客服中心智能排班系统与设计及方案说明.docx

1、.客服中心智能排班系统设计方案说明.目 录一、工程概述.3二、排班管理系统流程图.4三、排班管理系统框架图.5四、需求规格描述.64.1 历史话务统计64.2 异动与规律84.3 话务与人员预测94.4 人员与班次114.5 自动排班114.6 绩效与报表12五、业务量与人员预测.135.1 日常数据的收集和统计135.2 话务量清洗方法135.3 预测基本原理和方法155.4 业务量预测的最佳实践205.5 人员需求预测方法21六、自动排班介绍.236.1 排班要求236.2 自动排班方案236.3 班组排班方案276.4 机动班方案296.5 遵时度方案30word 范文.一、工程概述排班

2、管理系统工程概述：1、收集并保留各种业务类型的历史业务量数据，包括人工及自动语音接听量、总放弃量、平均通话时间、话后处理时间等。2 、具备科学严谨的业务量预测方法和步骤。3 、不晚于每年度 12 月完成对下一年度的长期预测，所预测的业务量需要精确到月。4、不晚于每月度25 日完成对下一个月度的短期预测，所预测的业务量需要精确到每日的每个小时时段。5 、在历史数据预测的基础上，应根据价格变动、临时任务、宣传活动等因素，以周为单位对短期业务量预测进行实时调整，并留存相关文档。6 、具备对短期业务量预测准确性的分析和管理机制。7 、根据短期预测数据进行人员的合理排班， 并不晚于每月度 25 日完成对

3、下一月度的人员排班。8 、能够根据对每一时段的业务量预测和服务水平要求，合理安排人员数量与班次，实现人员数量与业务量的最佳匹配。9、员工排班符合国家相关法律法规和公司的相关规定，符合呼叫中心的业务特点及满足人员利用效率最大化的需求。word 范文.二、排班管理系统流程图排班管理系统主要流程图：采集历史业务量数据清洗与剔除异常业务数据长期业务正常业务数据短期业务量增长系数（预测依据值）量增长系数反馈反馈长期业务量预测短期业务量预测业务需求客户需求绩效目标预测准长期业务短期业务预测准服务水平目标确性分析量预测结果量预测结果确性分析长期人员时段人员需求预测需求预测服务水平目标班次划分人力资源 /班次

4、人员人员信息需求预测排班条件班次实际人力资源 /与排班需求人员分配人员信息排班班次表座席值班排班表调整安排到座席统计报表反馈实时监控员工绩效衡量与班次遵守率word 范文.三、排班管理系统框架图排班管理系统整体框架图：时段呼入量统计(周报 )每日呼入量统计(月报 )历史话务统计呼入量统计曲线每周呼入量统计(月报 )每月呼入量统计(年报 )类别管理异动与规律类别管理异动话务提示异动与规律异动话务管理异动标记记录规律模型管理数据规律模型规律应用记录预测参数计算与设置月份呼入量预测月份预测结果与调整月份预测准确性分析呼入量预测预测参数计算与设置年度呼入量预测年度预测结果与调整排班管理系统年度预测准确

5、性分析话务与人员预测预测参数设定月份人员需求预测月份人员预测结果/ 调整预测参数设定人员需求预测年度人员需求预测年度人员预测结果/ 调整班次人员需求预测班次人员预测结果/ 调整人员信息管理人员添加与管理人员管理班组划分与管理组员与组长设定人员与班次岗位信息管理岗位排班设置岗位管理岗位班次管理班次添加与管理个性需求管理个性需求添加与管理排班规则设置管理自动排班自动排班排班表与班次统计自动排班排班表编辑与调整机动班管理历史排班快照word 范文.四、需求规格描述本章分功能模块描述排班管理系统需求规格说明。4.1 历史话务统计模块子功能功能项描述剔除异动话务数据，自动清洗异异常数据处理异常数据处理动

6、话务数据，或人工剔除异动话务的数据。以 “周 ”为统计周期，每天一个曲时段呼入量统计 ( 周报 )线周期，按时段显示数据统计话务曲线，如图 4.1 所示。业以 “月 ”为统计周期，每月一个曲每日呼入量统计 ( 月报 )务线周期，按天显示每日日均数据话统计话务曲线，如图 4.2所示。务统呼入量统计曲线以 “月 ”为统计周期，每周一个曲计线周期，每周按天显示每日日均每周呼入量统计 ( 月报 )数据统计话务曲线，如图4.3 所示。以 “年 ”为统计周期，每年一个曲每月呼入量统计 ( 年报 )线周期，按月显示一年之内每个月数据统计话务曲线，如图4.4所示。图 4.1 ：以半小时为间隔的一周每日来话量模

7、型图（2004 年 X 月 X 日）word 范文.图 4.2 ：每月日均来话量模型图（2004 年 X 月 1 日 31 日）图 4.3 ：每周日均来话量模型图（2004 年 X 月 1 日 31 日）word 范文.图 4.4 ：每月来话量模型图（2002 年 2004 年）4.2 异动与规律模块子功能功能项描述类别管理定义异动话务与规律模型的类别属性，如“临时任务”、类别管理异动与规律类别管理“特殊时期”等，方便对异动话务和规律模型进行分类管理以及应用。通过自动提示的异动话务，可便异动话务提示捷快速地将异动话务保存为规律异模型，完善规律模型数据。动“异动标记记录”记录的是从历与异动话务管

8、理规史话务统计和话务预测中执行律异动标记记录“标记异动话务”操作标记的异动话务，同时可将记录的异动话务转化成规律模型。对规律模型进行编辑、删除等管规律模型管理理操作，同时亦可手动添加规律数据规律模型模型。规律应用记录记录应用过的规律模型。word 范文.4.3 话务与人员预测模块子功能功能项描述月度预测参数计算与设置。包括有：月份业务增长预测系数，历史月份话务信息（指数，平均比率，时段比率） 。并且可以对自动计算出的预测参数作修改与调整。1.按照预测算法，得到月度业务量的预测结果图表。图例参见历史业务曲线图。2.业务量预测结果调整，并留月份呼入量预测存相关文档，备注修改调整原因。1.准确性分析

9、：每月生成相应的 “实际的话务量曲线图”，与 “预测的话务量预测曲线图 ”对照，分析预测的准确性。话2.可查看全月每日的准确性对务比，以及每日各时段的准确与人呼入量预测性对比，对预测值超出实际员值设定偏差范围后给予提预示。如图 4.5 和 4.6 所示。测年度预测参数计算与设置。包括有：年度业务增长预测系数，月份比率，历史年份话务数据。并且可以对自动计算出的预测参数作修改与调整。1.按照预测算法，得到年度业务量的预测结果图表。图例参见历史业务曲线图。年度呼入量预测2.业务量预测结果调整，并留存相关文档，备注修改调整原因。1.准确性分析：每年生成相应的 “实际的话务量曲线图”，与 “预测的话务量

10、预测曲线图 ”对照。2.分析预测的准确性，对预测值超出实际值设定偏差范围word 范文.月份人员需求预测人员需求预测年度人员需求预测班次人员需求预测后给予提示。 如图 4.7 所示。月份班次参数设定 (Erlang-C 参数设置 ) ，包括有：服务水平，平均处理时长。根据 Erlang-C 计算各班次人员需求，以及对预测结果进行修改和调整。年度人员预测参数设定(Erlang-C参数设置 ) ，包括有：服务水平，平均处理时长，座席占用率。根据 Erlang-C 计算各时段人员需求，以及对预测结果进行修改和调整。自动排班岗位的各班次人员预测结果与调整。图 4.5 ：月份话务量预测准确性分析对比模型

11、图 4.6 ：每日话务量预测准确性分析对比模型word 范文.图 4.7 ：年度话务量预测准确性分析对比模型4.4 人员与班次模块子功能功能项人员信息管理人人员管理班组划分与管理员管理岗位管理岗位信息管理岗位班次管理描述座席基本信息管理：增删改查。班组划分与班组组员及组长的管理。岗位基本信息的管理，岗位排班设置管理。各岗位对应班次的管理。4.5 自动排班模块子功能功能项描述个性需求管理个性排班需求添加与管理，自定义个性化排班。机动班管理设置管理机动班。自1.排班因子调整，设定与修改动自动排班排班算法与参数。排2.自动生成月度排班表，排班班排班表表样式如图 4.8 所示。调整排班结果，对自动排班

12、结果进行调整和修改。3.历史排班快照，对每一次生word 范文.成的排班表保存相应的排班数据依据快照信息。4.6 绩效与报表模块子功能功能项描述座席值班统计报表。 统计参数有：绩座席值班统计座席值班及遵时率统计值班天数，休息天数，总工作时效间，值各班次统计，遵时率。与根据值班统计报表，计算人员工报表绩效与考核绩效与考核指标作质量与服务水平，设定绩效与考核指标，进行绩效考核。图 4.9 ：每日时段报表word 范文.五、业务量与人员预测5.1 日常数据的收集和统计1. 相关数据包括： 通话时长， 话后处理时长， 平均处理时长， 呼叫量， 接听量， 服务水平。2. 统计周期：时段、日、周、月、年。

13、5.2 话务量清洗方法1. 清洗粒度：以半小时话务量为最小清洗粒度。2. 清洗模型： 原始话务量去除月指数影响， 去除周指数影响， 得到某一个时段的清洗参考基数后， 再加回周指数和月指数的影响， 得到清洗的数据范围， 原始数据处于正常数据范围之外的为异常数据，即异动话务。3. 模型分解(原始数据统计结果表：timespancallcounthistory, datecallcounthistory,yearcallcounthistory, week_total, year_total )(1) 以年（自然年）为清洗单位，每一年计算一套清洗标准。则一年的数据总量为：112 月每月总天数48 个

14、时段，按时段清洗。(2)清洗 X 月份 Y 日（星期W） Z 时段的话务数据（话务量为S）：X 月指数 Cm = X月话务总量 / 全年月份话务总量均值；Y 日周指数Cw = X月星期 W话务量均值 /X 月中星期一至日话务量均值的均值；清洗步骤：去除月指数与周指数的影响，清洗参考值，对于 112 月，每月 Y 日的清洗参考值都计算出来：A1A12，112对 A A 使用肖维勒准则（见附录）剔除异常的数据，计算剔除了异常数据的A1A12 的均值 A，加回周指数与月指数的影响，word 范文.设 R 为清洗度（可配置） ，则若，则为正常数据， 否则若为异常数据，需进一步修正，对的数据，用参考值A

15、 替换 S，修正数据，清洗完毕。备注：清洗度的确定跟呼叫中心的话务水平稳定程度有关，稳定程度高时，可设置更小的清洗度，稳定程度低时，应设置更大的清洗度。附录：肖维勒准则，若满足其残余偏差：则属于异常数据，其中为样本期望，为样本标准差，为系数（查表） 。剔除异常数据之后，对剩余数据重新使用肖维勒准则剔除异常数据，循环判断直至不再有异常数据。wn 系数表nwnnwnnwn31.38112252.3341.54122.03302.3951.65132.07402.4961.73142.1502.5871.8152.131002.881.86162.1591.92182.2101.96202.24(

16、当 前 月 份 清 洗 参 照 表 ： wfm_current_reference，清洗后结果表：timespan_remove_tran)4. 模型补充(1) 数据量不足一个清洗周期 （自然年） 时，采用移动周期的方法补足一个清洗周期的数据，以求得清洗参考值。例：假若系统初始安装时为2010 年 5 月 15 日，原始的话务数据从2009年1月 1日开始采集。 那么清洗2009 年的数据时， 可用正常的清洗方法完成。而 2010年的数据则需word 范文.移动周期补充完整。具体方法如下表：时间1月 1日4月30日5月1日12月31日2009 每月话务总量M1M4M5M122010 每月话务总

17、量N1N4N5N12(未知 )计算平均月增长系数K（N/MnM5M12相应放大 K 倍，得到n的均值，即每个月增长的均N5N12值），每完成一个自然月时，更新 K特殊地：运行之后每年的1 月份，清洗 1 月份数据时， 增长系数 K 为该年的年度增长系数， 1 月份完成后再使用月增长计算系数K；初始安装时为1 月份，清洗 1 月份数据时， 此时并未指定年度增长系数，则需手工指定年度增长系数。(2) 所有原始话务数据，不足一年时，相应缩小清洗参考值的计算来源范围。例：假若系统初始安装是为2010 年 5 月 15 日，原始的话务数据从2010 年 1 月 1 日开始采集，那么，此时清洗参考值A 不

18、足 12 个，使用已经完成了的自然月14 月数据计算清洗参考值。以后每完成一个自然月重新计算一次。特殊地， 若只有一个月的原始数据，不能完成清洗计算，提示至少需要一个完整月份的原始历史数据。5.3 预测基本原理和方法1.通过对历史数据的分析或假设可以反映未来趋势的系列预测，长期预测以月为单位预测整年的电话量， 短期预测以小时为单位来预测近期的电话量。通过长期预测规划下一个年度的人员及系统配备，通过短期预测调整日常排班，合理安排员工工作。2. 历史业务数据准备(1) 剔除异动话务数据， 使用话务量清洗方法剔除异动话务数据，得到不受异动话务影响的话务数据P。之后所有计算的数据依据均采用不受异动话务

19、影响的话务数据P。(2)对所有不受异动话务影响的话务数据P，按其所属周几统计计算周指数，周指数每word 范文.年按月份划分，每年每一个月一套周指数。计算 C 年 X（ X 为 ”112”）月份周Y（ Y 为 ”一日 ”）指数的方法：统计计算P 中 C 年 X 月份里周一周日的话务量均值W1W7，计算周Y 的指数：VY=，其中 Y, n=1,2,3,7 。(3) 计算历史数据集 P 经过去除周指数影响的数据集P：(wfm_timespan_remove_effect, wfm_date_remove_effect, wfm_month_remove_effect, wfm_history_ex

20、ponent)去除周指数影响的数据集 P=，周指数 V 为每一年相应月份的周指数。(4) 将去除周指数影响的数据集 P取最近三年数据，用加权平均得到一个包含一年时间的历史话务数据均值表 O：(wfm_timespan_average, wfm_date_average, wfm_month_average, wfm_exponent_average)O=Pc-1 ?K1 + Pc-2 ?K2 + Pc-3 ?(1-K 1-K2 ) ，其中 c 表示预测年份，c-1 表示预测年份前一年，其他类推；K 表示权重 (K 1 ,K 2 初始化为 0.6, 0.3)。若只有最近两年数据，则：O=Pc-1

21、 ?K1 + Pc-2 ?(1-K 1) ，其中 K1 初始化为 0.6 。若只有最近一年数据，则：O=P。历史话务数据均值表O按照一年12 个月份划分，并以每半小时为粒度保存话务数据。历史话务数据均值表结构示意图月份123456789101112日期12345678910111213141516171819202122232425262728293031时段123456464748word 范文.(5) 取最近三年的周指数 V，用类似求均值表 O的方法计算出一个预测周指数均值表 Ov，一共对应 112 个月份，每个月份一套周指数。3. 业务量预测(1)预测思路：预测值=历史均值增长系数周指数

22、 +规律模型变化值。( 年度话务量预测相关表：yearcallcountforecast, wfm_year_forecast_modify,year_total, wfm_month_rate)(2)年度话务量预测方法（预测粒度到每月话务总量）：年度话务总量R = 年度历史均值总量E（由 O计算） * 年度增长系数QR； ( 注 1)每月话务总量=年度话务总量R *月份比率（由O计算）。注 1:年度增长系数QR计算：(1) 移动平均法：预测年份之前每年相对于当时年总话务量均值的增长率的均值：QR=QR-1 ?K1 + QR-2 ?K2 + QR-3 ?(1-K 1-K2) ，其中 c 表示预

23、测年份，c-1 表示预测年份前一年，其他类推；K 表示权重 (K 1 ,K 2 初始化为 0.6, 0.3)。(2)指数平滑法：指数平滑法基本公式：S = a ?y+ (1-a)St-1,tt其中 S 为时间 t 的平滑值， y为时间 t 的实际值， S 为时间 t-1的平滑值， a 为ttt1平滑常数，其取值范围为0,1。预测计算年度增长系数QR：QR=a?QR(c-1) +(1-a) Q R(c-1) ,其中 QR(c-1) 为实际增长参数，QR(c-1) 为预测值，平滑常数a 初始化为0.6 。使用指数平滑法计算年度增长系数。年度话务量预测数据不足的说明：如果历史话务数据不足， 不能应用

24、正常的预测模型， 则需初始化年度预测相关系数，包括年度增长系数与各月份的月份比率，以完成年度话务量预测。word 范文.例：年度话务量预测720000年度历史均值来话量总量x1.12年度增长系数806400预测年份的来话量x0.071X 月份比率57254X 月份的来话量总量注：比率是根据历史数据得出的实际比率，例如月份比率=当月来话量 / 全年来话量(3)月份话务量预测方法（预测粒度到每半小时话务量）：( 月份话务量预测相关表：wfm_month_forecast_source,wfm_month_forecast_modify, monthcallcountforecast, month_

25、forecast_date,wfm_month_timespan_rate, wfm_month_day_rate, wfm_week_exponent)月份话务总量M = 月份历史均值总量（由O计算） * 月份增长系数Q；(注 2)M每日话务总量D = 月话务总量 M * 日期比率（由O计算）；每日话务总量周指数修正值D= 每日话务总量 D* 周指数 Ov；时段话务量 H = 每日话务总量周指数修正值D*时段比率（由O计算）；最终预测值 F = 时段话务量 H + 规律模型变化值。注 2:月份增长系数QM的计算：(1)移动平均法： 由 O中离预测月份最近的四个月份实际增长加权平均计算，因为预

26、测周期为月，所以预测月份之前月份的实际增长系数已经可以得到：Q=Q?K +Q?K +Q?K+ Q?(1-K -K-K)，MM(c-1)1M(c-2)2M(c-3)3M(c-4)123其中 c 表示预测月份， c-1表示预测月份前一月，其他类推；K 表示权重 (K,K ,K312初始化为 0.4, 0.3, 0.2)。(2) 指数平滑法：预测计算月份增长系数 QM：QM=a?QM(c-1) +(1-a) Q M(c-1) ,其中 QM(c-1) 为实际增长参数，QM(c-1) 为预测值，平滑常数a 初始化为0.6 。使用指数平滑法计算月份增长系数。word 范文.月份话务量预测数据不足的说明：若

27、历史数据未够一个周期，则 O不能完全由一年的时间构成，将已有数据的月份以每半小时统计计算得到历史数据均值O， O按照号数得到均值，组成一个月份1 31日的历史数据均值；若数月份数据不足31 天，则缺失的天数据采用已有日数据的均值。将由 O计算的数据从O计算。word 范文.例：月份话务量预测65000月份历史均值总量x1.05M月份增长系数XXXX年 X 月68250M月份预测话务总量SMTWTFSx0.04D 日日期来话量比率月123452730D日来话量份6789101112预x1.47D日周指数测131415161718194013D 日来话量修正值20212223242526x0.05

28、5时段 H的比率2728293031221预测出时段 H的来话量比率0.00.20.10.10.10.10.1+30时段 H 规律模型变化值5176650251时段 H 最终预测来话量指数0.31.41.11.11.11.00.75792250注：比率是根据历史数据得出的实际比率，例如日期比率=当日来话量 / 全月来话量平均比率 =1/ 实际工作天数，即 1/7=0.143指数 =比率 / 平均比率，即 0.21/0.143=1.469(4)增长系数的说明：以上公式中的增长系数是指相对于历史均值的增长（均值增长系数），而不是相对于前期的同比增长 （同比增长系数） ，而实际上用户需获取与操作的是

29、同比增长。所以最后需计算出同比增长系数，用户操作的仍是实际意义上的同比增长系数：均值增长系数=；同比增长系数=。5.4 业务量预测的最佳实践在呼叫中心业务量预测方面的最佳实践有以下几个方面：1. 具备和使用适合的业务量预测工具，能保证预测的准确性；2. 能正确理解和完全掌握各种时段的来话量规律模型；3. 有专门的人员负责， 并能够完全胜任业务量预测的工作，该人员能熟悉并完全掌握系统的预测方法以及进行实际的手工计算预测，并可熟练使用相应的预测工具， 完word 范文.成准确预测任务。5.5 人员需求预测方法人员需求预测计算公式：Erlang-C （爱尔兰 C）公式，利用这个公式来计算满足服务水平

30、目标所需要的人员数量以及中继线数量，即通常所说的根据每小时电话量要求20 秒达到80%的接通率需要多少人。Erlang-C （爱尔兰 C）公式：公式的介绍：假设呼叫中心每半个小时进线量 360通、平均处理时长 4分钟、一共有 55个座席人员、 服务水平目标为 15秒（服务水平是指在 N 秒内的接通率） 。1. 来电频率 / 密度2. 平均每通电话时长 Ts3. 座席数 m4. 话务强度 u5. 座席占用率 p6. 代入 Erlang-C公式word 范文.7. 呼叫等待的概率 Prob8. 平均均等待时长 Tw9. 服务水平目标 t( 爱尔兰 C公式参数保存：wfm_erlangc)( 相应人

31、员需求预测表：wfm_month_timespan_agent, wfm_year_agent)word 范文.六、自动排班介绍6.1 排班要求人员排班要求：1. 尽量以传统工作时间为主要排班班次。2. 排班班次之间以合适的时间间隔相交错排列，以满足高峰时段业务的需求。3. 对小休、午餐、例会和下线培训时段的人员排班班次应进行相应调整。4. 根据短期预测，对常规的、非在线业务进行合理的规划。5. 建立内部应急机制，应对突发话务量。6. 对于临时调整班次建议采取员工选择或事先征求员工意见。7. 确保座席员理解班次时间安排，并且能够严格按照排班执行考勤。6.2 自动排班方案自动排班过程如下：时段业

32、务量预测时段人员需求预测班次划分班次人员需求排班1. 时段业务量预测表由预测算法可得出时段业务量预测表（月份业务量预测）。2. 各时段座席人员需求由 Erlang-C 公式可以计算出月份预测表中各时段所需座席人数。3. 进行班次划分(1) 排班人员可依据时段业务量预测表与呼叫中心特点要求进行班次的手动划分。划分参考：班次长度： 6.0 小时 上班时间 8.5 小时；班段个数： 1 段 班段个数 3 段；班段长度： 2 小时 班段长度 5 小时。word 范文.(2) 尽量以传统工作时间为主要排班班次。(3) 划分班次时应根据时段业务量预测表尽量将业务量集中且数据趋势平缓的时间段作为一个班次。(

33、4) 保证话务高峰时段及需要保证接通率的重点时段的服务水平。4. 各班次座席人员需求( 班次人员需求表： wfm_frequency_staff ，班次相关表： wfm_frequency, wfm_frequency_time)(1) 使用 Erlang-C 公式在班次的整个大时段内计算整个班次时间内所需要的座席人数。如班次之间有重叠交叉时段，则按照不同的情况进行计算。(2) 规则：从非通宵班的最早班次开始。如图示，分解一个完整的划分模型：共划分了一、二、三、四、五共五个班次。班次之间出现时间段重叠交叉，将全天时间划分成了1、 2、3、 4、 5、6、 7、 8 共八个没有重叠或交叉的时间段

34、；用 B1B5表示班次一至五各分配人数，使用Erlang-C计算 18 时间段各需要人数为 X1X8 ( 假若： X8=X2X1X3=X4X7X6X5)。将这 8 个时段按照需求人数的升序、包含班次数目的降序排列这8 个时段，得到的序列如下：word 范文.从排序后的时段序列第一个时段开始，该时段包括班次五，因此B5=X8；有序序列2 包括班次一、 三，此独立时段内都是新的未安排人员的班次，因此，B1=B3=X2/2；有序序列3 包括班次一、二，班次一已安排人员，那么B2=X1-B1=X1-X2/2 ；有序序列4 包括班次一、二、三，班次一、二、三均已安排有人员，那么将该时段需求人数将已安排在

35、班次一、二、三的人数得到T=X3-B1-B2-B3 ，将剩余人数T 按班次一、二、三人数比例分配到班次一、二、三中，即：B1=B1+T*（ B1/(B1+B2+B3) ， B2=B2+T*(B2/(B1+B2+B3) ， B3=B3+T*(B3/(B1+B2+B3) ；按照以上步骤，遍历完有序序列之后，可以得到班次人数B1B5。(3) 调整由 Erlang-C 及上述计算公式得出的班次人员需求预测结果，调整参考： 根据班次内各时段的人员需求预测值进行调整；保证话务高峰时段及需要保证接通率的重点时段的服务水平。5. 排班方案：排班说明1 座席总人数：呼叫中心所有岗位为座席的总人数。2 个性需求不值班人数：个性需求中为“不值所有班次”总人数。3 应休息人数 = 座席总人数 可排班人数。（每天安排休息的人数）4 可排班人数 = 每天实际参与值班的人数。5 理想排班人数 = 班次人员需求预测人数总和。 （理想参与值班的人数）为保证全月下来座席休息时间总体保证“工作时间：休息时间=5：2”，每天可排班人数与应休息