一. 行业现状
今天，呼叫中心已经普及到各行业应用中，她在企业战略规划中的定位越来越高，发挥的作用越来越重要。对内来说，她应该是企业资源调度中心，对外来说，她不仅是客户服务中心，还可以是产品营销中心、客户关系管理中心、顾客价值挖掘中心。她本身也发展到了多媒体智能阶段，基于互联网的云呼叫中心等，但无论怎么发展和变化，始终离不开人的服务，也就离不开对服务的管理、对标准的管理。
呼叫中心人员频繁流失是令管理者非常头痛的问题，“流失快、招聘难、招聘女员工更难”，这种趋势在一线城市体现得尤其明显，所以催生了另外一个趋势——越来越多的企业将呼叫中心向二三线城市迁移、集约，主要原因是当地就业率低、人工成本低。但人员集中同时也会带来风险集中的效应，如出现90后员工成群成片辞职的现象，让管理者猝不及防，给企业的正常运作带来巨大的冲击。
人员频繁流失，为了保证服务流程的正常运转，企业就要频繁招聘，这给企业带来的损失是显而易见的：
1. 加重了企业的招聘培训成本；
2. 影响顾客体验和客户感知；
3. 会对企业形象造成负面影响；
4. 给了竞争对手了解企业内部信息的机会。
有没有一个系统测算模型，能够及时发现人员异动，让管理者提前介入关怀，实现降低员工流失率，提高员工满意度呢？下面就有一个：
二. 模型解读
举一个某大型呼叫中心的真实案例来说明这个测算模型：
上图的横坐标是等步长的测算时段数，可以是日期，连续数量在15个以上；纵坐标是测算对象的指标当量，它是一个没有单位的比值，围绕100上下波动。红色表格区域代表潜在异常，每一条线代表一个被测算对象。
那么上图要告诉我们什么信息呢？
黄线是正常稳定绩效人群的指标表现和趋势；其它线（A、B和C）是三个非正常人员的表现和趋势，这种“非正常”之一是已萌生离职念头。两者特征有明显区别：前者平缓，极少踏入红色区域或踏入很浅；后者起伏很大，连续踏入或突然深深踏入红色区域。在这个真实案例中，A、B、C三个人都在出现异动10天左右离开了工作岗位，辞职另谋高就了。
数据不说谎，只是要转变方式来揭示某些隐藏的事实，是不是非常神奇呢？
三. 算法与建模
其实这个模型就是最小方差管理法的一个综合应用，建模后固化到系统应用中，大量周期性的人工重复运算就可以通过系统来完成，管理人员可以设定测算对象、测算指标、输出模板，便捷、准确、随时测算团队成员是否存在异动，做到及时应对，有的放矢。
具体步骤如下：
选择测算对象：可以按岗位角色、或按队列、技能矩阵、班组、新人批次等选择，视乎呼叫中心规模和管理者的角色，但要保证选定对象的业务类型相近。
选择测算指标：可以是效率类（通话均长ATT，产能，通话利用率，话后处理率，小休率）；质量类（评分，差错率，错单率）；其他（如遵守率、出勤率），视乎你的测算目的是什么。选择原则是数据采集容易、全覆盖、客观无歧义，建议一般取效率类的ATT或通话利用率。
