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。
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%
- 会话位合计
- 人均同时在接
- 放弃率
- 平均排队(含放弃)
Erlang A 的服务水平是 T 秒内接起的来电占全部进线的比例,放弃的算没接到。ASA 只算接起的来电。
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 |
|---|---|---|---|---|---|---|
| 27 | 10.0% | 666.2 秒 | 98.8% | 92.5% | ||
| 28 | 35.0% | 130.7 秒 | 95.2% | 72.6% | ||
| 29 | 53.8% | 57.8 秒 | 92.0% | 56.2% | ||
| 30 | 67.6% | 30.8 秒 | 88.9% | 42.8% | ||
| 31 | 77.7% | 17.8 秒 | 86.0% | 32.1% | ||
| 32 | 84.9% | 10.6 秒 | 83.3% | 23.6% | ||
| 33 | 89.9% | 6.5 秒 | 80.8% | 17.1% | ||
| 34 | 93.4% | 4.0 秒 | 78.4% | 12.2% | ||
| 35 | 95.8% | 2.4 秒 | 76.2% | 8.5% | ||
| 36 | 97.3% | 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。
- 峰值在线
- 在线人时
- 排班人时
- 进线合计
- 峰值时段
- 约合班次
| 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。
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。