排班人机协作流程图 · 按你的流程重绘(5 步)

安徽移动在线客服 · 日常 + 节假日高峰双时段 | 预测 → 多约束符合性排班 → 数据反推 → 出结果等审 → 填模板

本图是你定义的流程:① 话务量预测 → ② 多约束符合性排班求最优解 → ③ 反推需收集的数据 → ④ 你给数据、我出最佳排班待审 → ⑤ 按你的模板填表。 每步明确人做什么 / AI 做什么 / 可用哪个 Skill;红色徽标为「你的人工确认关卡」,未确认不往下走。 ⚠️ 凡涉及真实数据(花名册、历史话务、约束参数),由你提供,我不模拟。
人工(你做:定标准/给数据/审核签核) AI(我做:预测/建模/计算/出稿) 可用 Skill(标注在步骤内) 人工确认关卡(不可让渡)
1
① 话务量预测

目标:把"各时段大概来多少电话"算准,作为排班人数输入。方法见对话中「话务预测专项子流程」(数据→清洗→周期分解→建模→峰值→Erlang C→回测)。

🧑 你(人工)
  • 提供近 3–6 月历史话务明细(呼入量 / AHT / 放弃量)
  • 确认服务水平目标(如 90% / 20s)
  • 确认预测结果(关卡):模型、高峰系数、误差是否可接受
🤖 AI(我)
  • 数据清洗、多周期分解(日/周/节假日因子)
  • 建模(Holt-Winters 基线 / ARIMA·Prophet / XGBoost)
  • Erlang C 换算出各时段所需坐席数 N(t) + 回测 WAPE
🔧 可用 Skill
tencent-docs-sheetagentxlsx (读取/分析历史话务数据表) 预测计算无专用 skill → 用 Python(openpyxl) 跑算法
确认关卡
★ 关卡:预测结果(模型/系数/误差/缓冲冗余度)须你确认,N(t) 才进入第②步。
2
② 排班模型:多约束符合性排班,求最优解

目标定义(你定):最低客户投诉 + 最佳服务应答。在全部约束"符合"的前提下搜索最优排班。

🧑 你(人工)
  • 设定/确认约束口径(工时上限、连班、夜班、休息日、技能匹配)
  • 定义最优标准权重:投诉 vs 应答的取舍(如应答优先还是均衡)
  • 确认模型输出的"最优"判定是否合理
🤖 AI(我)
  • 建模为约束满足 + 目标优化问题(整数规划 / 遗传算法)
  • 以预测 N(t) 为覆盖下限,最小化投诉、最大化应答
  • 输出可行域内的帕累托最优排班方案

📐 排班模型(约束 + 目标 ILP,含校准超参数)

来源:你提供的《模型训练与参数校准》截图,基于模拟数据 60 人 × 30 天训练得到的超参数。

超参数校准值作用
Erlang-C 安全冗余系数1.28预测 N(t) × 1.28 作为排班下限(8/15 高峰偏低 4%,故上调)
公平性罚分权重 β0.40班次分布不均的惩罚系数(晚班差异大,上调)
疲劳阈值0.72员工饱和度 ≥0.72 触发减班(1007 号 96% 饱和,提前干预)
满意度基准线7.5班组满意度 <7.5 告警(流失率>5% 阈值)
最大连续工作日5 天劳动法硬约束
ILP 求解精度 Gap3%与最优解差距容忍度(精度↑,Z 值↑3.2%)
决策变量x[i][d][s] = 坐席 i 在日 d 上班次 s(0/1);s∈{早,中,晚,夜,休}
硬约束在岗(t) ≥ 1.28·N(t) ;连续工作日 ≤5 ;周工时 ≤ H_max ;技能组覆盖
目标函数min 投诉 + 0.40·公平偏差 + 疲劳罚 + 满意度违约(各权重由你拍板)
min Σ 投诉(i,d)·x + 0.40·Σ|晚班数_i − 均值| + λ_f·Σ max(0, 饱和_i − 0.72) + λ_s·max(0, 7.5 − 班组满意度) s.t. ∀t: 在岗(t) ≥ 1.28 · N(t) ∀i: 连续工作日 ≤ 5 ILP gap ≤ 3%
约束优化无专用 skill → 用 Python(PuLP / OR-Tools) 求解
🔧 可用 Skill
本步为建模/求解,无专用 skill;结果导出用 xlsx / tencent-docs-sheetagent
★ 关卡:最优标准权重 λ 与约束口径由你定,模型不擅自设定。
3
③ 基于模型,反推需收集的数据清单

目标:把第②步模型需要的"原料"列成可执行的收集清单,交你填。

🧑 你(人工)
  • 确认清单是否完整、口径是否可获取
  • 按清单准备并提供真实数据
🤖 AI(我)
  • 从模型变量/约束反推:花名册、AHT、话务量 N(t)、约束参数
  • 生成结构化《数据收集模板》(字段+示例+说明)
🔧 可用 Skill
tencent-docs-sheet-generationxlsxtencent-docs (生成数据收集表 / 在线文档)
4
④ 你给数据,我输出最佳排班,待你审核

目标:代入真实数据跑第②步模型,输出最优排班初稿,停在"等你审"不自动发布。

🧑 你(人工)
  • 提供真实数据(花名册/话务量/约束参数)
  • 审核排班初稿(关卡):签字放行或退回调整
🤖 AI(我)
  • 代入真实数据求解,输出日常 + 节假日双时段最优排班
  • 附合规校验报告(超时/连班/覆盖缺口)
🔧 可用 Skill
tencent-docs-sheetagentxlsx (读数据 + 输出排班初稿 + 校验)
确认关卡
★ 关卡:排班初稿须你审核签字,未确认不进入第⑤步。
5
⑤ 按你的模板填写排班表

目标:把你审核通过的最优排班,按你给的《排班表模板》格式回填成正式表。

🧑 你(人工)
  • 提供《排班表模板》(字段/样式/班次定义)
  • 最终确认模板与签发(关卡)
🤖 AI(我)
  • 按模板结构映射:日期 × 坐席 × 姓名/工号 × 班次
  • 生成正式 Excel 排班表(替换脱敏样例为真实数据)
🔧 可用 Skill
xlsxtencent-docs-sheetagenttencent-docs-routingtencent-local-office-edit (按模板生成/回填排班表)
确认关卡
★ 关卡:模板格式与正式表由你最终确认签发。

📌 各步骤可用 Skill 映射表

步骤Skill 名称用途
① 预测tencent-docs-sheetagent读取/分析历史话务数据表
① 预测xlsx历史数据表读写
② 模型(无专用 skill)约束优化用 Python(PuLP/OR-Tools) 求解,结果导出用 xlsx
③ 数据清单tencent-docs-sheet-generation从零生成《数据收集模板》xlsx
③ 数据清单tencent-docs生成在线数据收集文档
④ 出结果tencent-docs-sheetagent读真实数据 + 输出排班初稿 + 合规校验
④ 出结果xlsx排班初稿读写
⑤ 填模板xlsx按模板生成/回填排班表
⑤ 填模板tencent-docs-sheetagent表格分析与回填
⑤ 填模板tencent-docs-routing路由到腾讯文档工具链
⑤ 填模板tencent-local-office-edit本地 Office 实时编辑回填
说明:预测(①)与约束优化(②)本质是算法计算,当前技能库无对应专用 skill,由我直接用 Python 实现;表格类环节(①③④⑤)已标注可用 skill。 若你希望这些步也走 skill,可在执行时让我具体调用(如第④步调用 tencent-docs-sheetagent)。