20221226关于电商平台呼叫中心相关指标的预测（cpo、订单瑕疵、客诉率、服务率等）

 

一、背景：

  呼叫中心的人力招聘、排班强依赖业务对服务率和订单的预测，预测的精准度直接影响成本和客户体验。

1.对成本的影响：

①客服招聘过多，造成人力冗余，导致服务成本增加；

②客服招聘少，需要启动临时招聘和借调，造成服务成本增加；

③客服排班人多，造成客服工作不饱和，综合人效较低。

2.对体验的影响：

①客服排班人少，业务高峰期无法承接用户咨询和投诉，容易引发舆情和用户流失。

二、预测方法（服务率）

1.数据准备：

①识别影响因素：此处一般是基于历史分析报告判断，但某些因素具有通用，举例说，电商服务率预测：

a.业务侧因素：业务策略调整（业务扩张、新增或暂停服务场景等）、节假日及活动、节气（不同节气主推品不同）；

b.不可控因素：天气、疫情；

c.服务侧因素：客服人员构成（新老客服占比）、客服效率、服务类型（电话、在线及智能客服）。

②数据周期：

因为电商，特别是生鲜电商会受到季节性因素影响，所以历史数据需要尽可能的多，如针对年度预测，最好准备两年的历史数据，颗粒度到日（最少1年），如果针对日维度数据预测，最好准备4个自然周数据，颗粒度到小时。

③具体数据：

基于预测的具体指标确定，如要预测服务率，需要准备进线量数据、基于场景的服务工单数据、订单数据。

3.具体方法（针对月维度数据做预测）：

①收集未来业务策略、活动等规划；

②基于历史数据识别每个因素并评估对服务率的影响程度；

③基于①②对历史数据做清洗（如，预测年度将暂停某项业务，需要对历史该业务数据做剔除）；

④基于③步骤清洗后的数据计算月度变化趋势；

⑤基于清洗后数据确定基准值（不能使用历史低值或高值作为基准，一般使用近三个清洗后数据达成均值作为基准）；

⑥根据⑤确定的基准值和④确定的历史趋势，预测未来每月的基准值；

⑦基于①②确定的影响因素及及未来的规划，叠加至预测基准，完成服务率预测；

以上七步只考虑了业务侧，但实际客服成本预测，还需叠加客服侧的一些规划，如对未来人效的目标规划，智能客服的规划等等。

单纯记录，不要刚，大家可以一起讨论学习