Perguntas frequentes (FAQs)

Ao revisar a etapa Dados de previsão, você vê o volume previsto e o AHT para todas as competências selecionadas. Os dados podem parecer imprecisos, enquanto você espera ver valores normais:

• Se você visualizar algumas áreas onde o AHT ou o volume está estranhamente baixo ou em 0,00.

• Você vê picos de volume na terça e quarta-feira, mas os Dados históricos mostram picos na segunda-feira e tendências de declínio até sexta-feira.

Nesses casos, considere fazer alterações nos dados históricos.

Na etapa de Dados históricos procure dias que nao seguem o padrão. Por exemplo, os volumes podem ser muito altos para um determinado dia devido a uma promoção de produto. Este não é um dia padrão. Por causa disso, os dados de previsão mostrarão um volume impreciso ou AHT para algumas competências.

Para melhorar a precisão dos volumes previstos e AHT, defina esses dias como Dias especiais. Nas configurações de dia especial, escolha Excluir este dia das previsões futuras . Esses dias não serão levados em consideração na etapa de Dados de precisão.

Quando o volume de interação previsto para um dia inteiro for 0, você não poderá editar o volume.

Você pode checar se o volume para o dia inteiro é 0 visualizando os dados por dia (1D). Na visão do dia, você pode ver dados para cada intervalo durante o dia.

Se o volume para todos os intervalos for 0, esse é o motivo pelo qual você não consegue editar os dados.

Para poder editar o volume, altere pelo menos um intervalo.

Por exemplo, o volume de interação previsto em 25 de janeiro é 0. No momento, você está olhando para a exibição de mês (1M). Neste caso, você não será capaz de editar ou editar em massa.

Para editar o volume para o dia 25:

• Vá para a exibição de dia (1D).

• Edite pelo menos um intervalo. Digamos, 25 Jan 8:00 AM. Em vez de 0, digite 1 ou o valor desejado para aquele intervalo.

• Para fazer alterações no dia inteiro, volte à exibição de mês (1M) e edite.

Quando você cria um trabalho de previsão, o sistema calcula os dados da previsão em dois estágios. Primeiro, os dados são gerados em Dados da previsão (etapa 3 da previsão), com base nas competências necessárias. Segundo, o sistema pode melhorar os dados de previsão distribuindo a carga de trabalho entre várias unidades de agendamento. Depois de definir os Parâmetros de pessoal (etapa 4), os dados são gerados novamente. Dessa vez, o cálculo também considera as unidades de agendamento que podem lidar com as interações. Isso garante que os dados da previsão sejam o mais precisos possível. Os dados da previsão são atualizados em Pessoal (etapa 5).

Quando você gera uma agenda com base em um trabalho de previsão, os dados da previsão são baseados nos dados na etapa 5. Os dados da previsão final também são exibidos nas colunas Previsão no Gerente Intradia.

Durante o processo de previsão, a (etapa 3) envolve a geração de uma previsão bruta, concentrando-se apenas no volume e no Tempo Médio de Manipulação (AHT) por competência, sem considerar os agentes. Da (etapa 3) à (etapa 5), ocorre um processo de simulação, distribuindo os requisitos do agente para cada unidade de agendamento que lida com as competências previstas. Esses requisitos são então convertidos em volume por competência por unidade de agendamento.

Na (etapa 5), conforme mostrado na captura de tela, podemos observar o volume e a AHT para o intervalo de 8:00 AM a 8:15 AM, indicando o número esperado de contatos a serem atendidos por unidade de agendamento por competência como resultado da simulação.

Ver exemplo

Digamos que você ativou ACD em abril de 2021. Esse é o período em que os dados históricos começam a ser coletados. Depois, você ativou o WFM em novembro de 2022. Como você coleta dados históricos há mais de um ano, poderá usá-los automaticamente ao gerar uma previsão.

No entanto, o trabalho de previsão informa que não há dados históricos (na etapa 2). Para resolver isso, você precisa entrar em contato com o suporte. Eles importarão os dados históricos que você coletou para o WFM.

O sistema está funcionando como foi projetado. O recurso de seleção automática escolhe automaticamente o melhor modelo de previsão com base em dados anteriores. Nesse caso, o sistema escolheu o modelo que parecia mais preciso para os dados fornecidos. Embora tenha produzido um pico às quintas-feiras, isso faz parte da função pretendida do sistema - ele selecionou o que parecia ser a melhor opção com base em resultados anteriores.

A diferença nos resultados vem de como os dois modelos lidam com os dados:

• O modelo de seleção automática escolheu um método de previsão que funcionou melhor para os dados anteriores, mas pegou um padrão semanal (como o pico de Quinta-feira) e o carregou para o futuro.

• O modelo de suavização exponencial (ES) suaviza os dados, o que o tornou menos sensível a esses picos de Quinta-feira e produziu uma previsão mais estável.

Ambos os modelos estão dando resultados diferentes porque são projetados para lidar com os dados de maneiras diferentes, e cada modelo tem seus pontos fortes dependendo do comportamento dos dados.

O modelo de seleção automática está fazendo exatamente o que foi projetado para fazer: ele escolhe o modelo que determina que fornecerá a previsão mais precisa com base em dados históricos. No entanto, em casos raros como este, o modelo pode captar padrões incomuns que não são verdadeiros para o futuro, como o pico de Quinta-feira. O cliente pode usar o recurso de seleção automática, mas em algumas situações específicas, pode ser necessário escolher manualmente um modelo diferente (como suavização exponencial) para obter uma previsão mais precisa.

Considerando que o cliente é um detentor de licença avançada, ele tem a opção de selecionar manualmente o modelo de previsão sempre que achar que o modelo selecionado automaticamente não está fornecendo os melhores resultados. Essa flexibilidade permite que eles escolham o modelo mais adequado para suas necessidades específicas.

Na tela de pessoal para o trabalho abaixo, vamos considerar um intervalo em 15 de janeiro para a competência "Contact Center", conforme destacado na imagem abaixo:

Ver exemplo

No exemplo acima, podemos ver que o volume é 4,71 com um AHT de 100,43 para a competência Contact Center. Isso significa que, em um intervalo de 900 segundos (15 minutos), todas as chamadas serão atendidas por um único agente com um AHT de 100,43. Se usarmos os números exatos em nossos cálculos, o requisito de pessoal de 0,53 está correto, pois há 67 agentes na unidade de agendamento.

Alterar o nível de serviço não afeta o pessoal porque temos agentes suficientes para atender as chamadas. Quando observamos a configuração do Contact Center na unidade de agendamento durante a geração de pessoal, vemos que há um total de 67 agentes disponíveis para atender chamadas para a competência selecionada. Portanto, quando os requisitos de pessoal são gerados, se houver agentes suficientes disponíveis para lidar com as interações previstas em cada intervalo, o SLA ASA não será considerado.

No entanto, se não houver agentes suficientes disponíveis para gerenciar as chamadas previstas durante um determinado intervalo, a métrica SLA ASA será utilizada para determinar o número de agentes necessários para atender às metas de nível de serviço. Este princípio se aplica a todos os intervalos, competências e unidades de agendamento para esta função. Considerando o baixo volume e AHT, e o número adequado de agentes disponíveis, o número de funcionários permanece inalterado, pois há agentes suficientes para atender consistentemente ao SLA de 100%, o ASA é efetivamente calculado como zero.

Com base na solicitação de dados históricos, verificamos se a competência ACD é de entrada ou saída e se a direção da competência WEM é de entrada ou saída. Se eles não corresponderem, uma mensagem na página histórica indica uma incompatibilidade de direção.

Mensagem de erro:

• A direção de Competências WEM não corresponde ao ACD. Alinhe essas habilidades de WEM com o ACD: Suporte ao cliente OB.

Possíveis causas:

• Caso 1: A competência WEM é de entrada, mas a competência de ACD mapeada para ela é de saída.

• Caso 2: As competências WEM e ACD são de saída, mas os dados históricos carregados são marcados como de entrada.

• Caso 3: As competências WEM e ACD são de entrada, mas os dados históricos carregados são marcados como de saída devido ao sinalizador de saída ter sido definido como True durante o upload.

• Caso 4: A competência ACD foi excluída e recriada. Nesse caso, o mapeamento original entre a competência WEM e a competência ACD é perdido.

Solução alternativa:

• Certifique-se de que os dados históricos sejam carregados de acordo com a configuração da competência ACD. Se a competência ACD for definida como saída, defina o isOutboundFlag como True durante o upload. Caso contrário, se a competência ACD for definida como entrada, defina isOutboundFlag como False.

• Se uma competência ACD foi excluída e recriada, remapeie a competência WEM para a competência ACD recém-criada.

• Nos casos em que uma competência ACD é mapeada como de entrada, mas a competência WEM associada tem a competência Atribuir ao canal definida como Discador, a competência WEM deve ser excluída. Crie uma nova competência WEM do tipo entrada e associe-a à competência ACD de entrada apropriada.

• Recarregue os dados históricos do WFM > Previsão > ACD Dados históricos e certifique-se de que pelo menos 13 semanas de dados históricos estejam disponíveis para uma previsão precisa.

Em CXone Mpower WFM, Meta ASA (Velocidade Média de Resposta) é um parâmetro opcional usado nos cálculos de pessoal.

• Você pode definir um ASA de destino como parte de seus parâmetros de pessoal, mas ele não é obrigatório.

• Se você não definir um ASA de destino, o processo de pessoal ainda será executado usando outras entradas, como a meta de Nível de serviço, para gerar recomendações de pessoal.

Quando a equipe é gerada, o sistema executa uma simulação que modela como os contatos chegam, enfileiram e são atendidos em um ACD do mundo real. Com base nessa simulação, o sistema determina:

• O número de agentes necessários para atender às metas definidas (Nível de serviço e/ou ASA).

• O tempo médio de espera real os clientes experimentariam com a equipe calculada.

Esse tempo de espera real se torna o ASA previsto exibido no Intradia.

• Se um ASA de destino for definido, o ASA previsto refletirá o resultado da simulação com base nesse objetivo.

• Se nenhum ASA de destino for definido, o ASA previsto ainda será calculado automaticamente como parte da simulação baseada em nível de serviço.

Independentemente de um ASA de destino estar configurado, o Intraday sempre exibe um ASA previsto com base na simulação de pessoal.

Quando vários destinos de serviço, como Nível de serviço, Target ASAe Ocupação máxima são definidos para o mesmo WEM Competência, CXone Mpower WFM avalia todos os destinos simultaneamente durante a simulação de pessoal.

• O sistema calcula o número de agentes necessários para atender a cada meta individual.

• Em seguida, seleciona o maior requisito de pessoal entre eles.

  Por exemplo:

  • A meta de Nível de serviço requer 20 agentes

  • O ASA de destino requer 22 agentes

  • Ocupação máxima requer 18 agentes

  • Requisito final de pessoal = 22 agentes (o máximo dos três)

Essa abordagem garante que as recomendações de pessoal atendam a todas as metas de serviço definidas, não apenas uma.

A definição de várias metas de serviço para a mesma Competência WEM geralmente não é recomendada. Cada alvo direciona a equipe de maneira diferente e pode introduzir restrições conflitantes. Por exemplo,

• O Nível de serviço e o ASA alvo visam reduzir o tempo de espera do cliente.

• A Ocupação máxima limita a utilização do agente, o que pode entrar em conflito com as metas de SL e ASA.

Apesar disso, o CXone Mpower WFM oferece flexibilidade para oferecer suporte a esses cenários quando necessário. A Calculadora de Requisitos Pessoal avalia várias metas selecionadas, definidas no Perfil Pessoal ou diretamente no Trabalho de Previsão, e gera recomendações de pessoal que as satisfazem simultaneamente.

O algoritmo de previsão usa métodos diferentes para calcular o AHT com base na quantidade de dados históricos disponíveis:

Se houver menos de 2 anos de dados históricos disponíveis:

• O algoritmo usa uma média ponderada móvel para estimar o AHT.

• Esse cálculo é executado no nível do intervalo, aplicando pesos a pontos de dados recentes dentro de cada intervalo de tempo (por exemplo, blocos de 15 ou 30 minutos).

Se mais de 2 anos de dados históricos estiverem disponíveis:

• O algoritmo avalia vários modelos candidatos e seleciona aquele com o menor erro absoluto médio (MAE).

• Essa seleção de modelo também é aplicada no nível do intervalo, permitindo que cada intervalo use o modelo de melhor ajuste com base em seu comportamento histórico de AHT.

Resumo:

• < dados de 2 anos: Média Ponderada Móvel → aplicada no nível do intervalo.

• ≥ dados de 2 anos: Modelo de melhor ajuste selecionado usando MAE → aplicado no nível do intervalo.