Прогнозировать колличество обращений в call-центр сегодня уже возможно при помощи уже имеющихся аналитических средств. Ранее мы уже писали: http://call-centers.com.ua/blogs/40-detalnaya-analitika/66-analytics-call-center-inbound основываясь на реальных кейсах приведем примеры того, как это возможно применять на практике.
Говоря, о call-центрах больших компаний, то тут стоит обратить внимание на то, что в таких случаях обычно существует крупный аналитический отдел, который беспрерывно прогнозирует количество обращений на входящую линию. Подразделение прогнозирования разрабатывает новые модели, измеряющие точность данного прогноз для каждого временного промежутка. Но, применив на практике, некоторые руководители call-центров определили, что данная модель прогнозирования соотношение поступивших звонков к прогнозируемым, работает, но далеко не в каждом временном отрезке. А причина этого заключается в том, что общий показатель точности прогнозирования нагрузки на входящую линию в контакт-центре достаточно часто бывает не в допустимых границах. Подобное прогнозирование это один из этапов к эффективной работе контакт-цент путем применения аналитики: http://areon.ua/press/crm-blogs/torkhov/154-bi-call-center
Основной задачей является определение в каком именно из случаев данная модель не работает. Ведь эффективный анализ данных теперь уже доступен практически всем: http://call-centers.com.ua/blogs/40-detalnaya-analitika/65-analytics-call-center. И, конечно же, дать рекомендации по раставлению акцентов внимания аналитиков. Раньше мы применяли «анализа данных» или вручную строили частотные диаграммы. Анализ данных осуществляли визуально, в случае, если нужно было внести какие-либо изменения в исходные данные, то необходимо было заново возвращаться к построению диаграммы. Давая рекомендациях по принятию решений, в MS Excel 2016 необходимо выбрать тип диаграммы Histogram Chart, который уже добавлен в стандартные. Далле выбираем необходимый типо диаграммы и по итогу получаем готовую динамическую картину, которая выйдет в один клик. Таким образом мы исключаем построение частотной диаграммы вручну.
Давайте вместе разберем данные для анализа, допустим в модели прогнозирования у нас используется 214 периодов: 71 (33%) – это случай, когда точность в интервале от -8% до +15%. Что можно считать, как "отлично", далее 70 (33%) случаев – это когда мы имеем больше звонков чем прогнозировали на 15% и более, 73 (34%) случая - когда мы имеем звонков меньше чем прогнозировали на 8% и менее процентов.
Практически ровное распределение как в "минус", так и в "плюс". Необходимо дополнительно проанализировать: 65 случаев, когда поступило меньше прогнозируемого в интервале от -8% до 54% и 58 случаев, когда поступило больше прогнозируемого в интервале от 15% до 61%.
В результате, приемлемый прогноз для 91% процента интервалов, если выявим причину и поменяем модель.
В случае с дополнительным анализом подразумевается: поиск зависимостей в разрезе дня; распределение тематик обращений в течении дня; количество перезвонов в разрезе дня; правильный расчет KPI "точность прогнозирования" - количество периодов, где целевая точность была достигнута, за общее количество периодов - построение матрицы точности прогноза.
На сегодняшний день нам стало проще контролировать работу call-центра, с помощью современных подручных средств. И это и есть огромным преимуществом в прогнозирование нагрузки на входящую линию.