常見問題（FAQ）

您可以觀看 影片，了解更多有關利用特別日子提高預測準確性的資訊。

在檢閱預測資料步驟時，您會看到所有選定技能的預測量和 AHT。 資料可能看起來不准確，而您希望看到正常值：

  • 在某些區域看到 AHT 或數量異常低或為 0.00。

  • 在週二和週三看到高峰數量，但歷史資料顯示週一達到了高峰，而下降趨勢一直持續到週五。

在這些情況下，請考慮變更歷史資料。

在歷史資料步驟中，尋找不太符合標準的日期。 例如，由於產品促銷，某一天的銷量可能過高。 但這不是一個標準的一天。 因此，對於某些技能，預測資料將顯示不准確的數量或 AHT。

為了提高預測量和 AHT 的準確性，將這些天定義為特別日子。 在特殊日子設定中，選擇從未來預測中排除這一天。 之後在預測資料步驟中將不會考慮這些天。

當全天的預測互動數量為 0 時，您將無法編輯數量。

透過按天 (1D) 檢視資料，您可以檢查全天的量是否為 0。 在日視圖中，您可以查看一天中每個間隔的資料。

若所有間隔的量都為 0，即表示無法對資料進行編輯。

要能夠編輯量，至少要變更一個間隔。

例如，1 月 25 日的預測互動量為 0。 您目前正在按月視圖 (1M) 尋找。 在這種情況下，您將無法進行編輯或批量編輯。

要編輯 25 日的互動量：

  • 前往日視圖 (1D)。

  • 至少編輯一個間隔。 假設，Jan 25 8:00 AM。 寫入 1或該間隔的所需值，而不是 0。

  • 要對全天進行變更，請返回月視圖 (1M) 並編輯。

當您建立一個預測作業時，系統分兩個階段計算預測資料。 首先，根據所需的技能，在預測資料（預測的步驟 3）中產生資料。 第二，系統可以透過將工作量指派給多個排程單元來改善預測資料。 在定義人手編排參數後（步驟 4），會重新產生資料。 此次計算還考慮了可以處理互動的排程單元。 這最大程度確保了預測資料的準確性。 預測資料更新了人手編排（步驟 5）。

當您根據預測作業產生排程時，預測資料是基於步驟 5 中的資料。 最終的預測資料也顯示在 當日管理器 的預測欄中。

在預測過程中，（步驟 3）涉及生成原始預測，僅關注每個技能的數量和平均處理時間 （AHT），而不考慮客服專員。 從（步驟 3） 到（步驟 5），將發生模擬過程，將客服專員需求分配給處理預測技能的每個調度單元。 然後，這些要求將轉換回每個調度單元的每個技能的數量。

在（步驟 5）中，如螢幕截圖所示，我們可以觀察從上午 8：00 到 8：15 AM間隔內的數量和AHT，表示類比導致每個技能每個調度單元要處理的預期聯絡數量。

假設您於 2021 年 4 月啟用 ACD。 這時，歷史資料開始被收集。 之後，您在 2022 年 11 月啟動了WFM。 因為您已經收集了一年多的歷史資料，所以你應該能夠在生成預測時自動使用此資料。

然而，預測作業提示沒有歷史資料（在步驟 2）。 要解決此問題，您需要聯絡技術支援部門。 他們會將您收集的歷史資料匯入WFM。

系統正在按設計工作。 自動選擇功能會根據過去的資料自動選擇最佳預測模型。 在這種情況下，系統選擇了對給定數據最準確的模型。 儘管它在週四產生了一個峰值，但這是系統預期功能的一部分 - 它根據過去的結果選擇了似乎是最好的選擇。

結果的差異來自兩個模型如何處理數據：

  • 自動選擇模型選擇了一種最適合過去數據的預測方法，但它選擇了每周模式（如星期四峰值）並將其帶入未來。

  • 指數平滑 （ES） 模型可平滑數據，使其對這些星期四峰值不太敏感，併產生更穩定的預測。

這兩個模型給出的結果不同，因為它們旨在以不同的方式處理數據，並且每個模型都有其優勢，具體取決於數據的行為。

自動選擇模型正在執行其設計目的，它選擇它確定的模型將根據歷史數據提供最準確的預測。 但是，在極少數情況下，模型可能會發現未來不成立的異常模式，例如星期四峰值。 客戶可以使用自動選擇功能，但在某些特定情況下，他們可能需要手動選擇不同的模型（如指數平滑）以獲得更準確的預測。

考慮到客戶是高級許可證持有者，只要他們認為自動選擇的模型無法提供最佳結果，他們就可以選擇手動選擇預測模型。 這種靈活性使他們能夠根據自己的特定需求選擇最合適的型號。

在下面作業的人員配備螢幕中，讓我們考慮 1 月 15 日技能「聯絡中心」的一個間隔，如下圖所示：

在上面的示例中，我們可以看到技能聯絡中心的交易量為 4.71，AHT 為 100.43。 這意味著在 900 秒（15 分鐘）間隔內，所有呼叫將由 AHT 為 100.43 的單個客服專員處理。 如果我們在計算中使用確切的數位，0.53 的人員配置要求是正確的，因為調度單元中有 67 名客服專員。

更改服務級別不會影響人員配備，因為我們有足夠的客服專員來處理呼叫。 當我們在人員編排生成期間查看調度單元中的聯絡中心配置時，我們發現共有 67 個客服專員可用於處理所選技能的呼叫。 因此，在生成人手編排需求時，如果每個間隔內有足夠的客服專員可用於處理預測的互動，則不考慮SLA ASA。

但是，如果在給定時間間隔內沒有足夠的客服專員來管理預測的呼叫，則會使用SLA ASA指標來確定滿足服務級別目標所需的客服專員數量。 此原則適用於此角色的所有間隔、技能和調度單元。 考慮到低數量和 AHT，以及足夠的可用客服專員數量，人員配備數量保持不變，因為有足夠的客服專員始終如一地滿足 100% SLA，因此ASA實際上計算為零。

根據歷史數據請求，我們驗證ACD技能是傳入還是傳出，WEM技能方向是傳入還是傳出。 如果它們不匹配，則歷史頁面上的消息指示方向不匹配。

錯誤訊息：

  • WEM 技能方向與 ACD 不符。 將這些 WEM 技能與 ACD：客戶支援 OB 結合起來。

可能的原因：

  • 案例 1： WEM技能為傳入，但對其對應的ACD技能為傳出。

  • 案例2： WEM和ACD技能均為傳出，但上傳的歷史數據標記為傳出。

  • 案例3：WEM和ACD技能均為傳入，但由於上傳過程中傳出標誌設置為True，上傳的歷史數據標記為傳出。

  • 案例 4： ACD技能被刪除並重新建立。 在這種情況下，WEM 技能和 ACD 技能之間的原始映射將丟失。

解決辦法：

  • 確保上傳的歷史數據與ACD技能配置一致。 如果ACD技能定義為傳出，請在上傳過程中將 isOutboundFlag 設定為 True。 否則，如果ACD技能定義為傳入，請將isOutboundFlag設定為 False。

  • 如果刪除並重新建立 ACD 技能，請將 WEM 技能重新配對到新建立的 ACD 技能。

  • 如果 ACD 技能對應為呼入，但關聯的 WEM 技能的 指派到通道 設定為 撥號器，則必須刪除該 WEM 技能。 建立傳入類型的新WEM技能，並將其與相應的傳入ACD技能關聯。

  • 從重新載入歷史資料WFM>預測>ACD歷史資料並確保至少有 13 週的歷史資料可用於準確預測。

在CXone Mpower WFM中，目標ASA（平均應答速度）是人手編排計算中使用的可選參數。

  • 您可以將目標 ASA 定義為人手編排參數的一部分，但這不是強制性的。

  • 如果您未定義目標 ASA，人手編排處理序仍會使用其他輸入 （例如服務水平目標） 來執行，以產生人手編排建議。

產生人手編排後，系統會執行模擬，模擬聯絡人如何在真實世界的 ACD 中到達、佇列和接聽。 根據此模擬，系統確定：

  • 滿足定義目標（服務水平和/或 ASA）所需的客服專員數量。

  • 客戶在計算出的人手編排中會遇到平均實際等待時間。

此實際等待時間將成為「即日」中顯示的預測ASA。

  • 如果定義了目標 ASA，則預測的 ASA 將反映基於該目標的模擬結果。

  • 如果未定義目標 ASA，則預測的 ASA 仍會作為基於服務水平的模擬的一部分自動計算。

無論是否配置了目標 ASA，「即日」一律會根據人手編排模擬顯示預測的 ASA。

當為同一 WEM 技能定義了多個服務目標（例如 服務水平、目標 ASA 和 最大佔用率）時，CXone Mpower WFM 會在人手編排模擬期間同時評估所有目標。

  • 系統計算滿足每個單獨目標所需的客服專員數量。

  • 然後，它從中選擇最高的人手編排需求。

    範例：

    • 服務水平目標需要 20 個客服專員

    • 目標 ASA 需要 22 個客服專員

    • 最大佔用率需要 18 個客服專員

    • 最終人手編排需求 = 22 個客服專員（三個客服專員中的最多一個）

這種方法可確保人手編排建議滿足所有定義的服務目標，而不僅僅是一個目標。

當為同一 WEM 技能定義多個服務目標時，系統始終會根據最嚴格（最大）的要求進行人員配置，以確保滿足所有目標。

通常不建議為同一 WEM 技能定義多個服務目標。 每個目標都以不同的方式驅動人員配置，並可能引入相互衝突的限制。 例如：

  • 服務水平和目標 ASA 旨在減少客戶等待時間。

  • 最大佔用率限制客服專員利用率，這可能與 SL 和 ASA 的目標相衝突。

儘管如此，CXone Mpower WFM提供了在需要時支援此類場景的靈活性。 人手編排需求計算器評估多個選定的目標（無論是在人手編排設定檔中定義還是直接在預測工作中定義），並產生同時滿足這些目標的人手配置建議。

使用者有責任確保所選目標一致且不衝突。 啟用多個目標會增加人手編排解決方案的限制性，這可能導致人手過剩或排程不可行。

 

預測演算法使用不同的方法根據可用的歷史資料量計算 AHT：

如果可用的歷史資料少於 2 年：

  • 該演算法使用移動加權平均來估計 AHT。

  • 此計算在間隔層級執行，將權重套用至每個時間間隔內最近的資料點 （例如，15 分鐘或 30 分鐘區塊）。

如果有超過 2 年的歷史資料可用：

  • 該演算法評估多個候選模型並選擇具有最低平均絕對誤差 （MAE） 的模型。

  • 此模型選擇也應用於間隔層級，允許每個間隔根據其歷史 AHT 行為使用最佳擬合模型。

摘要：

  • < 2 年資料：移動加權平均→在間隔層級套用。

  • ≥ 2 年資料： 使用 MAE 選擇的最佳擬合模型，→在間隔層級套用。