Piloter vos flux d’appels : tout savoir sur la qualité de prévision (QP)
Faire une prévision pour un service client, c’est tout simplement s’interroger : « Combien aurai-je à traiter par jour, par semaine, par mois, d’appels entrants, de tickets, de mails ou de contacts ? ».
Cette prévision, basée sur des éléments statistiques historiques et des éléments marketing comme les nouvelles offres, les promotions et autres probabilités, est un exercice délicat.
La stratégie consiste à l’affiner au maximum afin d’élaborer un modèle de référence, notamment pour planifier les équipes de votre centre d’appels. Parcourez notre article pour tout savoir sur cet indicateur d’aide au pilotage de votre call center.
Définition de la qualité de prévision
Le KPI doit être observé globalement et finement, par jour voire par créneau horaire. Cette granularité est précieuse pour constituer ses équipes et planifier leur répartition au cours de la journée et de la semaine.
L’objectif de la QP reste donc le contrôle des prévisions afin d’avoir le meilleur staffing du centre d’appels en fonction :
- Du volume de vente ou de commande
- De la base clients
- Des clients actifs
- Des nombres de contacts
- Du taux de contacts
- Du nombre de résiliations
- …
Savoir calculer la qualité de prévision
La formule du calcul de la qualité de prévision est très simple :
QP = nombre d’appels reçus / nombre d’appels prévus * 100
Exemple : le centre d’appels a prévu de recevoir 200 appels par jour. Au final, le nombre d’appels atteint un volume de 150 appels. La qualité de prévision s’élève donc à 75 % (150/200*100).
Une qualité de prévisions peut aussi être supérieure à 100 % si le volume d’appels réellement reçus est supérieur au volume d’appels entrants initialement prévus.
Exemple : le centre d’appels a prévu de recevoir 200 appels par jour. Au final, le nombre d’appels atteint un volume de 250 appels. La qualité de prévision s’élève donc à 125 % (250/200*100).
Écart entre l’hypothèse de QP et la réalité du terrain : les causes
Si le calcul est simple, tout l’art de piloter cet indicateur réside dans l’estimation du volume des appels entrants. Mais parfois, malgré les bonnes intentions, des écarts avec le terrain se perçoivent. Il est alors essentiel de savoir pourquoi.
Les raisons d’une QP trop élevée
Après avoir fait patiemment vos calculs prévisionnels, votre QP est supérieur à 100 %. Pour rappel, cela se traduit par un volume d’appels plus important que celui prévu. Alors, pourquoi ? Plusieurs explications sont envisageables en fonction des différentes situations.
Il peut s’agir d’un effet conjoncturel comme le lancement d’une campagne de promotion en cours qui attire de nouveaux clients. Ce flux multiplie les appels vers le call center et fausse les prévisions.
Ces campagnes doivent être intégrées dans le calcul des prévisions en amont.
Ce sont malheureusement des situations difficiles, si ce n’est impossible, à prévoir. Il faut donc être très réactif et régler le problème avec les différents services concernés pour stopper cette vague.
Si le problème est structurel et durable, le danger devient très sérieux avec le risque d’une hausse des appels perdus, des clients insatisfaits et d’un chiffre d’affaires qui se tasse voire s’effrite.
Il faut donc réagir très vite !
Les raisons d’une QP trop basse
Une qualité de prévisions trop basse, qui avoisinerait par exemple la barre des 50 %, n’est pas non plus un signe très encourageant. Ici, la question est : « pourquoi les appels sont-ils moins nombreux que prévu ? ».
Là encore, les causes peuvent être passagères. Exemple : une vague de chaleur et de soleil incite les consommateurs à sortir se promener plutôt que de faire des achats comme ce que vous aviez prévu. Résultat : pas d’achat, donc pas d’appels vers le service client. Vos prévisions tombent à l’eau.
Ce schéma se retrouve aussi dans la non-prise en compte des périodes de vacances scolaires dans votre prévisionnel. L’effet de saisonnalité est une donnée cruciale pour l’estimation du volume des appels entrants.
D’autres motifs peuvent entraîner une QP trop basse comme un problème technique. Un serveur vocal interactif mal paramétré crée un mauvais routage des contacts ce qui les fait raccrocher avant même de parler au téléconseiller.
Les différentes méthodes de prévision pour les centres d’appels
La taille du centre d'appels, la complexité des motifs d'appels, la disponibilité des données historiques et l'expertise interne en analyse de données conditionnent le choix de la méthode de prévision.
Les petits centres avec des volumes d'appels stables peuvent se contenter de méthodes intuitives comme les moyennes mobiles ou le lissage exponentiel simple. Pour les centres d'appels plus importants ou confrontés à des variations saisonnières marquées, l'analyse des séries chronologiques ou la méthode ARIMA sont plus appropriées, pour peu qu’ils disposent d’un historique conséquent.
Il est généralement recommandé de tester plusieurs méthodes en parallèle et de comparer leurs performances sur des données historiques connues.
1. La méthode des moyennes mobiles
La méthode des moyennes mobiles calcule la moyenne des données historiques sur une période définie pour prédire les valeurs futures. Dans un centre d'appels, elle consiste à prendre la moyenne du volume d'appels sur les dernières semaines ou mois. C’est une méthode simple, voire intuitive. Concrètement :
- Choisissez une période, par exemple 4 semaines ;
- Calculez la moyenne des appels reçus pour ces 4 semaines ;
- Utilisez cette moyenne comme prévision pour la semaine suivante ;
- Le calcul est refait chaque semaine en prenant en compte les 4 semaines précédentes.
Cette technique lisse les fluctuations à court terme et met en évidence les tendances à long terme. Elle est particulièrement efficace pour les séries de données stables sans forte saisonnalité.
Ses avantages :
- Simple à comprendre et à mettre en œuvre ;
- Efficace pour les tendances à long terme ;
- Réduit l'impact des valeurs aberrantes.
Ses inconvénients :
- Ne prend pas en compte la saisonnalité ;
- Réagit lentement aux changements brusques ;
- Le choix de la période de calcul influence fortement les résultats.
Pour optimiser son utilisation, les centres d'appels doivent ajuster la période de calcul en fonction de leurs cycles d'activité. Une période trop courte rendra la prévision sensible aux fluctuations, tandis qu'une période trop longue la rendra moins réactive aux changements les plus récents.
La méthode des moyennes mobiles convient donc aux centres d'appels avec des volumes relativement stables et prévisibles. Elle est donc peu adaptée aux environnements très volatils ou fortement saisonniers.
2. Le lissage exponentiel simple
Cette méthode de prévision accorde davantage d'importance aux données récentes par rapport aux données plus anciennes. Elle utilise un coefficient de lissage (α) compris entre 0 et 1 pour pondérer les observations.
Elle consiste à choisir un coefficient α, généralement par essai-erreur. Il existe des outils qui permettent d’automatiser ce processus en testant rapidement différentes valeurs pour trouver le coefficient optimal en fonction de vos données. On appliquera par la suite la formule suivante :
Nouvelle prévision = [α × (Valeur réelle actuelle)] + [(1 - α) × (Valeur réelle précédente)]
Ses avantages :
- S'adapte rapidement aux changements de tendance ;
- Nécessite peu de données historiques ;
- Facile à mettre à jour avec de nouvelles données.
Ses inconvénients :
- Peut surréagir aux fluctuations à court terme ;
- Le choix du coefficient α est critique et peut être complexe ;
- Ne gère pas naturellement la saisonnalité.
Cette méthode est particulièrement utile pour les centres d'appels confrontés à des tendances changeantes ou à des évolutions progressives de leur activité. Elle permet de s'adapter plus rapidement que les moyennes mobiles aux changements de comportement des clients ou aux effets des campagnes marketing.
3. Analyse des séries chronologiques
L'analyse des séries chronologiques examine les tendances et les motifs dans les données historiques pour prédire les valeurs futures. Cette méthode décompose les données en plusieurs éléments : tendance, saisonnalité, cycles et résidus.
Dans un centre d'appels, cette approche permet d’identifier les tendances à long terme (croissance ou déclin), de repérer les variations saisonnières (mois, jours de la semaine, heures), de détecter les cycles récurrents (annuels, trimestriels) et d’isoler les fluctuations aléatoires.
Le processus typique est le suivant :
- Collecte des données historiques (volume d'appels sur une période significative, au moins deux ans) ;
- Décomposition de la série : tendance, saisonnalité, cycles, variations inexpliquées) ;
- Analyse de chaque composante séparément ;
- Projection des composantes dans le futur ;
- Recombinaison (addition) des différentes projections pour obtenir la prévision finale.
Voici un exemple simplifié :
- Tendance : +5 % sur les appels entrants par an
- Saisonnalité : +20 % en décembre, -10 % en août
- Moyenne actuelle : 1 000 appels/jour.
Prévision pour décembre prochain : 1000 x 1.05 x 1.20 = 1 260 appels/jour
Cette méthode prend en compte la saisonnalité et les cycles, permet de comprendre les facteurs qui influencent le volume des appels et donne des prévision à court et moyen terme. Elle nécessite toutefois une quantité importante de données historiques.
Cette méthode convient particulièrement aux centres d'appels ayant des variations saisonnières marquées ou des cycles d'activité prévisibles. Elle permet d'anticiper les pics et creux d'activité avec une certaine précision.
4. ARIMA (AutoRegressive Integrated Moving Average)
ARIMA est une méthode de prévision statistique avancée qui combine plusieurs techniques pour analyser et prédire les séries temporelles. Elle est particulièrement efficace pour les centres d'appels qui ont des données complexes ou des tendances difficiles à modéliser avec des méthodes plus simples. Elle compte trois composantes :
- AutoRegressive (AR) : utilise les valeurs passées pour prédire les futures ;
- Integrated (I) : différencie les données pour les rendre stationnaires ;
- Moving Average (MA) : prend en compte les erreurs de prévision passées dans le modèle.
Sa mise en œuvre se fait généralement sur un outil de Workforce Management (WFM), sur des packages statistiques (R ou Python) voire sur Excel.
Ses avantages :
- Haute précision pour des séries temporelles complexes ;
- Capable de capturer des tendances et des saisonnalités subtiles ;
- S'adapte bien aux changements dans les données.
Ses inconvénients :
- Complexe à mettre en place et à interpréter ;
- Nécessite une expertise ou, à minima, des connaissances poussées en statistique ;
- Demande une grande quantité de données historiques pour être efficace.
ARIMA est particulièrement utile pour les grands centres d'appels qui ont des volumes d'appels variables et des tendances complexes. Elle peut prendre en compte de multiples facteurs qui influencent le volume d'appels comme les campagnes marketing, les événements saisonniers et même les tendances économiques.
Les limites intrinsèques aux prévisions dans les centres d’appels
L'imprévisibilité du comportement humain reste la principale source d'incertitudes. Les clients peuvent réagir de manière inattendue à de nouveaux produits, services ou campagnes marketing. Les événements externes, comme les conditions météo extrêmes, les pannes techniques ou les crises économiques peuvent également perturber les modèles de prévision. Ces facteurs sont par définition difficiles, voire impossibles à anticiper, et peuvent entraîner des pics ou des creux d'appels soudains.
La qualité des données historiques utilisées pour les prévisions est également décisive. Des données incomplètes, erronées ou biaisées conduiront à des prévisions inexactes, quel que soit le degré de « sophistication » de la méthode employée.
Les changements rapides dans le secteur d’activité ou dans l'entreprise elle-même (lancement de nouveaux canaux de communication, changement dans le processus du service client) peuvent rendre les modèles de prévision utilisés inadaptés ou obsolètes. Et l'adaptation à ces changements nécessite un temps de latence pendant lequel les prévisions peuvent être peu fiables.
Citons enfin la complexité des interactions client avec l'intégration de nombreux canaux de communication qui rend plus difficile la prévision précise des volumes d'appels. Les interdépendances entre le téléphone et la messagerie instantanée, pour ne prendre que cet exemple, sont difficiles à modéliser.
Connaître les leviers d’optimisation de la qualité de prévisions
- S’appuyer sur un historique fiable (ce qui est compliqué dans le cadre d’une création d’activité)
- Fixer des normes sémantiques communes à tous les acteurs
- Recueillir et analyser les données historiques de différents outils (ACD, CRM, SVI, etc.)
- Documenter des événements imprévus pour tenir compte de leur effet ponctuel dans les analyses futures et sur les comportements des clients
- Appliquer le principe de décomposition, c’est-à-dire juxtaposer les séries chronologiques (tendance, saisonnalité, événements atypiques, aléatoires, prévisibles ou non)
- Faire l’analyse de l’impact de la saisonnalité et des jours atypiques sur les appels
- Opter pour une méthode de prévision (économétrique, extrapolative)
- Effectuer la modélisation de l’activité du centre d’appels pour isoler les sources de dispersion (approche statistique et explicative)
- Intégrer l’effet retour du taux d’efficacité et du taux de résolution au premier contact (FCR) pour ne pas se faire berner par le mécanisme classique : « plus le volume est élevé, plus le taux d’efficacité baisse, plus le taux de rappels augmente »
- Avoir recours à des outils statistiques adaptés
- Bien analyser les écarts de QP pour :
- Emmagasiner de l’expérience pour le prévisionniste
- Identifier les éventuelles failles ou dérives du modèle
- Mettre à jour des corrélations
Notre conseil
Faire de la prévision permet l’optimisation des ressources dans un call center aussi bien sur le plan humain que budgétaire. Toutefois, l’estimation initiale réclame de l’expérience et surtout de la volonté.
Vous aimeriez en savoir plus sur la manière d’exploiter la qualité de prévisions pour établir la stratégie à employer dans votre centre de contact ? Prenons rendez-vous pour échanger sur ce sujet !
Définition de la qualité de prévision
Le KPI doit être observé globalement et finement, par jour voire par créneau horaire. Cette granularité est précieuse pour constituer ses équipes et planifier leur répartition au cours de la journée et de la semaine.
L’objectif de la QP reste donc le contrôle des prévisions afin d’avoir le meilleur staffing du centre d’appels en fonction :
- Du volume de vente ou de commande
- De la base clients
- Des clients actifs
- Des nombres de contacts
- Du taux de contacts
- Du nombre de résiliations
- …
Savoir calculer la qualité de prévision
La formule du calcul de la qualité de prévision est très simple :
QP = nombre d’appels reçus / nombre d’appels prévus * 100
Exemple : le centre d’appels a prévu de recevoir 200 appels par jour. Au final, le nombre d’appels atteint un volume de 150 appels. La qualité de prévision s’élève donc à 75 % (150/200*100).
Une qualité de prévisions peut aussi être supérieure à 100 % si le volume d’appels réellement reçus est supérieur au volume d’appels entrants initialement prévus.
Exemple : le centre d’appels a prévu de recevoir 200 appels par jour. Au final, le nombre d’appels atteint un volume de 250 appels. La qualité de prévision s’élève donc à 125 % (250/200*100).
Écart entre l’hypothèse de QP et la réalité du terrain : les causes
Si le calcul est simple, tout l’art de piloter cet indicateur réside dans l’estimation du volume des appels entrants. Mais parfois, malgré les bonnes intentions, des écarts avec le terrain se perçoivent. Il est alors essentiel de savoir pourquoi.
Les raisons d’une QP trop élevée
Après avoir fait patiemment vos calculs prévisionnels, votre QP est supérieur à 100 %. Pour rappel, cela se traduit par un volume d’appels plus important que celui prévu. Alors, pourquoi ? Plusieurs explications sont envisageables en fonction des différentes situations.
Il peut s’agir d’un effet conjoncturel comme le lancement d’une campagne de promotion en cours qui attire de nouveaux clients. Ce flux multiplie les appels vers le call center et fausse les prévisions.
Ces campagnes doivent être intégrées dans le calcul des prévisions en amont.
Ce sont malheureusement des situations difficiles, si ce n’est impossible, à prévoir. Il faut donc être très réactif et régler le problème avec les différents services concernés pour stopper cette vague.
Si le problème est structurel et durable, le danger devient très sérieux avec le risque d’une hausse des appels perdus, des clients insatisfaits et d’un chiffre d’affaires qui se tasse voire s’effrite.
Il faut donc réagir très vite !
Les raisons d’une QP trop basse
Une qualité de prévisions trop basse, qui avoisinerait par exemple la barre des 50 %, n’est pas non plus un signe très encourageant. Ici, la question est : « pourquoi les appels sont-ils moins nombreux que prévu ? ».
Là encore, les causes peuvent être passagères. Exemple : une vague de chaleur et de soleil incite les consommateurs à sortir se promener plutôt que de faire des achats comme ce que vous aviez prévu. Résultat : pas d’achat, donc pas d’appels vers le service client. Vos prévisions tombent à l’eau.
Ce schéma se retrouve aussi dans la non-prise en compte des périodes de vacances scolaires dans votre prévisionnel. L’effet de saisonnalité est une donnée cruciale pour l’estimation du volume des appels entrants.
D’autres motifs peuvent entraîner une QP trop basse comme un problème technique. Un serveur vocal interactif mal paramétré crée un mauvais routage des contacts ce qui les fait raccrocher avant même de parler au téléconseiller.
Les différentes méthodes de prévision pour les centres d’appels
La taille du centre d'appels, la complexité des motifs d'appels, la disponibilité des données historiques et l'expertise interne en analyse de données conditionnent le choix de la méthode de prévision.
Les petits centres avec des volumes d'appels stables peuvent se contenter de méthodes intuitives comme les moyennes mobiles ou le lissage exponentiel simple. Pour les centres d'appels plus importants ou confrontés à des variations saisonnières marquées, l'analyse des séries chronologiques ou la méthode ARIMA sont plus appropriées, pour peu qu’ils disposent d’un historique conséquent.
Il est généralement recommandé de tester plusieurs méthodes en parallèle et de comparer leurs performances sur des données historiques connues.
1. La méthode des moyennes mobiles
La méthode des moyennes mobiles calcule la moyenne des données historiques sur une période définie pour prédire les valeurs futures. Dans un centre d'appels, elle consiste à prendre la moyenne du volume d'appels sur les dernières semaines ou mois. C’est une méthode simple, voire intuitive. Concrètement :
- Choisissez une période, par exemple 4 semaines ;
- Calculez la moyenne des appels reçus pour ces 4 semaines ;
- Utilisez cette moyenne comme prévision pour la semaine suivante ;
- Le calcul est refait chaque semaine en prenant en compte les 4 semaines précédentes.
Cette technique lisse les fluctuations à court terme et met en évidence les tendances à long terme. Elle est particulièrement efficace pour les séries de données stables sans forte saisonnalité.
Ses avantages :
- Simple à comprendre et à mettre en œuvre ;
- Efficace pour les tendances à long terme ;
- Réduit l'impact des valeurs aberrantes.
Ses inconvénients :
- Ne prend pas en compte la saisonnalité ;
- Réagit lentement aux changements brusques ;
- Le choix de la période de calcul influence fortement les résultats.
Pour optimiser son utilisation, les centres d'appels doivent ajuster la période de calcul en fonction de leurs cycles d'activité. Une période trop courte rendra la prévision sensible aux fluctuations, tandis qu'une période trop longue la rendra moins réactive aux changements les plus récents.
La méthode des moyennes mobiles convient donc aux centres d'appels avec des volumes relativement stables et prévisibles. Elle est donc peu adaptée aux environnements très volatils ou fortement saisonniers.
2. Le lissage exponentiel simple
Cette méthode de prévision accorde davantage d'importance aux données récentes par rapport aux données plus anciennes. Elle utilise un coefficient de lissage (α) compris entre 0 et 1 pour pondérer les observations.
Elle consiste à choisir un coefficient α, généralement par essai-erreur. Il existe des outils qui permettent d’automatiser ce processus en testant rapidement différentes valeurs pour trouver le coefficient optimal en fonction de vos données. On appliquera par la suite la formule suivante :
Nouvelle prévision = [α × (Valeur réelle actuelle)] + [(1 - α) × (Valeur réelle précédente)]
Ses avantages :
- S'adapte rapidement aux changements de tendance ;
- Nécessite peu de données historiques ;
- Facile à mettre à jour avec de nouvelles données.
Ses inconvénients :
- Peut surréagir aux fluctuations à court terme ;
- Le choix du coefficient α est critique et peut être complexe ;
- Ne gère pas naturellement la saisonnalité.
Cette méthode est particulièrement utile pour les centres d'appels confrontés à des tendances changeantes ou à des évolutions progressives de leur activité. Elle permet de s'adapter plus rapidement que les moyennes mobiles aux changements de comportement des clients ou aux effets des campagnes marketing.
3. Analyse des séries chronologiques
L'analyse des séries chronologiques examine les tendances et les motifs dans les données historiques pour prédire les valeurs futures. Cette méthode décompose les données en plusieurs éléments : tendance, saisonnalité, cycles et résidus.
Dans un centre d'appels, cette approche permet d’identifier les tendances à long terme (croissance ou déclin), de repérer les variations saisonnières (mois, jours de la semaine, heures), de détecter les cycles récurrents (annuels, trimestriels) et d’isoler les fluctuations aléatoires.
Le processus typique est le suivant :
- Collecte des données historiques (volume d'appels sur une période significative, au moins deux ans) ;
- Décomposition de la série : tendance, saisonnalité, cycles, variations inexpliquées) ;
- Analyse de chaque composante séparément ;
- Projection des composantes dans le futur ;
- Recombinaison (addition) des différentes projections pour obtenir la prévision finale.
Voici un exemple simplifié :
- Tendance : +5 % sur les appels entrants par an
- Saisonnalité : +20 % en décembre, -10 % en août
- Moyenne actuelle : 1 000 appels/jour.
Prévision pour décembre prochain : 1000 x 1.05 x 1.20 = 1 260 appels/jour
Cette méthode prend en compte la saisonnalité et les cycles, permet de comprendre les facteurs qui influencent le volume des appels et donne des prévision à court et moyen terme. Elle nécessite toutefois une quantité importante de données historiques.
Cette méthode convient particulièrement aux centres d'appels ayant des variations saisonnières marquées ou des cycles d'activité prévisibles. Elle permet d'anticiper les pics et creux d'activité avec une certaine précision.
4. ARIMA (AutoRegressive Integrated Moving Average)
ARIMA est une méthode de prévision statistique avancée qui combine plusieurs techniques pour analyser et prédire les séries temporelles. Elle est particulièrement efficace pour les centres d'appels qui ont des données complexes ou des tendances difficiles à modéliser avec des méthodes plus simples. Elle compte trois composantes :
- AutoRegressive (AR) : utilise les valeurs passées pour prédire les futures ;
- Integrated (I) : différencie les données pour les rendre stationnaires ;
- Moving Average (MA) : prend en compte les erreurs de prévision passées dans le modèle.
Sa mise en œuvre se fait généralement sur un outil de Workforce Management (WFM), sur des packages statistiques (R ou Python) voire sur Excel.
Ses avantages :
- Haute précision pour des séries temporelles complexes ;
- Capable de capturer des tendances et des saisonnalités subtiles ;
- S'adapte bien aux changements dans les données.
Ses inconvénients :
- Complexe à mettre en place et à interpréter ;
- Nécessite une expertise ou, à minima, des connaissances poussées en statistique ;
- Demande une grande quantité de données historiques pour être efficace.
ARIMA est particulièrement utile pour les grands centres d'appels qui ont des volumes d'appels variables et des tendances complexes. Elle peut prendre en compte de multiples facteurs qui influencent le volume d'appels comme les campagnes marketing, les événements saisonniers et même les tendances économiques.
Les limites intrinsèques aux prévisions dans les centres d’appels
L'imprévisibilité du comportement humain reste la principale source d'incertitudes. Les clients peuvent réagir de manière inattendue à de nouveaux produits, services ou campagnes marketing. Les événements externes, comme les conditions météo extrêmes, les pannes techniques ou les crises économiques peuvent également perturber les modèles de prévision. Ces facteurs sont par définition difficiles, voire impossibles à anticiper, et peuvent entraîner des pics ou des creux d'appels soudains.
La qualité des données historiques utilisées pour les prévisions est également décisive. Des données incomplètes, erronées ou biaisées conduiront à des prévisions inexactes, quel que soit le degré de « sophistication » de la méthode employée.
Les changements rapides dans le secteur d’activité ou dans l'entreprise elle-même (lancement de nouveaux canaux de communication, changement dans le processus du service client) peuvent rendre les modèles de prévision utilisés inadaptés ou obsolètes. Et l'adaptation à ces changements nécessite un temps de latence pendant lequel les prévisions peuvent être peu fiables.
Citons enfin la complexité des interactions client avec l'intégration de nombreux canaux de communication qui rend plus difficile la prévision précise des volumes d'appels. Les interdépendances entre le téléphone et la messagerie instantanée, pour ne prendre que cet exemple, sont difficiles à modéliser.
Connaître les leviers d’optimisation de la qualité de prévisions
- S’appuyer sur un historique fiable (ce qui est compliqué dans le cadre d’une création d’activité)
- Fixer des normes sémantiques communes à tous les acteurs
- Recueillir et analyser les données historiques de différents outils (ACD, CRM, SVI, etc.)
- Documenter des événements imprévus pour tenir compte de leur effet ponctuel dans les analyses futures et sur les comportements des clients
- Appliquer le principe de décomposition, c’est-à-dire juxtaposer les séries chronologiques (tendance, saisonnalité, événements atypiques, aléatoires, prévisibles ou non)
- Faire l’analyse de l’impact de la saisonnalité et des jours atypiques sur les appels
- Opter pour une méthode de prévision (économétrique, extrapolative)
- Effectuer la modélisation de l’activité du centre d’appels pour isoler les sources de dispersion (approche statistique et explicative)
- Intégrer l’effet retour du taux d’efficacité et du taux de résolution au premier contact (FCR) pour ne pas se faire berner par le mécanisme classique : « plus le volume est élevé, plus le taux d’efficacité baisse, plus le taux de rappels augmente »
- Avoir recours à des outils statistiques adaptés
- Bien analyser les écarts de QP pour :
- Emmagasiner de l’expérience pour le prévisionniste
- Identifier les éventuelles failles ou dérives du modèle
- Mettre à jour des corrélations
Notre conseil
Faire de la prévision permet l’optimisation des ressources dans un call center aussi bien sur le plan humain que budgétaire. Toutefois, l’estimation initiale réclame de l’expérience et surtout de la volonté.
Vous aimeriez en savoir plus sur la manière d’exploiter la qualité de prévisions pour établir la stratégie à employer dans votre centre de contact ? Prenons rendez-vous pour échanger sur ce sujet !
Parlons de votre projet – Cadrage gratuit de 30 minutes
Call of Success accompagne les entreprises dans toutes les étapes de votre projet d’externalisation.
Parlons de votre projet – Cadrage gratuit de 30 minutes
Call of Success accompagne les entreprises dans toutes les étapes de votre projet d’externalisation.
Parlons de votre projet – Cadrage gratuit de 30 minutes
Call of Success accompagne les entreprises dans toutes les étapes de votre projet d’externalisation.
Parlons de votre projet – Cadrage gratuit de 30 minutes
Call of Success accompagne les entreprises dans toutes les étapes de votre projet d’externalisation.
Parlons de votre projet – Cadrage gratuit de 30 minutes
Call of Success accompagne les entreprises dans toutes les étapes de votre projet d’externalisation.
À lire aussi
Ne ratez jamais une information importante.
Des centaines d’articles et ressources pour vous aider à accélérer votre business et service client.
