話務預測是客服中心現場運營管理中的第一個環節，也是最重要的一個環節。只有精準的話務預測才可以進行準確的人力排布，提高人工座席利用率，進而提高服務水平并降低人力成本。精準的話務預測也可以提前對未來運營做出預警，為提高服務水平奠定基礎。話務預測不僅對時段、日、月這種較小時間維度內的人力排布起決定性作用，而且可以對年度運營起到較大的指導作用。例如客服中心年度人員需求、何時需要進行人員招聘等客服中心運營管理中的各個環節。
光大銀行客戶滿意中心已走過十五個年頭，最初業務類型單一、規模小、來電較為穩定，預測基本采用的是平均值預測法及移動平均預測法行預測。隨著光大銀行業務增加、客戶群體擴張、客戶黏度增加，來電逐年增長。影響話務的因素也隨之增加，為預測帶來不小的挑戰。例如目前光大銀行信用卡就有10個以上的客戶群按照不同的還款周期帶來相似規律的話務量，如果再使用平均值的預測方法進行預測，很難再做到預測的精準。我們現在SAS系統中使用ARIMA時間序列預測模型進行預測。附圖為信用卡兩個不同的還款周期的來話量圖示。
一、不同話務預測方法適用不同階段的呼叫中心
話務預測屬時間序列預測范疇，預測方法從簡至難，多種多樣，但是需要根據客服中心的主要業務、規模、話務來電規律及需達到的服務水平目標進行合理選擇。否則，你即使選擇最復雜的預測方法，但如果不適合自己的預測環境，那只能給你帶來較多的麻煩，而結果相差無幾。下面是幾種常見的預測方法：
1、平均值預測法
平均值預測法廣泛應用在業務單一、話務較穩定的客服中心。
具體公式為：預測值=所有歷史數據的平均值。
2、移動平均預測法
移動平均預測法僅對與預測時間內數據相關性最大的N個歷史數據求平均值。
具體公式為：預測值=N個相關性較大的歷史數據的平均值。
3、指數平滑預測法
指數平滑預測方法是對移動平均法的改進，是將不同大小權重賦予與目前時間段相關的N個歷史數據。
具體公式為：預測值=n1(歷史數據1)+n2(歷史數據2)+…+(1-nn)( 歷史數據n) 。
4、ARIMA模型
ARIMA是自動回歸積分滑動平均模型，它主要使用在有長期趨勢與季節性波動的時間序列的分析預測中。ARIMA的思路很簡單，首先用差分去掉季節性波動，然后去掉長期趨勢，然后平滑序列，最后用一個線性函數+白噪聲的形式來擬合序列。
二、呼入電話預測方法及程序
光大銀行目前的話務預測利用ARIMA預測模型進行預測。業務類型主要分為信用卡及綜合業務兩類。兩種業務有不同的客戶群、不同的話務來電規律，需要構建不同的預測模型。
下面主要對構建預測模型進行詳細介紹。
(一)歷史數據的收集及整理
歷史數據的處理是預測前最重要的一步，如果數據不處理干凈，將直接影響預測的精準度。對于客服中心的話務情況而言，對原始話務來電量產生影響的情況主要歸納總結了以下幾點：
1、系統故障。如果某一天發生系統故障，需要按照發生故障的時間維度剔除當日發生系統故障的話務量，還原為原始呼入量。
2、由于某種敏感短信或輿情造成客戶的集中致電。
3、如果某一天發送了某種敏感短信或者發生輿情，導致客戶集中來電的情況，需要按照所影響時間維度剔除相應的話務量，還原為原始呼入量。
4、人力不足，接通率較低的情況。
如果不是由于以上情況，而是由于人力不足造成接通率較低，導致重復來電較多，當日呼入量數據不是原始客戶需求的真實呼入量。我們需要按照當日重復來電的水平，將呼入量還原為原始呼入量。
(二)模型的初步建立
不同的業務有不同的影響因素，需要我們挖掘歷史數據去發現較重要的影響因素。例如信用卡業務主要涉及還款日、賬單短信提醒日、延期還款期等影響因素。綜合類業務主要涉及貸款還款日、貸款還款短信提醒日等影響因素。找到影響呼入量的影響因素后，需要將不同的權重賦予不同的客戶群。例如圖1中兩個不同還款周期的客戶群，我們需要在20日和22日分別標注還款日，并將較大的權重賦予22日還款日的那部分客戶。
至此模型已初步構建完成，但是隨著業務、路由調整及客戶量等的不斷變化，需要不斷調整、完善我們的預測模型。預測模型是人工構建的，必有我們考慮不到的因素，所以模型不是完美的，需要我們根據經驗對模型值進行手工調整，經驗則需要預測師在不斷的學習中、工作中進行總結。
(三)模型之外的預測點
有很多時間段內的預測是無法利用模型進行預測的，需要我們根據歷史數據、經驗去手工進行預測。例如春節期間、黃金周及小長假等的預測。
(四)預測成果
2013年度光大客服中心人工呼入量預測偏差率為1.08%，月度平均預測偏差保持在正負2%以內，日預測偏差基本在正負3%以內。精準的預測為我們的節約了人力，降低了人員成本。
三、探索多媒體話務量預測
光大客服中心相繼推出了文字客服、視頻客服等一系列多媒體類客服服務。如何做好多媒體話務預測，是我們正在不斷探索的另一方向。在原有人工電話客服呼入量預測的經驗中我們也可以得到很多啟發，但是不能照貓畫虎拿來直接使用，需要根據多媒體客服的特點及重點業務來重新構建新的預測模型。
京公網安備 11010502049343號