文/秦美翠 周家銘 楊華，國家電網(wǎng)有限公司客戶服務(wù)中心北方分中心

1 相關(guān)背景

激烈的市場競爭下，服務(wù)質(zhì)量是呼叫中心的生存之本，運營管理則是企業(yè)發(fā)展的源泉?？头行钠髽I(yè)的形象窗口，是企業(yè)與客戶之間的橋梁，需要首先保證優(yōu)質(zhì)的客戶服務(wù)，以贏得客戶的滿意和忠誠度，并保持和提高其長期貢獻。同時，客服中心需不斷的提升運營管理水平，有效控制人工成本。準確的話務(wù)量預測是客服中心在長期用工計劃與短期運營管理方面有效減低成本的基礎(chǔ)。現(xiàn)有的話務(wù)量預測大多采用二次擬合和回歸預測等簡單方法來預測話務(wù)發(fā)展狀況。預測方法相對簡單，模型變量單一、預測誤差大，難以滿足話務(wù)量的復雜變化，不能有效支撐客服中心及時調(diào)整人力資源配置，實現(xiàn)運營管理水平的提升，精準控制成本。

針對現(xiàn)有預測模型，在營銷周期影響程度發(fā)生變化、突發(fā)惡劣天氣引起劇烈波動等情況下，預測精度降低，提出了一種基于神經(jīng)網(wǎng)絡(luò)的智能預測方法和事件樣本庫，該方法采用了人工神經(jīng)網(wǎng)絡(luò)技術(shù)，并對其進行了分析。該方法可以根據(jù)預測誤差和調(diào)整參數(shù)自動更新事件樣本，對話務(wù)趨勢和事件影響水平的變化以及新事件的發(fā)生具有持續(xù)的自適應(yīng)能力。仿真結(jié)果表明，該預測方法能有效地提高預測精度，有效地減少了預測誤差。

2 基于神經(jīng)網(wǎng)絡(luò)的話務(wù)量預測方法描述

話務(wù)量預測值主要分為常態(tài)話務(wù)量和特殊因子話務(wù)量兩部分。常態(tài)話務(wù)量采用神經(jīng)網(wǎng)絡(luò)預測模塊進行預測，特殊因子話務(wù)量利用事件話務(wù)量樣本庫和用戶數(shù)計算預測值，兩部分預測值的疊加即為最終的預測結(jié)果。在確定的模型框架下，預測模型的建模工作主要包括常態(tài)話務(wù)量的提取及事件話務(wù)量樣本化、常態(tài)話務(wù)量預測模型及其自適應(yīng)調(diào)整方法的制定、事件話務(wù)量樣本庫更新和完善方法。采用粒子群優(yōu)化算法對影響話務(wù)預測的事件話務(wù)量進行量化，成功地將常態(tài)話務(wù)量與特殊因子話務(wù)量分離開來，得到并使用影響話務(wù)預測模式的事件話務(wù)樣本數(shù)據(jù)。話務(wù)量預測模型使用的RBF 神經(jīng)網(wǎng)絡(luò)為三輸入單輸出形式，隸屬函數(shù)節(jié)點為24 個。模型共有3 組輸入，模型輸入數(shù)據(jù)均為處理過的無特殊因子話務(wù)量，輸入數(shù)據(jù)的處理過程如下:1)處理后的歷史數(shù)據(jù)(無特殊因子話務(wù)量)作為輸入X 1;2)歷史數(shù)據(jù)與數(shù)據(jù)均值的差值作為輸入X2，將對應(yīng)月份歷史數(shù)據(jù)求平均得到數(shù)據(jù)均值，再將對應(yīng)月份的歷史數(shù)據(jù)與該均值做差得到相應(yīng)輸入數(shù)據(jù);3)歷史數(shù)據(jù)均值之間的差值作為輸入X3，為了充分考慮話務(wù)量的月增長情況，將月平均值逐月做差，各差值作為相應(yīng)的輸入數(shù)據(jù)。話務(wù)量預測模型通過學習過程可以根據(jù)誤差函數(shù)不斷地對正常話務(wù)量預測值進行調(diào)整，以使預測模型能學習適應(yīng)正常話務(wù)量的變化趨勢，提高模型的預測精度。為了更加準確地預測特殊事件對話務(wù)量的影響，必須依據(jù)實際情況的變化更新和完善事件話務(wù)量樣本庫。首先通過輸入上月的實際話務(wù)量數(shù)據(jù)、事件和記錄的預測數(shù)據(jù)，將實際話務(wù)量劃分為已知事件的實際話務(wù)量、未知事件的實際話務(wù)量、常態(tài)的正常話務(wù)量。提取的常態(tài)話務(wù)量輸入神經(jīng)網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)的預測精度;將提取的已知事件實際話務(wù)量和未知事件實際話務(wù)量為下一步修正事件樣本庫記錄做準備。然后根據(jù)提取的已知事件實際話務(wù)量和未知事件實際話務(wù)量對事件樣本庫記錄進行修正。若發(fā)生事件為未知事件，則根據(jù)其類型和實際持續(xù)期內(nèi)平均突發(fā)話務(wù)量信息添加樣本庫中的記錄;若為已知事件，計算該月的平均突發(fā)話務(wù)量，并修改樣本庫中對應(yīng)月份的突發(fā)量記錄。若事件為持續(xù)事件，還需判斷事件持續(xù)期是否達到12 個月，若達到1 2 個月，則更新事件記錄，當月影響用戶數(shù)按原事件的最后一個月用戶數(shù)設(shè)定。如此不斷更新完善事件樣本庫使事件樣本庫中的各種突發(fā)話務(wù)量與實際話務(wù)量保持相近，從而相對準確地反映突發(fā)事件對話務(wù)量的影響。

3 仿真分析

為了驗證提出的基于神經(jīng)網(wǎng)絡(luò)和事件樣本庫的智能預測方法對話務(wù)量預測的效果，采用時間序列法等常用方法與本文中智能預測方法進行話務(wù)量預測的仿真對比分析。通過對話務(wù)穩(wěn)定期、迎峰度夏等特殊時期話務(wù)預測的仿真結(jié)果可以看出，在話務(wù)量走勢較平穩(wěn)、未出現(xiàn)異常的情況下，現(xiàn)有運營商常用預測方法的預測趨勢與實際較吻合，但誤差較大，月平均誤差為8.85%;但當話務(wù)量出現(xiàn)異常時，如8，9 月迎峰度夏、11 月、12 月迎峰度冬階段，現(xiàn)有預測方法未能很好地預測出話務(wù)量的變化，且誤差非常大，月平均誤差為14.9%。而筆者提出的基于神經(jīng)網(wǎng)絡(luò)的智能預測方法不僅很好地預測出了話務(wù)量的變化趨勢，預測誤差也相對較小，月平均誤差為4.8%。筆者提出的基于神經(jīng)網(wǎng)絡(luò)和事件樣本庫的智能預測方法可以自適應(yīng)調(diào)整各項參數(shù)，首次將各種對話務(wù)量產(chǎn)生影響的因素納入考慮之列。通過仿真分析可以看出，該智能預測方法能有效降低預測誤差，月平均誤差僅為4.8%，相對于現(xiàn)有預測方法，其預測精度提高了6.57%。

4 結(jié)束語

神經(jīng)網(wǎng)絡(luò)通過訓練數(shù)據(jù)調(diào)整系統(tǒng)以解決問題，具有初步的自適應(yīng)與自組織能力，在學習或訓練過程中改變突觸權(quán)重值，以適應(yīng)周圍環(huán)境的要求。本文分析了基于神經(jīng)網(wǎng)絡(luò)的話務(wù)預測方法，對客服中心的運營管理有非常有效的促進作用。