客服中心人员排班优化探索

    |     2021年10月14日   |   客世原创, 文库   |     评论已关闭   |    193

背景:

在证券行业中,客服中心开始承担越来越多的职责,包括但不限于:电话客户接待、在线互联网客户接待、客户回访、开户视频审核工作等。虽然有许多智能化工具帮助客服人员提高效率,但是不可否认的是客服中心作为一个劳动密集型的服务部门,人员的排班是一个客服中心的核心工作,目前客服中心普遍使用的是根据历史经验,进行人工排班,整体流程如图1。

图1-客服中心排班流程

进而产生一组排班计划,如表1(以某券商电话客户接待为例)。

表1-某券商排班计划

但是使用这样的班次会遇到如下问题:客户请求人工服务的时间不确定,服务时长和来访频率随机,导致在部分时间段座席过于空闲,但是在部分时间段却严重人手不足的资源不匹配的情况。对于这样的问题排班管理人业务意识到,但是却苦于没有思路和方向进行整改,更多的时候只能沦为“拍脑袋决定”,最后“拍大腿后悔”的地步。

数据分析:

为了解决这样的问题,我们以该券商的实际案例出发,结合智能算法提出来解决方案,供大家共同思考(表2)。

首先,我们分析了分别在业务量繁忙、业务量正常、业务量空闲的情况下,电话接待接通率情况(一般情况下客服中心排班的目的是保证接通率大于等于80%)。

表2-某券商接通率情况

可以从表2看到使用现有的排班,客服中心分别的平均接通率为

1、空闲 93%;

2、正常 59%;

3、繁忙 46%。

只有空闲情况下目前的排班是符合目标期望的,但是在正常和繁忙业务的情况下远远低于目标值80%,但是排班管理员均使用一套排班规则和人员分布明显是不合理的。

其次,通过表2可以明显发现,主要是在10:00-13:00和17:00-18:00两个时间段的接通率是最低;结合客户来电的呼入时刻表(图2)。

图2-客户来电频率分析

可以明显看出整体业务的高峰值出现在9:00-17:00(占比 80%) 而低接通率时间段11:30-13:00就占比25%,且在这一时间段排班之中有大量的座席在11:30-13:00进行午休,这就导致了在这样一段时间有大量的客户呼入,但是却没有足够的座席接通的情况(表3)。

表3-主要影响班次情况

同时我们对客户来电的频率进行了分析,发现如果客户呼叫座席没有被接通,有超过33%客户会选择重新呼叫,这进一步导致接通率的大幅下降(图3)。

图3-呼叫客户重拨情况

这样就陷入了这样一个循环:

11:30-13:00期间,座席开始进行大量午休,此时客户开始呼入人工座席,由于没有座席可以接听,导致客户呼叫失败,客户呼叫失败进一步重新呼叫,导致整体呼叫量的虚增,最后导致整体接通率的大幅下降

所以,我们可以对现有排班进行优化,可以从如下几个角度进行思考:

1、提前在繁忙阶段来临前增加座席数量;提升该时段的接通率减轻后续压力;

2、适当增加中午班次座席数量;同时调整中午班次休息时间,提升午休时段接通率,减轻下午时段压力;

3、适当减少空闲时座席数量冗余。

解决方案

基于以上数据和思路,可以整理这样一个智能优化排班的流程方案,如图4。

图4-优化思路

首先,根据客户来电分布情况和当前排班的班次要求,对原有的班次做出调整,如表5。

表5-优化后班次情况

表5中班次2,班次4,班次5,班次6,这四个班次分别在17:00-19:00/11:00-14:00/16:30-19:00/11:00-14:30,安排本班次的人员进行轮休,轮休比例为50%;这样可以有效保证在业务两个关键时间段(10:00-13:00和17:00-18:00)有足够的人力可以应对;进而提高整体接通率。

然后,需要安排在不同班次所需要的座席数量,可以通过收集整体业务中具有代表性的业务数据,例如在过去一段时间内,最繁忙的一周数据,最空闲的一周数据,最具代表性的一周数据;从中分类出客户来访的时间频率,每通电话的通话时长,客户重复来电的比例;将其整理为一个数据源(图5)。

图5-整体优化流程图

通过“退火算法”来计算每一个时段下在满足目标接通率的情况下需要的最少座席数,具体算法如下:

1、估计分时段唯一用户数

基于当前分时段接通率r、成功复播率a、失败复播率估算b、当前时段总人数c、总失败人数等估计真实唯一用户数量。(后续可直接统计得到)

true_cnt = fail_cnt / (1-r + b * (1-r) ^2 + a * r * (1-r))

2、呼入时刻随机数生成

基于请求发起时刻点分布、分时段唯一用户数等生成用户呼入时刻点随机数。

3、迭代优化排班

1)初始化各班次初始座席数量(某些班次数量给定)。

2)设定步长为k=2,3,4。基于此参数随机生成B个更新方向。

3)基于B个方向分别更新排班,各自随机模拟生成电话交互数据。

4)评测每组数据对应的接通率,排序并选取最优结果。

5)重复1-4直到达到设定人数阈值或接通率阈值。

最后可以得到在不同时段下需要的座席人数,在根据具体的班次要求进行组合,进而得到一个优化后的班次人数安排,如表6。

表6-座席人数不变情况下班次优化

表6是在保持原有人数不变的前提下仅改变班次时间以及人数要求的情况,在这样的排班布局通过实验可以得到对应在不同业务繁忙度下的客户接通率,如表7。

表7-优化后人员不变情况下接通率对比情况

如果进一步对人员的分布进行优化,可以得到如表8所示排班结果。

表8-人员新增情况下班次排布情况

表8是在保持原有人数不变的前提下仅改变班次时间以及人数要求的情况,在这样的排班布局通过实验可以得到对应在不同业务繁忙度下的客户接通率,如表9。

表9-人员新增后接通率对比

可以明显看到在业务空闲周,其实没有必要安排那么多人进行值班,可以将多余的人力安排到其他的业务中(例如回访任务的外呼),而在业务繁忙的时候就需要适当在10:00-12:00这个时间段增加座席人数,来临时应对客流高峰,达到整体接通率提高的目的。

实际应用

根据以上的数据分析和解决思路结合客户实际的应用需求,我们在新一代的客服中心中推出智能排班功能,支持实际排班中如下场景:

1、给定座席总数量,可用班次,确定最优排班(接通率最高);

2、给定接通率限制,可用班次,确定最优排班(座席数量要求最低);

3、估算给定座席安排接通率。业务人员经验排班(控制夜班、保证午休等),预估接通率。

进而可以输出如下内容,来帮助客服管理人员进行整体班次的管理工作,进而分析出适合本机构的最优人员排班情况:

1、各时段请求数量:通过数学模型以及历史数据,分析出本机构客户来访习惯,得出波峰波谷的趋势情况

2、各班次座席安排:根据请求情况以及机构本身班次(服务时间)的要求,安排每一个班次座席数量

3、各时段接通率:根据排班情况以及客户来访趋势,计算出每一个时间段接通率,可以接通率反向控制班次中的座席人数

4、各时段座席饱和度:根据目前排班情况和预计安排人数,可以计算座席工作饱和度,可以通过饱和度来控制班次中的座席人数

5、总接通率、总请求数:最后根据实际来访人数,不断自我优化算法模型,持续优化排班班次及排班人数情况

最后,我们在结合人员排班规则(例如不允许连续夜班、每个班次必须有资深座席等)得到最后的排班名单和安排(图6)。

图6-排班结果系统示意图

总结:

在客服中心,如果只是简单考虑去增加人员人数或单纯调整人员布局,有具有片面性;只有融合两种策略的优势,从客户业务的波动频率以及班次分布情况进行调整,设计出适合不同业务情况下的人员排班,才能达到整体人员的高效利用。

 

 

作者:刘国华 娄东方 陈春旭;就职于恒生电子股份有限公司;

本文刊载于《客户世界》2021年9月刊。

转载请注明来源:客服中心人员排班优化探索

相关文章

噢!评论已关闭。