客服排班与业务量预测

要解决什么问题

客服中心的人力规划往往拆成三块：未来咨询量怎么估、按 SLA 要多少座席、排班表怎么既覆盖需求又兼顾休息与公平。手工用 Excel 套 Erlang 或排班，数据一多就容易在利用率、出勤扣减和班次规则上漏项，预测与排班也常脱节。

技能如何工作

本技能把链路串成 咨询量预测 → HC 预测 → 排班生成，也支持只跑其中一段。

• 业务咨询量预测：基于按日/按小时历史量，用时间序列分解、移动平均、指数平滑或 ARIMA 等，输出 7/14/30 天预测及 MAPE、RMSE 等评估；日级数据建议至少 3 个月，更好是 6～12 个月以识别季节性。
• 人力 HC 预测：结合目标 SLA、AHT、利用率、出勤率与覆盖时段，用 Erlang C 或简化公式算全职等效人数，并可对比不同 SLA 下的 HC。
• 排班生成：在班次类型、连续工作天数、每周休息、技能与偏好等约束下，可选 First Fit、Tabu Search、Simulated Annealing 或组合策略，输出周期排班表与覆盖分析；仓库内提供 forecast_volume.py、calculate_hc.py、generate_schedule.py 等脚本，输入多为 CSV/Excel 与 JSON/YAML 规则。

典型流程：收集历史量与 SLA 参数 → 预测咨询量 → 算 HC → 按 demand.csv / agents.csv / rules.json 生成排班 → 核对覆盖率与公平性。

适用边界与注意点

• 预测依赖足够历史数据；样本过短时不应指望识别周/年季节性，可先用较保守的平滑类方法。
• SLA 越紧，HC 增长非线性；排班前应在 HC 侧预留休息、培训与非生产时间（常用利用率约 85%、出勤约 90–92%）。
• 多技能、多队列的复杂约束当前以 agents.csv 技能字段与分组排班为主；完整多技能联合优化需自行扩展或参考技能内 references/ 文档。
• 咨询量偏离预测较大时，应滚动重算与调整排班，而不是长期固定一张月表。