Workforce management (WFM) zorgt voor de ideale match tussen klantbehoeften en ingezette resources vanuit het bedrijf. Daarbij is een realistisch beeld van wat je aan werk kunt verwachten, essentieel. In WFM heet dit deelproces forecasting: vooruitkijken en een onderbouwde verwachting opstellen voor de contactvolumes. In dit artikel geven we een overzicht van forecasting-technieken en -modellen.

 

Het volume aan contacten bepaalt (samen met andere factoren, zoals beoogd servicelevel en gemiddelde gespreksduur) hoeveel FTE je nodig hebt in het contactcenter. Het voorspellen van volumes is onderdeel van het vakgebied workforce management (WFM) en wordt ook forecasting genoemd. Bij het maken van forecasts zijn historische data het vertrekpunt om uitspraken te doen over de toekomst: hoeveel verkeer kwam er op welk moment binnen – over het geheel bezien of per lijn, nummer of kanaal.

Tijdreeks correct interpreteren

Getallen die betrekking hebben op een bepaalde periode noemen we een tijdreeks. Wanneer je een tijdreeks wilt gebruiken om voorspellingen te doen, moet je in staat zijn om deze historische tijdreeks correct te interpreteren. Is er een reden of oorzaak te achterhalen waarom een contactvolume stijging of daling laat zien? Onder invloed van welke factoren gebeurt die stijging? Dit doe je door patronen te herkennen. De vuistregel is dat je minimaal twee jaar historische tijdreeksdata nodig hebt om goede voorspellingen te kunnen doen. Je moet immers minimaal een tweede reeks hebben die laat zien dat je te maken hebt met eenzelfde soort patroon over een jaar tijd.

Forecasting in de WFM-cyclus – Forecasting is de eerste stap in de WFM-cyclus. Die bestaat uit zes stappen.

Forecasting. Voorspellen) gaat over het zo nauwkeurig mogelijk voorspellen van het werkaanbod. De forecast, zoals te lezen is in dit artikel, komt tot stand op basis van historische data, maar ook gebeurtenissen, seizoensinvloeden en trends spelen mee.
Capaciteitsplan. De forecast wordt dan als basis gebruikt voor een capaciteitsplan. Wanneer we scherp hebben welk contactvolume met welke doelstelling en verwerkingssnelheid verwacht wordt, kan je uitrekenen hoeveel FTE er nodig is. Hierbij wordt ook rekening gehouden met uren die ingezet moeten worden maar niet direct bijdragen aan productiviteit aan klantprocessen. Dit is zijn bijvoorbeeld trainingen, verlof of ziekte uren. Dit verlies wordt aangeduid met shrinkage. Bij een capaciteitsplan wordt de forecast dus vertaald naar benodigde FTE`s, beschikbare FTE`s en eventueel ook benodigd budget.
Rooster. Hierna komt het roosterproces. Daar wordt de forecast gecombineerd met de beschikbare FTE`s die bepaald zijn uit het capaciteitsplan met onder andere de beschikbaarheid en voorkeuren van medewerkers. Hierbij worden diensten en taken toegekend aan specifieke medewerkers.
Trafficing. Na de bekendmaking van het rooster wordt op momenten dat dat nodig is, bijgestuurd door de trafficer. Dit is noodzakelijk omdat de dag nooit exact verloopt zoals gepland. Hierbij hoort ook inspelen op ziekte en andere niet-planbare omstandigheden. Bijsturen gebeurt veelal op basis van (near) realtime informatie over KPI’s zoals servicelevel, wachttijd, aantal beschikbare agents, abandonment rate, werkvoorraden of klanttevredenheidscijfers. Bijsturen kan bijvoorbeeld door meer of minder medewerkers inzetten, of de verdeling van medewerkers over het werkaanbod aan te passen.
Rapportage. Er wordt gerapporteerd over de voorbije periode.
Analyse en bijstellen. Uit de rapportages kunnen analyses volgen die inzicht geven in hoeverre de voorgaande stappen effectief zijn gebleken. Hierbij wordt gekeken naar budget en uitgaven en naar de mate waarin doelstellingen behaald zijn. De uitkomsten van de analyse kunnen als advies worden gebruikt voor het aanpassen van de andere fasen uit de cyclus.

Het werken met historische contactcenterdata kent uitdagingen. Outliers (afwijkende waarden) kunnen het beeld vertekenen, denk aan pieken en/of dalen veroorzaakt door campagnes, interne of externe storingen of slechte bereikbaarheid, maar ook externe ontwikkelingen (rampen, grote evenementen). Ook een forse onderbezetting kan herhaalverkeer oproepen, waardoor het volume dat binnenkomt, geen realistische indicatie is van het aantal klantcontacten.

Daarom moet je de herleidbare en zichtbare outliers verwijderen: tijdvakken met pieken of dalen. Doe je dit niet, dan worden de pieken en/of dalen meegenomen in alle forecasts. Een groot incident zoals een storing zou anders jaarlijks terugkeren, wat natuurlijk niet het geval is. Het schonen van de data is een belangrijke stap om gegevens objectief te kunnen vergelijken.

Patronen

Historische data kunnen verschillende patronen vertonen, in verschillende tijdshorizonnen, van jaren, tot maanden, weken, dagen en intervallen. Het gebruiksdoel van de forecast bepaalt ook welke tijdshorizon of nauwkeurigheid gekozen moet worden. Een begroting stel je eerder vast op weekniveau; bij het maken van een rooster is een kwartiersinterval wenselijk. Een van de grootste uitdagingen in WFM is om alle trends en patronen voldoende gewicht toe te kennen. Vaak kiezen WFM’ers ervoor te werken met weekvolumes (die gebaseerd zijn op historische data) en die volgens een vaststaande verdeling uit te smeren over de verschillende dagen en intervallen. Er worden eventueel correcties toegepast als er voorspelbare wijzigingen zijn: denk aan perioden met feestdagen, campagnes en acties.

Variabelen: de trend en seizoensinvloed

Je kunt – al naar gelang je behoefte – verschillende variabelen toevoegen om je voorspelling nog betrouwbaarder te maken. De belangrijkste twee zijn de trend en de seizoensinvloed. De trend is de variabele die de stijging (of daling) van het volume over een langere periode aangeeft, een statistische waarde dus. De variabele ‘seizoensinvloed’ laat het verkeerspatroon binnen een kalenderjaar zien: in welke perioden is het volume relatief hoog of laag. Niet alle organisaties hebben met deze laatste variabele te maken.

Na het opschonen van je data ga je de data analyseren, dit wordt ook wel tijdreeksanalyse genoemd. Hierbij worden de historische data geanalyseerd: welke trend vertonen de volumes en welke seizoenspatronen zijn zichtbaar?

Door de data in deze analysefase te ‘detrenden’ en ‘deseasonalizen’ (effecten van beiden worden uit de werkset met historische data gehaald – de dataset wordt dan min of meer statisch) kan je bepalen welk forecastingmodel het meest geschikt is in jouw situatie. Hiervoor zijn verschillende methoden beschikbaar.

Single Exponential Smoothing is de meest eenvoudige methode. Hierbij splits je de dataset (minimaal bestaand uit twee jaar historische data) in trainingsdata en testdata (dat laatste gaat over circa 20 procent van de dataset). De trainingsdata worden gebruikt om het WFM-model te maken.

De testdata worden gebruikt om de forecastfout zo klein mogelijk te maken en zo het model te optimaliseren. Dat minimaliseren van de forecastfout doe je met de WAPE-methode (Weighted Absolute Percent Error, Gewogen absolute procentuele fout). Sommige forecasters gebruiken ook de MAPE of andere rekenmethodes. Uit beide rekenmethodes rollen verschillende forecasts; de forecast met de laagste WAPE- of MAPE-score is het meest betrouwbaar. Nadeel van Single Exponential Smoothing is dat deze methode geen rekening houdt met seizoensinvloeden en trends.

Bij Double Exponential Smoothing of Holt’s methode wordt een tweede variabele aan toegevoegd: de trend. Dit model is gecompliceerder dan zijn voorganger omdat er nu twee variabelen worden betrokken: naast het afvlakken van waardes wordt ook de trend meegenomen. Deze methode wordt vooral gebruikt voor voorspellingen voor de korte en middellange termijn, voor de langere termijn is deze methode te onnauwkeurig.

Triple Exponential Smoothing (of Holt-Winters) werkt aan de hand van drie variabelen: de afvlakkingsvariabele, de trendvariabel en de seizoensvariabele. Een speciale variant van Holt Winters zijn de ARIMA-modellen (ARIMA staat voor ‘AutoRegressive Integrated Moving Average’). Deze modellen hebben een andere benadering voor het voorspellen van tijdreeksen. De eerdergenoemde exponentiële modellen en de ARIMA-modellen zijn de twee meest gebruikte methoden. ARIMA kan nog uitgebreid worden met een seizoenscomponent; SARIMA- en SARIMAX-modellen houden rekening met externe factoren (X staat voor eXogenous factors).

Meervoudige Temporele Aggregatie of MTA is de allernieuwste denkwijze op het gebied van prognoses voor callcenters. Bij deze methode worden hoogfrequente gegevens (per uur, per dag, en per week) gecombineerd met langetermijntrends. De langetermijntrend vlak pieken en dalen juist uit, terwijl de hoogfrequente gegevens juist alle details laten zien zoals campagnes of bijzondere gebeurtenissen. Bij MTA wordt een jaar voorspeld over 4 kwartalen, 12 maanden, 52 weken, 365 dagen, 8.760 uren en eventueel 35.040 intervallen (van een kwartier). Hierbij worden de verschillende gegevens gecombineerd om een beter beeld te krijgen. Een model kan vervolgens gevoed en getraind worden met iedere gegevensset.

Data-kwaliteit

De betrouwbaarheid van je forecast staat en valt met de aard en kwaliteit van je data. Heb je de juiste data (van alle lijnen, zijn alle volumes meegenomen, zijn de cijfers betrouwbaar)? En zijn je data voldoende opgepoetst, dat wil zeggen: extreme pieken en dalen verwijderd? Een goed voorbeeld hiervan zijn feestdagen: die komen weliswaar op vaste data voor, maar niet altijd op dezelfde dag van de week. Na het oppoetsen van data moet je een forecasting-methode uitkiezen die het beste bij je data past. Vaak gebruik je meerdere modellen naast elkaar, zodat je forecasts kunt vergelijken. In alle gevallen geldt: hoe verder je vooruitkijkt in de toekomst, hoe groter de bandbreedte zal zijn waar je uitkomsten tussen liggen (meer onzekerheid).

Na het maken van de forecast voer je vaak nog handmatige correcties door. Bijvoorbeeld wanneer je informatie krijgt waarvan je weet deze dit niet in de historische data verwerkt is en dus ook niet terugkomt in je op de statistische modellen gebaseerde forecast. Denk aan het scenario dat er 50.000 brieven naar burgers worden verzonden waarbij verwacht wordt dan 5.000 van hen contact zullen opnemen met de klantenservice. Doorgevoerde correcties worden gedocumenteerd. De feestdagen kan je juist handmatig toevoegen, want daarvan weet je wel zeker wanneer ze terugkeren.

Rolling forecasts

WFM’ers werken met rolling forecasts: na afloop van een week wordt data uit deze week aan de historische data toegevoegd. Het opschonen van de data gaat dan alleen over de nieuw toegevoegde week. De toegepaste modellen zullen niet snel wijzigen dus als het proces eenmaal loopt kan het forecastproces efficiënt worden uitgevoerd.

Data die ouder is dan twee tot drie jaar kan je iets vertellen over veranderingen in het verleden, denk aan invloeden van economische aard bijvoorbeeld. Maar de voorspellende waarde daarvan is beperkt: een financiële crisis kan opnieuw voorkomen, maar een nieuwe financiële crisis zal niet snel in alle opzichten hetzelfde zijn als die van 2008. Vaak is het gedrag van centrale banken bijvoorbeeld anders en zijn er verschillen in geopolitiek opzicht.

Andere zaken die je mee kunt nemen in je forecast zijn verwachtingen die te maken hebben met de invloed van technologie. Wanneer je organisatie bijvoorbeeld 30 procent van de eenvoudige vragen in de komende twee jaar geautomatiseerd wil laten afhandelen, is dat een doel waarvan je nu nog niet weet of dat ook leidt tot 30 procent reductie in het volume. Je kunt je forecast wel aanpassen volgens dit scenario en op vergelijkbare wijze andere toekomstscenario’s doorrekenen. Het risico om ook je personeelsbudget aan te passen op dit soort scenario’s is dat je mogelijk te weinig capaciteit in huis hebt mochten de plannen anders uitpakken dan verwacht. Of dat je aankoerst op een te hoge werkdruk in de toekomst.

Risico bij Excel: traagheid

Voor het produceren van forecasts zijn verschillende tools beschikbaar. Je kunt ook macro’s en forecastingfuncties in Excel gebruiken zoals voorspellen.ets. Statistische software zoals R en Python is in opmars; vooral grotere organisaties hebben Excel vaak ingeruild door dit soort software. Deze oplossingen kunnen meer data aan – grote hoeveelheden data in Excel kan de toepassing traag maken en Excel is beperkt in het aantal variabelen dat je kunt gebruiken – en je kunt gebruik maken van geavanceerde toepassingen zoals Machine Learning.

 

Dit artikel is tot stand gekomen met medewerking van Peter Koopmans (Virdens) en Sebastian Althof (Spril)

Featured, Human Resources, Kennisbank Vlirdens