Ric Kosiba介绍了一种预测呼叫放弃率的方法，并介绍了这样做的好处。

预测呼叫放弃率是一项困难的任务，因为它是人类行为的一个函数，并且受到联络中心无法控制的因素的严重影响。

这些因素包括：中的时间、客户的愿望以及客户放弃并选择另一种沟通方式的可能性（例如，改为访问公司网站）。

然而，这并非不可能，而且在强调未来收入损失和提供客户满意度的良好指标方面是有用的。

可以通过评估放弃率与队列时间和服务级别的关系来进行预测，如下所述。

第1步-评估呼叫中心在不同服务水平下运行时的放弃率预测呼叫放弃率的步是确定呼叫中心在更佳和最差服务水平下运行的时间段，并记录每个时间段的放弃率。

然后，记录过去几周内每个30分钟报告期内的服务级别和放弃率。

此信息可从通话放弃报告中获取。下面给出了一个模拟版本：

步骤2–根据此信息创建散点图收集此信息后，针对一个联络中心，应创建散点图，绘制放弃率和服务水平。

这样做之后，散点图很可能看起来像我们创建的模型版本，如下所示：

步骤3–找到相关性并将曲线拟合到图

在绘制上述散点图时，很可能会找到某种相关性。当这个模式实现时，剩下要做的就是拟合一条曲线来表示这两个指标之间的关系。

对于上面的散点图，我们发现以下一行最适合：

这与Ric Kosiba的研究很相关，他使用Genesys决策，使用该技术收集的数据来寻找不同指标之间的模式。

Ric的研究证实，一个呼叫中心的服务水平和放弃率之间的关系遵循以下模式：

使用此曲线，呼叫中心可以预测其在特定服务水平下的呼叫放弃。

例如，如果上面的图表代表我的联系中心的旧数据，并且它的服务水平为70%（比行业标准低10%），我可以预测我会失去超过3%的来电者。

需要注意什么？不幸的是，上述方法并非完美无瑕，因为有三个因素可能会扭曲结果。这些因素是：

不同呼叫类型的不同相关性虽然呼叫中心根据自己的服务水平和呼叫放弃结果创建自己的图表很重要，但也必须为不同的呼叫类型创建图表。

这是因为服务呼叫的放弃率将高于技术支持或预订的放弃率。

为了强调这一点，从Genesys决策中提取的数据根据一个联络中心的活动提供了以下图表。可以看出，服务的放弃率远远高于销售和预订。

检查ACD对服务级别的定义并非所有ACD报告都能提供呼叫放弃率或服务的准确信息。

一些系统将不会考虑在呼叫前五到十秒挂断的呼叫，作为呼叫放弃率的一部分。这将意味着曲线将不那么陡峭，因为用于计算呼叫放弃率的放弃呼叫数将远低于实际情况。

也是