فهرست مطالب
- چرا پیش‌بینی حجم تماس مهم است؟
- چرخهٔ مدیریت نیروی کار (WFM) در مرکز تماس
- برای پیش‌بینی چه داده‌ای لازم است؟
- روش‌های پیش‌بینی حجم تماس؛ از میانگین تا هوش مصنوعی
- تقویم ایرانی؛ جایی که مدل‌های آماده خطا می‌کنند
- الگوی تماس یک روز و نیروی لازم
- از پیش‌بینی تا تعداد اپراتور: فرمول ارلنگ C
- هوش مصنوعی کجا به پیش‌بینی کمک می‌کند؟
- دقت پیش‌بینی را چطور بسنجیم؟
- خطاهای رایج
- مسیر پیاده‌سازی پیش‌بینی هوشمند
- پیش‌بینی و برنامه‌ریزی نیرو در مرکز تماس ساعیان ارتباط
- پرسش‌های متداول
- پیش‌بینی حجم تماس را برای چه بازه‌ای انجام دهیم؟
- آیا فرمول ارلنگ C هنوز کاربرد دارد؟
- Shrinkage چیست و چقدر است؟
- برای پیش‌بینی با هوش مصنوعی چقدر داده لازم است؟
- آیا ربات صوتی پیش‌بینی را بی‌اثر می‌کند؟
- برای مطالعهٔ بیشتر
- پیش‌بینی حجم تماس یعنی برآورد تعداد تماس‌ها و مدت آن‌ها برای هر بازهٔ زمانی (معمولاً هر ۱۵ یا ۳۰ دقیقه)، تا بدانیم در هر ساعت چند اپراتور لازم است.
- عدد پیش‌بینی با فرمولی مثل ارلنگ C به تعداد اپراتور تبدیل می‌شود و بعد به شیفت‌ها می‌رسد؛ به این چرخه مدیریت نیروی کار (WFM) می‌گویند.
- هوش مصنوعی بیشترین ارزش را جایی دارد که الگوی تماس با رویدادها تغییر می‌کند: تعطیلات شمسی و قمری، کمپین‌ها، قطعی سرویس و روزهای پس از تعطیلی.
هر مدیر مرکز تماسی این صحنه را دیده است: صبح شنبه، بعد از دو روز تعطیلی، صف تماس پر می‌شود، زمان انتظار بالا می‌رود و بخشی از مشتریان پیش از پاسخ قطع می‌کنند. چند ساعت بعد، همان تیم بیکار نشسته است. مشکل معمولاً کمبود اپراتور نیست؛ نبودن اپراتور در زمان درست است.
پیش‌بینی حجم تماس دقیقاً برای همین است. در این راهنما می‌بینیم چه داده‌ای لازم است، روش‌های پیش‌بینی از ساده تا هوش مصنوعی چه تفاوتی دارند، عدد پیش‌بینی چطور به تعداد اپراتور تبدیل می‌شود و برای شروع از کجا باید آغاز کرد. در میانهٔ مقاله یک نمودار الگوی روزانه و یک ماشین‌حساب نیروی لازم هم آماده کرده‌ایم.
چرا پیش‌بینی حجم تماس مهم است؟
بزرگ‌ترین هزینهٔ هر مرکز تماس، نیروی انسانی است و بزرگ‌ترین عامل نارضایتی مشتری، انتظار. پیش‌بینی خوب این دو را هم‌زمان مدیریت می‌کند:
- کمبود نیرو در ساعت اوج: زمان انتظار بالا می‌رود و نرخ ترک تماس افزایش می‌یابد. مشتری‌ای که یک بار قطع کرده، معمولاً دوباره تماس می‌گیرد و بار صف را بیشتر می‌کند.
- مازاد نیرو در ساعت کم‌کار: هزینه بدون خروجی است و اپراتورها انگیزهٔ خود را از دست می‌دهند.
- فشار بیش از حد: وقتی اپراتورها ساعت‌ها بدون فاصله تماس می‌گیرند، کیفیت پاسخ و حل مشکل در اولین تماس (FCR) پایین می‌آید و فرسودگی بیشتر می‌شود.
هدف پیش‌بینی، صفر کردن صف نیست؛ رساندن سطح خدمت (Service Level) به عدد هدف با کمترین نیروی لازم است. مثلاً «۸۰٪ تماس‌ها در کمتر از ۲۰ ثانیه پاسخ داده شوند».
چرخهٔ مدیریت نیروی کار (WFM) در مرکز تماس
پیش‌بینی حجم تماس اولین حلقه از یک چرخهٔ پنج‌مرحله‌ای است. خروجی هر مرحله، ورودی مرحلهٔ بعد است و نتیجهٔ پایش، دوباره به پیش‌بینی برمی‌گردد:
در نرم‌افزار مرکز تماس، مراحل ۴ و ۵ معمولاً با ابزارهایی مثل مدیریت شیفت اپراتورها، مدیریت استراحت و مانیتورینگ صف انجام می‌شوند. دو مرحلهٔ اول، جایی است که بیشترین خطا رخ می‌دهد و هوش مصنوعی بیشترین کمک را می‌کند.
برای پیش‌بینی چه داده‌ای لازم است؟
| داده | منبع | نکته |
|---|---|---|
| تعداد تماس ورودی در هر بازه | گزارش‌های مرکز تماس (CDR و صف) | تماس‌های ترک‌شده و تکراری را جدا ثبت کنید؛ تقاضای واقعی را نشان می‌دهند. |
| میانگین مدت رسیدگی (AHT) | گزارش اپراتورها | مدت مکالمه + نگه‌داشتن + کار پس از تماس؛ AHT هم مثل حجم تماس در طول روز تغییر می‌کند. |
| علت تماس | موضوع ثبت‌شده یا تحلیل مکالمات | پیش‌بینی به تفکیک علت، دقیق‌تر از پیش‌بینی کل است. |
| تقویم و رویدادها | تقویم رسمی، واحد بازاریابی، واحد فنی | تعطیلات، کمپین‌ها، ارسال صورت‌حساب، تغییر قیمت و قطعی‌های برنامه‌ریزی‌شده |
| کانال‌های دیگر | پیامک، ایمیل، چت و ربات | تغییر در یک کانال، حجم تماس تلفنی را جابه‌جا می‌کند. |
دست‌کم یک سال دادهٔ تمیز برای دیدن الگوهای فصلی لازم است. اگر داده کمتر است، از همان چند ماه شروع کنید و مدل را به‌مرور بهتر کنید.
روش‌های پیش‌بینی حجم تماس؛ از میانگین تا هوش مصنوعی
روش‌ها را می‌توان در چهار سطح دید. سطح بالاتر همیشه بهتر نیست؛ روش درست به حجم داده، پایداری الگو و میزان اثر رویدادها بستگی دارد.
| روش | چطور کار می‌کند | مناسب برای | محدودیت |
|---|---|---|---|
| روز مشابه / میانگین متحرک | حجم همین روز در هفته‌های قبل را میانگین می‌گیرد | شروع سریع و مراکز کوچک | روند و رویدادها را نمی‌بیند |
| سری زمانی کلاسیک | مدل‌هایی مثل Holt-Winters و SARIMA روند و فصلی بودن را جدا می‌کنند | الگوهای پایدار روزانه و هفتگی | رویدادهای نامنظم را خوب مدل نمی‌کنند |
| یادگیری ماشین | مدل‌هایی مثل Gradient Boosting با ویژگی‌های تقویم، کمپین و کانال‌ها آموزش می‌بینند | مراکزی که رویدادهای زیادی دارند | به دادهٔ رویداد تمیز و نگه‌داری مدل نیاز دارد |
| یادگیری عمیق و مدل‌های پایه | شبکه‌های عصبی و مدل‌های از پیش آموزش‌دیدهٔ سری زمانی، الگوهای چندلایه را یاد می‌گیرند | حجم بالا، چند صف و چند کانال | پیچیده‌تر؛ همیشه از روش ساده‌تر بهتر نیست |
توصیهٔ عملی: همیشه یک روش سادهٔ پایه (مثلاً روز مشابه) کنار مدل اصلی نگه دارید. مدل هوش مصنوعی فقط وقتی ارزش دارد که روی دادهٔ واقعی شما، خطای کمتری از همان روش ساده داشته باشد.
تقویم ایرانی؛ جایی که مدل‌های آماده خطا می‌کنند
بیشتر ابزارهای آمادهٔ خارجی با تقویم میلادی و تعطیلات ثابت ساخته شده‌اند. در ایران چند عامل الگو را جابه‌جا می‌کند که باید به‌صورت ویژگی جدا به مدل داده شود:
- تعطیلات قمری که هر سال حدود ۱۱ روز در تقویم شمسی جابه‌جا می‌شوند؛ مدلی که فقط «همین روز در سال قبل» را ببیند، اشتباه می‌کند.
- روز پس از تعطیلی و تعطیلات بین‌الطرفین؛ معمولاً اوج سنگین صبح را می‌سازند.
- نوروز و ماه رمضان که هم حجم و هم ساعت‌های اوج را تغییر می‌دهند.
- روزهای پرداخت حقوق، سررسید اقساط و صورت‌حساب‌ها در سازمان‌هایی مثل بانک، بیمه و اپراتورهای مخابراتی.
- شنبه به‌عنوان اولین روز کاری هفته، که در بیشتر مراکز پرتماس‌ترین روز است.
الگوی تماس یک روز و نیروی لازم
نمودار زیر نشان می‌دهد یک مرکز تماس فرضی در سه نوع روز چه الگویی دارد و برای رسیدن به سطح خدمت ۸۰٪ در ۲۰ ثانیه، در هر ساعت چند اپراتور پشت خط لازم است. نوع روز را عوض کنید و ببینید اوج‌ها چطور جابه‌جا می‌شوند.
داده نمایشی؛ ساعت‌ها از راست به چپ. فرض: میانگین مدت رسیدگی ۴ دقیقه و هدف ۸۰٪ پاسخ در ۲۰ ثانیه. ستون‌ها تعداد تماس و اعداد زرد تعداد اپراتور پشت خط را نشان می‌دهند.
از پیش‌بینی تا تعداد اپراتور: فرمول ارلنگ C
دانستن اینکه ساعت ۱۰ صبح ۳۰۰ تماس می‌آید کافی نیست؛ باید بدانیم این تماس‌ها چند اپراتور لازم دارند. رایج‌ترین ابزار برای این کار، فرمول ارلنگ C است که آگنر کراروپ ارلنگ، ریاضی‌دان دانمارکی، اوایل قرن بیستم برای شبکه‌های تلفن ارائه کرد. ورودی‌های آن چهار عدد است:
- تعداد تماس در بازه (مثلاً در یک ساعت)
- میانگین مدت رسیدگی (AHT) به ثانیه
- هدف سطح خدمت؛ مثلاً ۸۰٪
- زمان هدف پاسخ؛ مثلاً ۲۰ ثانیه
خروجی، حداقل تعداد اپراتوری است که هم‌زمان پشت خط باید باشند. این عدد هنوز با تعداد نیروی استخدامی فرق دارد: اپراتورها استراحت، جلسه، آموزش، مرخصی و غیبت دارند. به این سهم Shrinkage می‌گویند و معمولاً بین ۲۰ تا ۳۵ درصد است؛ در ماشین‌حساب زیر با عنوان «زمان خارج از خط» آمده است. با ماشین‌حساب زیر می‌توانید اثر هر ورودی را ببینید.
ارلنگ C فرض می‌کند تماس‌ها تصادفی می‌رسند و هیچ مشتری‌ای صف را ترک نمی‌کند؛ پس عدد واقعی را با دادهٔ مرکز تماس خودتان بسنجید.
دو نکته از همین ماشین‌حساب پیداست. اول، رابطهٔ تماس و نیرو خطی نیست: دو برابر شدن تماس، کمتر از دو برابر اپراتور لازم دارد، چون صف بزرگ‌تر کاراتر است. دوم، نزدیک شدن به سطح خدمت بالا گران است؛ رفتن از ۸۰٪ به ۹۰٪ گاهی چند اپراتور اضافه می‌خواهد. هدف سطح خدمت را آگاهانه و بر اساس ارزش هر تماس انتخاب کنید.
هوش مصنوعی کجا به پیش‌بینی کمک می‌کند؟
دقت پیش‌بینی را چطور بسنجیم؟
- خطای پیش‌بینی (WAPE یا MAPE): فاصلهٔ پیش‌بینی با واقعیت، به درصد. خطا را برای هر بازهٔ ۳۰ دقیقه‌ای بسنجید، نه فقط برای کل روز؛ پیش‌بینی روزانهٔ دقیق ممکن است ساعت اوج را کاملاً اشتباه کند.
- سطح خدمت و میانگین انتظار (ASA): نتیجهٔ نهایی که مشتری حس می‌کند.
- نرخ ترک تماس: اگر در ساعت‌های خاصی بالا می‌رود، احتمالاً پیش‌بینی یا زمان‌بندی همان ساعت‌ها مشکل دارد.
- اشغال اپراتور (Occupancy): اشغال بیش از حد برای مدت طولانی، نشانهٔ کمبود نیرو و خطر فرسودگی است.
- پایبندی به برنامه (Adherence): بهترین پیش‌بینی هم بی‌اثر است اگر اپراتورها در زمان برنامه‌ریزی‌شده پشت خط نباشند.
فهرست کامل شاخص‌ها و فرمول‌ها را در راهنمای KPI در مرکز تماس آورده‌ایم.
خطاهای رایج
- پیش‌بینی با تماس‌های پاسخ‌داده‌شده: تماس‌های ترک‌شده و تکراری هم تقاضا هستند. اگر فقط تماس‌های پاسخ‌داده‌شده را ببینید، روزهای شلوغ را کمتر از واقع برآورد می‌کنید.
- یک AHT ثابت برای همهٔ روز: مدت مکالمه در ساعت‌های مختلف و برای علت‌های مختلف فرق می‌کند.
- نادیده گرفتن Shrinkage: عدد ارلنگ تعداد اپراتور پشت خط است، نه تعداد نیروی شیفت.
- بی‌خبری از کمپین‌ها: بسیاری از اوج‌های «غیرمنتظره» در واقع پیامک یا اطلاعیه‌ای بوده‌اند که مرکز تماس از آن خبر نداشته است. تقویم رویدادها را با واحد بازاریابی مشترک کنید.
- پیش‌بینی بدون بازخورد: هر هفته پیش‌بینی را با واقعیت مقایسه کنید و علت خطاهای بزرگ را ثبت کنید.
مسیر پیاده‌سازی پیش‌بینی هوشمند
پیش‌بینی و برنامه‌ریزی نیرو در مرکز تماس ساعیان ارتباط
داده‌هایی که پیش‌بینی به آن‌ها نیاز دارد، از تعداد تماس و ترک صف تا مدت مکالمه، استراحت و حضور اپراتورها، در گزارش‌های نرم‌افزار مرکز تماس ساعیان ارتباط ثبت می‌شود. ابزارهای مدیریت شیفت، استراحت و مانیتورینگ صف هم مراحل زمان‌بندی و پایش لحظه‌ای را پوشش می‌دهند. مدل‌های پیش‌بینی را می‌توان روی همین داده‌ها و روی زیرساخت خود سازمان ساخت، تا دادهٔ تماس مشتریان از شبکهٔ سازمان خارج نشود؛ مقایسهٔ این رویکرد با راهکار ابری را در مقالهٔ هوش مصنوعی On‑Premise یا ابری آورده‌ایم.
پیشنهاد ما برای شروع، سنجیدن دقت پیش‌بینی روی دادهٔ چند ماه گذشتهٔ همان مرکز تماس است؛ پیش از هر تصمیمی دربارهٔ تغییر شیفت‌ها. برای آشنایی با سایر کاربردها، راهنمای هوش مصنوعی در مرکز تماس را هم ببینید.
پرسش‌های متداول
پیش‌بینی حجم تماس را برای چه بازه‌ای انجام دهیم؟
برای زمان‌بندی شیفت، بازه‌های ۱۵ یا ۳۰ دقیقه‌ای رایج است. برای استخدام و بودجه، پیش‌بینی ماهانه و فصلی کافی است. هر دو را جدا نگه دارید؛ هدفشان فرق دارد.
آیا فرمول ارلنگ C هنوز کاربرد دارد؟
بله، به‌عنوان نقطهٔ شروع. ارلنگ C ترک صف را در نظر نمی‌گیرد و در صف‌های خیلی شلوغ نیاز به نیرو را کمی بیشتر از واقع برآورد می‌کند. نسخه‌هایی مثل ارلنگ A و شبیه‌سازی، این محدودیت را کمتر می‌کنند.
Shrinkage چیست و چقدر است؟
سهمی از زمان کاری که اپراتور پشت خط نیست: استراحت، جلسه، آموزش، مرخصی و غیبت. عدد آن به سازمان بستگی دارد و باید از دادهٔ حضور و غیاب خودتان محاسبه شود.
برای پیش‌بینی با هوش مصنوعی چقدر داده لازم است؟
برای دیدن الگوهای سالانه و تعطیلات، دست‌کم یک سال داده توصیه می‌شود. با داده‌های کمتر هم می‌توان الگوهای روزانه و هفتگی را پیش‌بینی کرد، اما اثر رویدادهای سالانه کمتر دقیق خواهد بود.
آیا ربات صوتی پیش‌بینی را بی‌اثر می‌کند؟
نه، آن را تغییر می‌دهد. با ربات صوتی و سلف‌سرویس، باید تماس‌هایی را پیش‌بینی کرد که به اپراتور می‌رسند. این تماس‌ها معمولاً پیچیده‌ترند و AHT بالاتری دارند.
برای مطالعهٔ بیشتر
- Rob J. Hyndman, George Athanasopoulos. Forecasting: Principles and Practice (3rd ed.), OTexts — مرجع آزاد روش‌های پیش‌بینی سری زمانی.
- Ger Koole. Call Center Optimization, MG books — مدل‌های صف، ارلنگ و برنامه‌ریزی نیرو در مرکز تماس.
