643% |
| 04:00 | 0.032% | 12:00 | 3.727% | 20:00 | 2.355% |
| 04:30 | 0.030% | 12:30 | 3.601% | 20:30 | 2.078% |
| 05:00 | 0.050% | 13:00 | 3.502% | 21:00 | 1.803% |
| 05:30 | 0.076% | 13:30 | 3.441% | 21:30 | 1.406% |
| 06:00 | 0.120% | 14:00 | 3.572% | 22:00 | 1.125% |
| 06:30 | 0.221% | 14:30 | 3.761% | 22:30 | 0.945% |
| 07:00 | 0.404% | 15:00 | 3.805% | 23:00 | 0.669% |
| 07:30 | 0.826% | 15:30 | 3.718% | 23:30 | 0.469% |
2.2人员
实验准备了75位话务员，所有人均拥有“语音”业务技能。
2.3人力需求量测算
排班前，需要将时段级别的话务量转化成时段级别的人力需求。由于是语音客服业务线，因此本文使用客服中心常用的Erlang C算法来进行人力测算。具体参数设置如下表所示：
表3 Erlang C算法参数设置表
| 平均通话时长（秒） | 120 |
| 平均后处理时长（秒） | 30 |
| 人员效率（%） | 80 |
| 缺勤率（%） | 5 |
| 目标服务水平 | 20秒接通90% |
| 放弃率（%） | 2 |
2.4班次
该语音客服提供24小时服务，所以工作起止时间设定为0点到24点。本文设置了早班、中班、晚班、通宵班7个班次。具体的班次时间如下表所示：
表4 基准班次设置表
| 班次名称 | 班次时间 | 就餐时间 | 班次总时长(小时) | 工作时长（小时） |
| 语音早班1 | 07:30-17:30 | 10:00-11:00 | 10 | 9 |
| 语音早班2 | 07:30-17:30 | 11:00-12:00 | 10 | 9 |
| 语音早班3 | 07:30-17:30 | 12:00-13:00 | 10 | 9 |
| 语音中班1 | 11:00-21:00 | 16:00-17:00 | 10 | 9 |
| 语音中班2 | 11:00-21:00 | 17:00-18:00 | 10 | 9 |
| 语音晚班 | 17:30-23:00 | 无 | 5.5 | 5.5 |
| 语音通宵班 | 23:00-07:30 | 无 | 8.5 | 8.5 |
2.5排班规则
排班周期设定为按月排班。具体排班规则如下表所示：
表5 排班规则表
| 连续上班天数 | 4-6天 |
| 连续休息天数 | 1-2天 |
| 月度平均上班天数（天） | 22天（实验月份是30天，对应8天休息） |
| 月度人均有效工时（小时） | 168~184小时 |
| 班次衔接 | 通宵班后只接休息 |
| 班次规则 | 两次通宵班间隔7天 |
| 通宵班每人每月班次数量差异尽量小于等于2次 | |
| 通宵班每天安排4人 |
2.6 评价指标
2.6.1 基于人力拟合图的观察
人力拟合图（如下）展示了每个时段的需求人力和实际安排人力，用来直观观察班表的拟合情况，识别存在的问题。蓝色线条为经过人力需求测算后生成的需求人力；红色柱子为算法排班后的安排人力。蓝色线条和红色柱子的重合度越高，表示安排人力越符合业务需求，业务拟合度越高，班表的质量也就越好。
图1业务拟合图
2.6.2 工时利用率和服务水平指标
为了更客观地评价班表的整体拟合情况，我们还引入了工时利用率和服务水平两个指标。
工时利用率是指所有人员就班工时中有效的比例，即每个时段中实际安排人力小于等于需求人力的那部分的总体比例。其中，Xi表示第i时间段安排的人力；Yi表示第i时间段需求的人力；Zi表示第i时间段的无效人力。
服务水平是用来评估在给定人数的情况下服务满足率。当给定人数达到或者超过需求人数时，则服务水平达到100%，超出部分也只计100%。其中，Xi表示第i时间段安排的人力；Yi表示第i时间段需求的人力；Wi表示第i时间段的欠缺人力。
2.7 基准班表
基准班表是指在上述参数和规则下，利用排班算法得出的班表。本文是用来做为与其他策略班表的对比基石。该班表的实际结果在附录中，拟合情况见图1，指标情况见下表6。
表6 基准班表指标清单
| 人数（人） | 75 |
| 工时利用率（%） | 79.5 |
| 平均服务水平（%） | 93.5 |
| 月度平均上班天数（天） | 22 |
| 月度人均有效工时（小时） | 181.6 |
通过观察业务拟合图，我们可以发现此班表的一些不足，如下午部分时段人力冗余较多。因此在下一章，我们将利用短班次来解决这一问题。
3 短班次的分析
在第2章基准排班的业务拟合图中可以发现，下午的时段会出现一些人力冗余。这个是很多客服中心经常会出现的情况，因为下午的话务量高峰要比上午的低一些，而中午又有一批座席来上中班，因此导致下午人力叠加，产生冗余。业内常见的一种做法是通过增加短班次，来尝试解决部分时段人力冗余问题。本章将分析表7中所列的几个短班次的效果。
表7 短班次清单
| 班次名称 | 班次时间 | 就餐时间 | 班次总时长(小时) | 工作时长（小时） |
| 短班次a | 09:00-13:00 | 无 | 4 | 4 |
| 短班次b | 09:00-13:30 | 无 | 4.5 | 4.5 |
| 短班次c | 08:30-12:30 | 无 | 4 | 4 |
| 短班次d | 08:30-13:00 | 无 | 4.5 | 4.5 |
我们首先逐一分析了4个短班次的效果。同时又设计了一个拼盘策略，把多个短班次都加入到了短班次库中，让算法自主选择短班次。在表8中分别展示了这5种策略的班表质量和短班次的应用数量。
表8 短班次的策略对比（75人）
| 策略
指标 |
基准班表 | 短班次a | 短班次b | 短班次c | 短班次d | 短班次a~d |
| 工时利用率（%） | 79.5 | 85.3 | 84.9 | 82.6 | 83.9 | 85.8 |
| 平均服务水平（%） | 93.5 | 94.4 | 94.6 | 94.2 | 92.9 | 94.5 |
| 月度人均有效工时（小时） | 181.6 | 170.9 | 171.9 | 175.8 | 170.9 | 170.1 |
| 月度人均短班次次数（次） | 0 | 2.04 | 2.07 | 1.20 | 2.43 | 2.36* |
*短班次a+b+c+d的策略下，各个班次的月度使用总次数是36、39、5、97。
可以发现，短班次a和短班次b的效果较好，其中短班b的月度人均有效工时比短班a多1个小时，因此带来了更高的平均服务水平。另外，我们也发现第五个拼盘策略的效果最为明显，这是因为算法能够在不同的情况下选择不同的短班次，从而能够在较少的总工时的情况下，达到最好的工时利用率和服务水平。
为了更直观地显示短班次对班表的影响，我们在图2中展示了短班次a的人力拟合图。可以观察到，下午时段的人力冗余得到明显的减少，排班供给和人力需求吻合度较高。
图2 短班次a的业务拟合图
通过上述分析我们还发现，引入短班次后，人员工时利用率得到了提升，因此要维持相同甚至达到更高的服务水平，只需要更少的月度人均有效工时即可。这也意味着，客服中心可以减少座席人数来维持相同的服务水平，从而降低人员成本。我们通过减少2个人，即以73名客服人员参与排班，来重复表8中的实验，结果请见表9。
表9 短班次的策略对比（73人）
| 指标 策略 | 基准
班表 |
短班次a | 短班次b | 短班次c | 短班次d | 短班次a~d |
| 工时利用率（%） | 81.1 | 87.2 | 86.8 | 85.0 | 83.1 | 87.7 |
| 平均服务水平（%） | 93.6 | 93.9 | 93.7 | 92.8 | 89.9 | 93.9 |
| 月度人均有效工时（小时） | 183.1 | 170.7 | 171.6 | 173.0 | 171.6 | 170.1 |
| 月度人均短班次次数（次） | 0 | 2.16 | 2.23 | 1.82 | 3.14 | 2.51 |
从表9中可以看到，减少了2人后，班表的服务水平都略有下降，但算法通过使用更多的短班次，提升了工时利用率。其中短班a、短班b、短班拼盘策略的服务水平还是高于原来的基准班表，证明了使用短班次来减少人数的可行性。
4 两头班的分析
为了解决早晚缺人，下午冗余的情况，很多客服中心也会采用天地班（两头班）的方法。本章节针对我们的样例问题，新增了5个两头班，来分析其效果。
表10 两头班的班次清单
| 班次名称 | 班次时间 | 休息时间 | 班次总时长(小时) | 工作时长（小时） | 约束 |
| 两头班a | 08:30-13:00
16:00-18:00 |
13:00-16:00 | 9.5 | 6.5 | 每人每月不超过4次 |
| 两头班b | 09:00-13:00
16:00-18:00 |
13:00-16:00 | 9 | 6 | |
| 两头班c | 08:30-13:00
18:00-21:00 |
13:00-18:00 | 12.5 | 7.5 | |
| 两头班d | 09:00-13:00
18:00-21:00 |
13:00-18:00 | 12 | 7 | |
| 两头班e | 09:30-13:00
18:00-21:00 |
13:00-18:00 | 11.5 | 6.5 |
类似于短班次的分析方法，我们分别将5个两头班放入算法进行计算。最后也设计了一个两头班拼盘，将5个两头班次都放入算法，由算法来进行选择。结果如表11：
表11 两头班的指标清单
| 指标 策略 | 基准班表 | 两头班e | 两头班d | 两头班c | 两头班b | 两头班a | 两头班a-e |
| 工时利用率（%） | 79.5 | 81.6 | 81.5 | 81.2 | 86.5 | 87.4 | 87.4 |
| 平均服务水平（%） | 93.5 | 93.9 | 94.1 | 94.2 | 95.3 | 95.4 | 95.5 |
| 人均有效工时 | 181.6 | 177.6 | 178.4 | 179.1 | 169.9 | 168.4 | 168.5 |
| 人均两头班次数 | 0 | 1.01 | 0.85 | 0.83 | 3.21 | 3.89 | 3.93* |
*其中两头班a~e的使用次数分别是：57、35、152、19、32。
从表中可以看到，两头班的效果十分明显，其中两头班a的效果最好。相比基准班表，两头班a能以最少得总工时和最高的工时利用率来达到最好的服务水平。而在两头班的拼盘策略中，算法还能进一步提升人员利用率和服务水平。为了更直观地显示两头班对班表的影响，在此展示两头班a的业务拟合图，从中可见两头班a能明显减少下午时段的人力冗余。
图3 两头班a的业务拟合图
我们还将结果较好的短班次和两头班进行对比，进一步展现两头班的效果。
表12 短班-两头班对比表
| 指标 策略 | 基准班表 | 两头班a | 短班次a |
| 工时利用率（%） | 79.5 | 87.4 | 87.2 |
| 平均服务水平（%） | 93.5 | 95.4 | 93.9 |
| 月度人均有效工时（小时） | 181.6 | 168.4 | 170.7 |
| 月度实际上班总工时 | 197.6 | 191.2 | 184.7 |
从表12的结果中可见，相比短班次a，两头班a的人均有效工时较少且利用率较高，因此服务水平也较高。但实操中，客服中心还是会尽量避免使用两头班，因为其实际上班总工时较长，员工的舒适度较差。当然企业也可以根据自身话务情况，同时使用短班次和两头班，在兼顾员工感受的同时，提高整体服务水平。
5 小组排班与个人排班的对比
很多客服中心会使用小组排班的方式，目的是让一个组内的员工可以有很多时间在一起，方便企业进行管理和培训，也增强了员工的凝聚力，减少流失率。客服中心的管理者也清楚，小组排班是一种颗粒度较粗的排班方式。相比较个人颗粒度的排班，会有一定的损失，但具体人效损失有多少却难以知晓。本章的目的就是给出小组排班和个人排班的量化对比。
我们设计了两种场景，即5人一组和10人一组。每种场景下，我们分析了3种小组排班策略。其中，策略1只允许小组人员上相同的班次且同步休息。策略2允许小组人员上相同的班系且同步休息。策略3允许小组人员上不同的班次，但休息必须同步。3种小组策略逐步放松了小组内做休同步的要求。
由于有通宵班的存在，会导致部分小组排班约束被打破。因此为了避免通宵班的影响，我们假设所有策略都安排固定6人上通宵班。这样实际只需对69人进行小组排班即可，不足5人一组或者10人一组的，则按实际人数安排即可。另外，在表4班次库的基础上，我们也加入了第3章的短班次a。
表13 每组5人下的小组排班指标清单
| 指标 策略 | 小组策略1
同组同班次 |
小组策略2
同组同班系 |
小组策略3
同组同休 |
个人排班* |
| 每组5人 | ||||
| 工时利用率（%） | 83.7 | 85.1 | 85.2 | 85.3 |
| 平均服务水平（%） | 93.8 | 94.2 | 94.2 | 94.4 |
| 月度人均有效工时（小时） | 173.0 | 170.9 | 170.8 | 170.9 |
| 月度人均短班次次数（次） | 1.49 | 1.83 | 1.83 | 2.04 |
| 每组10人 | ||||
| 工时利用率（%） | 80.4 | 81.3 | 84.9 | 85.3 |
| 平均服务水平（%） | 92.9 | 93.2 | 94.2 | 94.4 |
| 月度人均有效工时（小时） | 178.2 | 176.9 | 171.1 | 170.9 |
| 月度人均短班次次数（次） | 0.61 | 0.88 | 1.76 | 2.04 |
*个人排班，即基准排班+短班次a。
在表13中，从小组策略1到小组策略3，最后到个人排班策略，意味着小组的限制越来越松。我们可以观察到，随着小组排班限制的减弱，工时利用率和服务水平都呈上升趋势，人均有效工时也呈下降趋势。例如，小组排班策略1的人均有效工时最多，但由于利用率不高，因此服务水平反而是最低的。由此可见，小组排班对于人力的损耗是非常明显的。
进一步对比每组5人和每组10人这两个场景的结果可以发现，随着小组规模的扩大，小组排班对于人力的损耗也更大。同样在策略1中，每组10人场景下人均工时为178.2小时，要比每组5人多出5小时每个月。然而其服务水平反而下降了近1%。
为了解决小组排班对于人力损耗的问题，但同时又兼顾小组团队的管理，有一些客服中心采用了策略2，并减少了小组的规模，从表13中也可以发现每组5人的策略2相比个人排班已经非常接近了。有的客服中心无法减少小组规模，但他们允许小组在一个月内有一半的时间可以不严格同步做休，这样几乎实现了个人排班的效果。我们会在后续的专题研究中再详细剖析这类策略。
6 弹性做休策略的分析
弹性做休策略也是客服中心常用的策略之一。有两种常见策略，一是允许灵活的连续上班和休息天数，而不是固定的做五休二。本文的基准班表中，就采用了这一策略。二是灵活的月度上班天数，即不强求每位座席在一个月内的上班天数是相同的。这个策略本质上是安排部分座席在较忙的月份中多上1-2天班来覆盖话务高峰，然后在话务低谷的月份中再进行补休。从多个月份整体来看，座席的总上班天数是公平的。但具体到某一个月，员工之间可能会有些许的差异，从而来应对不同月份话务量的高低。本章仍然采用了短班次a，目的就是分析这两类策略的效果。
首先我们在表14中对比了灵活的连续上班和休息天数策略（简称：灵活连上连休策略）和固定连上连休策略。我们发现在灵活策略下，虽然人均有效工时数量更高，但算法通过合理的排班，使得整体工时利用率也更高，因此也获得了更好的服务水平。由此可见，在总员工数不变的情况下，我们可以通过灵活的连上连休天数，来更好的匹配话务需求。
表14 灵活连上连休策略的对比
| 策略 | 灵活连上连休* | 固定连上连休 |
| 排班规则 | 上班4-6天 | 上班5天 |
| 休息1-2天 | 休息2天 | |
| 168-184工时 | 168-184工时 | |
| 工时利用率（%） | 85.3 | 85.2 |
| 平均服务水平（%） | 94.4 | 93.9 |
| 月度人均有效工时（小时） | 170.9 | 170.1 |
| 月度人均短班次次数（次） | 2.04 | 1.51 |
*灵活连上连休排班，即基准排班+短班次a。
接着我们分析了每月灵活上班天数的效果。在基准班表及以上实验中，我们严格规定了所有座席每月上班天数固定为22天。在本章的实验中，我们将每月上班天数设为21-23天，观察灵活上班天数对班表质量的影响。由于个人当月总天数有一定的差异，为了避免月总工时数差异过大，月总工时限制为168-184小时，即平均每天8小时有效工作时长。
表15 灵活上班天数策略的效果对比
| 策略 | 固定上班天数* | 灵活班表A | 灵活班表B |
| 排班规则 | 上班22天 | 上班21-23天 | 上班21-23天 |
| 休息8天 | 休息7-9天 | 休息7-9天 | |
| 168-184小时 | 168-184小时 | 168-173小时 | |
| 工时利用率（%） | 85.3 | 82.8 | 85.8 |
| 平均服务水平（%） | 94.4 | 95.4 | 95.2 |
| 月度平均上班天数（天） | 22 | 23 | 23 |
| 月度人均有效工时（小时） | 170.9 | 177.8 | 171.2 |
| 月度人均短班次次数（次） | 2.04 | 2.07 | 3.09 |
*固定上班天数排班，即基准排班+短班次a。
在表15中，对比固定上班天数班表和灵活班表A，我们发现采用了灵活上班天数的班表的确可以提升平均服务水平。然而，我们也观察到人均月度有效工时增加了7小时，并且工时利用率下降了，说明服务水平的提高，是算法通过增加工时来达到的。虽然服务水平高达95.4%，但效率却不高，这个和我们的初衷是违背的。因此我们又增加了灵活实验B，在其中降低了最大月度工时数为173小时。对比灵活班表B和基准班表，可以发现人均月有效工时只增加了0.3小时，而工时利用率和服务水平都有提升。而且我们观察到短班次数量增加了1次，说明算法通过灵活的天数安排和班次的选择，进一步提升了班表的质量，验证了灵活上班天数策略的有效性。当然实验A和实验B的结果，也提醒我们在使用灵活上班天数策略的同时，也需要考虑工时范围的限制。
弹性做休策略的好处是，当邻近月份的话务量不平稳时，可以进行工时的相互调剂。在话务高峰月，让员工多上1-2天班，而在话务低谷月再补休回来。这样客服中心不用付出额外的成本，就可以在高峰和低谷月份都实现较好的服务水平，减少工时浪费。
7. 结论
本文主要利用运筹学排班算法，对一些常见排班策略的效果进行了量化比较分析，其中包括了对短班次、小组排班、弹性做休、两头班四类策略。我们将分析的结果总结如下：
（1）短班次和两头班都能够有效减少人力冗余，提高了员工的工时利用率。因此使得客服中心可以使用更少的座席人数来实现相同的服务水平。
（2）严格做休同步的小组排班会明显损耗人力。管理者可以通过减少小组规模，减弱做休同步的要求（如同班系做休而不是同班次做休）来减少人力损耗，取得逼近个人排班模式的效果。
（3）弹性做休模式可以在多个月份之间灵活调配工时，从而在人力不变的情况下，有效提升高峰月和低谷月的人力和话务需求的匹配度。
本文为我们关于排班策略研究的开端。事实上，目前的人员排班问题只是整个客服中心资源调度问题的一个环节。由于市场活动、天气、突发事件等各种因素，客服中心常常会遇到突发话务高峰。这种高峰在话务预测和人员排班时往往是难以预见的，因此需要进行实时的人员调度。我们需要及时召回正在参加培训或休息的员工，并调度多技能的员工处理不同的任务。此外，还需要对未来4-8小时的话务量进行重新预测。如果预测显示话务量明显高于预期，还需要调度备班员工上岗。由于话务高峰的突发性，现场管理人员需要快速决策和判断，而智能算法在这一过程中可以发挥重要作用，帮助管理人员迅速制定更合理的决策。这其中涉及一系列复杂的调度问题。
另外，随着智能体技术的出现，许多客服中心在话务高峰时使用智能体来处理客户的常见问题，减少流入人工客服的业务量。例如，在航班延误和取消的高峰时期，航司客服中心可以使用智能体来应对客户的询问、改签和退票需求。信用卡中心的客服在刷卡故障或市场活动页面宕机等事件发生时，也可以使用智能体处理客户集中投诉。然而，智能体的可用资源也是有限的，在多种事件并发出现时，需要合理调配智能体资源。智能体调配还需要考虑后端人工客服的可用技能情况。如果当前在岗人员中缺乏某类技能，就需要安排更多的智能体处理这类业务。人机结合下的排班新模式是管理者需要接纳和推广的数字化管理方式。
本文是对于智能排班量化分析的初步探索，后续计划对各类专题进行更深度的分析。我们希望这一系列的研究能够为客服中心的排班管理和资源调度提供新的思路和解决方案。
《客户世界》创办于2003年1月，是中国客户服务与数字运营行业的旗帜媒体。本文刊载于2024年玄武辑（总第236期），作者邱照岩，东华大学管理学院硕士研究生；汪达钦，东华大学管理学院副教授，上海策推信息技术有限公司CEO；联络编辑：edit@ccmw·net
转载请注明来源：基于运筹算法的排班策略量化分析
客户世界
这家伙很懒，什么都没写！
噢！评论已关闭。