CN103095937A - 基于话务预测的呼叫中心座席数量的预测方法 - Google Patents

Abstract

本发明涉及话务预测的相关技术领域，特别是涉及基于话务预测的呼叫中心座席数量的预测方法。包括：采集历史话务量数据；清洗所述历史话务量数据，对所述历史话务量数据中的异常话务量进行修正，得到清洗后的历史话务量数据；根据所述清洗后的历史话务量数据，预测在预设的预测时间段内的预测话务量；预测在所述预测时间段内，所述预测话务量所对应的座席数量。上述基于话务预测的呼叫中心座席数量的预测方法，根据历史话务量对后续的话务量进行预测，根据话务量预测呼叫中心座席的数量。在预测话务量过程中，对历史话务量进行了清洗，减少了由偶然因素引起的突发话务量对话务预测准确性的干扰，使历史数据更具参考与指导性。

Description

基于话务预测的呼叫中心座席数量的预测方法

技术领域

本发明涉及话务预测的相关技术领域，特别是涉及基于话务预测的呼叫中心座席数量的预测方法。 

背景技术

呼叫中心连接着客户，是客户对企业服务直接感知的一个重要途径，直接关系客户满意度以及企业的服务水平。现场管理是呼叫中心管理重要的一部分。 

呼叫中心现场管理是一个动态的管理过程，需要呼叫中心管理人员控制服务质量与座席工作效率，并根据呼叫中心现场发生的情况，及时应对并采取必要的措施，解决现有问题的同时避免潜在问题的发生，保证服务和质量的连续性。当前国内许多呼叫中心的班组长在现场管理过程中，大多凭靠个人经验进行管理。依靠个人经验进行现场管理预测能力薄弱，往往只能做到事后的应对，并未能有效做到事前预防，服务水平也无法得到保障。如何应对突发事件，如何应对未知的话务浪涌，如何做到有效的事前预防成了呼叫中心现场管理的一大难题。另一方面，由于对将要来临的话务情况未知，现场管理往往无法有效利用话务空闲来组织和安排业务知识与技能培训，座席利用率不高。 

现有的技术通过采集历史话务量进行统计并预测将来的话务量，从而预测相应的呼叫中心座席数量。然而，现有技术只是直接采集历史话务量，没有考虑偶然因素对数据的影响，由偶然因素引起的突发话务量，不反映真实的话务规律，会干扰话务预测的准确性。 

发明内容

基于此，有必要针对现有技术对话务量的预测不准确，因此未能准确预测呼叫中心的座席数量，导致座席利用率不高的技术问题，提供一种基于话务预测的呼叫中心座席数量的预测方法。 

一种基于话务预测的呼叫中心座席数量的预测方法，所述预测方法包括： 

采集历史话务量数据； 

清洗所述历史话务量数据，对所述历史话务量数据中的异常话务量进行修正，得到清洗后的历史话务量数据； 

根据所述清洗后的历史话务量数据，预测在预设的预测时间段内的预测话务量； 

预测在所述预测时间段内，所述预测话务量所对应的座席数量。 

在其中一个实施例中，清洗所述历史话务量数据，对所述历史话务量数据中的异常话务量进行修正，得到清洗后的历史话务量数据的具体步骤如下： 

将所述历史话务量数据按预设的清洗单位分别计算，对每一清洗单位内的话务量数据按照预设的最小清洗粒度分为多个时段，对每一个时段计算一个清洗参考值A，如果时段内的话务量在清洗数据范围之外则对该时段内的话务量执行清洗操作，所述清洗数据范围以该时段对应的清洗参考值为基准。 

在其中一个实施例中，所述清洗参考值采用如下方式计算： 

确定时段对应的月份为X月、对应的日期为Y日，以及一星期中的第W天； 

计算月指数 其中m_X为清洗单位内X月的话务量， 

为清洗单位内月份话务量均值； 

计算清洗周指数 

其中w_W为清洗单位内X月在星期W的话务量均值， 其中w_i为清洗单位内X月在星期i的话务量均值； 

计算第一参考值=S÷Cm÷Cw； 

计算清洗单位内每月Y日的第一参考值； 

剔除清洗单位内每月Y日的第一参考值的异常数据，得到剔除后数据； 

计算剔除后数据的均值A’； 

计算清洗参考值A=A′×Cm×Cw。 

在其中一个实施例中，所述剔除清洗单位内每月Y日的第一参考值的异常 数据，采用肖维勒准则剔除异常数据。 

在其中一个实施例中，所述清洗数据范围为A×(1±R%)，其中R为预设的清洗度。 

在其中一个实施例中，所述清洗操作为：用该时段对应的清洗参考值替换该时段的话务量。 

在其中一个实施例中，所述根据所述清洗后的历史话务量数据，预测在预设的预测时间段内的预测话务量的具体步骤如下： 

对清洗后的历史话务量数据中的每一年每一月的话务量分别进行统计，对每一年每一月分别计算多个个预测剔除周指数，所述预测剔除周指数 其中w_Y为所统计的月份在星期Y的话务量均值，n=1,2,3,…,7； 

对清洗后的历史话务量数据中去除所述预测剔除周指数影响，得到去除预测剔除周指数影响的数据集； 

对去除预测剔除周指数影响的数据集，取预测时间段内的数据进行加权平均后得到一个包括多个话务量数据的预测历史话务数据均值表； 

取预测时间段内的所有预测剔除周指数进行加权平均后，得到一个包括多个预测剔除周指数数据的预测周指数均值表； 

根据预测历史话务数据均值表和预测周指数均值表计算在预测时间段内的预测参数，所述预测参数包括：预测月份话务总量、预测每日话务总量和预测时段话务量。 

在其中一个实施例中： 

所述预测月份话务总量=月份历史均值总量×月份增长值Q_M，其中，所述月份历史均值总量从预测历史话务数据均值表获得，所述月份增长值Q ’_M=a·Q_M(c-1)+(1-a)Q’_M(c-1)，其中Q_M(c-1)为前一月份实际月份话务总量增长值，，Q’_M(c-1)为前一月份预测月份话务总量增长值，a为取值在0～1之间的平滑常数。 

所述预测每日话务总量=预测月话务总量×日期比率，所述日期比率=Od÷Om，其中Od为所预测日期在预测历史话务数据均值表中对应的话务量数据，Om所预测的月份在预测历史话务数据均值表中对应的话务量数据； 

计算预测每日话务总量修正值=预测每日话务总量×所预测日期在预测周 指数均值表中对应的预测剔除周指数数据； 

所述预测时段话务量=预测每日话务总量修正值×时段比率，所述时段比率=Ot÷Om，其中Ot为所要预测的时段在预测历史话务数据均值表中对应的话务量数据，Om为所预测的时段所在的日期在预测历史话务数据均值表中对应的话务量数据。 

在其中一个实施例中：所述在所述预测时间段内，所述预测话务量所对应的座席数量根据所述预测参数计算得到。 

上述基于话务预测的呼叫中心座席数量的预测方法，根据历史话务量对后续的话务量进行预测，根据话务量预测呼叫中心座席的数量。在预测话务量过程中，对历史话务量进行了清洗，减少了由偶然因素引起的突发话务量对话务预测准确性的干扰，使历史数据更具参考与指导性。 

另外，本发明也提供了一种更高效准确的话务预测算法，常规的预测方法如Box-Jenkins法（ARIMA模型）、平滑法、回归法、随机过程分析等算法的预测准确率不高，没有积累历史数据规律与自学***均、指数平滑系数与肖维勒（Chauv-enet）准则修正，形成独特的预测模型，具备自积累与自学习数据规律的性能，准确预测话务数据。 

现有技术对呼叫中心现场管理的辅助，一般都是事后的分析统计，对事前的预测预防能力和手段不足。本发明可辅助呼叫中心进行有效的现场管理，充分发挥事前预防的能力，保证服务和服务水平的连续性。 

附图说明

图1为本发明基于话务预测的呼叫中心座席数量的预测方法的工作流程图； 

图2为本发明中清洗所述历史话务量数据步骤的具体工作流程图； 

图3为本发明中预测话务量步骤的具体工作流程图。 

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细的说明。 

如图1所示为本发明基于话务预测的呼叫中心座席数量的预测方法的工作流程图，所述预测方法包括： 

在步骤S101，采集历史话务量数据； 

在步骤S102，清洗所述历史话务量数据，对所述历史话务量数据中的异常话务量进行修正，得到清洗后的历史话务量数据； 

在步骤S103，根据所述清洗后的历史话务量数据，预测在预设的预测时间段内的预测话务量； 

在步骤S104，预测在所述预测时间段内，所述预测话务量所对应的座席数量。 

在步骤S102中，清洗所述历史话务量数据可以采用现有的多种清洗数据方式，本领域普通技术人员通过有限次实验即可得到。 

在本发明的其中一个实施例中，步骤S102清洗所述历史话务量数据，对所述历史话务量数据中的异常话务量进行修正，得到清洗后的历史话务量数据，可以采用如下步骤进行： 

将所述历史话务量数据按预设的清洗单位分别计算，对每一清洗单位内的话务量数据按照预设的最小清洗粒度分为多个时段，对每一个时段计算一个清洗参考值A，如果时段内的话务量在清洗数据范围之外则对该时段内的话务量执行清洗操作，所述清洗数据范围以该时段对应的清洗参考值为基准。 

在本实施例中，为了说明方便，清洗单位采用一年为单位，最小清洗粒度采用半小时话务量，一年的数据总量为：全年总天数×48个时段。实际上本领域普通技术人员可以通过有限次实验得到多种适合使用的清洗单位和最小清洗粒度。 

对于清洗参考值可以采用如下方式计算，本实施例的清洗参考值计算方法，将原始话务量去除月份和周的影响指数（月指数与周指数），得到具体一个时段的清洗参考基数，再加回周和月份的影响指数，因此能减少不同月份和不同周对清洗参考值的影响。实际上本领域普通技术人员可以采用其他的方式计算清洗参考值，例如可以考虑减少不同年、不同日甚至是不同时段对清洗参考值的影响。然而发明人经过多次的实验，得到减少不同月份和不同周对清洗参考值 的影响既使计算的复杂度不致于不能过大，清洗参考值对预测的效果也最好。具体步骤如图2所示，具体如下： 

步骤S201，确定时段对应的月份为X月、对应的日期为Y日，以及一星期中的第W天，即星期W，该时段的话务数据即话务量为S。 

步骤S202，计算月指数 

其中m_X为清洗单位内X月的话务量， 

为清洗单位内月份话务量均值。 

举例如下：时段对应的月份为12月，则m_X为当年内12月的话务量，即m₁₂, 

为全年内所有月份话务量的均值，即： 

$\stackrel{\‾}{m}=\frac{m_1+m_2+m_3+m_4+m_5+m_6+m_7+m_8+m_9+m_{10}+m_{11}+m_{12}}{12}.$

计算清洗周指数 

其中w_W为清洗单位内X月在星期W的话务量均值， 

其中w_i为清洗单位内X月在星期i的话务量均值。 

举例如下：时段对应的月份为12月，对应为星期二，则w_W为当年内12月所有星期二的话务量均值w₁，该时段对应的12月共有四个星期二，12月的第一个星期二的话务量为w₁₁，12月的第二个星期二的话务量为w₁₂，12月的第三个星期二的话务量为w₁₃，12月的第四个星期二的话务量为w₁₄，则 

为12月中星期一至日话务量均值的均值，即 

其中w_i为12月在星期i的话务量均值。 

步骤S203，计算第一参考值=S÷Cm÷Cw。 

步骤S204，计算清洗单位内每月Y日的第一参考值。 

举例如下：时段对应的日期为20日，则采用步骤S202和S203计算一年之内12个月的每月20日的第一参考值，得到12个第一参考值，即A1、A2、A3、 A4、A5、A6、A7、A8、A9、A10、A11和A12。 

步骤S205，剔除清洗单位内每月Y日的第一参考值的异常数据，得到剔除后数据。 

在其中一个实施例中，在步骤S205采用肖维勒准则剔除异常数据。剔除异常数据可以采用现有的各种剔除准则，例如动态分布准则等。在本发明中，由于样本数量较少，仅为12个（如果是日期是30号或者31号，则样本数量可能会少于12个），因此优选采用在小样本方面有优异表现的肖维勒准则剔除异常数据。 

举例如下，仍采用步骤S204的例子，时段对应的日期为20日，共有12个对应每月20日的第一参考值。剔除不满足肖维勒准则的第一参考值，例如剔除掉其中的A10，则剔除后的数据为A1、A2、A3、A4、A5、A6、A7、A8、A9、A11和A12 

步骤S206，计算剔除后数据的均值A’； 

举例如下，仍采用步骤S205的例子，剔除后的数据为A1、A2、A3、A4、A5、A6、A7、A8、A9、A11和A12，则剔除后数据的均值为： 

$A^{\′}=\frac{A1+A2+A3+A4+A5+A6+A7+A8+A9+A1+A11}{11}.$

步骤S207，加回清洗周指数与月指数的影响，得到清洗参考值A=A′×Cm×Cw 

步骤S208，如果时段内的话务量在清洗数据范围之外则对该时段内的话务量执行清洗操作，所述清洗数据范围以该时段对应的清洗参考值为基准，数据清洗完毕。 

对于步骤S208，在其中一个实施例中，设R为清洗度（R可自定义配置），清洗数据范围为A×(1±R%)，如果S∈(A×(1±R%))，则S为正常数据；若 

则S为异常数据。实际上，本领域普通技术人员完全可以采用其他的清洗数据范围代替，例如仅用A作为清洗数据范围。然而，采用本发明实施例的A×(1±R%)作为清洗数据范围，使得清洗数据范围具有一定的鲁棒性，而且R是可配置的，则更加容易适应不同的使用场合。 

对于步骤S208，在其中一个实施例中，清洗操作为：用该时段对应的清洗 参考值替换该时段的话务量。即用清洗参考值A替换S，修正异动话务数据。实际上，本领域普通技术人员在阅读本发明内容后，完全可以对清洗操作做出一定的修改或者变形，例如，采用A×（1±D%），D可自定义配置。该类的修改或者变形也在本发明的保护范围之内。 

在步骤S103中，所述根据所述清洗后的历史话务量数据，预测在预设的预测时间段内的预测话务量的方法，本领域普通技术人员在经过有限次实验并结合现有技术下，也有多种方法。在本实施例中，采用如图3的工作流程图。具体步骤如下： 

步骤S301，对清洗后的历史话务量数据P中的每一年每一月的话务量分别进行统计，对每一年每一月分别计算多个个预测剔除周指数，在本实施例中，每一年每一月计算7个预测剔除周指数，所述预测剔除周指数 

其中w_Y为所统计的月份在星期Y的话务量均值，w_n为所统计的月份在星期n的话务量均值，n=1,2,3，…,7； 

步骤S302，对清洗后的历史话务量数据中去除所述预测剔除周指数影响，得到去除预测剔除周指数影响的数据集P’，去除预测剔除周指数影响的数据集 

其中V为每一年相应月份的周指数；P是清洗后的历史话务数据，是一个数据集，在计算 

时，对于P中不同时段的数据，采用该时段对应的预测剔除周指数进行计算。先确定P中时段对应的月份X，以及为一个星期中的第W天，然后根据步骤S301，得到在X月份下，星期W的预测剔除周指数，并进行计算。例如对于P中2012年12月7日星期五的一个时段，则首先根据步骤S301获得2012年12月在星期五的预测剔除周指数，然后计算：P中2012年12月7日星期五该时段的话务量÷2012年12月在星期五的预测剔除周指数，得到的结果作为去除预测剔除周指数影响的数据集P’在2012年12月7日星期 五该时段的数据。 

步骤S303，对去除预测剔除周指数影响的数据集取预测时间段内的数据进行加权平均后得到一个包括多个话务量数据的预测历史话务数据均值表； 

作为一个例子，将去除预测剔除周指数影响的数据集P’取最近三年数据，用加权平均得到一个包含一年时间的预测历史话务数据均值表O： 

O=P’_c-1·K₁+P’_c-2·K₂+P’_c-3·(1-K₁-K₂)； 

其中c表示预测年份，c-1表示预测年份前一年，其他类推；K表示权重(K₁,K₂初始化为0.6,0.3)。 

若只有最近两年数据，则： 

O=P’_c-1·K₁+P’_c-2·(1-K₁)，其中K₁初始化为0.6； 

若只有最近一年数据，则： 

O=P’。 

预测历史话务数据均值表O按照一年12个月份划分，并以每半小时为粒度保存话务数据。 

步骤S304，取预测时间段内的所有预测剔除周指数进行加权平均后得到一个包括多个预测剔除周指数数据的预测周指数均值表；例子与步骤S303中的相似。 

步骤S305，根据预测历史话务数据均值表和预测周指数均值表计算在预测时间段内的预测参数，所述预测参数包括：预测月份话务总量、预测每日话务总量和预测时段话务量。 

在步骤S305中，本领域普通技术人员可以采用现有技术计算预测月份话务总量、预测每日话务总量和预测时段话务量。在其中一个实施例中，采用如下方式计算： 

所述预测月份话务总量=月份历史均值总量×月份增长值Q_M，其中，所述月份历史均值总量从预测历史话务数据均值表获得，所述月份增长值Q ’_M=a·Q_M(c-1)+(1-a)Q’_M(c-1)，其中Q_M(c-1)为前一月份实际月份话务总量增长值，，Q’_M(c-1)为前一月份预测月份话务总量增长值，a为取值在0～1之间的平滑常数。 优选地，平滑常数a初始化为0.6。 

所述预测每日话务总量=预测月话务总量×日期比率，所述日期比率=Od÷Om，其中Od为所预测日期在预测历史话务数据均值表中对应的话务量数据，Om所预测的月份在预测历史话务数据均值表中对应的话务量数据； 

计算预测每日话务总量修正值=预测每日话务总量×所预测日期在预测周指数均值表中对应的预测剔除周指数数据； 

所述预测时段话务量=预测每日话务总量修正值×时段比率，所述时段比率=Ot÷Om，其中Ot为所要预测的时段在预测历史话务数据均值表中对应的话务量数据，Om为所预测的时段所在的日期在预测历史话务数据均值表中对应的话务量数据。 

在步骤S104中，预测在所述预测时间段内，所述预测话务量所对应的座席数量，本领域普通技术人员可以采用现有技术的其他方式计算得到。在其中一个实施例中，所述在所述预测时间段内，所述预测话务量所对应的座席数量根据步骤S305的预测参数计算得到。 

同时，人员需求预测计算公式采用Erlang-C（爱尔兰C）公式，利用这个公式计算满足服务水平目标所需要的人员数量： 

□Erlang-C（爱尔兰C）公式： 

$E_C(m,u)=\frac{\frac{u^m}{m!}}{\frac{u^m}{m!}+(1-\mathrm{\ρ})\underset{k=0}{\overset{m-1}{\mathrm{\Σ}}}\frac{u^k}{k!}},$

其中，m表示座席数，u表示话务强度，ρ表示座席占用率。 

利用Erlang-C公式计算满足服务水平目标所需要的人员数量m的方法如下： 

(1)λ=average arrival rate（来电频率/密度）=时段话务量H（30分钟预测话务量）÷1800秒（30分钟）； 

(2)T_s=average call duration（平均每通电话时长），可通过相关信息***或 统计表报表等途径获取，为常量； 

(3)m=numbers o fagents（坐席数），未知数； 

(4)u=traffic intensify（话务强度）=λ·Ts； 

(5) 

(6)以上参数代入Erlang-C公式，可将E_c(m,u)转换为只含m的算式； 

(7)呼叫等待的概率Prob=calls has to wait=E_c(m,u)； 

(8)t=target answer time（服务水平目标），服务水平目标t（秒），可以容忍的顾客（平均）等待时间，通常根据呼叫中心的经营要求设定，为常量；W(t)=Prob(waiting time≤t)（服务水平目标t下可能的服务水平），通常根据呼叫中心的经营要求设定，为常量；例如，通常所说的服务水平20/80，即t/W(t)，表示的是在20秒内的接通率为80%。 

(9) 

此算式中只有m为未知数，可计算出m的值，即预测的座席数。 

根据预测结果结合实际情况进行现场管理，如果预测结果表明下一时间段内座席人数符合计划安排人数，则可保持计划安排；如果预测结果表明下一时间段内座席人数不足，则应及时调配补充人员，以保证服务水平；如果预测结果表明下一时间段内座席人数过多，则可利用话务空闲进行培训等工作，以提高座席工作效率。 

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。 

Claims (9)

1.一种基于话务预测的呼叫中心座席数量的预测方法，其特征在于，所述预测方法包括：

采集历史话务量数据；

清洗所述历史话务量数据，对所述历史话务量数据中的异常话务量进行修正，得到清洗后的历史话务量数据；

根据所述清洗后的历史话务量数据，预测在预设的预测时间段内的预测话务量；

预测在所述预测时间段内，所述预测话务量所对应的座席数量。

2.根据权利要求1所述的基于话务预测的呼叫中心座席数量的预测方法，其特征在于，清洗所述历史话务量数据，对所述历史话务量数据中的异常话务量进行修正，得到清洗后的历史话务量数据的具体步骤如下：

将所述历史话务量数据按预设的清洗单位分别计算，对每一清洗单位内的话务量数据按照预设的最小清洗粒度分为多个时段，对每一个时段计算一个清洗参考值A，如果时段内的话务量在清洗数据范围之外则对该时段内的话务量执行清洗操作，所述清洗数据范围以该时段对应的清洗参考值为基准。

3.根据权利要求2所述的基于话务预测的呼叫中心座席数量的预测方法，其特征在于，所述清洗参考值采用如下方式计算：

确定时段对应的月份为X月、对应的日期为Y日，以及一星期中的第W天；计算月指数

其中m_X为清洗单位内X月的话务量，

为清洗单位内月份话务量均值；

计算清洗周指数

其中w_W为清洗单位内X月在星期W的话务量均值，

其中w_i为清洗单位内X月在星期i的话务量均值；计算第一参考值=S÷Cm÷Cw；

计算清洗单位内每月Y日的第一参考值；

剔除清洗单位内每月Y日的第一参考值的异常数据，得到剔除后数据；

计算剔除后数据的均值A’；

计算清洗参考值A＝A′×Cm×Cw。

4.根据权利要求3所述的基于话务预测的呼叫中心座席数量的预测方法，其特征在于，所述剔除清洗单位内每月Y日的第一参考值的异常数据，采用肖维勒准则剔除异常数据。

5.根据权利要求2所述的基于话务预测的呼叫中心座席数量的预测方法，其特征在于，所述清洗数据范围为A×(1±R%)，其中R为预设的清洗度。

6.根据权利要求2所述的基于话务预测的呼叫中心座席数量的预测方法，其特征在于，所述清洗操作为：用该时段对应的清洗参考值替换该时段的话务量。

7.根据权利要求1所述的基于话务预测的呼叫中心座席数量的预测方法，其特征在于，所述根据所述清洗后的历史话务量数据，预测在预设的预测时间段内的预测话务量的具体步骤如下：

对清洗后的历史话务量数据中的每一年每一月的话务量分别进行统计，对每一年每一月分别计算多个个预测剔除周指数，所述预测剔除周指数

其中w_Y为所统计的月份在星期Y的话务量均值，n=1,2,3，…,7；

对清洗后的历史话务量数据中去除所述预测剔除周指数影响，得到去除预测剔除周指数影响的数据集；

对去除预测剔除周指数影响的数据集，取预测时间段内的数据进行加权平均后得到一个包括多个话务量数据的预测历史话务数据均值表；

取预测时间段内的所有预测剔除周指数进行加权平均后，得到一个包括多个预测剔除周指数数据的预测周指数均值表；

根据预测历史话务数据均值表和预测周指数均值表计算在预测时间段内的预测参数，所述预测参数包括：预测月份话务总量、预测每日话务总量和预测时段话务量。

8.根据权利要求7所述的基于话务预测的呼叫中心座席数量的预测方法，其特征在于：

所述预测月份话务总量=月份历史均值总量×月份增长值Q_M，其中，所述月份历史均值总量从预测历史话务数据均值表获得，所述月份增长值Q’_M=a·Q_M(c-1)+(1-a)Q’_M(c-1)，其中Q_M(c-1)为前一月份实际月份话务总量增长值，，Q’_M(c-1)为前一月份预测月份话务总量增长值，a为取值在0～1之间的平滑常数。

所述预测每日话务总量=预测月话务总量×日期比率，所述日期比率=Od÷Om，其中Od为所预测日期在预测历史话务数据均值表中对应的话务量数据，Om所预测的月份在预测历史话务数据均值表中对应的话务量数据；

计算预测每日话务总量修正值=预测每日话务总量×所预测日期在预测周指数均值表中对应的预测剔除周指数数据；

所述预测时段话务量=预测每日话务总量修正值×时段比率，所述时段比率=Ot÷Om，其中Ot为所要预测的时段在预测历史话务数据均值表中对应的话务量数据，Om为所预测的时段所在的日期在预测历史话务数据均值表中对应的话务量数据。

9.根据权利要求7所述的基于话务预测的呼叫中心座席数量的预测方法，其特征在于：所述在所述预测时间段内，所述预测话务量所对应的座席数量根据所述预测参数计算得到。

Images