客服中心优化案例数据分析(附下载数据)

介绍：笔者写这篇文章主要是针对那些在案例解决方面缺乏自信的初学者，这将成为在面试中被拒的一个重要原因。如果你还在读这篇文章的话，笔者相信，你肯定已经做好了和我一起进入下一阶段的准备!

为了便于理解，第一阶段我设置得比较简单，目的就是吸引大家持续跟进，能够逻辑清晰地理解客服中心的工作流程。

然而，这只是把客服中心的真实工作简化后的结果。在本文中，我将更进一步，向大家介绍一下在客服中心优化案例问题。我已经介绍过R语言的编码问题，相信这篇文章将对R语言用户更加有帮助。不过，即使你不了解R 语言，你也可以用Excel 解决问题。

我们在之前的案例里进行了很多假设。其中一些包括：

1. 所有的电话同时打进来。然而在真实案例中这绝不可能发生。

2. 一个呼叫者处理一位顾客所需要的时间可以被准确预测。

我们排除第一个假设使案例变得更加真实一些。

商业案例(中级)

假设你为一个中型的电子商务企业设立一个客服中心。为了满足要求，你需要知道客服人员的总人数。这个项目会被外包给一个客服中心，它需要24小时在线服务， 而且每名客服的效率是相同的。

按照这种效率，你也估测到了顾客每个电话的时长。这种预测是基于以往客户的行为而进行的市场研究和预测。你可以假设这种预测是准确的，现在你需要预测如下内容：

1. 如果要确保顾客无须等待即可联络到客服人员(零等待时间)，最少需要多少呼叫人员

2. 如果要确保顾客等待时间不超过30分钟(最多等待30分钟)，最少需要多少呼叫人员

你需要处理的数据

你需要处理的是一天一共有一万个电话。

数据如下：

需要考虑以下内容：

1. 通话时长以“分钟”计。2. 时间(以分钟计)从午夜00:00开始。3. 呼叫显示的是顾客的ID.4. 假设每个呼叫者效率相同，并以和数据中一致的时间接听电话。5. 同时，你要假设呼叫人员没有休息时间，每个呼叫人员24小时在线。注意该数据仅为一天的数据(1440分钟)。

开始找解决方案

探索数据

同往常一样，我想说，在最开始探索和分析数据的分布很重要，呼叫时长分布数据如下：

经观察可发现，很多电话时长在3至7分钟，5分钟居多。我们来观察下一个变量。

呼叫时段分布如下：

在我看来，这些数据也是正常分布的，也就是说，这和之前图表的形状类似。我们可以看到大多数电话是在早上9点到下午4点间打进来的，中午12点是高峰。

探索数据的过程到此为止。现在我们开始寻找解决方案。

解决方案

我们以一个简单的解决方案开始，如果我们忽略电话接进来的时间，所有电话的时长总量为50635分钟。

Available time for a caller (24*60) = 1440 minutes

Number of callers required = (50635/ 1440) = 35.14

所以如果可以选择在任何时间内给顾客回话，我们大概需要36名呼叫人员。因此，在面试期间，你时间不多却需要快速给出解决方案，这种假设就会很奏效。然而现实生活中并没有那么简单。在此我们要考虑顾客呼叫客服中心的时间。

因此，对于实际解决方案来说，你需要模拟每一名顾客-呼叫者对。我正在用R语言做这件事，你可以使用任何工具例如excel, python来完成。简单的R代码如下：

发现结果

我们发现的结果如下：

正如图表中观察的结果那样，确定客服人员的个数非常重要。降低百分之十的数量会大幅增加顾客的等待时间。在本案中，如果我们减少四名客服中心的代表(44)，一位顾客的最长等待时间变成87分钟，任何公司都不会希望看到这样的结果。

因此，

1. 答案1是48。我们需要48名呼叫人员来确保没有等待时间。

2. 答案是47，最长等待时间为312分钟，我们需要最少47名呼叫人员确保呼叫者等待时间不超过30分钟(最长等待时间为30分钟)

尾注

为了使案情简单，我们改变了呼叫的时间，不过，两个假设保留了下来：

1. 所有的客服人员的效率相同。

2. 客服没有休息时间。

除了这两个假设以外，我们并没有触及如何预测呼叫时长和呼叫时间。不过本案会教给你如何在函数中模拟整个环境。在以后的案例分析中，我们将会放宽这些假设条件，使模拟情况更加接近现实。

数据下载：http://pan.baidu.com/s/1miITOHa