对于排班人员需求的测算业内流传着多种方法，除了Erlang C和预测排班系统外，还有很多人采用以人均时段产能和人均时段工时利用率为基础的类似生产流水线的手工静态算法。无论采用何种算法，都应该注意一些基本的要求和常识。

①排班人员需求测算应该具体到时段（小时、半小时或15分钟），而不是笼统地以天甚至月为周期进行计算，因为客户联络是动态随机波动的，每个时段的工作量要求是不一样的，为了保证每个时段的接通率，每个时段所需要的人都要逐一测算。以天或月为周期的人员测算仅能够满足人员岗位配置需求和日排班总人数需求。

②具体到真正的有效工时利用率，一定要对所有的工时损耗进行详细的测算，把一切不能够抵消客户联络所产生的工作量的员工状态全部剔除。在月度人员配置的测算上，需要充分考虑到缺勤、线下、线上等各个状态的损耗，并同时考虑排班损耗和人员流失损耗。在具体时段的排班需求测算上，要算清楚通话+后处理+就绪三个状态的线上占比与当班时间占比，并由此引入排班指数的概念。另外特别需要注意的是你的后处理状态的纯净度，是否只处理跟刚刚结束的通话相关的工作。如果后处理状态中掺杂着一些跟刚刚的联络处理无关的动作或事项，例如休息、离席、拨打电话、处理遗留问题等等，则后处理状态的真实时长就无从得知，进而影响到平均处理时长，进而影响到真实工作量的测算和员工需求的测算，恶性循环就会启动。

③时段突发话量的滞后影响效应。如果某个时段出现了话务突发或预测失控，导致大量话务放弃或积压，将会对其后续时段造成连带影响，造成后续时段的工作量增加，也出现人手不足，接通率下降的情况。这就要求现场管理者对后续时段做出机动安排，也应该是现场应急预案的一部分。

④如果你用Erlang C，你要充分了解它的局限性及应对措施。Erlang C假设队列中没有人放弃的，所有的员工都能接听所有类型的电话，必须时刻确保在线处于工作状态的人数不低于它给出的人数，来电是平和而不是剧烈波动的。不掌握这四个假设，且没有相应的应对措施，Erlang C的结果就会失去水准。仅其中的队列放弃假设就非常复杂。实际情况中，客户是有放弃的，但是放弃的同时还会有客户重播进来，重播进来的话量会叠加到原始首次话量上。你用来预测话量的历史数据中有没有包含放弃重播的数据直接决定着你的测算方法的选择。

⑤预测、排班、现场是一体的。不是预测排班团队把活干完，交给现场运营的人就万事大吉了。真正的劳动力资源管理流程中这三块是一体的。初期的预测、排班工作完成后，现场执行时还会出现话务量未按预期的波动、人员配置的临时变化等情况，现场监控与调控就成了非常重要的顺延环节，当天再预测与剩余时段人员调配等工作都是在现场完成的，也是现场应急调度的依据。

⑥在线聊天(CHAT)渠道的独特性。在在线聊天（Online Chat）服务渠道的排班测算中，必须充分考虑其独特的运营特性。与电话服务不同，在线聊天允许客服人员同时处理多个会话，因此在排班时，不仅要考虑每个时段的总工作量，还要精确计算每个客服人员的并发处理能力。客服的响应时间是影响客户满意度的关键指标，因此确保每个时段有足够的人员配置，以满足即时响应的需求，至关重要。此外，聊天时长和后处理时间也需要详细测算，特别是在繁忙时段，后处理时间的准确性直接影响其他客户的服务体验。

由于在线聊天的流量波动较大，排班测算需要依赖历史数据的分析和实时监控工具的支持。通过对历史数据的深度分析，可以预测未来的流量趋势，从而制定更加精准的排班计划。同时，实时监控和灵活调整排班的能力至关重要，以应对突发的流量高峰，防止服务水平的下降。管理者应利用Chat系统或其他排班工具，动态调整人员配置，确保在任何时段都能提供高质量的客户服务。