Previsione precisa

La previsione è il fondamento del processo di WFM. Se la tua previsione è incorretta, il processo completo è instabile. Per tanto, ha senso che la previsione sia fondamentale per misurare il rendimento del team di WFM. Ci sono 4 elementi principali da considerare:

1. Stai considerando tutti gli elementi della previsione?

Non si tratta unicamente del volume di lavoro (numero di chiamate, emails, chats, etc..). Non bisogna dimenticare il tempo richiesto per completare ogni operazione (AHT, TMO) e del carico di lavoro totale (volume moltiplicato per la durata). E bisogna assicurarsi che si stiano utilizzando le metriche adeguate, per esempio chiamate ricevute invece di chiamate risposte. In un call center è comune che si analizzino i volumi delle chiamate, ma non la durata delle stesse. Entrambe metriche sono importanti per calcolare il carico di lavoro e dovrebbero essere analizzate insieme o singolarmente per identificare i possibili miglioramenti della previsione. Bisogna analizzare ogni metrica e capire le cause sottostanti.

Per esempio in alcuni centri il TMO (AHT) è relativamente costante per ogni intervallo di tempo, mentre in altri la variazione può essere molto alta; per esempio il TMO di notte è molto più alto che durante il giorno. Il che porta a chiedersi, è perché c'è meno supervisione? O forse ho più dipendenti nuovi nei turni meno attrattivi? O forse i clienti preferiscono fare chiamate più corte durante il giorno? Potrebbe essere anche la combinazione di vari effetti? Entrare nel dettaglio di queste tipo di domande non solo può migliorare la precisione della previsione del nostro carico di lavoro attuale nel periodo di tempo, ma anche aiutarci a identificare opportunità per ridurre il nostro TMO attraverso di altre azioni.

2. Ho scelto gli intervalli di tempo corretti per l'analisi?

Il periodo sul quale analizzi la precisione della previsione è importante. Analizzare la precisione a livello mensile o settimanale può andar bene pero non aiuta a capire di quanto la previsione è al di sopra o al di sotto della domanda. Risulta fuorviante misurare il Livello di Servizio o la Velocità Media di Risposta per periodi molto lunghi a causa della compensazione che potrebbe esserci; ci potrebbero essere fluttuazioni molto importanti a livello settimanale que si compensano tra di loro, generando dei valori medi che sembrino corretti. Bisogna realizzare l'analisi a livello di intervallo (per esempio 30 minuti) per focalizzare l' attenzione in quegli elementi della previsione che possono essere migliorati. Avere grandi oscillazioni giornaliere o negli intervalli di tempo fa in modo che le richieste al team di Operazioni sia irreale. L'obbiettivo è quello di avere una precisione della previsione alta e consistente e non una precisione media alta in un intervallo di tempo grande.

3. Stai utilizzando la metodologia adeguata per analizzare la precisione?

Variazione percentuale, deviazione standard della variazione e coefficienti di correlazione, questi elementi possono essere utilizzati per identificare i modelli anomali e misurare la precisione. La variazione percentuale tra i dati reali e di previsione (previsione meno reale diviso la previsione) è la metrica più comune per misurare l'accuratezza della previsione. È una metrica molto precisa, anche a livello di intervallo. Alcuni metodi per presentare questo tipo di analisi della variazione percentuale si mostrano nei grafici seguenti:


interval forecast accuracy


weekly forecast accuracy


Dove c'è una grande quantità di dati da analizzare, è utile avere una forma semplice di identificare se la precisione è corretta per un lungo periodo, e per questo, il modo migliore è calcolando la deviazione standard della variazione percentuale. È migliore una variazione piccola che grandi oscillazioni nella variazione e il calcolo della Deviazione Standard sarà rilevante anche quando la variazione media è piccola. Un altro strumento per analizzare le variazioni durante un periodo di tempo sono i Coefficienti di Correlazione, che analizzano modelli da un periodo all'altro. L'analisi dei coefficienti di correlazione si può applicare alla variazione percentuale, ma probabilmente è più utile quando si applica ai modelli di arrivo dei volumi di lavoro e ai cambi del TMO (AHT) per intervalli. Mette a confronto due periodi per vedere se i modelli coincidono oppure no.

Ad esempio, il tipico Lunedì potrebbe aderire a un modello relativamente consistente, ma l'analisi di correlazione può rivelare che un particolare Lunedì varia nel modello anche se il volume totale di carico di lavoro è entro i limiti normali. Ciò suggerisce che una maggiore comprensione di ciò che è accaduto in quel Lunedì sarebbe utile. Questo livello di dettaglio è anche fondamentale per determinare quali dati storici sono "normali” e quali no quando si deve decidere quali dati storici si utilizzano per fare la previsione e quali no.

I dati al di fuori di un range accettabile dovrebbero essere considerati per possibili regolazioni future, registrandoli come dati di un particolare evento ripetibile, oppure essere scartati nel caso fossero una anomalia che non si ripeterà nel futuro.

4. Stai collaborando con colleghi le cui azioni possono influenzare il carico di lavoro?

Colleghi al di fuori del team di WFM possono influenzare la precisione delle previsioni. Qualunque anomalia nel carico di lavoro reale dovrebbe essere identificata e contrassegnata con un motivo, per esempio, campagne di marketing, mailing, cicli di fatturazione, etc, in modo che le previsioni future tengano conto di questi eventi e siano in grado di prevederli.

Un buon team di WFM farà in modo che ci sia una comunicazione efficace con gli altri dipartimenti. Nella maggior parte dei casi, comprendere perchè i clienti e il personale si comportano in modo diverso dal solito è essenziale per migliorare la precisione della previsione. Questo è ciò che il tuo team fa regolarmente?

Capitolo I Capitolo III