자주 묻는 질문(FAQ)

예측 데이터 단계를 검토할 때, 선택한 모든 스킬에 대해 예측 통화량과 AHT를 모두 볼 수 있습니다. 일반적인 값을 기대하는 데 비해 데이터가 부정확해 보일 수 있습니다.

• 일부 영역의 AHT 또는 통화량이 비정상적으로 낮거나 0.00입니다.

• 과거 데이터는 월요일에 정점을 찍고 금요일까지 하락 추세인 것으로 나타났지만, 화요일과 수요일에 통화량이 최고조에 달한 것으로 표시됩니다.

이러한 경우 과거 데이터를 변경하는 것이 좋습니다.

과거 데이터 단계에서, 표준과 크게 일치하지 않는 날을 살펴봅니다. 예를 들어, 제품 프로모션으로 인해 특정 날짜에 통화량이 매우 높을 수 있습니다. 이는 표준적인 날이 아닙니다. 이 때문에 예측 데이터에 일부 스킬의 부정확한 통화량이나 AHT가 표시됩니다.

예측 통화량과 AHT의 정확도를 높이려면 해당 날짜를 특별 일정(으)로 정의합니다. 특수 일정 설정에서 이 날을 미래 예측에서 제외를 선택합니다. 해당 날짜는 예측 데이터 단계에서 고려되지 않습니다.

하루 종일 예측된 상호작용 볼륨이 0인 경우 볼륨을 편집할 수 없습니다.

날짜별로 데이터를 보면(1D) 하루 전체의 통화량이 0인 것을 확인할 수 있습니다. 날짜 보기에 하루 중 각 간격에 대한 데이터가 표시됩니다.

모든 간격의 통화량이 0이면, 바로 이 때문에 데이터를 편집할 수 없는 것입니다.

통화량을 편집하려면 최소 하나 이상의 간격을 변경합니다.

예를 들어 1월 25일에는 예측 상호작용 통화량이 0입니다. 현재는 월 보기(1M)가 표시되어 있습니다. 이 경우에는 편집하거나 대량 편집할 수 없습니다.

25일의 통화량을 편집하려면 다음을 수행합니다.

• 날짜 보기(1D)로 이동합니다.

• 최소 하나의 간격을 편집합니다. 예를 들어 Jan 25 8:00 AM으로 설정합니다. 0 대신 1 또는 해당 간격에 원하는 값을 입력합니다.

• 하루 전체를 변경하려면 월 보기(1M)로 돌아가서 편집합니다.

예측 작업을 생성할 때는 시스템에서 2단계로 예측 데이터를 계산합니다. 첫 번째로 데이터가 필요한 스킬에 따라 예측 데이터(예측 3단계)에서 생성됩니다. 두 번째로 시스템은 여러 일정 단위에 워크로드를 배포하여 예측 데이터를 개선할 수 있습니다. 인력 배정 파라미터를 정의한 후(4단계) 데이터가 재생성됩니다. 이 경우 계산은 상호작용을 처리할 수 있는 일정 단위 역시 고려합니다. 이렇게 하면 예측 데이터가 최대한 정확해집니다. 예측 데이터는 인력 배정(5단계)에서 업데이트됩니다.

예측 작업에 따라 일정을 생성하면 예측 데이터는 5단계의 데이터를 기반으로 합니다. 최종 예측 데이터 역시 당일 일과 매니저의 예측 열에 표시됩니다.

예측 프로세스 중(3단계)에는 에이전트를 고려하지 않고 오로지 볼륨과 스킬별 평균 처리 시간(AHT)에만 초점을 맞춰 원시 예측을 생성하는 과정이 포함됩니다. (3단계)부터 (5단계)까지 시뮬레이션 프로세스가 진행되어 예측된 기술을 처리하는 각 일정 단위에 에이전트 요구 사항이 분배됩니다. 이러한 요구 사항은 일정 단위당 기술당 볼륨으로 다시 변환됩니다.

(5단계)에서 스크린샷에 표시된 것처럼, 오전 8시에서 오전 8시 15분까지의 구간에 대한 볼륨과 AHT를 관찰할 수 있으며, 이는 시뮬레이션의 결과로 스킬당 스케줄링 단위에서 처리될 것으로 예상되는 연락처 수를 나타냅니다.

예시 참조

예를 들어 2021년 4월에 ACD을 활성화했다고 가정해 보겠습니다. 이 시점은 과거 데이터 수집이 시작되는 때입니다. 그 다음 2022년 11월에 WFM을(를) 활성화했습니다. 1년 넘게 과거 데이터를 수집했기 때문에 예측을 생성할 때 자동으로 데이터를 사용할 수 있어야 합니다.

그러나 예측 작업에서 과거 데이터가 없다고 말합니다(2단계). 이 문제를 해결하려면 지원팀에 문의해야 합니다. 그들이 수집된 과거 데이터를 WFM(으)로 가져올 것입니다.

이 시스템은 설계된 대로 작동하고 있습니다. 자동 선택 기능은 과거 데이터를 기반으로 가장 적합한 예측 모델을 자동으로 선택합니다. 이 경우, 시스템은 주어진 데이터에 가장 정확하다고 생각되는 모델을 선택했습니다. 목요일에 급증이 발생했지만 이는 시스템의 의도된 기능의 일부입니다. 즉, 과거 결과에 따라 가장 좋은 것으로 보이는 옵션을 선택하는 것입니다.

결과의 차이는 두 모델이 데이터를 처리하는 방식에서 비롯됩니다.

• 자동 선택 모델은 과거 데이터에 가장 적합한 예측 방법을 선택했지만, 주간 패턴(예: 목요일 급증)을 포착하여 미래로 이어갔습니다.

• 지수 평활화(ES) 모델은 데이터를 평활화하여 목요일의 급증에 덜 민감하게 반응하고 더 안정적인 예측을 생성합니다.

두 모델은 서로 다른 방식으로 데이터를 처리하도록 설계되었기 때문에 서로 다른 결과를 제공하며, 각 모델은 데이터의 동작에 따라 장점이 있습니다.

자동 선택 모델은 본래 설계된 대로 과거 데이터를 기반으로 가장 정확한 예측을 제공하는 모델을 선택합니다. 그러나 이번처럼 드문 경우에는 모델이 목요일 급등과 같이 미래에는 적용되지 않는 특이한 패턴을 포착할 수도 있습니다. 고객은 자동 선택 기능을 사용할 수 있지만, 특정 상황에서는 더 정확한 예측을 위해 다른 모델(예: 지수 평활화)을 수동으로 선택해야 할 수도 있습니다.

고객이 고급 라이선스 보유자라는 점을 고려하면 자동 선택된 모델이 최상의 결과를 제공하지 않는다고 느낄 때마다 수동으로 예측 모델을 선택할 수 있는 옵션이 있습니다. 이러한 유연성 덕분에 고객은 자신의 특정 요구 사항에 가장 적합한 모델을 선택할 수 있습니다.

아래 직무에 대한 인력 화면에서 아래 이미지에 강조 표시된 것처럼 "컨택센터" 기술에 대해 1월 15일의 한 간격을 고려해 보겠습니다.

예시 참조

위의 예에서 컨택센터스킬에 대한 볼륨은 4.71이고 AHT는 100.43임을 알 수 있습니다. 즉, 900초(15분) 간격 내에 모든 통화는 AHT가 100.43인 단일 상담원이 처리하게 됩니다. 계산에 정확한 수치를 사용한다면 스케줄링 부서에 67명의 상담원이 있으므로 0.53의 인력 요구 사항이 맞습니다.

서비스 수준을 변경해도 통화를 처리할 상담원이 충분하기 때문에 인력에 영향을 미치지 않습니다. 인력 생성 중 스케줄링 단위에서 컨택센터 구성을 살펴보면, 선택한 기술에 대한 통화를 처리할 수 있는 에이전트가 총 67명 있는 것을 확인할 수 있습니다. 따라서 인력 요구 사항이 생성될 때 각 간격에서 예상되는 상호작용을 처리할 수 있는 충분한 에이전트가 있는 경우 SLA ASA는 고려되지 않습니다.

그러나 주어진 간격 동안 예상되는 통화를 관리할 상담원이 부족할 경우 SLA ASA 지표를 활용하여 서비스 수준 목표를 충족하는 데 필요한 상담원 수를 결정합니다. 이 원칙은 이 역할의 모든 간격, 기술 및 일정 단위에 적용됩니다. 낮은 볼륨과 AHT, 그리고 적절한 수의 에이전트를 고려하면, 100% SLA를 지속적으로 충족할 수 있는 충분한 에이전트가 있으므로 직원 수는 변함없이 유지되므로 ASA는 실질적으로 0으로 계산됩니다.

과거 데이터 요청을 기반으로 ACD 스킬이 인바운드인지 아웃바운드인지, WEM 스킬 방향이 인바운드인지 아웃바운드인지 확인합니다. 일치하지 않으면, 역사 페이지에 방향이 일치하지 않는다는 메시지가 표시됩니다.

오류 메시지:

• WEM 스킬 방향이 ACD와 일치하지 않습니다. 이러한 WEM 기술을 ACD: 고객 지원 OB에 맞춰 조정하세요.

가능한 원인:

• 사례 1: WEM 스킬은 인바운드이지만 이에 매핑된 ACD 스킬은 아웃바운드입니다.

• 사례 2: WEM과 ACD 기술은 모두 아웃바운드이지만 업로드된 과거 데이터는 인바운드로 표시됩니다.

• 사례 3: WEM과 ACD 스킬은 모두 인바운드이지만 업로드 중에 아웃바운드 플래그가 True로 설정되어 업로드된 기록 데이터는 아웃바운드로 표시됩니다.

• 사례 4: ACD 스킬이 삭제되었다가 다시 생성되었습니다. 이 경우 WEM 기술과 ACD 기술 간의 원래 매핑이 손실됩니다.

해결 방법:

• ACD 기술 구성에 맞춰 과거 데이터가 업로드되었는지 확인하세요. ACD 기술이 아웃바운드로 정의된 경우 업로드 중에 isOutboundFlag를 True로 설정합니다. 그렇지 않은 경우 ACD 기술이 인바운드로 정의된 경우 isOutboundFlag를 False로 설정합니다.

• ACD 스킬이 삭제되었다가 다시 생성된 경우, WEM을 새로 생성된 ACD 스킬로 다시 매핑합니다.

• ACD 스킬이 인바운드로 매핑되었지만 연관된 WEM 스킬의 채널에 할당이 다이얼러로 설정된 경우 WEM 스킬을 삭제해야 합니다. 인바운드 유형의 새로운 WEM 스킬을 만들고 이를 적절한 인바운드 ACD 스킬과 연결합니다.

• WFM > 예측 > ACD 과거 데이터에서 과거 데이터를 다시 로드하고 정확한 예측을 위해 최소 13주의 과거 데이터를 사용할 수 있는지 확인하세요.

CXone Mpower WFM에서 목표 ASA(평균 답변 속도)는 인력 계산에 사용되는 선택적 매개변수입니다.

• 타겟 ASA를 인력 매개변수의 일부로 정의할 수 있지만 필수는 아닙니다.

• 대상 ASA를 정의하지 않으면 서비스 수준 목표 등의 다른 입력을 사용하여 인력 배치 프로세스가 계속 실행되어 인력 배치 권장 사항을 생성합니다.

인력이 생성되면 시스템은 실제 ACD에서 연락처가 도착하고, 대기하고, 답변하는 방식을 모델링하는 시뮬레이션을 실행합니다. 이 시뮬레이션을 기반으로 시스템은 다음을 결정합니다.

• 정의된 목표(서비스 수준 및/또는 ASA)를 충족하는 데 필요한 에이전트 수입니다.

• 계산된 인력 배치로 고객이 경험하게 될 실제 대기 시간(평균)은 평균입니다.

실제 대기 시간은 당일 거래에 표시되는 예측 ASA가 됩니다.

• 목표 ASA가 정의된 경우 예측 ASA는 해당 목표에 따른 시뮬레이션 결과를 반영합니다.

• 대상 ASA가 정의되지 않은 경우에도 예측 ASA는 서비스 수준 기반 시뮬레이션의 일부로 자동으로 계산됩니다.

대상 ASA가 구성되었는지 여부에 관계없이 일일 판매에서는 항상 인력 시뮬레이션을 기반으로 예측 ASA가 표시됩니다.

서비스 수준, 목표 ASA, 최대 점유율과 같은 여러 서비스 대상이 동일한 WEM 스킬에 대해 정의된 경우 CXone Mpower WFM은 인력 시뮬레이션 중에 모든 대상을 동시에 평가합니다.

• 시스템은 각 개별 목표를 달성하는 데 필요한 에이전트 수를 계산합니다.

• 그런 다음 그 중에서 가장 높은 인력 요구 사항을 선택합니다.

  예:

  • 서비스 수준 목표에는 20명의 에이전트가 필요합니다.

  • Target ASA에는 22명의 에이전트가 필요합니다.

  • 최대 점유율은 18명의 에이전트가 필요합니다.

  • 최종 인력 필요 인원 = 22명의 상담원(3명 중 최대 인원)

이러한 접근 방식은 인력 추천이 하나가 아닌 모든 정의된 서비스 목표를 충족하도록 보장합니다.

동일한 WEM 스킬에 대해 여러 서비스 대상을 정의하는 것은 일반적으로 권장되지 않습니다. 각 목표는 인력 배치를 다르게 추진하며 상충되는 제약이 생길 수도 있습니다. 예를 들어

• 서비스 수준 및 목표 ASA는 고객 대기 시간을 줄이는 것을 목표로 합니다.

• 최대 점유율은 에이전트 활용도를 제한하는데, 이는 SL 및 ASA의 목표와 충돌할 수 있습니다.

그럼에도 불구하고 CXone Mpower WFM은 필요할 때 이러한 시나리오를 지원할 수 있는 유연성을 제공합니다. 인원 배치 요구 계산기는 인원 배치 프로필에 정의되어 있거나 예측 직무에 직접 정의되어 있는 여러 개의 선택된 목표를 평가하고 이를 동시에 충족하는 인원을 배치 권장 사항을 생성합니다.

예측 알고리즘은 사용 가능한 과거 데이터의 양에 따라 AHT를 계산하기 위해 다양한 방법을 사용합니다.

2년 미만의 과거 데이터가 있는 경우:

• 이 알고리즘은 이동 가중 평균을 사용하여 AHT를 추정합니다.

• 이 계산은 간격 수준에서 수행되며 각 시간 간격(예: 15분 또는 30분 블록) 내의 최근 데이터 포인트에 가중치를 적용합니다.

2년 이상의 과거 데이터가 있는 경우:

• 이 알고리즘은 여러 후보 모델을 평가하고 평균 절대 오차(MAE)가 가장 낮은 모델을 선택합니다.

• 이 모델 선택은 간격 수준에서도 적용되므로 각 간격은 과거 AHT 동작에 따라 가장 적합한 모델을 사용할 수 있습니다.

요약:

• < 2년 데이터: 이동 가중 평균 → 간격 수준에서 적용됨.

• ≥ 2년 데이터: MAE를 사용하여 선택한 최적 모델 → 간격 수준에서 적용됨.