方拓工作室

客服运营工具

客服运营计算器

排班要多少人、质检要抽多少条,这两件事每周都要算。这一页把它们放在一起,数字只在你的浏览器里算,不上传。

什么情况用哪个

你手上的情况用这个
电话热线,客户很少挂断,或者想按最坏情况留足人手排班人数 · Erlang C
放弃率不低,或者在线客服的客户等一会儿就走排班人数 · Erlang A
在线客服一个人同时接几个会话两个模型都能用,每人同时接待填并发数
要排一整天的班,估总人时和班次全天排班
月初定这个月质检抽多少条质检抽样 · 要抽多少条
抽完了,要判断合格率达没达标质检抽样 · 抽完怎么看
两个班组、两个月、培训前后,合格率差了几个点,想知道是不是真的质检抽样 · 两组比一比

拿不准用 C 还是 A,就两个都算一遍。差得不多按 C 排,多出来的人算余量。差得多说明放弃对人数影响很大,按 A 排,同时盯住放弃率。

01 · ERLANG C / A

排班人数

填一个时段的进线量、平均处理时长和服务水平目标,算出这个时段至少要多少人在线,再按排班损耗折成要排的人数。

适合开新线、调整服务水平目标、算一个高峰时段要临时加几个人。Erlang C 不算放弃,结果偏多,适合放弃很少的电话线或者想留余量的时候。Erlang A 把中途挂断的客户算进去,适合放弃率不低的热线和在线客服,要多填一个平均耐心和一个放弃率上限。

按渠道填示例值
模型
通
分钟
秒

电话填通话加话后处理。在线客服填一个会话从接起到结束的平均时长,要用同样并发下的实测值

个

电话填 1。在线客服填系统给每人分配的会话上限,比如 5

%
秒

在线客服按首次回复算

%

休息、培训、开会、请假占掉的比例

%

填 100 就是不设上限

32人在线

折算排班损耗后要排 46 人

预计服务水平
84.9%
平均应答速度 ASA
10.6 秒
坐席占用率
83.3%
需要排队的概率
23.6%
话务量
26.67 Erl
立即接起的比例
76.4%

人数加减几个,指标怎么变

在线人数服务水平ASA占用率排队概率放弃率人均在接
2710.0%666.2 秒98.8%92.5%
2835.0%130.7 秒95.2%72.6%
2953.8%57.8 秒92.0%56.2%
3067.6%30.8 秒88.9%42.8%
3177.7%17.8 秒86.0%32.1%
3284.9%10.6 秒83.3%23.6%
3389.9%6.5 秒80.8%17.1%
3493.4%4.0 秒78.4%12.2%
3595.8%2.4 秒76.2%8.5%
3697.3%1.5 秒74.1%5.8%

蓝底那一行是推荐人数。灰字的几行服务水平不达标,或者放弃率、占用率超了上限。

02 · 全天

全天排班

把一整天的进线预测贴进来,一行一个时段。模型、AHT、目标、并发、损耗和各项上限沿用上一节填的值,时段长度也一样。

适合做日排班或周排班之前估总人力,看高峰在哪、一天要多少人时。它给的是每个时段要几个人,把人拼进具体班次还要靠排班表。

只写数字也行,时段会按 1、2、3 编号。可以直接从表格里复制两列粘过来。

小时
时段进线话务量在线排班服务水平放弃率
开着 JavaScript 才能批量算。

03 · 质检

质检抽样

抽之前先算抽多少条才够说明问题。抽完再拿结果算真实问题率大概在哪个范围,跟合格线比能不能下结论。两组结果放在一起,还能看差别是真的还是抽样运气。

要抽多少条

适合月初定抽检量,或者检查现在的抽检比例够不够。按整个团队估问题率时用它,按单个坐席估样本通常不够。

条

这段时间的通话或会话总数。不知道就留空,按总量很大算

%

用上一期的数。没有参考就填 50,抽得最多也最稳

±个百分点
377条

占总量的 1.9%。抽到的问题率跟真实值相差不超过 3 个百分点,有 95% 的把握。

误差放宽或收紧时

允许误差要抽占总量
±1 个百分点2948 条14.7%
±2 个百分点829 条4.1%
±3 个百分点377 条1.9%
±5 个百分点138 条0.7%

抽完怎么看

适合月底出质检结果时判断一组达没达标。样本越少,越要看区间,别只看那一个百分比。

条
条
%

留空就不做判断

93.0%样本合格率

真实合格率有 95% 的把握落在 88.6% 到 95.8% 之间。

问题率
7.0%
问题率区间
4.2% 到 11.4%

目标 90% 落在区间里面,这批样本还说不准达没达标。

两组比一比

适合看两个班组、两个月、培训前后的合格率差别是不是真的。两组要各自随机抽,同一条录音不能两边都算。

A 组,比如上个月或者一班

条
条

B 组,比如这个月或者二班

条
条
+3.4个百分点,B 组合格率减 A 组

A 组合格率 93.0%,B 组 96.4%。真实差距有 95% 的把握落在 −1.0 到 +8.1 个百分点之间。

p 值
0.12
看清这么大的差距,每组约需
698 条

区间跨过了 0,这 3.4 个百分点可能只是抽样运气,还不能说 B 组更好。

按坐席看合格率时样本通常很小。一个人一个月抽 5 条,5 条全对,问题率的 95% 区间上限还有 43%,拿这几条给坐席排名,名次大多是运气。

04 · 说明

公式与假设

点开看每个数是怎么来的,以及什么情况下它会偏。

Erlang C 怎么算人数

先把进线量换成话务量。200 通电话、每通 240 秒,落在 30 分钟里,就是 200 × 240 ÷ 1800 ≈ 26.67 Erl,意思是这半小时平均有 26.67 个人同时在通话或做话后处理。位子数必须多于这个数,少于它队列只会越排越长。

有了话务量 A 和位子总数 s,Erlang C 给出来电需要排队的概率 Pw,服务水平和 ASA 都从它推出来。电话一个人占一个位子,在线客服一个人能同时接几个会话就算几个位子。

A    = 进线量 × AHT ÷ 时段秒数
s    = 在线人数 × 每人同时接待数(电话为 1)
P_w  = Erlang C(s, A)
服务水平 = 1 − P_w × e^(−(s − A) × T ÷ AHT)
ASA  = P_w × AHT ÷ (s − A)
占用率 = A ÷ s
排班人数 = 在线人数 ÷ (1 − 排班损耗)

计算器从最少的人数往上一个一个加,第一个让服务水平达到目标、占用率也不超上限的人数就是推荐人数。Pw 用 Erlang B 的递推算,坐席上千也不会溢出。这套算法拿排队仿真核对过,四组参数下排队概率、服务水平和 ASA 都跟公式对得上。

Erlang A 怎么把放弃算进去

Erlang A 在 Erlang C 的基础上多了一个假设,排队的客户各有各的耐心,等的时间超过耐心就挂断。耐心按指数分布处理,只需要一个平均值。挂断的客户不再占线,后面的人等得更短,所以同样的服务水平目标,A 通常比 C 少要几个人。

服务水平按 T 秒内接起的来电占全部进线算,放弃的一律算没接到。只看这一条会出问题。客户耐心很短时,很多人没排几秒就挂了,剩下的人很快被接起,服务水平照样达标,放弃率却高得没法接受。拿 200 通、AHT 240 秒、80/20 试,平均耐心 5 秒时 24 个人就够 80%,放弃率接近 20%。所以 A 模式要同时满足放弃率上限,推荐人数取三条约束都满足的最小值。

平均耐心可以从历史数据反推,约等于平均排队时长除以放弃率。平均排队要按全部进线算,直接接起的算 0 秒,中途挂断的算到挂断为止。系统报表里的平均等待如果只算接起的来电,会把耐心估小。平均排队 12 秒、放弃率 6%,平均耐心约 200 秒。

计算上把排队过程写成生灭过程求稳态分布,放弃率和 ASA 由递推精确算出,T 秒内接起的概率用均匀化方法算,没有用近似公式。拿带放弃的排队仿真核对过六组参数,包括来电超过坐席能力的过载情况,放弃率、服务水平、ASA 和排队概率都对得上。平均耐心设得很长时,结果和 Erlang C 一致。

指数耐心是一种简化。真实的挂断常常集中在刚进队列和听到排队提示音之后。算出来的放弃率跟实际差得多,就回头调平均耐心,直到对上近几周的数据。

在线客服的并发

每人同时接待填 5,计算器就把每个坐席当成 5 个会话位。新会话只有在所有人的 5 个位都占满时才排队,这跟在线客服系统的派单方式一致。位子数确定后按 5 个一组折回人数,所以推荐人数总是整人。

会话时长要填这个并发下实测的平均值。同一个人手上挂 5 个会话,每个会话都比只挂 2 个时拖得久。把上限从 3 调到 5 却沿用调整前的会话时长,算出来的人会偏少,高峰时排队比预期长。拿不准的话,先用现在的上限和现在的时长算,再把时长加两三成看看人数变多少。

结果里的人均同时在接是话务量除以在线人数,表示平均每人手上挂着几个会话。它贴近上限时坐席很吃力,回复变慢,会话时长又会跟着变长,这时最好多留一两个人。

什么时候算出来的人数会偏

Erlang C 假设客户会一直等下去,没人挂断。现实里等久了有人放弃,放弃的电话不再占坐席,所以真实需要的人数会比 C 算出来的少一点。放弃率高的热线和在线客服,换成 Erlang A 更接近实际。

两个模型都假设这个时段里的来电是随机均匀到达的。整点集中涌进来的场景,比如系统故障后的投诉潮,实际排队会比算出来的长,时段切细一点会好些。

排班损耗和班次

损耗是排了班却不在线接线的时间占比,休息、吃饭、培训、开会、辅导、请假都算。最好用自己中心过去几周的数据算,拿排班总工时减去实际在线接待的工时,再除以排班总工时。在线 32 人、损耗 30%,就是 32 ÷ 0.7 ≈ 45.7,向上取整排 46 人。

全天排班里的约合班次是排班人时除以班次时长,是一个理想下限。真实排班要把班次拼进进线曲线,早晚两头和午间低谷总会有人闲着,实际要的班次会比它多。

质检样本量和置信区间

样本量按估计比例的公式算,总量有限时再做一次修正。z 是置信度对应的系数,90%、95%、99% 分别是 1.645、1.96、2.576。预估问题率越接近 50% 要抽得越多,所以没有参考时填 50 最稳。

n₀ = z² × p × (1 − p) ÷ E²
n  = n₀ ÷ (1 + (n₀ − 1) ÷ N)

抽完之后的区间用威尔逊区间。课本上常见的 p ± z√(p(1−p)/n) 在样本少或问题率接近 0 时会出毛病,全对时区间宽度直接变成零。威尔逊区间没有这个问题,抽 5 条全对也能给出一个合理的上限。

中心 = (p̂ + z² ÷ 2n) ÷ (1 + z² ÷ n)
半宽 = z × √(p̂(1 − p̂) ÷ n + z² ÷ 4n²) ÷ (1 + z² ÷ n)

这两个公式也拿仿真核对过。按算出的条数抽,样本问题率落在误差范围内的比例在 93% 到 95% 之间。区间盖住真实问题率的比例在 92% 到 96% 之间,样本越小越容易偏离 95% 一点。

两组比较用 Newcombe 的方法算合格率之差的区间,它拿两组各自的威尔逊区间拼出来,样本小、问题率接近 0 时也不会算出离谱的结果。区间整个在 0 的一边,才说差距是真的。p 值用合并比例的 z 检验算,只作参考。每组约需多少条,是按现在这两个合格率、80% 的把握倒推的样本量。

这套方法核对过 Newcombe 论文里的例子,结果一致。仿真里两组真实合格率相同时,误判为有差的比例在 5% 以内;真实差距存在、照建议的条数抽时,大约八成能看出来。样本不够时差距常常看不出来。上月 200 条、本月 250 条,问题率从 7% 涨到 12%,仿真里只有四成的时候能判出差别。

一次比很多组要小心。20 个坐席两两比,就算大家水平完全一样,也会有几对碰巧判成有差。要挑出真正掉队的人,先看他自己的区间,再结合几个月的数据。

前提是随机抽。只挑长通话或者投诉单来听,样本再多也代表不了整体。想分开看某一类,就把它当成单独的一期,各自算样本量。