Forecast-Genauigkeit

Forecast eu

Die Bedarfsprognose ist der Ausgangspunkt für die Einsatzplanung. Mit ihr beginnt ein professioneller Planungsprozess. Je präziser der Forecast ist, desto genauer lassen sich Schichten planen, wodurch letztendlich die Mitarbeiter entlastet werden. Die folgenden vier Fragen sollten Sie sich stellen, um herauszufinden, wie gut Ihr Forecast ist.

1. Findet eine Analyse der Daten statt?

Eine Prognose für das Arbeitsvolumen der verschiedenen Eingangskanäle vorzunehmen, ist Standard. Schließlich muss man wissen, wie viele Anrufe in einem Intervall eingehen, wie viele Mails und Briefe zu bearbeiten sind, usw.
Zuweilen ist jedoch nicht klar, welche Kennzahlen man hierfür einsetzen sollte: so gibt es eingehende Anrufe, angenommene Anrufe, verpasste Anrufe, etc. Hier sind die eingehenden immer gegenüber den angenommenen Anrufen zu bevorzugen, um künftig auch die Anrufe zu berücksichtigen, welche nicht entgegengenommen werden konnten. Nur so lässt sich das angestrebte Service Ziel verfolgen. Eine weitere Kennzahl, die einen großen Einfluss auf die Präzision der Bedarfsprognose hat, ist die durchschnittliche Bearbeitungszeit (Average Handle Time bzw. AHT). Nur sehr selten kann man von einer gleichbleibenden AHT ausgehen; die Bearbeitungszeiten schwanken über den Tag zum Teil deutlich. Daher sollten Sie ebenso für diese Daten einen Forecast erstellen. Beispielsweise kommt es vor, dass die Bearbeitungszeit in den Nachtschichten deutlich höher ist als am Tag. An diesem Beispielbefund wollen wir verdeutlichen, mit welchen komplexen Fragestellungen sich ein Planer beschäftigt. So schließen sich an diesen Befund bspw. die folgenden Fragen an:

  • Sind zu den Spätschichten weniger Teamleiter vor Ort, die die Mitarbeiter beaufsichtigen?
  • Werden neue Mitarbeiter eher auf die unattraktiven Spätdienste geplant?
  • Halten sich Kunden tagsüber generell kürzer?
  • Oder rufen Kunden mit komplexeren Problemen eher zu Zeiten an, wenn sie selbst mehr Zeit haben?

Möglich ist natürlich auch eine Kombination all dieser Faktoren. Je stärker Sie die Gründe hinterfragen und analysieren, desto eher können Sie Maßnahmen einleiten, um die Bearbeitungszeit zu verbessern. Anrufvolumen und AHT gehen Hand in Hand, weswegen Sie beide Faktoren sowohl einzeln als auch zusammen untersuchen sollten, um somit die Genauigkeit Ihres Forecasts zu steigern.

2. Haben Sie den richtigen Zeitraum ausgewählt?

Entscheidend ist der Untersuchungszeitraum. Bei größeren Datenmengen neigt man dazu, den Untersuchungszeitraum breiter zu gestalten und Informationen ggf. zusammenfassen. Durch einen Mittelwert können sich jedoch Über- und Unterdeckungen gegenseitig aufheben und somit einen falschen Eindruck vermitteln. Aus diesem Grund sollten Sie die Daten auf Intervallebene betrachten, damit Sie genau wissen, wann Ihr Forecast nicht stimmt.

3. Welche Zeiträume beziehen Sie mit ein?

Man kann die Genauigkeit des Forecasts auf verschiedene Weisen untersuchen. So unterscheidet man statistisch die prozentuale Abweichung, die Standardabweichung oder den Korrelationskoeffizienten, um hier nur einige Möglichkeiten zu nennen. Die prozentuale oder relative Abweichung wird am häufigsten eingesetzt, und wie folgt berechnet: (Forecastwerte - tatsächliche Werte)/Forecastwerte. So ergibt sich ein klares Bild, wie akkurat Ihr Forecast ist. In der folgenden Grafik sehen Sie einige Methoden, wie man die Ergebnisse optisch aufbereiten kann.


interval forecast accuracy


weekly forecast accuracy


Bei einer größeren Datenmenge möchte man jedoch nicht die einzelnen Intervalle für sich betrachten, sondern benötigt eine Methode, um die Genauigkeit über einen längeren Zeitraum zu untersuchen. Eine Möglichkeit ist die Standardabweichung. Sie überprüft ebenfalls, wie stark die tatsächlichen Werte vom Forecast abweichen, ist aber aussagekräftiger. So kann bspw. die durchschnittliche Abweichung recht gering sein, die Standardabweichung zeigt jedoch deutlich, dass eine starke Streuung vorliegt.

Eine Alternative hierzu ist der Korrelationskoeffizient, welcher Muster analysiert und diese miteinander vergleicht. Sie können diese Methode zusammen mit der prozentualen Abweichung verwenden, am effektivsten ist es jedoch, wenn Sie sie direkt auf die Verteilung der Anrufeingänge oder der durchschnittlichen Bearbeitungszeit anwenden. Dadurch können Sie verschiedene Zeiträume gegenüberstellen und somit herausfinden, ob sie einander ähnlich sind. Beispielsweise hat ein typischer Montag einen relativ gleichbleibenden Verlauf. Eine Betrachtung über längere Zeiträume zeigt jedoch, dass ein bestimmter Montag von diesem Muster abweicht, obwohl das Gesamtanrufvolumen für diesen Tag sich innerhalb der normalen Grenzen bewegt. Auf diese Weise können Sie herausfinden, welche Daten normal sind und welche Sie ggf. näher betrachten sollten.

Es stellt sich allgemein die Frage, wie nützlich abweichende Daten überhaupt sind. Man kann die Daten anpassen, wenn sie sich beispielsweise nur in einzelnen Intervallen unterscheiden oder aber als besonderes Ereignis abspeichern, wenn dieser Fall erneut eintreten kann. Ist es jedoch ein einmaliger Sonderfall, etwa ein Stromausfall, sollten Sie die Daten verwerfen und nicht weiter für den Forecast berücksichtigen.

4. Was tun eigentlich die Kollegen aus den anderen Abteilungen?

Nicht nur das Planungsteam selbst kann die Genauigkeit des Forecasts beeinflussen, auch Mitarbeiter außerhalb Ihres Zuständigkeitsbereiches können Auswirkungen auf das Anrufvolumen haben. Aus diesem Grund sollten Sie jede Abweichung im Arbeitsaufkommen als Ausnahme markieren (z.B. durch entsprechende Tags wie Marketingkampagnen, Mailings, Rechnungszyklen etc.). Dadurch können Sie solche Ereignisse zukünftig im Forecastprozess berücksichtigen und damit Ihre Prognose noch präziser gestalten. Aus diesem Grund sollte Ihr Team in einem regen Kontakt mit den Kollegen aus anderen Abteilungen stehen, damit Sie wissen, wann ein besonderes Ereignis ansteht, was z.B. das Anrufverhalten der Kunden beeinflusst. Halten Sie diesen Austausch bei und vernachlässigen ihn nicht.

Kapitel I Kapitel III