Este documento describe en detalle el módulo de Pronóstico Mejorado de Requisitos de Agentes y cómo Community utiliza clústeres para proporcionar una reducción significativa en el número de personal requerido basado en la capacitación cruzada de agentes, y así proporcionar un pronóstico más preciso del número de agentes necesarios para satisfacer la carga del centro de contacto.
¿Por qué el Pronóstico Mejorado de Requisitos de Agentes?
Community, al igual que la mayoría de las aplicaciones actuales de gestión de fuerza laboral, proporciona pronósticos de requisitos de agentes basados en fórmulas matemáticas de Erlang-C para convertir llamadas, tiempos de manejo y objetivos de servicio en agentes requeridos. Aunque las fórmulas de Erlang-C han demostrado ser confiables en sus cálculos a lo largo del tiempo, no tienen en cuenta a los agentes multihabilitados en el centro de contacto. La fórmula asume que los agentes se dedicarán a atender solo la demanda de una sola habilidad.
El concepto detrás de la estrategia de "agrupamiento" es agrupar actividades para generar requisitos de personal de agentes analizando la matriz de capacitación cruzada para los agentes involucrados en un horario. A medida que aumenta la capacitación cruzada, el número de agentes necesarios para satisfacer la demanda en una sola actividad se reduce porque, nuevamente, los agentes se comparten entre múltiples actividades. El agrupamiento debe realizarse de manera que la asignación sea proporcional al volumen de llamadas para la actividad, pero en relación con el número de agentes que también tienen la asignación de la actividad particular.
Una vez que las actividades están agrupadas, se pueden pronosticar como una sola actividad y se realizan las eficiencias de capacitación cruzada de agentes. El clúster representa un grupo de actividades relacionadas, y para la actividad miembro en un clúster, Community calcula una probabilidad de que una llamada sea respondida por la actividad dada en el clúster dado. Cuanto más disjunta sea la matriz de capacitación cruzada para los agentes en el horario, más clústeres resultarán.
Considere un ejemplo típico.
(Para todos los ejemplos presentados en este documento, asuma un nivel de servicio del 80/20.)
Primero, asuma que no existe capacitación cruzada entre los agentes asignados a las habilidades anteriores. Esto aparecería como en la siguiente tabla de asignación de agentes:
En este caso, el pronóstico de requisitos de agentes basado en Erlang-C es perfectamente correcto, porque no se pueden realizar eficiencias a partir de la capacitación cruzada de agentes.
Ahora, considere el otro extremo, donde cada agente está asignado a todas las habilidades disponibles. En este caso, la tabla de asignación de agentes aparece de la siguiente manera:
El principio fundamental detrás del algoritmo de agrupamiento es que la demanda (volumen de contacto y tiempo de manejo) para habilidades comúnmente asignadas se puede combinar en una sola habilidad y volver a pronosticar utilizando la fórmula estándar de Erlang-C.
En el ejemplo anterior, todos los agentes están disponibles en todas las habilidades, por lo que esencialmente la demanda puede ser
representada como una sola habilidad compuesta. En este caso, se pronosticará lo siguiente:
En este ejemplo, podemos ver que el entrenamiento cruzado ha proporcionado un aumento del 12% en la eficiencia de los agentes (8
agentes) simplemente al combinar las habilidades entrenadas cruzadamente. Note que la columna de Tiempo de Manejo Ponderado es
el tiempo de manejo promedio ponderado por volumen calculado como:
SUMA( Tiempo de Manejo Promedio * ( SUMA(Volumen) ) )
En este ejemplo:
(250 * (100 / 175) ) + (300 * (50 / 175) ) + (320 * (25 / 175) ) = 274 TMP
Sin embargo, en la mayoría de las circunstancias, la población de agentes no está ni 100% entrenada cruzadamente ni 0%
entrenada cruzadamente. El resultado es que la capacidad de agrupar actividades comúnmente asignadas es significativamente
difícil. Para lograr esto, Community utiliza un algoritmo basado en una ecuación cuadrática para
determinar la similitud en habilidades entre los agentes. El resultado es un conjunto de clústeres de actividades y la
probabilidad de que una llamada sea respondida por una actividad dada en cada clúster.
¿Cómo genera Community los clústeres?
Los clústeres proporcionan la probabilidad de que una llamada pueda ser respondida en una habilidad dentro de un clúster. En el ejemplo
totalmente entrenado cruzadamente anterior, Community crearía un solo clúster que representa todas las habilidades
y agentes. El resultado es que cada habilidad (actividad) en el clúster tendría una probabilidad del 100% de
ser satisfecha en ese clúster, simplemente porque no existen otros clústeres.
Sin embargo, si el entrenamiento cruzado está fragmentado, resultan más clústeres, y las probabilidades variarán
dependiendo de los clústeres involucrados. Considere una matriz de entrenamiento cruzado más realista:
Durante el proceso de creación de un Pronóstico de Requerimientos de Agentes, Community genera los
clústeres basados en la matriz anterior. El resultado son tres clústeres para cada actividad, debido a la
fragmentación de las actividades en francés y español. La matriz de clústeres resultante aparece como
sigue:
Examinar los clústeres revelará que el Clúster 0 es la combinación de las actividades en inglés y
español, el Clúster 1 es la combinación de las tres actividades, y el Clúster 2 es la
combinación de las actividades en inglés y francés.
El Clúster 0 es un resultado del entrenamiento cruzado proporcionado por el Agente2, quien está asignado solo a inglés y
español. El Clúster 1 es un resultado del entrenamiento cruzado proporcionado por el Agente3, quien está asignado a las tres
actividades. El Clúster 2 es un resultado del entrenamiento cruzado proporcionado por el Agente1, quien está asignado solo
a inglés y francés.
Observe también que la actividad en inglés aparece en todos los clústeres. La razón es porque todos los agentes están
asignados a la actividad en inglés, por lo que en todos los clústeres existe alguna posibilidad de que una llamada ofrecida a la actividad en inglés
sea respondida en cada clúster. Dado que todos los agentes están asignados a inglés, la probabilidad se
divide equitativamente entre los clústeres.
¿Qué hacen los clústeres?
Nuevamente, los clústeres proporcionan la probabilidad de que una llamada ofrecida a una actividad sea atendida por la actividad en el clúster. Las probabilidades para una actividad en los clústeres siempre sumarán 100 (100% de probabilidad de que la llamada sea respondida por la actividad en un clúster). Esencialmente, para una matriz de entrenamiento cruzado dada, los clústeres proporcionan las combinaciones correctas de actividades para pronosticar como un solo grupo combinado. La agrupación correcta de actividades existe en algún lugar entre los dos extremos (sin entrenamiento cruzado y 100% de entrenamiento cruzado), y los clústeres proporcionan la estrategia de agrupación.
El primer paso para crear el pronóstico mejorado es determinar el número de servidores dado el volumen y el tiempo de manejo para todas las actividades incluidas en el clúster. Esencialmente, el algoritmo agrupa todo el volumen de todas las actividades juntas, como en el ejemplo de entrenamiento cruzado al 100% mencionado anteriormente. Sin embargo, el volumen de actividades no se incluye en la demanda agrupada si la probabilidad de que una llamada sea atendida en ese clúster es 0. La siguiente tabla ilustra la demanda agrupada resultante de los clústeres definidos anteriormente:
Recuerde que el Clúster 0 es una combinación de inglés y español, que contribuyen con 100 y 50 llamadas al "grupo" combinado respectivamente. El Tiempo Promedio Ponderado de Manejo se calcula como se describió anteriormente.
El Clúster 1 es una combinación de las tres actividades, resultando en una demanda agrupada de 175 (100 + 50 + 25), y el Clúster 2 es una combinación de inglés y francés con una demanda agrupada de 125 (100 + 25).
El algoritmo luego calcula el número de servidores para toda la demanda combinada utilizando los objetivos de servicio de la actividad actual. El algoritmo sumará los servidores prorrateados a través de todos los clústeres donde la probabilidad es > 0. La fórmula a continuación proporciona los servidores agrupados para una actividad dada:
Servidores Agrupados = SUMA( wC * sP * ( cA / cP) )
Donde:
• wC es el peso para un clúster dado
• sP son los servidores para la demanda agrupada
• cA es el volumen para la actividad dada
• cP es el volumen para el grupo dado
• Sustituyendo nuestros valores para las actividades anteriores:
La acumulación de todos los requisitos de agentes es 34 + 17 + 8, o 59 agentes. En comparación con el pronóstico original de requisitos de agentes basado en Erlang C de 67, realizamos una ganancia de eficiencia de 10 agentes, o aproximadamente 15% para este intervalo en particular. Nota: todos los valores para agentes requeridos se redondean al número entero más cercano para asegurar que se logren los niveles de servicio deseados.
El cálculo de eficiencia para comparar el Pronóstico Estándar versus el Pronóstico Mejorado es el siguiente:
Horas de Personal – Horas de Personal Mejoradas / Horas de Personal
Pronóstico para Objetivos de Servicio Dísimiles
El algoritmo anterior calcula el número de personal requerido para satisfacer la proporción de la demanda agrupada de una actividad dada basada en los objetivos de servicio de la actividad. Mientras que los valores de volumen y tiempo de manejo para el grupo se utilizan en múltiples actividades, los servidores (agentes) requeridos se basan en los objetivos de servicio específicos de la actividad. Por lo tanto, el requisito de personal resultante para el grupo se basa en el nivel de servicio para la actividad y, en consecuencia, la cantidad prorrateada refleja el objetivo de servicio individual.
Considere el ejemplo anterior con un nivel de servicio para español de 90/10.
El aumento de personal resultante para el Clúster 0 refleja el mayor nivel de servicio requerido
para español. Sin embargo, otras actividades no se ven afectadas por el objetivo de servicio disímil.
Valores de Resumen para Actividades Principales / Cálculo de Horas de Personal /
Cálculo de FTEs
El método para mostrar los requisitos de agentes a nivel de actividad principal es el mismo entre
Pronóstico Estándar y Pronóstico Mejorado. Las horas de personal en cualquier nivel de la actividad
se calculan de la siguiente manera:
SUMA(Requisitos de Personal por Intervalo / Ranuras Predeterminadas del Sistema por Hora)
En los ejemplos anteriores, si cada intervalo entre las 7:00 AM y las 5:00 PM (inclusive) requería 59
agentes, entonces las horas de personal a nivel principal serían:
Agentes Requeridos * Ranuras/Hora * Horas (59 * 4 * 10) + 59 = 604 Horas de Personal
Tenga en cuenta que los últimos 59 se deben a que el intervalo de las 5:00 PM está incluido en el pronóstico.
El cálculo de los FTEs basado en las horas de personal es:
Horas de Personal / 8.0 (Asumir que FTE es un empleado de 8 horas).
Estos valores para una actividad individual son idénticos a los de una actividad principal.
Programación Estándar Erlang vs. Pronóstico Mejorado de Requisitos de Agentes
Community proporciona horarios con la capacidad de elegir el método de pronóstico utilizado para generar horarios. Si se selecciona el Pronóstico Mejorado de Requisitos de Agentes (usando Métodos de Pronóstico Basados en Habilidades), Community exporta el valor de Requisitos de Agentes Mejorado para el intervalo. Si se selecciona el pronóstico estándar, entonces Community exporta el pronóstico de agentes basado en Erlang estándar. Sin embargo, en cualquier caso, el motor de optimización optimizará la fuerza laboral en todas las actividades asignadas.