因为拙作《数据的魔力——基于数据分析的呼叫中心流程改善》一书发布，从七月底开始在各大城市召开读书会，读书会的主题围绕着新书的内容——基于数据分析的呼叫中心流程改善而展开。对于我这样一个说好叫“低调”、说不好听就是“羞怯”的人来说要这样密集地抛头露面，我还是有几分不适应，但这是市场的需要，况且我也不能确信自己写的内容真的会“酒香不怕巷子深”，于是顶着炎炎烈日，开始了我的读书会之旅。七个城市下来，虽然有点累，庆幸没有出现身体上的状况，倒也收获颇丰，粉丝数涨了不少，名片也收集了一大摞，当然还有在读书会过程中大家抛出的一些引发我思考的问题，让我这个专职培训讲师找到了下一步学习的方向。 

图1 服务水平趋势图

这个呼叫中心在2月的28天里只有5天的服务水平指标是在目标要求内，而另外23天都在目标带外，虽然平均值表现很好（79.9%），然而这样的服务水平对于顾客感受而言是非常不一致的，所以需要改善。但是改善应该从哪里入手呢？这个时候有人会说先把那些差异大的日期进行更深入分析，解决这个问题。但是我会跟听众讲，先别着急去找细化数据，我们来思考几个问题：

 1、你需要解决的是什么问题？

2、这个问题与哪些流程有关？

3、这些流程的指标有哪些？

4、从哪些维度来组织数据，这些数据能得出充分的结论吗？

为什么要去这样思考？这就好比一条河流，如果它的上游受到了污染，这个时候我们再如何努力去治理下游的污染、减少排放物都解决不了问题，还必须从源头去了解这个污染产生的原因。这就是根源解决法，而我们数据分析的逻辑也是建立在根源分析的基础上，所以上述的这四个问题就是帮助我们去探究源头的方法。

 我们先来回答前两个问题：

要解决什么问题？

服务水平波动

这个指标与哪些过程相关？

预测量是否准确

人员安排是否匹配

现场是否按计划执行

 接下来我们就可以根据这些过程来找到对应的指标进行分析。

图2 关联数据分析

先看第一个影响因素，每日预测准确率，我们将实际呼入量与预测呼叫量做个对比分析：

图3 每日预测准确率

从上面两张图中可以看出，每日预测准确率的偏差很大，低的时候超过-40%，而高的时候则接近30%，下一步我们需要了解排班的人员又是根据什么样的计算结果进行人员安排的，所以要找的下一组数据是预测人员数量与实际安排数量的对比，如下图：

图4 预测人员需求与实际安排人数

通过与预测话量的比对，可以观察出预测人员需求是按照预测话量拟合的，但实际安排时做了简化处理，每周一至周日是按照同一规律进行人员安排的。如果预测话量是准确的话，这个人员安排问题不是很大；但是因为预测偏离太大，这种人员安排就会带来现场调控上的难度，因此通过上面几组数据的分析可以得出如下的过程结果。

 初步结论：

预测排班流程的问题比较大，每日预测准确率在正负40%左右波动，需要先解决预测精度问题

实际人员安排与预测人员数基本持平，但是人力需求数据不完全是按预测业务量拟合，而是进行了调整。

现场数据暂时无法采集到，在此可以先不进行分析。 

下一步的行动：

先解决预测排班模型问题，重新拟合预测公式，提升每日预测准确率，短期目标为正负15%，长期目标为正负10%。

根据预测量进行人员需求测算，并进行排班，排班周期缩短为两周。 

现场数据的收集。

根据以上的分析思路可以总结出这个分析过程涉及的流程包括：话量预测流程、人员安排流程、人员招聘流程（出现实际安排人员不足时必须进行人员招聘的分析）和现场管理流程。从数据分析的过程中可以得出结论，是预测流程的问题比较大，所以先解决预测话量问题，在预测精度满足要求后根据预测需求进行人员安排，同时增加现场数据监控（在线人数与计划人数的对比），通过这些改善方案后，这个指标在4月份变成了下面这个结果。

图5 4月服务水平趋势

4月的30天在目标带内的服务水平天数从5天增加到了18天，而未达到目标值的那12天，其服务水平的波动也明显小于2月。当然，从流程改善的定义来说这是个循环过程，还需要持续改善。

 这篇专稿由于篇幅的原因，有些分析思路没有叙述的很完整，如果各位读者想了解的更多，可以读我的书，将你的想法与我分享。