在以上的歷史數據中，我們不難發現有幾處異常情況。第一處異常出現在本月的第一個周末，自本月的第一個周四起呼叫量就開始下降，周五下降的幅度更大，到了第一個周六（即 7 月 4 日――美國國慶日）甚至降為 0 ，第一個周日也沒有大幅的上升。對于這種異常情況，我們應當做些什么呢？

原因是美國國慶日造成了呼叫量大幅下降。因此，當我們預測下一個年度七月份呼叫量時，我們就需要將這一因素考慮進去。但是，鑒于每年的 7 月 4 日美國國慶活動是不盡相同的，故每年此日的呼叫量模型也會有所區別。如果碰到 7 月 4 日這一天恰巧在周一的話，我們可能會預測周二也會有呼叫量大幅下降的情況，而周四和周五就不會有那么大的影響了。這就是我們所說的預測需要點“藝術”了，也就是在進行預測的過程中，使用一些我們的直覺和主觀判斷。

另外一個異常情況發生在 7 月的第三個周三。我們不難發現，當日的呼叫量比其他周的周三少 30 ％。對于這種差異，可能有幾種解釋：一種可能是由于斷電， ACD 未能記錄下全部的呼叫量；另一種可能是由于當天下午發生了引入注目的事件，而使呼叫量大幅減少。但無論發生了什么，我們都需要在使用數據進行預測計算前，使這樣的數據“正常化”。

另一方面，可能在每個月的第三個周三都會發生引起呼叫量下降的事件。假設這一數據具有一定代表性，在每個月的第三個周三都會進行 2 個小時的公司例會。這樣的話，呼叫量報告中就會考慮這一因素，并準確反映當日呼叫量。同時，這樣的數據也可用于對未來呼叫量的預測。

處理異常數據的關鍵在于首先需要確定造成異常的原因是什么。然后，假如發生了突發或一次性事件，或者未來不可預見是否再次發生的事件（類似自然災害），我們就需要對這樣的數據進行“正常化”的調整，以使其能真正反映實際的呼叫量。另一方面，如果類似事件的發生形成了一定規律，并可以預測，這樣的數據就需要保留在預測數據當中，以使預測出來的數據能夠正確反映未來事件對工作量造成的影響。（提示：重點強調的是，需要搞清每個數據異常的真正原因，并在對未來業務量進行預測時銘記在心。）

當我們對歷史業務量數據進行了分析與調整后，我們就準備好進行下一步了。

第二步：預測月呼叫量

接下來，我們將依靠未加工的數據來預測未來整月的呼叫量。在這個步驟里，我們總結出來了一些預測方法如下：

點對點預測法 － 這是最簡單的一種呼叫量預測方法，即假設未來各時間點呼叫量與過去相應時間點呼叫量是相近的。（例如：下一年度 4 月份第一個周一的呼叫量與今年 8 月份第一個周一的呼叫量相同）這種方法存在明顯的不足，即沒有將呼叫量的走勢考慮進去。一旦采用的原始數據或歷史數據不具代表性的話，所預測出來的呼叫量數據與實際呼叫量的差距有可能會非常大，這是非常危險的。

平均值預測法 － 利用取平均值進行預測也有許多種方法，從對歷史數據進行簡單的平均，到移動平均數的方法等。最為精準的取平均值方法就是加權平均方法，即越近的數據權重越高。如果過去三年中 4 月份的第一個周一的呼叫量分別為 2400 、 2500 和 2600 ：簡單平均值為 2500 ，移動平均值為 2550 （忽略最早數據）。在加權平均方法中，可能會分配 80 ％的權重給最近的數據，另外兩個早期數據各占 10 ％，這樣得到的平均值為 2570 。但是，盡管使用加權平均法所預測出來的數據最接近我們實際的預測，但這種方法仍然忽視了一點，即數據上升的走勢，這一點僅僅靠使用平均值方法是計算不出來的。

時間序列預測法 － 該方法是呼叫中心進行業務量預測的最佳方法。由于該方法需要按照各個不同時間序列進行業務量走勢的分析，因而取名時間序列預測法。依據呼叫中心業務量歷史數據，來解析不同時段業務量變化趨勢影響與規律，包括季度、月度業務量的差異。這種方法被大多數呼叫中心所采用，同時也是自動化勞動力資源管理軟件業務量預測模塊中遵循的一個基本原理。該方法基于一個基礎性的假設，即隨著時間變化，業務量受諸多因素的影響，而每個因素都可以被解析出來，用以預測未來業務量。

時間序列預測法的第一步就是要解析業務量走勢。這種走勢主要就是指業務量變化率，有時是上升的走勢，有時是下降的走勢。在許多呼叫中心里，走勢僅僅代表業務增長率。因此，確定一個呼叫中心年度業務量走勢，以及每月業務量變化走勢是非常重要的。

一旦確定了業務量基本走勢，下一個需要解析的就是季節性或月度之間的業務量變化規律。但是，這個步驟的確比較難處理，因為我們僅靠近 12 個月的歷史數據，是不能真正準確掌握月度或季度業務量變化規律（曲線）的。請見以下月度業務量數據中的第一欄，我們發現 12 月與 5 月相比可以說比較忙，或者說 12 月業務量較高是因為該呼叫中心經歷了本年度最大的業務上升走勢。

要確定季節性對業務量的影響，重要的是針對近 12 個月的業務量數據進行“趨勢分離或去勢”，換句話說，就是選擇一個月的實際業務量除以當月季節性曲線系數，從而轉化為沒有季節性影響的邏輯業務量。“去勢”完成以后，我們就可以逐月地進行對比，進行正態分步或線性分析，由此來確定真正繁忙或清閑的月份。例如上述數據中，基于業務量走勢分析模型，我們會發現 5 月實際上要比 12 月忙，而 3 月和 4 月實際上是一年當中業務量高峰月份。

利用時間序列分析法識別出業務量趨勢系數和業務量季節性模型，然后就可以確定具體的未來月度業務量預測。時間序列預測法是一種被推薦用于業務量預測的方法，如果能正確掌握這種方法，我們就到達 95 ％甚至更高的業務量預測準確率。

第三步：創建日和以半小時為間隔的業務量到達模型

當我們預測出來月度的業務量后，下一步就是將月度業務量預測分解為每日業務量預測，然后再進一步分解為按時段（一般為每小時或每半小時）的業務量預測。

要做到準確預測日業務量，我們就必須計算出一周中每日的變量。許多呼叫中心在周一時都比其他時候繁忙。因此，掌握一周當中，每日業務量占整周業務量的比重是非常重要的。

我們值得慶幸的是，確定每日預測變量無須返回到兩年的龐大歷史業務量數據中進行研究和分析。只需依據近期幾周內具有代表性的業務量數據來確定日業務量模型就足夠了。我們可以選取幾周“清晰明朗的”業務量數據（即沒有特殊日期或節假日的正常工作周，因為有些特殊日期或節假日會歪曲正常工作日的預測變量），把周一的業務量之和與各周業務量之和做比較，然后按照這樣的方法計算出其他工作日的業務量比重。這樣，每日的業務量比重就代表當日業務量模型。

當日業務量預測數據出來以后，我們就可以重復上述步驟來預測一天當中，各個時段的業務量模型。如果業務量在一天當中均勻地分配的話，我們就很容易進行人員的安排了，但這是不現實的。因此，我們就需要掌握一天當中的高峰時段和低谷時段，以及均勻時段。我們再次選取幾周“清晰的”業務量數據，以每半小時來統計周一業務量，并與日業務總量相比較，以創建周一以半小時為時段的業務量模型。重復以上步驟，來預測其他工作日基于時段的業務量模型。其結果就是以每小時或每半小時為時間間隔，來反映業務量到達的比率。這樣，我們就建立了從周一到周日，每日不同的業務量達到模型。

我們已經通過分解歷史業務量數據和分析歷史業務量走勢，創建了月度、每日、每時段的業務量預測模型。但我們需要記住的是，我們不但需要預測業務量而且還需要預測處理時長。因為，要想計算出工作量、所需員工數量及制定人員排班計劃，我們就必須掌握總體業務量的情況，即業務量乘以平均處理時長得出的處理業務的總時長。由于業務處理時長與很多因素有關，如業務類型，客戶行為習慣等，所以我們要確保業務處理時長的預測能準確地反映出一年當中的工作時長、一周當中的每日工作時長，以及每日的工作時長。

第四步：根據其他影響因素進行預測調整

給預測出的業務量進行調整是業務量預測的最后一步，也是非常重要的一步。因為，有許多因素都會影響呼叫中心的業務量。聰明的業務量預測或負責排班的人員都會充分考慮所有可能對預測結果造成影響的因素。

首先要考慮企業內部各個部門對呼叫中心業務量所造成的影響。最明顯的一個部門就是市場營銷部，由于該部門策劃和實施的市場推廣或促銷活動，而使呼叫中心的工作量產生變化。因此，如果呼叫中心能定期與這樣的部門進行溝通，充分了解市場營銷計劃或對呼叫中心業務量產生影響的市場活動，這樣就可建立起相應的預測假設，使預測更加精準。

同時，我們還必須確保對其他潛在因素給予充分的關注。例如，新格式的帳單是否造成客戶大量的來電？企業銷售預測情況分析，是否會造成新客戶的激增進而引起呼叫中心的工作量攀升？以及物流環節發生變化是否會使呼叫量升高或降低等等。因此，呼叫中心的管理人員應與可能影響呼叫中心業務量的部門進行定期溝通，并對預測數據進行相應的微調或校正，這樣才能保證最終預測的準確性。

來源：CCCS客服標準網