客服中心智能排班系统设计方案说明
目录
一、工程概述 (3)
二、排班管理系统流程图 (4)
三、排班管理系统框架图 (5)
四、需求规格描述 (6)
4.1历史话务统计 (6)
4.2异动与规律 (8)
4.3话务与人员预测 (9)
4.4人员与班次 (11)
4.5自动排班 (11)
4.6绩效与报表 (12)
五、业务量与人员预测 (13)
5.1日常数据的收集和统计 (13)
5.2话务量清洗方法 (13)
5.3预测基本原理和方法 (15)
5.4业务量预测的最佳实践 (20)
5.5人员需求预测方法 (21)
六、自动排班介绍 (23)
6.1排班要求 (23)
6.2自动排班方案 (23)
6.3班组排班方案 (27)
6.4机动班方案 (29)
6.5遵时度方案 (30)
一、工程概述
排班管理系统工程概述：
1、收集并保留各种业务类型的历史业务量数据，包括人工及自动语音接听量、总放弃量、平均通话时间、话后处理时间等。
2、具备科学严谨的业务量预测方法和步骤。
3、不晚于每年度12月完成对下一年度的长期预测，所预测的业务量需要精确到月。
4、不晚于每月度25日完成对下一个月度的短期预测，所预测的业务量需要精确到每日的每个小时时段。
5、在历史数据预测的基础上，应根据价格变动、临时任务、宣传活动等因素，以周为单位对短期业务量预测进行实时调整，并留存相关文档。
6、具备对短期业务量预测准确性的分析和管理机制。
7、根据短期预测数据进行人员的合理排班，并不晚于每月度25日完成对下一月度的人员排班。
8、能够根据对每一时段的业务量预测和服务水平要求，合理安排人员数量与班次，实现人员数量与业务量的最佳匹配。
9、员工排班符合国家相关法律法规和公司的相关规定，符合呼叫中心的业务特点及满足人员利用效率最大化的需求。
二、排班管理系统流程图
排班管理系统主要流程图：
三、排班管理系统框架图
排班管理系统整体框架图：
四、需求规格描述
本章分功能模块描述排班管理系统需求规格说明。
4.1历史话务统计
图4.1：以半小时为间隔的一周每日来话量模型图（2004年X月X日）
图4.2：每月日均来话量模型图（2004年X月1日－31日）
图4.3：每周日均来话量模型图（2004年X月1日－31日）
图4.4：每月来话量模型图（2002年－2004年）
4.2异动与规律
4.3话务与人员预测
根据Erlang-C计算各时段人
员需求，以及对预测结果进行修
改和调整。
自动排班岗位的各班次人员班次人员需求预测
预测结果与调整。
图4.5：月份话务量预测准确性分析对比模型
图4.6：每日话务量预测准确性分析对比模型
图4.7：年度话务量预测准确性分析对比模型
4.4人员与班次
模
块
子功能
功能项
描述
人员管理
人员管理
人员信息管理
座席基本信息管理：增删改
查。
班组划分与管理
班组划分与班组组员及组长
的管理。
岗位管理
岗位信息管理
岗位基本信息的管理，岗位
排班设置管理。
岗位班次管理
各岗位对应班次的管理。
4.5自动排班
模
块
子功能
功能项
描述
自
动排班
自动排班 个性需求管理
个性排班需求添加与管理，
自定义个性化排班。
4.6绩效与报表
图4.9：每日时段报表
五、业务量与人员预测
5.1日常数据的收集和统计
1.相关数据包括：通话时长，话后处理时长，平均处理时长，呼叫量，接听量，
服务水平。
2.统计周期：时段、日、周、月、年。
5.2话务量清洗方法
1.清洗粒度：以半小时话务量为最小清洗粒度。
2.清洗模型：原始话务量去除月指数影响，去除周指数影响，得到某一个时段的
清洗参考基数后，再加回周指数和月指数的影响，得到清洗的数据范围，原始数据处于正常数据范围之外的为异常数据，即异动话务。
3.模型分解
(原始数据统计结果表：timespancall counthistory, datecallcounthistory, yearcallcounthistory, week_total, year_total )
(1)以年（自然年）为清洗单位，每一年计算一套清洗标准。则一年的数据总
量为：
1~12月每月总天数48个时段，按时段清洗。
(2)清洗X月份Y日（星期W）Z时段的话务数据（话务量为S）：
X月指数C m = X月话务总量/全年月份话务总量均值；
Y日周指数C w = X月星期W话务量均值/X月中星期一至日话务量均值的均值；
清洗步骤：
①去除月指数与周指数的影响，清洗参考值，
②对于1~12月，每月Y日的清洗参考值都计算出来：A1~A12，
③对A1~A12使用肖维勒准则（见附录）剔除异常的数据，
