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(yè)務類型主要分為信用卡及綜合業(yè)務兩類。兩種業(yè)務有不同的客戶群、不同的話務來電規(guī)律，需要構(gòu)建不同的預測模型。
下面主要對構(gòu)建預測模型進行詳細介紹。
�。ㄒ唬v史數(shù)據(jù)的收集及整理
歷史數(shù)據(jù)的處理是預測前最重要的一步，如果數(shù)據(jù)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(chǎn)生影響的情況主要歸納總結(jié)了以下幾點：
1、系統(tǒng)故障。如果某一天發(fā)生系統(tǒng)故障，需要按照發(fā)生故障的時間維度剔除當日發(fā)生系統(tǒng)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(fā)送了某種敏感短信或者發(fā)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(shù)據(jù)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。
�。ǘ┠Ｐ偷某醪浇�
不同的業(yè)務有不同的影響因素，需要我們挖掘歷史數(shù)據(jù)去發(fā)現(xiàn)較重要的影響因素。例如信用卡業(yè)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(yè)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(quán)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(quán)重賦予22日還款日的那部分客戶。
至此模型已初步構(gòu)建完成，但是隨著業(yè)務、路由調(diào)整及客戶量等的不斷變化，需要不斷調(diào)整、完善我們的預測模型。預測模型是人工構(gòu)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(jù)經(jīng)驗對模型值進行手工調(diào)整，經(jīng)驗則需要預測師在不斷的學習中、工作中進行總結(jié)。
�。ㄈ┠Ｐ椭獾念A測點
有很多時間段內(nèi)的預測是無法利用模型進行預測的，需要我們根據(jù)歷史數(shù)據(jù)、經(jīng)驗去手工進行預測。例如春節(jié)期間、黃金周及小長假等的預測。
�。ㄋ模╊A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(nèi)，日預測偏差基本在正負3%以內(nèi)。精準的預測為我們的節(jié)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(jīng)驗中我們也可以得到很多啟發(fā)，但是不能照貓畫虎拿來直接使用，需要根據(jù)多媒體客服的特點及重點業(yè)務來重新構(gòu)建新的預測模型。
