話務量預測屬於時間序列預測的範疇，預測方法從簡單到困難多種多樣，但需要根據客服中心的主營業務、規模、話務量進來規律、服務水平目標等進行合理選擇。否則，即使妳選擇了最復雜的預測方法，如果不適合自己的預測環境，只會給妳帶來更多的麻煩，結果也差不多。以下是幾種常見的預測方法:
1，平均值預測法
平均預測法廣泛應用於業務單壹、話務量穩定的客服中心。
具體公式為:預測值=所有歷史數據的平均值。
2.移動平均預測法
移動平均預測法只對預測時間內與數據相關性最大的n個歷史數據進行平均。
具體公式為:預測值= n個相關性大的歷史數據的平均值。
3.指數平滑預測方法
指數平滑預測法是移動平均法的改進，對與當前時間段相關的n個歷史數據賦予不同的權重。
具體公式為:預測值= n1(歷史數據1)+N2(歷史數據2)+…+(歷史數據n)。
4.ARIMA模型
ARIMA是壹種自動回歸積分移動平均模型，主要用於具有長期趨勢和季節性波動的時間序列的分析和預測。ARIMA的想法很簡單。先差分去除季節波動，再去除長期趨勢，然後平滑序列，最後用壹個線性函數+白噪聲擬合序列。
二、來電預測的方法和程序
(壹)史料的收集和整理
歷史數據的處理是預測前最重要的壹步。如果數據處理不幹凈，會直接影響預測的準確性。對於客服中心的話務量情況，對原有話務量有影響的情況主要總結為以下幾點:
1，系統故障。如果某壹天發生系統故障，需要根據故障發生的時間維度，排除當天發生系統故障的話務量，恢復到原來的呼入量。
2.客戶集中來電是由於壹些敏感的短信或輿論引起的。
3.如果某天發送了某條敏感短信或者發生了輿情，導致客戶集中來電的情況，就要根據受影響的時間維度，消除相應的流量，恢復到原來的來電量。
4.人力不足，接通率低。
如果不是因為上述情況，而是因為人力不足，接通率低，導致重復呼叫較多，當天的來電數據並不是原客戶真實的來電需求。我們需要根據當天重復通話的水平，將來電音量恢復到原來的來電音量。
(二)模型的初步建立
不同的業務有不同的影響因素，我們需要挖掘歷史數據，找到比較重要的影響因素。比如信用卡業務，主要涉及還款日、賬單短信提醒日、延期還款期等影響因素。綜合業務主要涉及還貸日期、還貸短信提醒日期等影響因素。找到來電量的影響因素後，我們需要給不同的客戶群體不同的權重。
至此，模型已經初步構建，但隨著業務、航線調整、客戶量的不斷變化，我們需要不斷調整和完善我們的預測模型。預測模型是人工構建的，肯定有我們無法考慮的因素，所以模型並不完美，需要根據經驗手動調整模型值，經驗需要預測者在不斷的學習和工作中總結。
(3)模型外的預測點
有很多時間段無法利用模型進行預測，需要我們根據歷史數據和經驗手動進行預測。比如春節、黃金周、小長假期間。