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
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)。
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。
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 β | 0.40 | 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 Gap | 3% | 与最优解差距容忍度(精度↑,Z 值↑3.2%) |
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。
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。
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。
| 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 |