話務預測是客服中心現場運營管理中的第一個環節，也是最重要的一個環節。只有精準的話務預測才可以進行準確的人力排布，提高人工座席利用率，進而提高服務水平并降低人力成本。精準的話務預測也可以提前對未來運營做出預警，為提高服務水平奠定基礎。話務預測不僅對時段、日、月這種較小時間維度內的人力排布起決定性作用，而且可以對年度運營起到較大的指導作用。例如客服中心年度人員需求、何時需要進行人員招聘等客服中心運營管理中的各個環節。
光大銀行客戶滿意中心已走過十五個年頭，最初業務類型單一、規模小、來電較為穩定，預測基本采用的是平均值預測法及移動平均預測法行預測。隨著光大銀行業務增加、客戶群體擴張、客戶黏度增加，來電逐年增長。影響話務的因素也隨之增加，為預測帶來不小的挑戰。例如目前光大銀行信用卡就有10個以上的客戶群按照不同的還款周期帶來相似規律的話務量，如果再使用平均值的預測方法進行預測，很難再做到預測的精準。我們現在SAS系統中使用ARIMA時間序列預測模型進行預測。附圖為信用卡兩個不同的還款周期的來話量圖示（如圖1）。
圖1：不同還款周期的來話量
一、不同話務預測方法適用不同階段的呼叫中心
話務預測屬時間序列預測范疇，預測方法從簡至難，多種多樣，但是需要根據客服中心的主要業務、規模、話務來電規律及需達到的服務水平目標進行合理選擇。否則，你即使選擇最復雜的預測方法，但如果不適合自己的預測環境，那只能給你帶來較多的麻煩，而結果相差無幾。下面是幾種常見的預測方法：
1、平均值預測法
平均值預測法廣泛應用在業務單一、話務較穩定的客服中心。
具體公式為：預測值＝所有歷史數據的平均值。
2、移動平均預測法
移動平均預測法僅對與預測時間內數據相關性最大的N個歷史數據求平均值。
具體公式為：預測值＝N個相關性較大的歷史數據的平均值。
3、指數平滑預測法
指數平滑預測方法是對移動平均法的改進，是將不同大小權重賦予與目前時間段相關的N個歷史數據。
具體公式為：預測值＝n1（歷史數據1）＋n2（歷史數據2）+…+（1－nn）（ 歷史數據n） 。
4、ARIMA模型
ARIMA是自動回歸積分滑動平均模型，它主要使用在有長期趨勢與季節性波動的時間序列的分析預測中。ARIMA的思路很簡單，首先用差分去掉季節性波動，然后去掉長期趨勢，然后平滑序列，最后用一個線性函數+白噪聲的形式來擬合序列。
