二、呼入电话预测方法及程序
光大银行目前的话务预测利用ARIMA预测模型进行预测。业务类型主要分为信用卡及综合业务两类。两种业务有不同的客户群、不同的话务来电规律，需要构建不同的预测模型。
下面主要对构建预测模型进行详细介绍。
（一）历史数据的收集及整理
历史数据的处理是预测前最重要的一步，如果数据不处理干净，将直接影响预测的精准度。对于客服中心的话务情况而言，对原始话务来电量产生影响的情况主要归纳总结了以下几点：
1、系统故障。如果某一天发生系统故障，需要按照发生故障的时间维度剔除当日发生系统故障的话务量，还原为原始呼入量。
2、由于某种敏感短信或舆情造成客户的集中致电。
3、如果某一天发送了某种敏感短信或者发生舆情，导致客户集中来电的情况，需要按照所影响时间维度剔除相应的话务量，还原为原始呼入量。
4、人力不足，接通率较低的情况。
如果不是由于以上情况，而是由于人力不足造成接通率较低，导致重复来电较多，当日呼入量数据不是原始客户需求的真实呼入量。我们需要按照当日重复来电的水平，将呼入量还原为原始呼入量。
（二）模型的初步建立
不同的业务有不同的影响因素，需要我们挖掘历史数据去发现较重要的影响因素。例如信用卡业务主要涉及还款日、账单短信提醒日、延期还款期等影响因素。综合类业务主要涉及贷款还款日、贷款还款短信提醒日等影响因素。找到影响呼入量的影响因素后，需要将不同的权重赋予不同的客户群。例如图1中两个不同还款周期的客户群，我们需要在20日和22日分别标注还款日，并将较大的权重赋予22日还款日的那部分客户。
至此模型已初步构建完成，但是随着业务、路由调整及客户量等的不断变化，需要不断调整、完善我们的预测模型。预测模型是人工构建的，必有我们考虑不到的因素，所以模型不是完美的，需要我们根据经验对模型值进行手工调整，经验则需要预测师在不断的学习中、工作中进行总结。
（三）模型之外的预测点
有很多时间段内的预测是无法利用模型进行预测的，需要我们根据历史数据、经验去手工进行预测。例如春节期间、黄金周及小长假等的预测。
（四）预测成果
2013年度光大客服中心人工呼入量预测偏差率为1.08%，月度平均预测偏差保持在正负2%以内，日预测偏差基本在正负3%以内。精准的预测为我们的节约了人力，降低了人员成本。
三、探索多媒体话务量预测
光大客服中心相继推出了文字客服、视频客服等一系列多媒体类客服服务。如何做好多媒体话务预测，是我们正在不断探索的另一方向。在原有人工电话客服呼入量预测的经验中我们也可以得到很多启发，但是不能照猫画虎拿来直接使用，需要根据多媒体客服的特点及重点业务来重新构建新的预测模型。
