پیشبینی حجم تماس اگر درست انجام نشود، حتی بهترین برنامهریزی و بهترین نیروی انسانی هم نمیتواند مرکز تماس شما را نجات دهد. تصور کنید برای ساعت ۱۰ تا ۱۱ صبح، انتظار ۱۲۰ تماس را دارید و بر همین اساس نیرو چیدهاید. اما بهدلیل یک کمپین فروش فوری یا اختلال در سایت ۱۸۰ تماس وارد میشود. طبیعتاً نتیجه آشناست: صف انتظار طولانیت و تماسهای ازدسترفته، تجربۀ مخاطب از برندتان را نابود میکند.
ماجرا فقط پیشبینی تعداد تماسها نیست. باید بدانیم چه تعداد تماس، در چه بازهای، با چه مدت مکالمه و تحت تأثیر چه عواملی وارد مرکز تماس میشود. به همین دلیل، پیشبینی یا همان Forecasting یکی از پایههای اصلی برنامهریزی نیروی انسانی و مدیریت عملکرد در مرکز تماس است.
در واقعیت، چه عوامی حجم تماس را تغییر میدهند؟
حجم تماس یک مرکز تماس معمولاً عددی تصادفی نیست. اگر دادههای گذشته را با دقت بررسی کنیم، اغلب میتوانیم الگوهایی پیدا کنیم که به ما میگویند مشتریان چه زمانی بیشتر تماس میگیرند و چه اتفاقاتی باعث افزایش یا کاهش تماسها میشود.
فصلمندی، الگوهای زمانی و رویدادهای بازاریابی از عوامل خیلی مهم در مدلسازی حجم تماس هستند. بنابراین پیشبینی قابل اتکا باید فراتر از یک میانگین ساده از تماسهای گذشته باشد. در ادامه خواهیم گفت چه عوامی حجم تماس را تغییر میدهند...
۱. الگوی زمانی و فصلمندی تماسها
یکی از اولین چیزهایی که باید بررسی شود، الگوی تماس در طول روز، هفته، ماه و سال است. ممکن است یک مرکز تماس در ابتدای هفته تماس بیشتری داشته باشد، یا مثلاً در ساعات ابتدایی روز حجم تماس پایین و در حوالی ظهر با افزایش ناگهانی روبهرو شود.
۲. کمپینهای تبلیغاتی و تغییرات کسبوکار
فرض کنید یک شرکت قرار است پیامکی برای صدها هزار مشتری ارسال کند و در آن یک پیشنهاد ویژه ارائه دهد. منطقی است انتظار داشته باشیم بخشی از این مشتریان برای دریافت اطلاعات بیشتر یا استفاده از پیشنهاد با مرکز تماس تماس بگیرند.
بنابراین پنل پیامک تلفنچی یا هر ابزار دیگری که برای اجرای کمپینهای پیامکی استفاده میشود، نباید از سیستم برنامهریزی مرکز تماس جدا دیده شود. تاریخ اجرای کمپین، نوع پیشنهاد و حتی کانال ارتباطی آن میتواند بهعنوان یک متغیر مؤثر در Forecast در نظر گرفته شود.
۳. اختلالات، تغییرات محصول و رویدادهای غیرعادی
هر چیزی که تجربه مشتری را تغییر دهد، میتواند حجم تماس را جابهجا کند. قطعی سرویس، تغییر قیمت، انتشار یک محصول جدید، بهروزرسانی وبسایت، اختلال در درگاه پرداخت یا حتی تغییر در تلفن گویا (IVR) میتواند باعث شود تعداد تماسها از الگوی معمول فاصله بگیرد.
یک نکته مهم اینجاست: نباید هر افزایش غیرعادی تماس را بهعنوان بخشی از «الگوی طبیعی» وارد مدل آینده کنیم. اگر روزی بهدلیل قطعی سیستم ۳ برابر حالت عادی تماس داشتهایم، این اتفاق لزوماً نباید باعث شود پیشبینی سال آینده هم، همان روز را پرحجم پیشبینی کند.
۴. Repeat Call یا تماس دوبارهی مشتری
مشتری صبح با مرکز تماس تماس میگیرد اما بهدلیل اشغال بودن خطوط یا پاسخ نگرفتن، دوباره نیم ساعت بعد تماس میگیرد. تماس دوم یک تماس ورودی واقعی است و برای مرکز تماس workload ایجاد میکند، حتی اگر موضوع آن همان موضوع تماس اول باشد.
اگر مرکز تماس شما تعداد Repeat Call بالایی دارد، صرفاً نگاه کردن به تعداد مشتریان یا تماسهای «منحصربهفرد» برای Forecast کافی نیست. باید ببینید چه بخشی از تماسهای ورودی، حاصل تماس مجدد مشتریان است و این تماسها معمولاً با چه فاصله زمانی رخ میدهند.
۵. رفتار مشتری و تغییر کانال ارتباطی
مشتری امروز الزاماً مثل مشتری دو سال قبل رفتار نمیکند. ممکن است بخشی از پرسشهایی که قبلاً تلفنی مطرح میشدند، حالا از طریق چت، پیامرسان، وبسایت یا سلفسرویس پاسخ داده شوند.
در یک مرکز تماس مدرن، دیگر فقط تعداد تماس تلفنی مهم نیست. حجم تعاملات در کانالهای مختلف میتواند روی بار کاری تیم اثر بگذارد. این موضوع برای کسبوکارهایی که از سرویسهایی مثل مرکز تماس ابری استفاده میکنند اهمیت بیشتری دارد.
پیشبینی حجم تماس چطور انجام میشود؟
حالا فرض کنیم دادههای مناسبی در اختیار داریم. سؤال بعدی این است: دقیقاً چطور از این دادهها به یک پیشبینی قابل استفاده برسیم؟
Forecasting را نباید صرفاً «حدس زدن تعداد تماسهای آینده» بدانیم. در عمل، پیشبینی حجم تماس بخشی از یک زنجیره و فرایند است که در ادامه به آن میپردازیم.
مرحله اول) جمعآوری و پاکسازی دادههای تاریخی
نقطه شروع، دادههای گذشته است. معمولاً دادهها در بازههای زمانی مشخص، مثلاً ۱۵ یا ۳۰ دقیقهای، بررسی میشوند تا مشخص شود در هر Interval چه تعداد تماس وارد شده است. در کنار Volume بهتر است شاخصهایی مثل تماسهای پاسخدادهشده، تماسهای ازدسترفته و در صورت امکان Repeat Call نیز ثبت شوند. هرچه دادهها منظمتر و قابل اتکاتر باشند، Forecast نیز پایه محکمتری خواهد داشت.
مرحله دوم) شناسایی Trend (روند جدید) و Seasonality (فصلمندی)
مثلاً اگر حجم تماس یک شرکت طی ۱۲ ماه گذشته بهطور پیوسته افزایش پیدا کرده باشد، استفاده از میانگین ساده سال گذشته میتواند پیشبینی را پایینتر از واقعیت قرار دهد. از طرف دیگر، اگر هر هفته روزهای دوشنبه افزایش مشخصی در تماس مشاهده شود، این الگو باید در پیشبینی هفته بعد هم لحاظ شود.
۳. انتخاب روش Forecasting متناسب با داده
هیچ الگوریتمی وجود ندارد که برای همه مراکز تماس بهترین باشد. انتخاب روش به حجم داده، ثبات تقاضا، میزان فصلمندی، تعداد کانالها و وجود متغیرهای بیرونی بستگی دارد.
روش پیشبینی | مناسب برای | نقطه قوت | محدودیت |
|---|---|---|---|
میانگین متحرک | دادههای ساده و نسبتاً پایدار | ساده و قابل اجرا | واکنش ضعیف به تغییرات ناگهانی |
میانگین متحرک وزنی | زمانی که دادههای جدید اهمیت بیشتری دارند | حساستر به روندهای اخیر | نیازمند انتخاب وزن مناسب |
مدل Holt-Winters | حجم تماس دارای روند و فصلمندی | سریع و قابل توضیح | برای تغییرات کاملاً غیرمنتظره محدود است |
مدل ARIMA/SARIMA | سریهای زمانی پیچیدهتر | مدلسازی وابستگی و فصلمندی | تنظیم و نگهداری تخصصیتر |
مدلهای Machine Learning | دادههای زیاد و متغیرهای متعدد | کشف روابط پیچیده | نیازمند داده و اعتبارسنجی مناسب |
در عمل، یک مرکز تماس حرفهای میتواند چند روش را آزمایش و عملکرد آنها را روی دادههای واقعی مقایسه کند، بهجای اینکه صرفاً بهدلیل پیچیدهتر بودن یک مدل، آن را بهتر فرض کند. منابع تخصصی نیز بر همین اصل تأکید دارند که انتخاب مدل باید با ماهیت داده و شرایط عملیاتی هماهنگ باشد.
مرحله چهارم) تبدیل Volume به Workload
یک اشتباه رایج این است که فکر کنیم پیش بینی حجم تماس فقط باید بگوید «فردا ۱۰۰۰ تماس داریم». برای برنامهریزی نیروی انسانی، این عدد بهتنهایی کافی نیست.
اگر ۱۰۰۰ تماس با میانگین زمان رسیدگی ۲ دقیقه داشته باشیم، بارِ کاری یا وُرکلود با ۱۰۰۰ تماس با AHT (همان Average Handle Time) پنج دقیقه یکسان نیست. به همین دلیل، Forecast حجم تماس باید در کنار AHT بررسی شود. همیشه این را یادتان باشد که حجم تماس و AHT را از ورودیهای اصلی برای محاسبه workload هستند.
در مرحله بعد، این محاسبات باید با تعداد نیروی موجود، ساعات کاری، زمانهای استراحت، غیبت، آموزش و سایر عوامل مؤثر بر ظرفیت واقعی تیم تطبیق داده شود. اینجاست که Forecast از یک «عدد آماری» به یکی از KPIهای مرکز تماس و یک ابزار واقعی برای تصمیمگیری عملیاتی تبدیل میشود.
Forecast Accuracy مرکز تماس چیست؟ محاسبه دقت پیشبینی حجم تماس
تا اینجا گفتیم که پیشبینی قرار نیست فقط یک عدد برای «تعداد تماسهای فردا» تولید کند. قرار است مبنایی برای تصمیمگیری درباره نیروی انسانی، ظرفیت پاسخگویی و کیفیت سرویس باشد. بنابراین سؤال مهم بعدی این است: از کجا بفهمیم پیشبینی ما واقعاً خوب بوده است؟
اینجاست که مفهوم Forecast Accuracy یا دقت پیشبینی مطرح میشود. به زبان ساده، Forecast Accuracy نشان میدهد فاصله بین چیزی که پیشبینی کردهایم و چیزی که واقعاً اتفاق افتاده، چقدر بوده است.
اما یک نکته مهم وجود دارد: برای سنجش دقت Forecast، نباید فقط یک عدد را محاسبه کنیم و تمام. انتخاب شاخص مناسب و مشخص کردن بازه زمانی اندازهگیری اهمیت زیادی دارد. معیارهایی مثل MAPE، WAPE، RMSE و MASE برای ارزیابی پیشبینی بهکار میروند.
۱. MAPE؛ خطای درصدی پیشبینی
MAPE یا Mean Absolute Percentage Error میانگین خطای مطلق پیشبینی را بهصورت درصد نشان میدهد. مثلاً اگر Forecast مرکز تماس در چند بازه زمانی بهطور متوسط ۸ درصد با حجم واقعی فاصله داشته باشد، MAPE برابر ۸ درصد خواهد بود.
فرمول ساده آن به این شکل است:
MAPE = میانگینِ |(حجم واقعی − حجم پیشبینیشده) ÷ حجم واقعی| × ۱۰۰
مزیت MAPE این است که برای مدیر و کارشناس WFM قابل فهم است؛ اما یک مشکل مهم دارد: وقتی حجم واقعی در یک بازه بسیار کم یا صفر باشد، درصد خطا میتواند بسیار بزرگ یا حتی تعریفنشده شود. به همین دلیل، اتکا به MAPE بهتنهایی برای مرکز تماس همیشه انتخاب مناسبی نیست.
۲. WAPE؛ گزینه کاربردیتر برای حجم تماس
WAPE یا Weighted Absolute Percentage Error خطای پیشبینی را با توجه به حجم واقعی تماسها وزندهی میکند. در نتیجه، یک خطای کوچک در یک بازه پرترافیک اهمیت بیشتری از همان خطا در یک بازه کمترافیک خواهد داشت.
برای مثال، اگر در یک بازه فقط ۲ تماس داشته باشیم و پیشبینی یا همان Forecast سه تماس باشد، MAPE میتواند خطای ۵۰ درصدی نشان دهد؛ در حالی که اختلاف واقعی فقط یک تماس است. WAPE این مشکل را تا حد زیادی کاهش میدهد، چون به حجم واقعی کل توجه میکند.
فرمول آن بهصورت خلاصه:
WAPE = مجموع |حجم واقعی − حجم پیشبینیشده| ÷ مجموع حجم واقعی × ۱۰۰
۳. Forecast Bias؛ فقط مقدار خطا مهم نیست.
فرض کنید Forecast شما در یک ماه تقریباً ۵ درصد با واقعیت فاصله داشته باشد. آیا میتوانیم بگوییم عملکرد مدل خوب بوده است؟ نه لزوماً.
باید ببینیم این خطا در چه جهتی اتفاق افتاده. اگر سیستم تقریباً همیشه حجم تماس را کمتر از مقدار واقعی پیشبینی کند، با Under-Forecasting مواجهیم. نتیجه میتواند کمبود نیرو، افزایش صف انتظار و کاهش سطح سرویس باشد. برعکس، اگر همیشه بیشتر از مقدار واقعی پیشبینی کنیم، احتمال Overstaffing و تحمیل هزینه نیروی انسانی افزایش پیدا میکند.
بنابراین Accuracy و Bias دو مفهوم متفاوتاند و بهتر است در کنار هم بررسی شوند. ممکن است Forecast از نظر WAPE عدد قابل قبولی داشته باشد، اما بهصورت سیستماتیک حجم تماس را کمتر از واقعیت برآورد کند.
شاخص | چه چیزی را نشان میدهد؟ | کاربرد اصلی در مرکز تماس |
|---|---|---|
MAPE | میانگین خطای درصدی | بررسی ساده میزان خطای Forecast |
WAPE | خطای درصدی وزندهیشده بر اساس حجم واقعی | سنجش کلی دقت حجم تماس |
Forecast Bias | جهتدار بودن خطا | تشخیص Over-Forecast یا Under-Forecast |
میزان دقت را در چه بازهای باید اندازه بگیریم؟
این بخش برای مدیران مرکز تماس بسیار مهم است. ممکن است Forecast شما در سطح روزانه بسیار دقیق باشد، اما وقتی همان روز را به Intervalهای ۳۰ دقیقهای تقسیم میکنید، خطا بیشتر به نظر برسد.
علت ساده است: هرچه بازه کوچکتر شود، تأثیر نوسانات تصادفی بیشتر میشود. مجموع تماسهای یک روز معمولاً پایدارتر از تعداد تماسهای یک بازه ۳۰ دقیقهای است. بنابراین مقایسه Forecast Accuracy روزانه با Accuracy در سطح Interval بدون توجه به این تفاوت میتواند گمراهکننده باشد.
در عمل بهتر است Accuracy را حداقل در سه سطح بررسی کنید:
هفتگی: مناسب برای برنامهریزی ظرفیت و منابع
روزانه: مناسب برای برنامهریزی عملیاتی
Intervalهای ۱۵ یا ۳۰ دقیقهای: مهم برای زمانبندی دقیق شیفتها و نیروها
بنابراین اگر مثلاً WAPE ماهانه شما ۶ درصد است، نمیتوان نتیجه گرفت که Forecast در تمام Intervalهای روز نیز ۶ درصد خطا دارد.
چطور پیشبینی حجم تماس را در عمل پیادهسازی کنیم؟
حتی دقیقترین پیشبینی زمانی ارزش دارد که بتوان از آن برای تصمیمگیری درباره مدیریت نیروی انسانی یا به اصطلاح تخصصی آن Workforce Management استفاده کرد.
اگر سیستم پیشبینی نشان دهد بین ساعت ۱۶ تا ۱۸ حجم تماس افزایش پیدا میکند، باید از قبل مشخص باشد چه تعداد Agent در این بازه در دسترس خواهند بود. در غیر این صورت، پیشبینی فقط یک گزارش زیباست که روی میز مدیر باقی میماند.
اینجاست که ارتباط میان دادههای تماس، CRM و سیستم تلفنی اهمیت پیدا میکند. برای نمونه، استفاده از CRM اختصاصی تلفنچی در کنار زیرساخت تلفنی میتواند به یکپارچهتر شدن اطلاعات مشتری و تماس کمک کند؛ البته طراحی درست فرآیند و کیفیت داده همچنان مهمتر از خود ابزار است.
و صد البته، وقتی داده کافی و باکیفیت در اختیار داشته باشیم، مدلهای هوش مصنوعی و Machine Learning میتوانند روابطی را بررسی کنند که با روشهای سادهتر بهراحتی دیده نمیشوند. مثلاً یک مدل تخصصی میتواند علاوه بر سابقه Volume، متغیرهایی مثل روز هفته، ساعت، تعطیلات، کمپین تبلیغاتی، نوع مشتری، کانال ورودی و حتی رخدادهای خاص را در کنار یکدیگر بررسی کند.
جمعبندی
پیشبینی حجم تماس در مرکز تماس، در ظاهر یک مسئله آماری است. اما در عمل مستقیماً با هزینه، نیروی انسانی و تجربه مشتری ارتباط دارد. یک پیشبینی ضعیف میتواند باعث شود در ساعاتی نیرو کم بیاورید و در ساعاتی دیگر، ظرفیت بیشتری از نیاز واقعی در اختیار داشته باشید.
در این راستا، استفاده از زیرساختهایی مانند مرکز تماس ابری و سرویسهای تلفنی یکپارچه تلفنچی میتواند دسترسی به دادهها را سادهتر کند و مسیر تحلیل را برای کسبوکار شما هموارتر سازد.
نظرات و تجربههای شما
هنوز دیدگاهی ثبت نشده است؛ اولین دیدگاه را شما بنویسید.