國立臺灣大學管理學院商學研究所 碩士論文
Graduate Institute of Business Administration College of Management
National Taiwan University Master Thesis
保險公司客服中心人力配置最佳化與情境分析—進線 角度分析
Manpower Optimization and scenario analysis in Call Center of Insurance Company--Inbound Call Perspective
彭佑安 You-An Peng
指導教授：余峻瑜 博士 Advisor: Jiun-Yu Yu, Ph.D.
中華民國 109 年 6 月
June, 2020
謝辭
感謝我一路走來，始終是非常幸運的人。
首先最要感謝的是余峻瑜老師。從老師簽名收我為指導學生起，每個禮拜都 有會議討論，細心指點我們研究方向與方法。就這樣持續了一年半，老師在我們 身上花的心血恐怕也是我難以想像的，在此誠摯的謝謝余峻瑜老師給的指導。
第二個要感謝的是我的好戰友毛詩沅。很幸運我能有一個夥伴一起做研究，
每當我想偷懶、想放棄的時候，看到你已經達成了當週的進度，就會再讓我繼續 努力，持續前進。中間也有非常痛苦的時刻。一起在水源宿舍討論到深夜，但隔 天與老師會議發現研究材料都不能用，又要重新思考方向。如此痛苦的過程持續 了好幾個禮拜，直到後來方向終於漸漸明朗。這其中的痛苦、無助、徬徨，只有 走過的人才能曉得。非常謝謝你，我們一起走過了這條最難走的路。
我也必須感謝台大國標社，當我寫論文累的時候，在國標社跳舞成為一種救 贖。在 2019 年九月我加入了國標社，在裡面我遇見很多很棒的人。感謝社長陳 昱彣、副社長張亞薇總是很關心大家練舞；感謝學長姐Erich、洪立達、邱瑜文、
陳長漢給了我很多舞蹈的建議。也要謝謝一起跳舞的好夥伴張殷慈、李芝涵、魏 辰竹、王靖媛、安東雷、卓真禾，跟你們一起跳舞都是非常快樂的時光。也特別 謝謝在我學生時代的最後一支舞，有師大的李庭當我的 2020 國標舞大專盃舞 伴，一起拿下了吉魯巴第二名的好成績。
還有太多太多需要感謝的人了，包含台大國標社、越南語班、台大商研所等 等，這些都構成我在台大商研所的美麗回憶。同時也感謝陳宏貞小姐，在我的青 春中留下的各種美好。
摘要
在客服中心的營運上，人力成本占總營運成本相當大的比例。而客服中心人 力如何配置，排班如何確定等議題一直是研究者關心的重點。本研究透過分析一 間保險公司的客服中心進線資料，求得各個時段所需最佳人數，並模擬三種情 境，對於管理者提出建議。
影響客服中心電話進線行為的主要有三個時間因素：進線時間、服務時間、
掛斷等待時間。而本研究較為聚焦在進線時間，兼論掛斷等待時間。本研究首先 由分析客服中心進線資料開始，對於資料做出探索式資料分析。經過初步分析得 出此客服中心進線大致樣貌。接著將進線資料切割，利用 EasyFit 軟體，找出各 時段資料的最適分配。找出分配後，利用 AnyLogic 軟體對於客服中心模擬。
我們設定客服中心服務水準須剛好達0.8 以上及掛斷率剛好小於 0.05 為該時 段之最佳人數。將 AnyLogic 的結果輸出至 Excel ，透過不斷試驗各種人數，找 尋符合服務水準與掛斷率要求的結果。除了記錄最佳人數，也記錄最佳人數加減 二人之結果，作為敏感度分析。
得出每個時段最佳人數後，進行情境分析。本研究共有三種情境：一、進線 量減少 ( 進線間隔時間加長 ) 。二、掛斷等待時間減少。三、進線量與掛斷等 待時間同時減少。並取星期一早上九點到十二點的時段作為分析時段。
研究結果發現，在本個案中，進線量減少時，最佳人數也會減少。而掛斷等 待時間減少並不會造成最佳人數下降。進線量與掛斷等待時間同減時，最佳人數 也會減少，不過主要是受進線量減少影響。管理者可以透過優化交互式語音回覆 系統與宣佈等待時間等措施，降低人力配置並提高客戶滿意度，節省成本。
關鍵字：客服中心、進線間隔時間、掛斷等待時間、人力配置最佳化、模擬
ABSTRACT
This study analyzes a call center in an insurance company, and calculates the optimal staff number of each period. Then simulates three scenarios and suggests the manager according to the result. There are three main time factors that affect the behavior of the call: inbound time, service time, waiting time till hang up. The study starts from exploratory data analysis. Through the analysis we can have a big picture of the data. Then we split the data and use EasyFit to find the optimal distribution of each period. After having the distribution, we use AnyLogic to simulate the call center. The number of staff when the service level to be just above 0.8 and the hang-up rate just below 0.05 is the optimal staff number of the period. This study connects AnyLogic with Excel. By try and error, we find the optimal staff number of each period. Beside the record of optimal staff number, we also record the result of optimal staff number add or less two people as for sensitivity analysis. Having the optimal staff number of each period, we start the scenario analysis. There are three scenarios in the study: 1. Decrease of call volume ( increase of inter-arrival time ) . 2.Decrease of waiting time till hang up. 3.Decrease call volume and hang-up waiting time at the same time. The result shows that the decrease of call volume will decrease the optimal staff number. The decrease of waiting time till hang up will not affect optimal staff number. The decrease of call volume and waiting time till hang up at the same time will decrease optimal staff number, but the effect mainly comes from decrease of call volume. The manager can decrease the optimal staff number and raise the satisfaction of customers by optimizing
目錄
謝辭 ... 4
摘要 ... 5
ABSTRACT ... 6
目錄 ... 7
圖目錄 ... 9
表目錄 ... 10
第一章 緒論 ... 11
第一節 研究背景與動機 ... 11
第二節 研究目的 ... 12
第三節 重要名詞釋義 ... 13
第四節 研究流程 ... 15
第二章 文獻探討 ... 17
第一節 電話客服中心 ... 17
第二節 模擬 ... 19
第三節 進線間隔時間與掛斷等待時間 ... 22
第四節 總結 ... 25
第三章 研究架構與情境 ... 26
第一節 研究架構 ... 26
第二節 研究情境 ... 27
第四章 研究設計與方法 ... 30
第一節 研究設計 ... 30
第二節 研究樣本 ... 31
第一項 保險公司客服中心簡介 ... 31
第二項 進線間隔時間資料 ... 33
第三項 服務時間資料 ... 35
第四項 掛斷等待時間資料 ... 37
第三節 分析工具之使用 ... 39
第一項 R ... 39
第二項 EasyFit ... 39
第三項 AnyLogic... 39
第四節 分析方法 ... 40
第一項 最適分配 ... 40
第二項 建構模擬模型 ... 41
第三項 模擬分析 ... 42
第五章 研究結果與討論 ... 43
第一節 最適人力需求 ... 43
第二節 情境分析 ... 45
第一項 情境一：進線量減少 ... 45
第二項 情境二：掛斷等待時間減少 ... 48
第三項 情境三：進線量與掛斷等待時間同時減少 ... 53
第六章 結論與建議 ... 59
第一節 研究發現與結論 ... 59
第二節 研究特色與貢獻 ... 60
第三節 研究限制與建議 ... 61
參考文獻 ... 62
附錄 ... 65
情境一敏感度分析表 ... 65
情境二敏感度分析表 ... 70
情境三敏感度分析表 ... 75
最適分配表 ... 80
圖目錄
圖 一.1 重要名詞釋義圖 ... 14
圖 一.2 研究流程圖 ... 15
圖 二.1 客戶進線流程圖 ... 17
圖 二.2 IVR 效益比較分析 ... 23
圖 三.1 研究之概念性架構圖 ... 27
圖 三.2 研究設計流程圖 ... 28
圖 四.1 進線間隔時間計數圖 ... 33
圖 四.2 週間進線間隔時間計數圖 ... 34
圖 四.3 小時進線間隔時間計數圖 ... 34
圖 四.4 服務時間計數圖 ... 35
圖 四.5 週間服務時間計數圖 ... 36
圖 四.6 小時服務時間計數圖 ... 36
圖 四.7 掛斷等待時間計數圖 ... 37
圖 四.8 週間掛斷等待時間計數圖 ... 37
圖 四.9 小時掛斷等待時間計數圖 ... 38
圖 四.10 最適分配紀錄表格圖 ... 40
圖 四.11 AnyLogic 客服中心模型圖 ... 41
圖 五.1 最適人力需求曲線 ... 44
表目錄
表 五.1 最適人力需求表 ... 45
表 五.2 情境分析一結果表 ... 48
表 五.3 情境分析二結果表 ... 52
表 五.4 情境分析三結果表 ... 58
第一章 緒論
本研究透過分析一家保險公司客服中心的進線量，希望可以預測該客服中心 在每個時段的最適人力配置，同時希望研究在不同情境下，最適人力的變動。本 研究設計的情境主要為進線間隔時間與掛斷等待時間的改變對最適人力變動的影 響。透過找出參數分配，並利用軟體進行模擬，找出最適人力配置，亦進行情境 分析。本章將闡明本研究之動機、目的，及對重要名詞進行解釋。
第一節 研究背景與動機
在現代社會中，人們對於服務的品質與速度標準不斷提升，而這些對於服務 水準的要求使得人員的培訓、招募等花費也相應成長。光是客服中心的人事成 本，就佔了總營運成本的百分之七十 ( 李英碩, 2007 ) 。由此可見，人員的利用 在客服中心的服務水準與營運上具有重要意義。
當顧客打電話進客服中心，若是較簡單的問題，一般皆由自動語音系統自動 解決。若是有較為複雜的問題，則可能轉接給專業的客服人員。而在一天的各個 時段中，客戶打電話進客服中心的頻率不會相同，也使得每個時段的進線量有所 不同。當每個時段的進線量不同時，所需的人力也不相同。估算每個時段所需要 的最佳人力因此成為重要的課題。
若是該時段安排的人力太多，則有可能會產生人力閒置與成本浪費的問題；
若是該時段安排的人力過少，則會有客服中心服務水準差及客戶抱怨等問題。無 論安排的人力太多或太少，都會造成客服中心的困擾，尤其在現今人力成本為主 要成本的情況下，估算錯誤產生的成本更為提高。
同時，客戶打電話進客服中心，在轉接專員或等待語音系統時，不一定能馬 上服務到客戶。客戶可能等待一段時間，也可能不等待就將電話掛斷。這些被掛 斷的電話，也會造成客戶對於公司的好感度下降。如果縮短客戶的等待時間，讓
客戶即使未被服務到，也不必長時間等待且未被接通，可有助於提升客戶的滿意 度 ( Akşin, Ata, Emadi, & Su, 2017 ) 。
因此進線量與掛斷等待時間便成為可能影響客服中心的人力配置與服務水準 的因素。當然影響的因素還有許多，例如客服中心的營運與策略定位及領導者等 也對於客服中心的成敗有所影響 ( 何湘茵, 2011 ) 。或者教育訓練裡，利用角色 扮演法、模擬訓練法及個案研究法，都會對客服中心的員工績效產生顯著影響 ( 蔡易霖, 2006 ) 。
在多種因素裡，本研究為了聚焦於研究者觀諸文獻所認為重要的因素，決定 本研究透過進線間隔時間與掛斷等待時間的改變，研究最適人力的變化。並首先 進行各時段最適人數的估算，接著選取時段進行情境分析。希望藉由本研究，得 出各時段最適人力配置，亦透過情境分析，帶給管理者擬定策略時的管理意函。
第二節 研究目的
如上背景與動機所述，客服中心的人力配置在現今社會是非常重要的課題，
因為其成本已成為客服中心運作的主要成本。本研究希望透過分析客服中心資 料，找出每一時段的最適人數，幫助客服中心更有效的運用人力。也希望透過情 境分析，找出當進線間隔時間改變或掛斷等待時間改變時，會對於最適人力產生 何種影響。並透過分析所得結果，提供對於管理者有參考價值的管理意涵。因此 本研究的目的可以統整為回答以下三個問題：
一、在各個時段下客服中心的最適人力配置為何？
二、進線間隔時間與掛斷等待時間的改變對客服中心有何影響？
三、對管理者而言，分析結果產生什麼具有參考價值的管理意涵？
第三節 重要名詞釋義
對於本研究所使用詞彙，為使上下有統一標準，此處對於常見重要名詞做出 解釋，其意義如下所述。
一、進線時間：指客戶撥打電話進入人工客服的時間點。
二、進線間隔時間：指客戶撥打電話進入人工客服的兩通電話間隔時間。
三、服務時間：指客服人員自接到客戶電話到通話後處理完畢所經歷的時 間。
四、通話時間：指客服人員自接到客戶電話至客戶掛斷電話所經歷的時間。
五、話後處理時間：指客服人員在與客戶通話掛斷後，後續為客戶進行文書 處理所經過的時間。
六、掛斷等待時間：指客戶按下轉接人工客服鈕後，未能轉接到人工客服而 掛斷，期間經過的等待時間。
七、人力配置：每個時段的客服中心客服人員人數。
八、掛斷率：掛斷通數除以進線通數。
九、服務水準：服務水準為20 秒內接聽比率。
十、完全符合：「完全符合」為同時滿足服務水準大於 80% 及掛斷率小於 5% 之機率。「完全符合」亦即計算在本研究該時段一百次模擬中，同時 滿足服務水準大於 80% 及掛斷率小於 5% 之次數。
十一、最適人力配置：若該人力配置之「完全符合」參數結果大於 80% ， 則稱此人力配置滿足該時段人力需求。而取該人力配置之「完全符合」參數 結果大於 80% 且最接近 80% 之人力配置為該時段最適人力配置。
ACD 轉接成 功，客戶進 線，此處為進 線時間點，通 話開始
客戶掛斷，此 處通話結束，
客服人員開始 進行話後處理 通話時間
話後處 理時間
客服人員結束 話後處理 ACD 轉接開
始，客戶開始 等待
客戶不耐等待 而離開，掛斷 電話
掛斷等 待時間
ACD
圖 一.1 重要名詞釋義圖
第四節 研究流程
研究背景
研究目的
文獻探討
研究架構與情境
資料取得與前處理
探索性數據分析
最適人力需求表
情境分析
研究結果
結論與建議
本節就研究流程做概略性敘述，詳細的研究設計與方法執行會在後續的章節 描述。客服中心的人力成本佔總成本中的主要部分，在此背景下，希望透過研究 對於管理者提供管理意涵啟發，進而優化人力配置，降低成本。並從文獻資料探 討發現，決定客服中心人員行為的三個參數：進線間隔時間、服務時間、掛斷等 待時間。取得資料後，首先進行探索性數據分析。接著利用軟體尋找參數的最適 分配，並將參數分配輸入模擬軟體，進行模擬，並得出各時段之最適人力配置。
取得最適人力配置後，欲觀察在不同情況下，人力配置將如何變動，因此進行情 境分析，一共進行三個情境分析。最後由情境分析與最適人力需求表，引導出研 究結果，並提出結論與建議。研究流程如圖 一.2 研究流程圖。
第二章 文獻探討
本章將對於電話客服中心、模擬、進線間隔時間與掛斷等待時間進行探討。
將聚焦於前人對於電話客服中心所做的各式研究。期待透過文獻探討，能夠找出 對於客服中心重要議題所採取的研究手法以前其背後代表意義。並從前人的經 驗，發展出本研究的脈絡與進行方向。
第一節 電話客服中心
首先，一家客服中心必然有幾個基本要素。圖 二.1 客戶進線流程圖列出客 戶撥打電話進入客服中心會出現的過程。首先客戶將進入 IVR 系統。 IVR 全 稱為 Interactive Voice Response ，即交互式語音回覆系統。客戶可以透過 IVR 系統，利用按鍵選擇所需簡易功能或選擇轉接專員服務。若客戶選擇轉接專員，
客戶即進入 ACD 系統。 ACD 全稱為 Automatic Call Distribution ，即進線話 務分配系統。 ACD 可根據客人進線順序、客人重要程度或完全隨機的順序轉接 給客服人員。在客服人員服務結束後，客戶離開系統，客服人員進行話後處理，
處理後也準備接通下一通電話。
在這個常見的客服中心系統中，有三處是客戶有可能離開系統的地方。第一 A
C D 系 統
客戶進線 IVR 系統 客服人員
客服人員
客服人員
客戶離開
客戶離開 客戶放棄
服 務 完 . 畢
. 客戶離開
服務完畢
圖 二.1 客戶進線流程圖
是在 IVR 系統服務結束後，客戶離開。第二是在 ACD 系統尚未接通服務人員 前，客戶因為等待太久而掛斷。第三處在最後客服人員完整服務客戶後，客戶離 開。
接著對影響客服中心表現的因素進行探討。事實上，對於客服中心的績效及 員工表現、客戶滿意度等到底受何因素影響，有許多研究提出不同看法。客服人 員人格特質與管理者領導風格或許是影響的因素 ( 錢芷珍, 2011 ) 。亦有研究顯 示，專業且熱忱的人才、具才幹的領導者、充分授權與資訊統整是客服能成功的 必備要素 ( 何湘茵, 2011 ) 。
在先前的研究中，有許多研究者也對客服中心的排班進行探討。例如利用限 制規劃求解客服排班問題 ( 鄭雅勻, 2007 ) 、利用搜尋法解決客服排班問題 ( 張 芳瑜, 2008 ) 。或者也有研究者考慮用整數規劃排班 ( 李英碩, 2007 ) ，也有研 究者使用搜尋法與影價鄰近解評估排班 ( 黃澤峯, 2009 ) 。曾經也有研究者使用 joint chance-constrained programming 來解排班問題 ( Excoffier, Gicquel, & Jouini, 2016 ) 。也有研究者對於多技能員工排班問題進行探討，先求最適人數後排班 ( Bhulai, Koole, & Pot, 2008 ) 。
進線方面，也有研究者以 Poisson 分配來解決客服中心面對的不確定性問 題，並結合 Erlang formula 建立模型 ( Jongbloed & Koole, 2001 ) 。或者以時間 序列與迴歸技巧嘗試解決客服中心電話進線的不確定性 ( Shen & Huang,
2008 ) 。亦有研究者對於一家商業銀行的客服中心，使用 ARIMA 模型預測進線 量 ( Chanbunkaew & Tharmmaphornphilas, 2018 ) 。
Archawaporn 與其團隊在 2013 年利用 Erlang C 模型評估一家汽車業客服中 心的進線不確定性 ( Archawaporn & Wongseree, 2013 ) 。研究者利用模型計算客
在 2015 年， Ding 與其研究團隊對於客戶再進線的行為進行研究 ( Ding, Koole, & Van Der Mei, 2015 ) 。在實際客服中心運作下，客戶經常不只進線一 次。例如在客戶打進客服中心，但未被接通而掛斷，掛斷後想再嘗試一次進線。
或者客戶首次打入客服中心而有被接通，服務結束後客戶發現其他問題，因此再 度打電話進入客服中心。在研究者的模型中，把客戶進線分成三種類型：新電話 ( 首次進線 ) 、重打電話 ( 首次服務後再次進線 ) 、重新連接電話 ( 首次進線 掛斷，再次嘗試 ) 。研究建立的模型想要估計此三種電話變數的數量與機率。研 究者利用真實電話中心資料作為評估，並發現利用此模型，只要給定新電話的進 線數量，即可估計出重打電話與重新連接電話的機率。
在2018 年， Um-In 與其團隊利用分解法研究客服中心人員配置與排班問題 ( Um-In & Tharmmaphornphilas, 2018 ) 。此研究中，不同客服人員有不同技能，
且每段期間客服數量不同並已事先給定。研究者將問題拆分成兩階段。第一階段 透過模型決定每段時間最少需要的人數。第二階段將不同技能的員工分配至各階 段。研究利用混合整數規畫進行估計。
第二節 模擬
模擬法在客服中心的研究運用上開展得相當早，在 1990 年即有相關研究 ( Chin & Sprecher, 1990 )。在此研究中，研究者利用以製造業為基礎的軟體對於客 服中心進行模擬。此研究採用資料直接來自於電話系統內，研究者對於參數進行 設定模擬各式情境。研究者希望在 95% 的電話在響三聲之內即有人接聽，並透 過許多 What-If 情境，模擬出在該情境下所需要的人力與環境配置，並記錄下該 人力水準與環境產生的顧客行為與滿意度。
在 2001 年， Saltzman 與其研究團隊對一家軟體公司的客服中心最佳人力 需求也做了模擬 ( Saltzman & Mehrotra, 2001 ) 。在此研究中，客服中心團隊擬定 一項計畫讓多付錢的顧客可以保證在一分鐘內被客服人員接通。研究者據此模擬 各種情境，觀察當參加計畫的顧客變多時，人力該如何安排。根據模擬結果，即
使被保證在一分鐘內接通的顧客比例變多，客服中心在特定人力水平下依然可以 輕易達成目標。
Pichitlamken 及其團隊在 2003 年也有應用模擬於客服中心的研究
( Pichitlamken, Deslauriers, L'Ecuyer, & Avramidis, 2003 ) 。團隊考量兩種電話服務 方式：客戶進線、客服主動撥出。並設定兩種服務人員：可以接進線電話的與可 以接進線也可以主動撥出電話的人員。可以接進線電話者不能主動撥出電話，兩 種電話都可以的人員則無限制。團隊利用模擬法建立模型，解決排班問題，並使 用連續時間馬可夫鏈排隊模型 ( continuous-time Markov chain ,CTMC ) 衡量系統 的表現。
Kozan 與其研究團隊在 2005 年利用模擬法研究緊急應變中心的人力配置問 題( Kozan & Mesken, 2005 ) 。團隊建置模擬模型分析進線影響與分配資源，並建 立了延伸模型。延伸模型包含五大部分：模擬產生緊急電話進線、模擬電話分配 將進線分配給不同中心、客服中心處理電話及將資訊傳遞給派運者、派運者進行 救護車分配、救護車自派遣點出發。此研究旨在對於緊急事故可能產生大量急迫 性進線影響進行分析，並提出包含人力配置、救護車配置等措施，優化緊急救護 系統。
Lewis 與其團隊在 2007 年對一個緊急資源分配專線也做了模擬研究 ( Lewis, Herbert, Summons, & Chivers, 2007 ) 。此研究旨在對 New South Wales Police Assistance Line 進行資源分配研究。此專線是一多地點、多進線點、多服務點的 專線，提供澳洲新南威爾士州住民處理緊急或非緊急事件。在此專線中心，員工 成本為主要考量成本。而有時即使所有電話都被接聽，但服務水準可能會有上下 震盪落差。此研究利用模擬建立模型，希望透過更佳的人力配置達到成本減少與
Henderson, 2008 ) 。傳統上，利用排隊模型解決人力配置問題，並不會考慮到不 同人力水準在不同時間段的交互關係，以及輪班要求對於人力配置與成本的影 響。此研究建構一基於模擬與切平面法之模型，求解問題之樣本平均近似
( sample average approximation ) 。當服務水準公式為 discrete pseudoconcave 時，
研究者對於方法建立收斂。研究者認為此法較傳統排隊理論表現較佳。
Cezik 與其團隊在 2008 年利用線性規劃與模擬求解客服中心人力配置 ( Cezik & L'Ecuyer, 2008 ) 。此客服中心由多技能員工組成，且有要求一定的服務 水準。研究者利用迭代切平面演算法最小化人力成本，並用模擬求出服務水準。
研究者對於樣本問題求平均，而樣本問題的最佳解若放大至原始問題的維度，亦 為其最佳解。研究者進行數次實驗，並每次都使用不同的規模，其最大的研究規 模為65 種電話類型與 89 種服務人員。
Avramidis 與其團隊在 2010 年對員工具備多技能的客服中心進行人員排班 最佳化研究 ( Avramidis, Chan, Gendreau, L'Ecuyer, & Pisacane, 2010 ) 。研究比較 不同種基於模擬的演算法結果，試圖在符合規定的服務水準下，最小化營運成 本。研究團隊並提出了一個結合整數規劃、線性規劃與模擬的方法，透過多次實 驗與實際案例測試，證明此法優於此前解決本問題的任何方法。
Thompson 與其研究團隊在 2013 年對客服人員的交叉訓練進行研究。客服 中心在安排人力時，同時面對了人力數量配置、排班型別配置、電話進線引導問 題，也要考慮符合客戶滿意度時併降低成本。而當員工具備多技能時，將可以有 效降低客服中心人力需求，因為以前有些無法由該員工回答的電話如今可被回 答。但進行客服人員交叉教育訓練多項技能是非常耗費成本的。因此此研究利用 基於模擬的最佳化方法，尋找可以減少客戶排隊時間的技能組合，並透過基因演 算法尋找可行解。透過訓練員工最佳技能組合，減少客戶的排隊時間。
Greasley 與其研究團隊在 2017 年利用模擬對於警察通訊中心做研究
( Greasley & Smith, 2017 ) 。此研究首先使用活動成本法來估計此中心的成本，並
找出此中心的主要成本因素。接著研究者利用模擬進行中心人力估計，同時也需 滿足服務水準要求。根據此研究，此最佳人力將可為中心節省 9.4% 人力成本。
第三節 進線間隔時間與掛斷等待時間
進線間隔時間與掛斷等待時間會與進線量、管理措施、交互式語音回覆系統 等有關，因此本節將探討影響進線量、管理措施等文獻。
關於交互式語音回覆系統等科技於客服中心的應用，早於 1996 年 Cook 在 其著作中即有探討 ( Cook, 1996 ) 。 Cook 於此研究中敘述交互式語音回覆系統 ( interactive voice response ,IVR ) 與電腦電話整合 ( computer telephony
integration ,CTI ) 可以為客服中心減少營運成本。 IVR 系統可以容易的被整合到 客服中心的現有設備上，並以話機處理資訊，更有效的傳遞訊息。 CTI 系統則 為一快速成長的客服中心應用，其效益亦已被認可。
Suhm 與其研究團隊在 2002 年研究自然語言路徑選擇 ( natural language call routing ) 與按鍵式清單 ( touch-tone menus ) 之比較 ( Suhm et al., 2002 ) 。自然 語言路徑選擇方法是當客戶打入客服中心時，直接讓客戶用自己的描述解釋問 題，再讓系統判斷該轉接的單位或服務。按鍵式清單則是讓使客戶透過語音系統 一層一層的按鍵選擇，最後引導至客戶的需求解決單位。此研究於一家大型電信 服務商客服進行，多數的客戶表示，自然語言選擇系統較按鍵式清單更能清楚導 向至特定服務人員或服務，且為多數客戶喜歡的轉接方式。若使用按鍵式清單，
可能導向至普通人員後，還需再由人員轉接。研究並表明自然語言路徑選擇系統 可以節省成本。
在 2002 同年，同一位研究者 Suhm 與其團隊發表了另一篇關於利用資料分 析 IVR 系統效益的研究 ( Suhm & Peterson, 2002 ) 。研究者對於電話語音介面 欲進行重塑，並以數千通電話進行分析達成此目標。此技術核心方法為找出客戶 進線路徑，並分析不同的IVR 設計會幫助客服中心節省多少客服服務秒數。其方 法如圖 二.2 IVR 效益比較分析，比較不同設計會幫客服人員節省多少秒數。
研究發現自然語言選擇可以節省客服人員時間，但此結果必須建立在自然語言辨 識度高的情況下。當客服人員時間節省，即意味有些電話已被語音系統處理造成 進線量下降，進線間隔時間加長。或意味客服人員已對客戶有所了解，節省通話 時間。
Yacoub 與其團隊在 2003 年對於客服中心進線客戶情緒進行辨識分析
( Yacoub, Simske, Lin, & Burns, 2003 ) 。相對於中性情緒，此研究並專注於辨識生 氣情緒，因為生氣情緒對於客服中心人員具有重要意義。研究也嘗試分辨不同的 進線情緒，例如悲傷、無聊、開心等。研究利用 neural networks, Support Vector Machines ( SVM ) , K-Nearest Neighbors, decision trees 來辨識情緒，並比較各項
圖 二.2 IVR 效益比較分析 資料來源：Suhm & Peterson, 2002
結果。研究成功辨識出生氣與中性短詞彙，並有高達 90% 的準確度。
He 與其團隊利用資料挖礦法 ( data mining ) ，希望能對電信客服中心品質 做持續性提升 ( He, Li, & Qi, 2007 ) 。團隊提出服務品質矩陣，並透過資料倉儲 與資料挖礦，研究服務品質持續提升。並對 IVR 系統分析，透過改變服務項目 在選單中的順序，提升 IVR 系統效率。同時也對服務人員建立服務品質矩陣，
用以衡量客服人員表現。研究最後，並利用時間序列對於未來進線量進行預測，
搭配動態資料採礦執行。此研究證實，客服中心可透過採用其中的方法，提升客 服中心的效率與服務水準。
Küçükdurmaz 也在其著作中研究關於客服中心搭配新科技是否有效提升表 現 ( Küçükdurmaz, 2014 ) 。其中提出三個新的科技應用： Recognize Caller by ANI ( Automatic Number Identification ) , Call Steering , Voice Verification 。 Recognize Caller by ANI 為以進線號碼直接識別顧客，串聯資料庫使系統直接獲 取顧客資訊。 Call Steering 為顧客直接透過語音敘述問題， AI 系統將問題導向 IVR 分類的問題，省去顧客要聽一長串問題並按按鈕的時間。 Voice Verification 為透過顧客的聲音辨識，直接解鎖一些需要顧客密碼的服務。此研究結論指出，
此三項科技均有助於提升服務表現，降低顧客進入真人接聽的數量，節省成本。
在第一章即有提到 Akşin 在 2017 年的研究 ( Akşin et al., 2017 ) ，此處更進 一步說明。此研究探討 delay announcement ( 延遲接聽宣布 ) 對於顧客行為之影 響。研究指出，顧客確實會對 delay announcement 的內容作出反應，且較無耐性 的顧客會提早掛斷電話。如此可以減少顧客的掛斷等待時間，也使顧客滿意度提 升，因為不須經過等待後沒有耐性無法接通過程。然研究指出，對於平均等待時 間與掛斷率並無顯著影響。
第四節 總結
透過以上文獻探討，可以發現對於客服中心進線預測、客服中心人員排班、
IVR 系統、客戶掛斷等議題，前人均有所涉獵。而對於客服中心種種議題的研究 也開展得相當早並相當廣泛。其中包含了時間序列、 Erlang 模型、資料採礦、
語音辨識、模擬、切平面法等等技術，都顯示了研究者對於客服中心議題的高度 興趣與議題之重要性。
而本研究不僅希望透過模擬得到量化結果，並希望探討較少研究者關注的管 理意涵。結合量化研究結果與管理意涵可以使管理者對於客服中心有更深的認 識，對於自身擁有的資源有更好的掌握度，也能因此提高對於客戶的服務水準，
創造更好的企業效能。
第三章 研究架構與情境
基於文獻資料，可發現諸多因素會對於客服中心人力配置造成影響。而對於 客服中心的進線、接聽、等待、掛斷等行為，基本上可以三個參數加以描述。第 一個參數為進線間隔時間，亦即兩通電話進線間隔時間。第二個參數為服務時 間，亦即電話從被接聽到被掛斷間所經過的時間。第三個參數為掛斷等待時間，
亦即電話未被接通，從進線時間到掛斷時間之間所經過的時間。
不同的參數組合會形塑出不同的客服中心服務行為，本研究主要關注於進線 間隔時間參數改變會如何影響客服中心人力配置，亦次要關注掛斷等待時間變化 會如何影響客服中心人力配置，及兩參數同時變化時，會對於客服中心人力配置 造成何種影響。本章將詳述本研究之架構，及其背後所發展之假說與流程。
第一節 研究架構
本研究主要選定進線間隔時間與掛斷等待時間作為觀察對象，透過兩者的變 動，觀察客服中心人力配置將有何改變。在進行研究時，本研究亦著重於其背後 的管理意涵。例如在何種情況下，進線量將減少，並使客服中心人力配置下降？
或在何種情況下，掛斷等待時間將減少，並使客服中心人力配置下降？若兩種管 理措施同時施行，將會對客服中心人力配置造成何種影響？
客服中心採取不同措施，會對於人力配置造成影響。而透過研究，我們可以 確知若措施將進線量、掛斷等待時間減少某幅度，其人力配置會有何種影響。客 服中心管理者可以據此數據，判讀出背後的管理意涵。
本研究透過模擬，求出各時段最佳人力配置，並模擬在不同情境下，人力配 置將會如何變動。以此變動後的人力配置，提供管理者做為決策時的管理意涵思 考，讓客服中心的運作效率提升，也更有效的降低成本，提升顧客滿意度。故本 研究之研究架構歸納如圖 三.1 研究之概念性架構圖。
第二節 研究情境
此處將上述研究架構轉為研究情境，並期待透過此三種情境達到研究目的。
情境一：在進線量減少時，研究客服中心人力配置的變動。
情境二：在掛斷等待時間減少時，研究客服中心人力配置的變動。
情境三：在進線量與掛斷等待時間同減時，研究客服中心人力配置的變動。
情境分析 1. 進線量減少
2. 掛斷等待時間減少 3. 進線量與掛斷等待
時間同時減少 最適人力需求表
管理意涵
圖 三.1 研究之概念性架構圖
取得客服中心進線資料
資料清洗，刪除錯誤、遺失值
資料探索性分析
由資料計算得到進線間隔時間 由資料提取服務時間 由資料提取掛斷等待時間
使用 EasyFit 獲得最適分配
使用 AnyLogic 獲得各時段最適人力
文獻探討
情境分析
情境分析 1 進線量減少
情境分析 2 掛斷等待時間減少
情境分析 3 進線量與掛斷等 待時間同時減少
研究結果
在進行完情境分析後，本研究將針對情境分析的結果進行說明。本研究亦將 探究情境分析結果的管理意涵，期待能過透過模擬實證，達到幫助本個案客服中 心對於其人力能有最佳配置。而其結果也將有助於管理者對於客服中心採取進一 步措施，提升顧客對於客服中心的滿意度。本研究設計如圖 三.2 研究設計流程 圖。
第四章 研究設計與方法
本章節將承襲如上所述的文獻探討及研究架構與情境，發展出本研究的研究 設計與方法。也對於本研究所採用的樣本加以介紹，並對於本研究所採用的分析 工具與方法進行說明。
第一節 研究設計
本節將詳述本研究之流程與設計。在獲取資料後，對於資料進行資料清洗，
刪除錯誤值、空白值等，確認將進行分析的資料不會產生錯誤造成分析阻礙。將 資料整理後，首先進行探索性資料分析，對於資料的輪廓有清楚掌握。
在掌握了資料輪廓後，利用 EasyFit 軟體找出各時段關於進線間隔時間、服 務時間、掛斷等待時間的最適分配。有了此三參數後，將參數輸入 AnyLogic 軟 體，求出各時段的最適合人力。在本研究中，各時段時間長度為半小時。
有了各時段的最適合人力後，透過文獻探討，接著進行情境分析。本研究共 設計了三個情境，分別是進線量減少、掛斷等待時間減少、進線量與掛斷等待時 間同時減少。在情境分析中，分析的時段選擇為星期一早上六個時段。因星期一 進線量大，在進行實驗時準確度較高，所呈現的結果會較平均，不像樣本小的資 料分析可能有高低落差的結果。且研究者主要目的為確認設定變因是否有影響，
因此能夠確認是否有影響，對於研究者已算足夠。在進線量減少情境中，設計減 少 5% 、 10% 、 15% 、 20% 進線量，並重新算出該時段的進線間隔時間，
再將此進線間隔時間資料放入EasyFit 軟體中，找尋其最適合分配。減少進線量
配、服務時間分配、掛斷等待時間分配放入 AnyLogic 軟體，找尋該情境下之最 適合人力配置。在進線量減少情境中，唯有進線間隔時間分配隨減少百分比數改 變，其餘分配維持該時段之原本分配。
對於掛斷等待時間減少情境，同樣設計了減少 5% 、 10% 、 15% 、 20%
該時段掛斷等待時間秒數的情境。操作方式為將掛斷等待時間資料乘以一定比例 作為該情境分析資料。例如減少掛斷等待時間 5% 即為將原本的掛斷等待時間資 料乘以 95% 作為該情境研究資料。透過轉換後得到減少後的掛斷等待時間，一 樣將資料放入 EasyFit 軟體中，找尋新的掛斷等待時間分配。找出新分配後，再 將新的掛斷等待時間分配、進線間隔時間分配、服務時間分配參數放入
AnyLogic 軟體中，以求得各情境下之最適合人力配置。此處僅變動掛斷等待時 間分配參數，其餘參數均與原本所輸入之各時段分配相同。
對於同時減少進線量與掛斷等待時間情境，本研究設計了四種類別：一、減 少進線量 5% ，同時減少掛斷等待時間 5% 。二、減少進線量 5% ，同時減少 掛斷等待時間 15% 。三、減少進線量 15% ，同時減少掛斷等待時間 5% 。 四、減少進線量 15% ，同時減少掛斷等待時間 15% 。對於每一類別，先將原 始資料經過結合上述情境一與情境二轉換後，再放入 EasyFit 軟體中，求出新的 最適分配。接著將最適分配參數放入 AnyLogic 軟體中，求出該時段與類別的最 適人力配置。
在本研究中，我們取得的分析資料均為客戶按九進入 ACD 系統後的轉接進 線資料，不包括客戶在 IVR 系統中的資料。也因此，可以透過優化 IVR 系統 來減少進到 ACD 系統的進線量。
第二節 研究樣本
第一項 保險公司客服中心簡介
本研究樣本取自與本研究合作的個案保險公司客服中心，資料來自客服中心
2019 年四、五、六月之實際進線資料。經過資料清洗處理後，可將資料分為進 線間隔時間資料、服務時間資料、掛斷等待時間資料。
本個案客服中心於 2020 年 4 月接電話人數有 25 人，主管或企劃人數共 10 人。以往本中心排班方式會偏向經驗法則，即主管決定各時段應配置多少人 數，並且在月初時利用假期登記表決定該月各人員休假時段。在午餐時段也會平 均分配，讓所有人都吃到飯，也讓客服中心隨時有人接電話。傍晚與晚上排班也 是採平均分配，希望所有人都有機會輪到晚班時段，且秉持幸福企業原則，每個 人一個月晚班時段不會超過八次。
此客服中心進線原則基本與其他同業相同。當客戶打入該中心語音系統後，
可能聆聽系統語音選擇 1 到 8 的服務，或撥 9 進入客服服務。至於掛斷方式 則有兩種，其一為等不到人接聽因此掛斷，另一為接通人員並於服務後掛斷。根 據客服中心人員經驗法則，早上客戶掛斷等待時間短，晚上客戶掛斷等待時間 長。
本客服中心共有 60 條線路，亦即可以承載 60 人同時在客服中心線上，若 第 61 人打電話進來，會直接聽到「嘟嘟嘟嘟」聲，也就是完全打不進來。
本客服中心進線電話類型除掉一通電話中問了多個問題的型別，共有23 種，包含保費行政 PA、保全作業 POS、其他、理賠 CL、保單內容、服務與通 路、NA、新契約 NB、產品條款、網路相關問題、投資型商品、FATCA、應付未 付款處理、申訴案件、網路投保、公司相關訊息、核對通訊資料、保戶加值服 務、080 線上變更、CA 防癌單、E 化通知服務、郵件退回、客服信箱留言。其 中保費行政 PA 佔約 22%，保全作業 POS 佔約 21%，其他佔約 9%，此三類為最 主要進線類別。
第二項 進線間隔時間資料
進線間隔時間資料共有 145490 筆，內容包含其進線類別、進線時間、接聽 者等資訊。由圖 四.2 進線間隔時間計數圖可知，大多數的進線間隔時間會落在 100 秒內，且 20 秒內為最多。若檢視資料計數，可知本份資料進線間隔時間秒 數最大值為 551 ，最小值為 0 ，平均為 18.38 。
圖 四.1 進線間隔時間計數圖
深入分析進線間隔時間資料，可由圖 四.3 週間進線間隔時間計數圖知，星 期一進線量最多，星期五進線量最少，且進線量隨著星期一共有 35231 筆進線 至星期五共有 23784 筆不斷遞減。
資料來源：本研究
由圖 四.4 小時進線間隔時間計數圖亦可得知，以每小時統計數目而言，早 上十點到十一點有最大進線量共 18161 筆，最小進線量出現在晚上八點到九點 共 4207 筆。
圖 四.3 小時進線間隔時間計數圖 資料來源：本研究
圖 四.2 週間進線間隔時間計數圖
資料來源：本研究
第三項 服務時間資料
服務時間資料共有 133038 筆，內容包含其進線類別、進線時間、接聽者等 資訊。由圖 四.5 服務時間計數圖可知，大多數的服務時間會落在 150 秒至 300 秒之間，且約 200 秒為最多。若檢視資料計數，可知本份資料服務時間秒數最 大值為 6618 ，最小值為 0 ，平均為 250.98 。
由圖 四.6 週間服務時間計數圖可知，星期一進線量最多為 31033 筆，星期 五最少為 22497 筆，筆數由星期一至星期五逐天遞減。
圖 四.4 服務時間計數圖 資料來源：本研究 圖 四.4 服務時間計數圖
由圖 四.7 小時服務時間計數圖可知，筆數最多為早上十點到十一點為 17091 筆，筆數最少為晚上八點到九點為 2879 筆。
圖 四.5 週間服務時間計數圖 資料來源：本研究
第四項 掛斷等待時間資料
掛斷等待時間資料共有 7784 筆，由圖 四.8 掛斷等待時間計數圖可知，大 多數的掛斷等待時間會落在 260 秒以下，且約集中於 200 秒以下。若檢視資料 計數，可知本份資料服務時間秒數最大值為 979 ，最小值為 3 ，平均為
141.88 。
資料來源：本研究 圖 四.7 掛斷等待時間計數圖
圖 四.8 週間掛斷等待時間計數圖
由圖 四.9 週間掛斷等待時間計數圖可知，星期一有最多掛斷筆數共 2961 筆，星期五有最少掛斷筆數共 689 筆，掛斷筆數隨星期一至五逐天遞減。
由圖 四.10 小時掛斷等待時間計數圖可知，晚上七點到八點有最多的掛斷筆 數為 1585 筆，下午三點到四點有最少的掛斷筆數為 144 筆。推測可能晚上派 的客服人員較少，服務能力較低，因此掛斷通數多，而掛斷等待時間長。
圖 四.9 小時掛斷等待時間計數圖 資料來源：本研究
第三節 分析工具之使用
第一項 R
由於本次資料筆數超過十萬筆以上，若使用 Excel 分析會難以運算，因此採 用 R 進行研究樣本資料清理與探索性分析。 R 軟體常用於統計資料分析，並因 其優異的繪圖能力廣受稱讚。
第二項 EasyFit
在進行探索性資料分析後，本研究需要找出各參數的最適分配。 EasyFit 可 以將輸入的資料進行分析，尋找其最適分配。本研究即為將進線間隔時間資料、
服務時間資料、掛斷等待時間資料輸入 EasyFit ，找出參數之最適分配。
第三項 AnyLogic
找出參數分配後，本研究將對客服中心人力配置進行模擬。本研究採用 AnyLogic 軟體進行模擬。 AnyLogic 軟體對於模擬有廣泛應用，包含工廠生產 管理、客服中心等，亦可結合 Java 程式語言運用。
第四節 分析方法
本研究主要分析方法有三個步驟，本節將分項說明。
第一項 最適分配
研究首先要找出進線間隔時間、服務時間、掛斷等待時間的最適分配，因此 將參數資料輸入進 EasyFit 軟體中尋找最適分配。 EasyFit 軟體會提供與參數分 配相近的分配並排名做參考，本研究綜合考慮各因素並挑選常見的分配作為該參 數資料的分配。由於原資料取得時並未記錄話後處理時間，因此在操作上將服務 時間的分配後加一個 uniform(90,120) 分配，以求盡量符合真實接聽情形。利用 EasyFit 求出的分配會記錄於表格中，如圖 四.11 最適分配紀錄表格圖所示為星 期一早上九點到九點半之分配。表格將紀錄三個參數的最適分配以及時段，本表 格亦作為接續輸入 AnyLogic 軟體的預備資料。
圖 四.10 最適分配紀錄表格圖 資料來源：本研究
第二項 建構模擬模型
由 EasyFit 求出各項分配後，下一步要建構 AnyLogic 模擬模型。模型如圖 四.12 AnyLogic 客服中心模型圖所示。客戶由 source1 進線，本研究亦在此處輸 入進線間隔時間分配，決定客戶何時進線。客戶進線後，接著來到 service 等待 客服人員接聽。若客服人員未接聽，則客戶將由 sink2 離開。若客服人員接通電 話並服務結束，則客戶將由 sink1 離開。本研究在 service 處輸入服務時間分配 與掛斷等待時間分配，決定其服務長短與掛斷時機。
本模型並設定若干變數作為模擬過程之記錄。 nComeIn 意指該時段中之所 有進線量。 nOK 意指該時段電話被接聽且完整服務的數目。 nLate 意指超過 20 秒才接通服務人員的電話數目。 nAbandoned 意指客戶未接通服務人員並掛 斷的電話數目。 n20hangup 意指客戶 20 秒內未接通服務人員並掛斷的電話數 目。 nA2ComeIn 意指經過兩小時模擬後之所有進線量。 nA2OK 意指經過兩小 時模擬後之電話被接聽且完整服務的數目。 nA2Late 意指經過兩小時模擬後之 超過 20 秒才接通服務人員的電話數目。 nA2Abandoned 意指經過兩小時模擬後
圖 四.11 AnyLogic 客服中心模型圖 資料來源：本研究
之客戶未接通服務人員並掛斷的電話數目。 nA2_20hangup 意指客戶 20 秒內未 接通服務人員並掛斷的電話數目。
第三項 模擬分析
建構出客服中心模型後，開始進行模擬分析研究。每個時段都具有三個參數 的分配，將其輸入 AnyLogic 後，以不同人力進行測試。每次輸入不同人力數字 後， AnyLogic 會將結果輸出至 Excel 紀錄，除第二項模擬模型所述之變數外，
也透過 Java 與 Excel VBA 計算出服務水準、掛斷率。同時利用程式判斷該次模 擬是否符合服務水準大於 80% 及掛斷率小於 5% 。為求實驗精確，每次均進行 一百次模擬，模擬結果由 Excel VBA 計算其一百次之平均值，作為該人力數字 在該時段產生的結果。此處定義「完全符合」為同時滿足服務水準大於 80% 及 掛斷率小於 5% 之機率。「完全符合」亦即計算在一百次模擬中，同時滿足服務 水準大於 80% 及掛斷率小於 5% 之次數。
若該人力配置之完全符合參數結果大於 80% ，則稱此人力配置滿足該時段 人力需求。而取該人力配置之完全符合參數結果大於 80% 且最接近 80% 之人 力配置為該時段最適人力配置。
對於各時段，除記錄該時段之最適人力，亦對於該人力數字加減二人做敏感 度分析，期能對管理者判斷提供參考。
第五章 研究結果與討論
本章將對於研究結果進行討論與分析，將從最適人力需求表敘述，接續記述 情境分析結果。
第一節 最適人力需求
最適人力需求表如表 五.1 最適人力需求表。由表可知，在上午時段，大約 需要 28 至 38 人力。在下午十二點至傍晚六點，大約需 17 至 35 人力。在傍 晚六點過後，需求人力降至約 9 至 16 人。
最適人力需求表亦符合本研究在研究樣本所做的探索性資料分析。最適人力 需求表顯示星期一之所需人力較多，亦即指星期一進線量較多。同時也能發現，
由星期一至星期五，所需人力漸減，此模擬結果與前述樣本進線量由星期一至星 期五漸減相同。
亦可觀察到中午十二點到一點半時，所需人力較少，表示在中午時段進線量 較少。在一點半過後，所需人力又提升，顯示此時進線量增加，需要更多人力。
而在下午五點之後所需人力大幅減少，表示進線量大幅下降。直到晚上九點客服 人員下班，進線量都相對上午下午時段低，所需人力都較少。
圖 五.1 最適人力需求曲線
最適人力需求表
Hour Mon Tue Wed Thu Fri
9:00-9:30 38 32 31 33 32
9:30-10:00 37 30 28 30 29
10:00-10:30 36 33 31 30 30
10:30-11:00 37 33 31 34 32
11:00-11:30 35 31 29 32 29
11:30-12:00 35 30 28 32 29
12:00-12:30 27 22 20 20 21
12:30-13:00 23 20 19 19 18
13:00-13:30 28 22 22 21 22
13:30-14:00 34 28 27 27 27
14:00-14:30 34 32 30 30 28
0 5 10 15 20 25 30 35 40
9:00-9:30 9:30-10:00 10:00-10:30 10:30-11:00 11:00-11:30 11:30-12:00 12:00-12:30 12:30-13:00 13:00-13:30 13:30-14:00 14:00-14:30 14:30-15:00 15:00-15:30 15:30-16:00 16:00-16:30 16:30-17:00 17:00-17:30 17:30-18:00 18:00-18:30 18:30-19:00 19:00-19:30 19:30-20:00 20:00-20:30 20:30-21:00
最適人力需求曲線
Mon Tue Wed Thu Fri
資料來源：本研究
16:30-17:00 30 26 27 27 26
17:00-17:30 25 23 22 21 21
17:30-18:00 18 19 17 17 17
18:00-18:30 16 15 14 15 14
18:30-19:00 15 12 13 12 12
19:00-19:30 13 13 14 13 12
19:30-20:00 14 14 14 12 11
20:00-20:30 14 13 11 11 11
20:30-21:00 12 11 10 11 9
表 五.1 最適人力需求表
第二節 情境分析
本節將對本研究的三個情境分析進行分析討論，並在附錄檢附各個情境與時 段的敏感度分析表。
第一項 情境一：進線量減少
相關結果可參考表 五.2 情境分析一結果表。此處進線量變化幅度選擇採取 減少 5% 、 10% 、 15% 、 20% ，來觀察最適配置人數的變化。以星期一早 上九點到九點半為例。原先在沒有變動進線量下，其最適人數為 38 人。當進線 量減少 5% 時，人數依然維持 38 人。不過當進線量減少 10% 時，人數減少至 35 人。進線量減少至 15% 時，人數減少至 34 人。當進線量減少 20% 時，最 適人數減為 33 人。
由星期一上午六個時段為例，可觀察到當進線量每減少 5% ，則人力需求數 量可減少約一至三人。在某些時段，減少 5% 也不會減少人力需求，顯示在該時 段進線量減少幅度 5% 不足以改變人力需求。而雖然人力需求在此情況並未減 少，但可以觀察到服務水準表現較好。例如星期一上午九點到九點半的時段，進
資料來源：本研究
線量變化幅度由 0% 至減少 5% ，所需人數依然為 38 人。但可以看到服務水 準由 0.892 提升至 0.9068 ，同時掛斷率由 0.024 降至 0.01792 。此時完全符 合的比例也由 0.8 升至 0.84 。
情境分析 1:進線量減少 星期一 0900-0930 進線
量變 化幅
度 進線間隔時間分配
最 適 人
數 nComeIn nOK nLate nAbandoned n20hangup SL HR SL>0.8 HR<0.05 完全 符合
-20% exponential(0.07752) 33 140.23 126.76 10.43 2.69 0.86 0.9137 0.01825 0.88 0.89 0.85
-15% exponential(0.08271) 34 148.98 131.36 13.43 3.85 1.16 0.8931 0.02474 0.83 0.82 0.8
-10% exponential(0.08715) 35 157.08 136.91 15.41 4.29 1.34 0.8855 0.02579 0.84 0.84 0.8
-5% exponential(0.09198) 38 165.91 148.73 13.52 3.15 1.02 0.9068 0.01792 0.87 0.9 0.84
0% exponential(0.0953) 38 168.97 148.86 15.62 4.23 1.37 0.892 0.024 0.82 0.83 0.8 星期一 0930-1000
進線 量變 化幅
度 進線間隔時間分配
最 適 人
數 nComeIn nOK nLate nAbandoned n20hangup SL HR SL>0.8 HR<0.05 完全 符合
-20% exponential(0.06927) 29 126.11 111.92 11.54 2.4 0 0.8922 0.01813 0.87 0.89 0.85
-15% exponential(0.07336) 31 130.82 117.24 11.35 2.08 0 0.9006 0.01519 0.83 0.93 0.81
-10% exponential(0.07779) 33 140.58 125.63 11.97 2.43 0 0.8988 0.01633 0.88 0.92 0.86
-5% exponential(0.08189) 35 148.75 132.39 13.45 2.42 0 0.8959 0.01543 0.83 0.94 0.82
0% exponential(0.08571) 37 153.78 142.96 8.86 1.6 0 0.933 0.01 0.92 0.97 0.9 星期一 1000-1030
進線 量變
最 適
-10% exponential(0.0868) 32 157.08 142.21 11.97 2.27 0.01 0.9106 0.01343 0.85 0.92 0.84
-5% exponential(0.09163) 34 161.65 147.86 11.59 2.12 0.05 0.9196 0.01227 0.87 0.92 0.87
0% exponential(0.09604) 36 175.32 158.06 14.53 2.38 0 0.907 0.013 0.87 0.94 0.87 星期一 1030-1100
進線 量變 化幅
度 進線間隔時間分配
最 適 人
數 nComeIn nOK nLate nAbandoned n20hangup SL HR SL>0.8 HR<0.05 完全 符合
-20% exponential(0.0765) 31 138.04 125.58 10.31 1.97 0.16 0.9152 0.0135 0.83 0.94 0.83
-15% exponential(0.08134) 33 145.9 134.67 9.09 1.66 0.17 0.927 0.01091 0.95 0.97 0.93
-10% exponential(0.08612) 34 153.93 138.69 12.65 2.21 0.16 0.9064 0.0137 0.84 0.94 0.83
-5% exponential(0.09096) 35 163.19 142.68 17.12 2.94 0.21 0.882 0.017 0.83 0.91 0.81
0% exponential(0.09505) 37 171.76 155.48 13.61 2 0.21 0.911 0.011 0.89 0.97 0.89 星期一 1100-1130
進線 量變 化幅
度 進線間隔時間分配
最 適 人
數 nComeIn nOK nLate nAbandoned n20hangup SL HR SL>0.8 HR<0.05 完全 符合
-20% exponential(0.07404) 29 133.65 118.93 11.78 2.52 0.44 0.8981 0.01784 0.84 0.91 0.81
-15% exponential(0.07898) 30 140.99 124.97 12.77 2.71 0.58 0.895 0.018 0.86 0.92 0.86
-10% exponential(0.0833) 32 149.03 132.76 13.11 2.81 0.61 0.8996 0.01779 0.84 0.89 0.83
-5% exponential(0.08788) 34 158.31 143.12 12.21 2.47 0.62 0.9114 0.01495 0.87 0.94 0.87
0% exponential(0.0921) 35 164.32 145.9 14.93 3.06 0.59 0.896 0.018 0.81 0.88 0.81 星期一 1130-1200
進線 量變 化幅
度 進線間隔時間分配
最 適 人
數 nComeIn nOK nLate nAbandoned n20hangup SL HR SL>0.8 HR<0.05 完全 符合
-20% exponential(0.07151) 29 127.57 113.84 11.22 2.15 0.03 0.8983 0.01575 0.83 0.9 0.83
-15% exponential(0.07581) 31 135.89 124.28 9.74 1.55 0.05 0.9196 0.01067 0.88 0.93 0.86
-10% exponential(0.08028) 33 145.32 133.87 9.45 1.61 0.17 0.9266 0.01046 0.9 0.98 0.9
-5% exponential(0.08497) 34 153.52 137 13.9 1.98 0.12 0.8986 0.01208 0.84 0.96 0.84
0% exponential(0.08843) 35 159.03 141.6 14.62 2.13 0.14 0.897 0.013 0.82 0.95 0.82
表 五.2 情境分析一結果表
第二項 情境二：掛斷等待時間減少
相關結果參考表 五.3 情境分析二結果表。本研究掛斷等待時間變化減少幅 度採取 5% 、 10% 、 15% 、 20% 。觀察最適人力需求數字變化，可發現改 變掛斷等待時間會對最適人力需求產生影響，但影響不大。以星期一早上九點到 九點半為例。在不變動掛斷等待時間時，最適人數為 38 人。而無論當掛斷等待 時間減少5% 、 10% 、 15% 、 20% 時，最適人數都維持在 38 人。
同時可看到進線數量與服務順利的接聽數量幾乎不會因為掛斷等待時間調整 而改變。在放棄電話的總數量上，可看到隨著掛斷等待時間減少，數量有增加的 趨勢。以星期一上午九點到九點半為例。當掛斷等待時間不變時，放棄數量為 4.23 通。當掛斷等待時間減少 20% 時，放棄數量增為 5.09 通。
20 秒內掛斷數量也會因為掛斷等待時間減少而增加。以星期一早上九點到 九點半為例。當掛斷等待時間不變時， 20 秒內掛斷數量為 1.37 通。當減少 5% 時，數量為 1.86 通。在減少 10% 時，數量為 1.83 通。減少 15% 時，數 量為 2.27 通。減少 20% 時，數量為 2.42 通。雖然在 5% 到 10% 時數量一 度減少 0.03 通，但可以發現無論是在此時段或是其他五個時段，當掛斷等待時 間減少時， 20 秒內掛斷數量幾乎都是增加的。
在星期一早上九點半至十點的時段，人數由原本的37 人，經減少掛斷等待 時間後均變為36 人。在掛斷等待時間減少情形下，HR<0.05 的機率減小，不符 合掛斷率小於 5% 的機率提高，但還是符合掛斷率小於 0.05 的水準。這裡顯示
資料來源：本研究
情境分析 2:掛斷等待時間減少 星期一 0900-0930 掛斷等
待時間 變化幅 度
掛斷等待 時間分配
最 適 人
數 nComeIn nOK nLate nAbandoned n20hangup SL HR SL>0.8 HR<0.05 完全 符合
-20%
weibull(1.3 922,75.567
,4.0454) 38 171.7 153.65 12.46 5.09 2.42 0.9103 0.02847 0.91 0.81 0.8
-15%
weibull(1.3 922,80.289
,4.2982) 38 169.39 151.48 12.59 4.81 2.27 0.9093 0.02738 0.9 0.82 0.81
-10%
weibull(1.3 922,85.012
,4.551) 38 169.48 152.43 12.14 4.31 1.83 0.9134 0.02402 0.9 0.85 0.85
-5%
weibull(1.3 922,89.735
,4.8039) 38 172.52 153.37 13.84 4.91 1.86 0.9031 0.02704 0.88 0.84 0.82
0%
weibull (1.3753,96.
099,8.0828
) 38 168.97 148.86 15.62 4.23 1.37 0.892 0.024 0.82 0.83 0.8 星期一 0930-1000
掛斷等 待時間 變化幅 度
掛斷等待 時間分配
最 適 人
數 nComeIn nOK nLate nAbandoned n20hangup SL HR SL>0.8 HR<0.05 完全 符合
-20%
triangular(
6.1231,4.4
8,150.4) 36 154.49 145.23 5.26 3.76 2.56 0.9574 0.02316 0.97 0.85 0.85
-15%
triangular(
6.5058,4.7
6,159.8) 36 155.2 144.02 6.85 4.08 2.36 0.9445 0.02492 0.94 0.84 0.83
