La précision du Forecast

Le Forecast (prévision) est la pierre angulaire du WFM. Si le Forecast est mauvais, c'est tout le processus qui est instable. Il est donc logique que la prévision prenne une place centrale dans la mesure de la performance du WFM.

1. Prenez vous en compte tous les éléments de la prévision ?

Ca ne concerne par uniquement le volume d'opérations (nombre d'appels, emails, chats, back office,..). Il faut également prendre en compte le TMT (Temps Moyen de Traitement) et la charge totale de travail (volume d'opérations multiplié par le TMT). Assurez-vous d'utiliser les bons indicateurs (par exemple les appels proposés et non pas décrochés). Alors qu'il est classique pour un centre de contacts d'analyser la prévision d'appels, il est plus rare de voir une analyse du TMT. Les deux sont aussi importants dans le calcul de la charge de travail et devraient donc être analysés séparément aussi bien qu'ensemble pour identifier les pistes d'amélioration de la précision du Forecast. Vous devriez analyser chacune de ces métriques et comprendre les causes sous-jacentes. Par exemple, dans certains centres de contacts le TMT est relativement stable au cours de la journée alors qu'il est très variable dans d'autres. Par exemple le TMT nocturne est bien plus important que dans la journée, cela amène à se demander pourquoi une telle différence. Est-ce que cela est dû à une supervision plus laxiste, à la présence de plus de nouvelles recrues affectées sur ces horaires difficiles, des clients qui profitent d'avoir du temps pour faire des demandes plus complexes ou bien une combinaison de plusieurs facteurs ? Approfondir ce type de question ne peut qu'améliorer la prévision de la charge de travail sur chaque intervalle horaire mais peut aussi permettre d'identifier des opportunités d'amélioration du TMT et d'autres mesures.

2. Quelle est la bonne granularité pour votre analyse ?

La période sur laquelle vous réalisez l'analyse de votre prévision est essentielle. Etudier la précision du Forecast au niveau mensuel ou hebdomadaire permet d'avoir des indicateurs de base mais n'aide pas vraiment à déterminer si votre prévision est structurellement sur ou sous-estimée. Si vous avez une main dans le four et l'autre dans le congélateur, la moyenne est confortable ! De la même façon, il est trompeur d'étudier la qualité de service ou le temps de décroché sur de longues périodes. Il peut y avoir d'importantes variations sur une semaine ou un mois qui s'annulent entre elles et offrent une moyenne satifaisante. Vous devez faire cette analyse sur un intervalle horaire pertinent (par exemple 30 minutes) pour mettre en lumière les points d'amélioration de la prévision. Devoir gérer de grands écarts imprévus sur la journée met en péril les opérations. L'objectif est d'avoir un niveau de précision important sur chaque intervalle horaire, pas une moyenne sur une longue période.

3. Utilisez vous la bonne méthodologie ?

Le pourcentage de variation, la déviation standard de la variation et les coefficients de corrélation peuvent être utilisés pour identifier les anomalies et mesurer la précision. Le pourcentage d'écart entre le réel et le prévu (prévu moins réel divisé par prévu) est l'indicateur le plus utilisé pour la précision du Forecast. Sur chaque intervalle horaire, cela apporte une vision assez précise de la situation. Voici quelques méthodes pour présenter l'analyse du pourcentage de variation:



interval forecast accuracy


weekly forecast accuracy

Lorsqu'il y a abondance de données à analyser, il est utile d'avoir une méthode facile pour mettre le doigt sur la précision sur une longue période et la meilleure solution est celle qui consiste à calculer la déviation standard du pourcentage d'écart. Un petit écart est préférable à de grandes embardées et la formule de calcul de déviation standard les mettra en évidence même si la moyenne des variations parait raisonnable. Un autre outil pour analyser la variation dans le temps sont les coefficients de corrélation qui analysent les schémas répétitifs d'une période à l'autre. L'analyse des coefficients de corrélation peut être appliquée aux pourcentages de variation mais est plus pertinente quand elle est appliquée aux données de volume de travail et aux changement de TMT sur les intervalles horaires. Cela permet de comparer deux périodes pour vérifier si les schémas correspondent ou non. Par exemple, un lundi type peut correspondre à un schéma répétitif solide mais l'analyse des coefficients de corrélation peut mettre en lumière qu'un lundi en particulier dévie du modèle même si le volume total d'appels reste dans la normale. Cela signifierait qu'étudier le comportement de vos clients sur ce lundi en particulier serait utile. Ce niveau de détail est aussi critique pour déterminer quelle donnée historique est "normale" et laquelle doit être écartée au moment où vous décidez des données à prendre en compte pour le calcul de la moyenne. Une donnée en dehors d'une marge acceptable devrait être considérée comme à traiter : soit stockée séparément comme exemple d'un événément identifiable soit écartée comme anomalie suite à un événement peu susceptible de se reproduire (comme un problème informatique par exemple).

4. Collaborez-vous avec les autres services ?

D'autres services peuvent avoir une influence sur la précision du Forecast. Chaque anomalie dans la charge de travail devrait être analysée et identifiée, par exemple une campagne marketing, un emailing, un cycle de facturation, etc afin que chaque prévision future soit en mesure d'anticiper et prendre en compte ces événements. Une équipe WFM efficace s'assurera de bien communiquer avec les autres services. Dans la plupart des cas, une compréhension exhaustive de ce qui fait que les clients et les agents agissent différemment est essentielle pour la précision du Forecast. Est-ce que votre équipe le fait régulièrement?

Chapitre I Chapitre III