YundaDesk每年大促前,客服主管都要回答同一个问题:这次该排多少人。答错的代价很直接——备多了,大促过后一堆临时坐席无事可做,预算被浪费;备少了,咨询量一涨,回复时长拉长,退款率跟着走高,客户在社媒上留差评。比排班本身更难的,是“算准要备多少”这一步,而这一步恰恰最少人认真做。
这篇讲清楚怎么把客服工单量预测这件事落到可执行的方法上——用历史曲线加活动日历做量的预测,再用全渠道合并和 AI 弹性削峰,把预测误差造成的人力缺口降到最低。
为什么“凭经验加个百分比”会算错
多数团队的预测方法是:“去年黑五咨询量涨了 3 倍,今年估计也差不多,加 3 倍人。“这个估法至少有三个漏洞。
第一,渠道结构在变。去年可能主要靠邮件和网站挂件,今年 TikTok 广告投放力度加大,评论区和私信的咨询量会以完全不同的曲线增长,历史邮件量根本不能代表今年的量。
第二,促销节奏不同。今年多加了一天预售、换了一个满减门槛、多上了一次闪购,每一个变量都会让咨询高峰的时间点和形态改变,不是简单地把去年曲线整体乘以一个系数。
第三,“涨了 3 倍”这个数字本身可能就不准——如果去年的咨询记录分散在五六个渠道的后台,根本没人把它们加总过,那个“3 倍”只是凭印象说的。
预测不准的根子,往往不在预测方法本身,而在于底层数据是否完整、可加总。这也是为什么第一步永远是把量的口径先理清楚。
第一步:把历史曲线整理成一份真正可用的数据
预测的起点是历史数据,但历史数据要能用,得先满足三个条件:
- 口径统一:所有渠道(网站挂件、邮件、WhatsApp、Instagram、TikTok、Messenger、LINE、微信等)的咨询量按同一个时间粒度(比如按小时)汇总,而不是散在各自后台里各算各的。
- 时间对齐:标出每次促销的起止时间、每次广告加投的时间点,这样曲线的“峰”能对应到具体的动作,而不是一条看不出原因的波浪线。
- 分类打标:区分“物流类”(到哪了/能不能改地址)、“售前类”(尺码/材质/能不能到货)、“售后类”(退款/换货/投诉)三类问题的占比走势——这三类问题的应对方式完全不同,备力的重点也不同。
如果你的渠道还没有汇总在同一个工作台里,这一步做起来会很痛苦——每次做预测都要去五六个后台里手动导数据、对时间戳、去重同一个客户在不同渠道的重复咨询。这也是为什么把渠道先合并到统一收件箱,是所有后续预测工作的地基,详见全渠道收件箱怎么落地。
第二步:叠加活动日历,把“变量”变成“已知量”
有了干净的历史曲线之后,下一步是把即将到来的活动日历一条条列出来,并标注每条活动预计会撬动哪一类咨询量:
| 活动类型 | 主要撬动的咨询类型 | 建议提前量 |
|---|---|---|
| 预售/定金期 | 售前类(能不能凑单、定金能不能退) | 提前 3-5 天开始上升 |
| 正式大促日 | 物流类 + 售后类集中爆发 | 当天到次日达峰值 |
| 广告加投期 | 新客售前咨询(首次下单顾虑) | 与投放曲线同步 |
| 大促后 1-2 周 | 物流查询 + 退换货高峰 | 滞后于大促 3-7 天 |
把这张表和历史曲线叠加,就能把“预计会涨多少”从一个模糊的百分比,变成“哪天、哪个渠道、哪类问题会涨”的具体排期。这比笼统地说“大促期间加两倍人”要精确得多,也更容易安排到具体班次和渠道分工上。
预测不是为了得到一个精确到个位数的数字,而是为了在人力还来得及调整的时候,提前看到峰值出现的时间点和形态。
大促排班先按峰值倍数做压力测试
第三步:算清楚“人力缺口”,而不是笼统加人
有了预测曲线之后,真正要回答的问题是:哪些时段、哪些问题,靠现有人力接不住。这里有一个常被忽略的变量——AI 客服能接住的那部分咨询量,不该算进“需要人力覆盖”的缺口里。
具体做法是把预测出来的咨询量拆成两块:
- 高重复度、知识库能覆盖的问题(物流状态、发货时间、常见售前问题)——这部分应交给 AI 客服 7×24 承接,答不上或客户明确要求人工时才转接
- 需要人工判断的问题(退款金额争议、投诉、复杂售后)——这部分才是真正需要按人力排班覆盖的缺口
只有把 AI 能承接的部分先扣掉,剩下的“人力缺口”数字才是排班该参考的真实数字。这一步做得好,很多团队会发现实际需要新增的临时坐席比“凭经验加百分比”算出来的少得多。关于 AI 该接哪些、人该接哪些的边界怎么划,可以参考AI 先接、人工兜底的实操边界。
第四步:用主动触达把峰值咨询前置分流
预测出峰值之后,还有一个能直接压低峰值高度的做法——在客户还没开口问之前,主动把大概率会被问到的信息推过去。比如大促发货延迟几天、物流商临时调整、满减规则的常见误解,提前通过邮件或消息触达一批客户,能实打实减少“物流到哪了”这类重复咨询涌进收件箱的量。
这里要注意,主动触达不是无节制群发。合理使用需要有护栏兜底:冷却时间、频率上限、客户正在对话时不插话、被列入免打扰名单的客户不触达、涉及敏感操作(比如退款相关话术)必须过人工审核再发出。这些护栏不是可选项,而是主动触达能不能长期用下去的前提。展开的做法参考怎么做主动触达而不打扰客户。
第五步:把预测结果转成排班和渠道分工
预测数据出来之后,最后一步是转成实际能执行的排班表。这里建议按渠道和时段两个维度交叉安排,而不是笼统地“大促期间多来几个人”:
- 按预测曲线标出每天的咨询高峰时段,优先在这些时段排足人力,平峰时段可以适当收缩
- 按渠道特性分工——需要快速响应的即时通讯渠道(WhatsApp、Telegram、微信)和响应窗口相对宽松的邮件渠道,不该用同一套排班逻辑
- 给退款/投诉这类必须走审批的高风险问题预留专门坐席,不要让处理简单售前咨询的坐席同时兼顾复杂投诉,两者节奏完全不同
第六步:大促结束后回头校准预测模型
大促结束不代表预测工作结束。把这次实际产生的量和之前预测的量对比,看误差出在哪个渠道、哪个时段、哪类问题上,这个校准过程会让下一次预测越来越准。这也是为什么把每次促销的曲线和标注留存下来比临时抱佛脚做一次预测更值钱——它会变成下次决策的依据,而不是一次性的表格。
工单量预测从来不是一个能一次性做对的数字游戏,而是一套需要持续校准的流程:先把全渠道的量合并到同一份口径里,再叠加活动日历把变量变成已知量,然后用 AI 能承接的部分先削掉一块峰值,最后靠主动触达把还没问出口的问题提前分流。每一步都做扎实,大促当天的排班表才不是拍脑袋拍出来的。